Классификация пароксизмальной фибрилляции предсердий по синусовому ритму ЭКГ с использованием метода симметричной проекционной реконструкции аттрактора

Почему это исследование ритма сердца важно

Фибрилляция предсердий — распространённая проблема сердечного ритма, которая может молча повышать риск инсульта и преждевременной смерти. Одна загадочная форма, называемая пароксизмальной фибрилляцией предсердий, приходит и уходит в коротких приступах, поэтому у человека может быть полностью нормальная запись ЭКГ в момент обращения к врачу. В этом исследовании поставлен провокационный вопрос: даже если ЭКГ выглядит нормально, сохраняет ли она тонкий отпечаток скрытой аритмии, который способны распознать компьютеры — и может ли это избавить пациентов от недель неудобного контроля сердца?

Скрытые подсказки в обычном тесте сердца

Врачи обычно диагностируют фибрилляцию предсердий, зафиксировав эпизод на ЭКГ, регистрирующей электрическую активность сердца. У людей с кратковременными и редкими эпизодами стандартные тесты — и даже портативные мониторы на 30 дней — часто не обнаруживают проблему. Исследователи изучили, может ли короткая 10‑секундная ЭКГ, снятая при нормальном ритме, всё же выявить, у кого был анамнез пароксизмальной фибрилляции предсердий. Если это возможно, рутинный тест в клинике или приёмном покое мог бы пометить пациентов с риском, не дожидаясь следующего приступа.

Преобразование сердцебиений в геометрические формы

Чтобы искать эти скрытые подсказки, команда использовала метод обработки сигналов, называемый симметричной проекционной реконструкцией аттрактора. Вместо того чтобы сосредотачиваться на знакомых ориентирах ЭКГ — резких пиках и волнах, которые обычно инспектируют врачи — этот метод рассматривает весь повторяющийся сердечный цикл как временной шаблон. Каждое сердцебиение снимают в нескольких точках и откладывают эти значения друг относительно друга, превращая одномерный сигнал в двумерную геометрическую картину, называемую аттрактором. Тонкие изменения в том, как электрический сигнал сердца поднимается, опускается и варьируется от удара к удару, проявляются как различия в форме, размере и плотности этих аттракторных рисунков, даже когда исходная ЭКГ визуально выглядит нормально.

Обучение компьютеров распознавать рискованные шаблоны

Исследователи использовали большую открытую базу данных ЭКГ, включающую людей с документированными эпизодами фибрилляции предсердий и тщательно подобранные контрольные группы без известных нарушений ритма, сопоставленные по возрасту и полу. Для каждой 10‑секундной записи в нормальном ритме они сгенерировали изображения аттракторов для всех 12 отведений ЭКГ и преобразовали эти фигуры в числовые сводки, описывающие, с какой плотностью точки группировались в разных направлениях и на разных расстояниях от центра. Эти сводки затем подавались в два стандартных подхода машинного обучения: один классифицирует новый случай на основе ближайших соседей в наборе данных, другой строит дерево решений с правилами «если‑то». Команда также проверяла практические вопросы, важные для применения в реальном мире, например какое отведение ЭКГ работает лучше и ухудшают ли работу более низкие частоты дискретизации — обычные в повседневных клинических приборах.

Насколько хорошо метод сработал

При многих комбинациях настроек лучшая конфигурация использовала характеристики аттракторов, описывающие плотность расположения точек по окружности, снятых с ЭКГ с частотой дискретизации 125 герц и классифицированных методом ближайших соседей. В этих условиях система правильно различала людей с пароксизмальной фибрилляцией предсердий и без неё примерно в 81% случаев. Она была особенно надежна в выявлении действительно здоровых контрольных пациентов (примерно 95% специфичности), но менее эффективна в обнаружении всех поражённых пациентов (около 67% чувствительности). Подход на основе дерева решений немного повысил чувствительность до примерно 73%, но за счёт увеличения числа ложных срабатываний. Важно, что методу требовалось всего 10 секунд данных в нормальном ритме, при этом его чувствительность была примерно вдвое выше, чем та, что сообщалась для 30‑дневного долгосрочного мониторинга сердца в предыдущих работах.

Кому это приносит пользу и что ещё нужно доработать

Исследователи обнаружили, что показатели работы были относительно стабильны в разных возрастных группах, но немного лучше у мужчин, чем у женщин, что, вероятно, отражает дисбаланс в исходной базе данных. Наличие других сердечных заболеваний у некоторых пациентов, как правило, снижало точность, а также имело значение время между задокументированным эпизодом фибрилляции и записью ЭКГ в нормальном ритме. Эти результаты указывают на то, что будущие исследования с большими, более разнообразными группами пациентов — и тщательным отслеживанием сопутствующих диагнозов и времени регистрации — могли бы ещё больше доработать инструмент и уточнить, где он работает лучше всего, например в клиниках, приёмных покоях или носимых устройствах.

Шаг к более раннему и простому выявлению

Для неспециалиста ключевое послание таково: стандартный быстрый тест сердца может содержать больше информации, чем врачи сейчас способны увидеть. Преобразуя визуально нормальные сердечные циклы в геометрические шаблоны и позволяя алгоритмам сравнивать эти формы между большим числом пациентов, исследование показывает, что возможно пометить людей с анамнезом пароксизмальной фибрилляции предсердий, используя всего несколько секунд нормального ритма. Хотя метод ещё далёк от совершенства, он открывает перспективный путь к более быстрому и комфортному скринингу, который может помочь раньше выявлять людей с риском инсульта и направлять, кто должен получать более тщательное наблюдение или профилактическое лечение.

Цитирование: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Ключевые слова: фибрилляция предсердий, электрокардиограмма, машинное обучение, ритм сердца, раннее выявление