Модель глубокого обучения для ЭКГ для определения и локализации окклюзионного инфаркта миокарда

Почему это важно при инфарктах

Когда у человека случается инфаркт, каждая минута без лечения может погубить сердечную мышцу. Врачи обычно опираются на быструю запись сердца — ЭКГ — и анализ крови, чтобы решить, кому нужен срочный выезд в операционную. Но эти инструменты нередко не замечают опасные блокировки или помечают пациентов, которым на самом деле не нужна экстренная процедура. В этом исследовании показано, как искусственный интеллект может читать ЭКГ, чтобы точнее обнаруживать и даже локализовать серьёзные закупорки, что может помочь быстрее доставлять нужных пациентов к спасительному лечению.

Поиск «забитых труб» в сердце

Не все инфаркты одинаковы. Некоторые вызваны полностью или почти полностью закупоренной коронарной артерией — ситуацию, которую авторы называют окклюзионным инфарктом миокарда. Именно эти пациенты наиболее срочно нуждаются в процедуре по восстановлению проходимости артерии. Проблема в том, что стандартные правила ориентируются на паттерн, называемый поднятием сегмента ST на ЭКГ, который встречается только в части таких опасных случаев и может возникать при других состояниях. В результате одних пациентов пропускают, а другим проводят ненужные инвазивные вмешательства. Исследователи поставили цель создать компьютерную модель, способную анализировать исходный сигнал ЭКГ и распознавать как наличие острой закупорки, так и то, какая из основных коронарных артерий вовлечена.

Обучение модели на сотнях тысяч ЭКГ

Команда использовала данные Шведской базы экстренных отделений, в которой связаны приёмы в отделения неотложной помощи, записи ЭКГ и подробные результаты коронарографии. Они собрали более 540 000 ЭКГ примерно от 226 000 взрослых пациентов, обратившихся в отделения неотложной помощи Стокгольмского региона в период с 2005 по 2016 год. Для каждого случая инфаркта врачи, выполнявшие ангиографию, уже определяли, была ли свежая полная закупорка и какая крупная ветвь была ответственной. Используя эти объективные данные процедур в качестве «истинной» разметки, исследователи обучили модель глубокого обучения — тип нейронной сети, который умеет распознавать сложные закономерности в сигналах — классифицировать ЭКГ по нескольким категориям, включая окклюзионный и неокклюзионный инфаркты и конкретную «виновную» артерию.

Насколько хорошо модель выявляет опасность

На отложенных шведских тестовых данных модель показала очень высокую способность отличать острые закупорки от других пациентов. Её показатель эффективности, C-статистика, достигал не менее 0,95 для обнаружения окклюзионных инфарктов и не менее 0,87 для неокклюзионных инфарктов. При низком уровне ложных срабатываний в 5 процентов модель правильно выявляла около 87 процентов случаев окклюзии. Она также хорошо справлялась с определением, какая из трёх основных коронарных артерий была заблокирована, хотя различение двух конкретных локализаций артерий, которое сложно даже для экспертов, осталось проблемным. По разным возрастам, полу, типам ЭКГ-аппаратуры и календарным годам точность оставалась в целом сопоставимой, с несколько лучшими результатами у более молодых пациентов и у тех, у кого не было определённых длительно существующих нарушений проводимости сердца.

Проверка модели в других странах

Чтобы оценить, выдержит ли инструмент проверку за пределами Швеции, авторы протестировали его на трёх дополнительных коллекциях ЭКГ из Европы и Бразилии. В бразильском когорте экстренных случаев с разметкой на основе ангиографии модель по-прежнему хорошо отделяла окклюзионные инфаркты от контрольных, особенно для случаев с классическим подъёмом ST. В двух больших базах, где были доступны только более широкие ярлыки, такие как инфаркт с подъёмом ST и распространённый блок проводимости, модель также показала высокую эффективность. Более того, при прогнозировании инфарктов с подъёмом ST в одном из этих наборов данных шведская модель превзошла другую модель, обученную непосредственно на тех локальных ручных ярлыках, что говорит о том, что обучение на объективных результатах катетеризации может дать системе более глубокое понимание основной болезни.

Что это может значить для пациентов

Эта работа показывает, что компьютерная модель может использовать обычные ЭКГ в сочетании с базовой информацией, такой как возраст и пол, чтобы быстро выявлять пациентов, у которых, вероятно, свежая закупорка коронарной артерии, и указывать, где она находится. Поскольку метод не зависит от анализов крови или от единодушного мнения врачей по тонким паттернам на ЭКГ, он может сократить время от первого контакта с медициной до восстановления проходимости артерии и уменьшить количество ненужных экстренных вмешательств. Авторы подчёркивают, что их инструмент ещё нужно испытать в клинических исследованиях с оценкой исходов пациентов, прежде чем применять его в рутинной практике, но это направление указывает на будущее, в котором интеллектуальный анализ ЭКГ помогает обеспечить, чтобы нужные люди попадали в катетеризационную лабораторию в нужное время.

Цитирование: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Ключевые слова: электрокардиограмма, глубокое обучение, инфаркт миокарда, коронарная окклюзия, медицинский ИИ