Rozpoznawanie choroby wieńcowej za pomocą przetwarzania sygnałów i uczenia maszynowego dźwięków serca: przegląd systematyczny

Słuchając serca zamiast wchodzić do naczyń

Choroba wieńcowa, w której naczynia krwionośne zaopatrujące serce ulegają zwężeniu, jest jednym z głównych zabójców na świecie. Dziś lekarze zwykle potwierdzają tę chorobę badaniami inwazyjnymi, wprowadzając cewniki do serca, lub drogimi urządzeniami obrazującymi. W tym badaniu postawiono proste, atrakcyjne pytanie: czy uważna analiza zwykłych dźwięków serca — nagranych za pomocą mikrofonów na klatce piersiowej i interpretowanych przez komputery — mogłaby posłużyć jako bezpieczne, szybkie wstępne badanie pod kątem zatkanych tętnic wieńcowych?

Dlaczego zwężone tętnice zmieniają dźwięk serca

Gdy tętnica wieńcowa jest zwężona, krew musi przepływać przez węższe ujście, co powoduje turbulentny, szybki przepływ. Ta turbulencja może generować ciche szmery i dodatkowe drgania, zwłaszcza w fazie rozkurczowej serca, gdy krew zwykle płynie spokojniej. Ten sam niedostateczny dopływ krwi może subtelnie osłabić skurcz serca i zmienić czas oraz siłę głównych uderzeń serca. Wszystkie te zmiany nieznacznie przekształcają „muzykę” bicia serca. Nowoczesne elektroniczne stetoskopy potrafią zarejestrować te dźwięki, które następnie przekształca się w sygnały cyfrowe do analizy komputerowej.

Jak badacze przeszukiwali literaturę naukową

Autorzy przeszukali cztery główne bazy medyczne i przesiewowo sprawdzili ponad tysiąc publikacji o dźwiękach serca i chorobie wieńcowej. Po usunięciu duplikatów, bardzo małych raportów i artykułów o słabych metodach, wybrali 40 badań, które łącznie objęły 13 814 osób. Prawie wszystkie te prace potwierdzały obecność lub brak istotnego zwężenia tętnic za pomocą standardowych badań obrazowych naczyń wieńcowych, a następnie porównywały te wyniki z informacjami uzyskanymi z dźwięków serca. Około połowa badań opierała się na tradycyjnym przetwarzaniu sygnału — matematycznym opisie energii i częstotliwości dźwięku — podczas gdy druga połowa używała uczenia maszynowego, w którym algorytmy uczą się wzorców bezpośrednio z danych.

Ograniczenia tradycyjnych pomiarów dźwięku

W starszym podejściu naukowcy wybierali kilka specyficznych cech dźwięku, które ich zdaniem mogły odzwierciedlać zwężone tętnice. Typowe miary obejmowały, ile energii dźwięku pojawiało się w określonych pasmach częstotliwości podczas fazy rozkurczowej lub jak długie i silne były główne uderzenia serca. W małych grupach pacjentów te badania często wyglądały obiecująco, czasem raportując poprawną identyfikację choroby w ponad 70 procentach przypadków. Jednak w miarę zwiększania prób do setek lub tysięcy dokładność spadała, często poniżej 70 procent, a czasem blisko losowego rozstrzygnięcia. Wiele z tych badań także testowało swoje metody na tych samych osobach, na których je opracowano, co budziło wątpliwości, czy wyniki utrzymają się u nowych pacjentów.

Uczenie maszynowe odkrywa ukryte wzorce serca

Nowsze badania obrały inną drogę. Zamiast ograniczać się do kilku ręcznie wybranych cech, pozwoliły algorytmom komputerowym uczyć się bogatszych wzorców w dźwięku. Niektóre łączyły dziesiątki, a nawet setki tradycyjnych miar; inne podawały surową falę dźwiękową lub kolorowe obrazy czasowo‑częstotliwościowe bicia serca do sieci głębokiego uczenia. W 19 takich badaniach większość raportowała czułość i swoistość powyżej 80 procent, co oznacza, że systemy te często poprawnie identyfikowały zarówno osoby chore, jak i zdrowe. Co ważne, większość badań z uczeniem maszynowym testowała swoje modele na dźwiękach serca pochodzących od osób nieuczestniczących w treningu, co daje większą pewność, że narzędzia mogą się uogólniać. Modele analizujące cały cykl bicia serca, a nie tylko cichą fazę rozkurczową, miały tendencję do najlepszych wyników — sugerując, że użyteczne wskazówki dotyczące choroby tętnic rozproszone są przez cały cykl serca, a nie ograniczone do jednego momentu.

Co to może oznaczać dla codziennej opieki

W sumie dowody sugerują, że uczenie maszynowe zastosowane do dźwięków serca ma realny potencjał jako nieinwazyjna pomoc w wykrywaniu choroby wieńcowej, podczas gdy proste sztuczki przetwarzania sygnału same w sobie prawdopodobnie nie są wystarczająco dokładne. Autorzy jednak ostrzegają, że większość badań do tej pory była mała i prowadzona w pojedynczych szpitalach, często w starannie kontrolowanych warunkach nagrań. Aby przejść od badań do codziennego użycia — być może na oddziałach ratunkowych, w przychodniach lub nawet w narzędziach opartych na smartfonach — potrzebne są większe, wieloośrodkowe próby. Przyszłe badania będą musiały wykazać, że takie systemy pozostają dokładne w różnych grupach pacjentów, są zrozumiałe dla klinicystów i płynnie wpisują się w ścieżki opieki. Jeśli te przeszkody zostaną pokonane, uważne słuchanie serca z pomocą sztucznej inteligencji mogłoby pewnego dnia pomóc wykrywać ukrytą chorobę naczyń na długo przed koniecznością badania inwazyjnego.

Cytowanie: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Słowa kluczowe: choroba wieńcowa, dźwięki serca, uczenie maszynowe, diagnostyka nieinwazyjna, cyfrowy stetoskop