Подходы с применением ИИ для персонализированного лечения сердца: выводы на основе данных ЭКГ

Почему важны более чувствительные сердечные тесты

Когда врачи назначают препараты, влияющие на сердце, они опираются на электрокардиограмму (ЭКГ), чтобы убедиться в безопасности терапии. Но многие лекарства оставляют на сердцебиении лишь тонкие «отпечатки», которые трудно заметить визуально. В этом исследовании рассматривается, как искусственный интеллект может точнее читать следы на ЭКГ, помогая врачам определить, какой именно препарат или их комбинация воздействуют на сердце, и открывая путь к более персонализированному и безопасному кардиологическому уходу.

В поисках скрытых эффектов препаратов в сердцебиении

Исследователи сосредоточились на давней проблеме безопасности: некоторые препараты могут нарушать электрический ритм сердца и повышать риск опасных аритмий. Традиционно врачи следят за одним основным показателем ЭКГ — интервалом QT, но этот единственный мерило часто упускает важные детали. Разные препараты и их комбинации могут изменять несколько частей сердечного цикла сложными способами. Команда поставила вопрос, могут ли компьютерные модели выучить эти паттерны по данным и надежно классифицировать ЭКГ в соответствии с лечением, которое их вызвало.

Построение подробной картины по сигналам ЭКГ

Чтобы решить задачу, исследование использовало публичную базу данных из строго контролируемого исследования с участием 22 здоровых добровольцев. Каждый участник получал несколько схем приема препаратов: известные антиаритмические средства по отдельности, в комбинации с другими препаратами и плацебо. Для каждого периода дозирования записывались стандартные 12‑канальные ЭКГ и брались образцы крови. Вместо того чтобы подавать сырые волновые формы непосредственно в модель, команда сначала очистила сигналы, а затем извлекла детализированный набор признаков, описывающих каждое сердцебиение: сколько времени занимает прохождение электрического импульса по сердцу, как поднимается и падает зубец T при восстановлении между сокращениями, и насколько варьируется промежуток между ударами.

Обучение ИИ распознавать «отпечатки» лечения

На основе этих признаков авторы обучили и сравнили три популярных модели машинного обучения. Две из них, Random Forest и XGBoost, — деревообразные методы, которые учатся на множестве простых правил решений, работающих совместно, тогда как третья, метод опорных векторов (SVM), является более классическим классификатором. Моделям поручили отнести каждый сегмент ЭКГ к одному из десяти возможных кодов лечения. После тщательной настройки и перекрестной проверки XGBoost достиг точности около 98%, Random Forest показал примерно 97%, тогда как SVM отстал значительно. Лучшие модели не только давали точные прогнозы, но и делали это надежно во всех группах лечения.

Что модели говорят о сердечном цикле

Помимо числовых показателей, команда изучила, какие признаки ЭКГ оказались важнейшими для деревообразных моделей. Обе модели неоднократно выделяли длительность комплекса QRS, интервал PR и несколько характеристик зубца T, таких как его высота и форма, как сильнейшие подсказки о назначенном лечении. Эти результаты хорошо согласуются с клиническими знаниями о том, что эти части ЭКГ отражают распространение электрических сигналов по сердцу и восстановление нижних камер между сокращениями — процессы, на которые многие лекарства влияют. Когда ту же обработку протестировали на отдельной базе данных с другими препаратами, она снова показала высокую эффективность без необходимости дообучения, что указывает на то, что выученные правила не привязаны к одному исследованию.

Что это означает для будущей медицины

Проще говоря, эта работа показывает, что ИИ может научиться «читать» ЭКГ так, чтобы улавливать совокупное, тонкое влияние разных лекарств на сердце. Вместо опоры на одно‑две ручные метрики врачи однажды смогут использовать такие модели, чтобы одновременно просматривать множество признаков ЭКГ и быстро отмечать пациентов, чье сердце реагирует на препарат рискованным образом. Хотя исследование требует расширения на более крупные и разнообразные популяции, оно закладывает прочную основу для применения инструментов, основанных на данных, для тонкой настройки кардиологических схем лечения, чтобы каждый человек получал терапию, которая не только эффективна, но и безопаснее для его сердца.

Цитирование: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

Ключевые слова: электрокардиограмма, машинное обучение, безопасность лекарств, сердечная аритмия, персонализированная медицина