Объяснимый многомодальный подход к выявлению ключевых предикторов риска инсульта по ЭКГ, ЭМГ, давлению крови и дыхательным сигналам

Почему дыхание и сердечные сигналы важны для инсульта

Инсульт наступает быстро, но обычно развивается бессимптомно в течение многих лет. Врачи знают, что высокий кровяной давление, нарушения ритма сердца и образ жизни повышают риск, однако предсказать, у кого действительно высокая опасность, по‑прежнему сложно. В этом исследовании показано, что то, как мы дышим — особенно то, как организм справляется с углекислым газом — содержит скрытые подсказки о риске инсульта. Объединив дыхательные, сердечные, мышечные и кровяные сигналы в объяснимой модели искусственного интеллекта (ИИ), авторы выявляют новые способы обнаружения пациентов с высоким риском и помогают клиницистам понять, почему алгоритм вынес именно такое решение.

Слушая тихие сигналы тела

Вместо использования сканирования мозга, которое дорого и непригодно для непрерывного мониторинга, исследователи обратились к простым электрическим и давленческим измерениям, снятым с 64 добровольцев, некоторые из которых перенесли ишемический инсульт, а некоторые — нет. Они записывали семь сигналов, пока люди сидели, а затем вставали: активность сердца (две канала ЭКГ), активность мышц ноги (две канала ЭМГ), артериальное давление с пальцевой манжеты и два дыхательных сигнала у рта — концентрация углекислого газа в выдыхаемом воздухе и скорость воздушного потока. Эти измерения похожи на те, которые можно собрать с помощью больничных мониторов у постели пациента или современных носимых устройств, что делает подход потенциально применимым для регулярных обследований.

Преобразование сырых волн в шаблоны, понятные компьютеру

Команда разбила 10‑минутную запись каждого участника на множество 14‑секундных отрезков с частичным перекрытием — достаточно времени, чтобы зафиксировать несколько вдохов и повторяющиеся сердечные сокращения. Для каждого отрезка они вычисляли широкий набор простых числовых дескрипторов — средние значения, изменчивость, частоту пересечений нуля и распределение энергии по частотам. Эти признаки суммируют «характер» каждого сигнала без хранения полных форм волн, что снижает вычислительную нагрузку и шум. Все признаки из семи сигналов затем объединялись, чтобы представить один пример поведения организма человека в этот краткий промежуток времени.

Простая модель, вдохновлённая мозгом, которая превосходит глубокие сети

Вместо использования глубокой сложной нейронной сети авторы избрали очень простую модель: однослойный персептрон. Эта модель принимает все числовые признаки, умножает каждый на обучаемый вес, суммирует их и пропускает результат через «сжатую» функцию, чтобы получить вероятность «инсульт» или «нет инсульта». Несмотря на простоту, модель достигла точности примерно 85–88 процентов, превосходя более сложные методы, такие как рекуррентные и сверточные нейронные сети, ансамблевые echo state сети и популярные классические алгоритмы машинного обучения при тестировании на тех же данных. Важно, что при удалении дыхательных сигналов (диоксид углерода и поток воздуха) точность упала до примерно 59 процентов — статистически значимое снижение, что показывает: данные о дыхании дают критически важную информацию, которую другие сигналы по‑одиночке не захватывают.

Открывая «чёрный ящик»: какие сигналы действительно важны

Врачи с оправданной осторожностью относятся к «чёрным ящикам» ИИ, поэтому команда использовала три инструмента объяснений — SHAP, LIME и Anchors — чтобы увидеть, на какие признаки модель опирается больше всего. Все три указали на дыхательные признаки, особенно производные от концентрации углекислого газа, как ключевые драйверы прогнозов. SHAP, объяснитель на основе теории игр, поставил в топ средний уровень выдыхаемого углекислого газа, его изменчивость и среднее артериальное давление как три главных вклада в решение о том, напоминает ли образец данные пациента с инсультом. Высокий средний уровень углекислого газа и высокое артериальное давление склоняли модель к метке «инсульт», тогда как более нерегулярные паттерны углекислого газа указывали на более низкий риск. Чтобы оценить, какому объяснителю можно доверять больше, авторы применили специальный тест: удаляли топ‑признаки, названные каждым методом, и смотрели, насколько ухудшается работа модели. Удаление признаков, выбранных SHAP, привело к наибольшему падению качества, что позволило назвать его наиболее надёжным интерпретатором.

Что это значит для пациентов и клиницистов

Для неспециалистов вывод прост: то, как вы дышите и как эффективно выводится углекислый газ, может быть столь же информативно для оценки риска инсульта, как ваше кровяное давление или сердечный ритм. Работа показывает, что рутинные мониторы, фиксирующие дыхательные газы, артериальное давление, сердечную и мышечную активность, могут быть связаны с простой и прозрачной моделью ИИ, чтобы отмечать людей, требующих более пристального наблюдения задолго до наступления инсульта. Поскольку модель одновременно точна и объяснима, клиницисты могут видеть, какие аспекты физиологии пациента влияют на оценку риска, что повышает доверие и позволяет нацеливать вмешательства. Нужны большие исследования для подтверждения, но результаты выделяют показатели, связанные с углекислым газом в дыхании, как перспективные новые маркеры для профилактики инсульта.

Цитирование: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Ключевые слова: риск инсульта, дыхательные сигналы, диоксид углерода, объяснимый ИИ, ЭКГ и артериальное давление