Прогнозирование результатов кардиопульмональных нагрузочных тестов при врожденных пороках сердца с помощью интеграции мультимодальных данных и геометрического обучения

Почему это исследование сердца важно

Для людей, рожденных с пороками сердца, взросление и жизнь в зрелом возрасте часто связаны с неопределённостью: выдержит ли моё сердце повседневную жизнь, физическую нагрузку или крупную операцию? В этом исследовании изучают, можно ли объединить и проанализировать данные, уже собираемые в рутинной практике — электрокардиограммы и клинические письма — с помощью современных вычислительных методов, чтобы предсказать, как будут работать сердце и легкие пациента при нагрузке, без обязательного проведения самого ресурсоёмкого теста.

Понимание пригодности по дыханию и сердцебиению

Врачи часто используют специальный тредмил или велоэргометр для кардиопульмонального нагрузочного теста, чтобы определить, сколько кислорода человек может потреблять и насколько эффективно он выделяет углекислый газ. Эти измерения дают мощную картину общей физической формы и будущего риска для здоровья, особенно у взрослых с врожденными пороками сердца. Однако тест занимает много времени, требует специального оборудования и недоступен всем пациентам и во всех больницах.

Объединение разрозненной информации о пациентах

Исследователи собрали несколько типов данных у 436 взрослых с врожденными пороками сердца, наблюдавшихся в шотландском специализированном центре. Они оцифровали более четырёх тысяч стандартных 12‑отводных ЭКГ — коротких записей электрической активности сердца — и также преобразовали письменные клинические письма и отчёты по нагрузочным тестам в структурированную форму, удобную для обработки компьютером. Из этих текстов они выделили ключевые сведения о диагнозах, операциях на сердце и приёме препаратов, удалив при этом идентифицирующую информацию. Для 258 пациентов, прошедших нагрузочные тесты, сосредоточились на двух основных показателях, известных как предикторы выживания: пиковое потребление кислорода и объём дыхания, необходимый для удаления углекислого газа.

Поиск закономерностей с помощью геометрии, а не грубой силы

Поскольку врожденные пороки сердца относительно редки и сильно различаются, команда не могла полагаться на гигантские наборы данных, которые используются для обучения многих современных систем искусственного интеллекта. Вместо этого они представили каждую ЭКГ как краткое описание того, как сигналы из разных отведений меняются совместно — математический «отпечаток» электрической активности сердца. Эти отпечатки выражаются в виде матриц ковариации, которые авторы анализировали с использованием методов из раздела математики, называемого римановой геометрией. На практике это позволило тоньше оценивать сходства между сердечными сигналами и создавать правдоподобные синтетические примеры путём плавного «смешивания» существующих паттернов пациентов, помогая модели учиться на небольшом и несбалансированном наборе данных.

Слияние слов и волн для лучших прогнозов

Исследование сравнивало несколько подходов к прогнозированию показателей при нагрузке по этим данным. Модели, использовавшие только базовые измерения ЭКГ, такие как стандартные интервалы и частота, указанные в рутинных выписках, показали слабые результаты. Когда же в модель подавали более богатые «отпечатки» ЭКГ, точность прогнозов заметно улучшалась. Наибольший эффект наблюдался при объединении этих ЭКГ‑отпечатков с информацией, извлечённой из клинических писем, так что модель «знала» и о поведении электричества сердца, и о заболеваниях, операциях и принимаемых лекарствах пациента. В результате, с этим объединением данных и их дополнением на основе геометрии, оценки компьютера по пиковому потреблению кислорода оказались умеренно коррелированными с реальными результатами тестов, превосходя более простые методы как для непрерывного предсказания, так и для распределения пациентов по группам риска.

Что это значит для пациентов и медицинских команд

Эта работа ещё не заменяет нагрузочное тестирование, и авторы признают, что точность их классификации пока слишком скромна для непосредственного клинического принятия решений. Тем не менее результаты показывают, что тщательно продуманные модели, учитывающие структуру данных и использующие как электрокардиограммы, так и нарративную клиническую информацию, могут осмысленно предсказывать, насколько хорошо пациент с врожденным пороком сердца справится с физической нагрузкой. В будущем, при наличии более крупных и разнообразных наборов данных, подобные инструменты могли бы помогать выявлять пациентов с ухудшающейся выносливостью до появления явных симптомов, поддерживать решения о хирургии или изменении образа жизни и расширять возможности продвинутой оценки риска в больницах, не имеющих полного оборудования для нагрузочных тестов.

Цитирование: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Ключевые слова: врожденный порок сердца, кардиопульмональный нагрузочный тест, электрокардиограмма, машинное обучение, прогнозирование риска