Мультимодальное многокомпонентное обучение для предсказания результатов кардиопульмональной нагрузочной пробы

Почему это важно для людей с ослабленным сердцем

Для пациентов с сердечной недостаточностью один из главных вопросов — «Сколько мне осталось времени и чем ещё могут помочь врачи?» Лучший медицинский тест для ответа на этот вопрос сегодня — это тяжёлая проба на беговой дорожке или велосипеде, измеряющая, сколько кислорода тело может использовать при интенсивной нагрузке. Однако этот тест трудно провести и он недоступен во многих больницах. В этом исследовании показано, как врачи вместо этого могут использовать обычные ультразвуковые сканы сердца и данные, уже содержащиеся в медицинской карте, в сочетании с современными методами искусственного интеллекта, чтобы оценить тот же критически важный показатель и выделить пациентов, которым могут понадобиться жизне‑сберегающие продвинутые терапии.

Проблема раннего выявления опасности

Сердечная недостаточность затрагивает миллионы людей и часто отнимает более десяти лет жизни. На самых тяжёлых стадиях выживаемость может быть хуже, чем при многих видах рака, но лишь небольшая доля пациентов получает такие лечения, как пересадка сердца или механические насосы, своевременно. Ключевым инструментом для решения вопроса о направлении на эти терапии является кардиопульмональная нагрузочная проба, измеряющая «пик VO₂», максимальное потребление кислорода организмом во время нагрузки. Низкий пик VO₂ — серьёзный сигнал тревоги, но тест требует специального оборудования, обученного персонала и места, поэтому многие центры — особенно небольшие или сельские больницы — не могут его предложить. В то же время стандартные ультразвуковые исследования сердца (трансторакальная эхокардиография, ТТЭ) и электронные медицинские записи (ЭМЗ) широко доступны, но сами по себе они не очень хорошо предсказывают, кто находится в наибольшей зоне риска.

Обучение компьютеров читать между тестами

Исследователи создали новую систему искусственного интеллекта, которая учится на двух основных источниках информации: движущихся ультразвуковых изображениях сердца и подробных данных из ЭМЗ, таких как возраст, вес, принимаемые лекарства и стандартные параметры сердца. Каждый ультразвуковой экзамен содержит множество клипов и специализированных проекций, поэтому вместо того, чтобы обрабатывать каждое изображение отдельно, модель просматривает их все вместе, более похоже на то, как поступил бы врач. Она использует стратегию «многоинстансного» обучения: сначала превращая каждое изображение или клип в компактное описание, затем объединяя их с помощью механизма внимания, который позволяет модели сосредоточиться на наиболее информативных частях. Параллельно специализированная нейронная сеть, обученная на различных табличных медицинских данных, преобразует информацию из ЭМЗ в собственное резюме. Финальный этап слияния объединяет сводки по УЗИ и ЭМЗ в единый портрет пациента, на основе которого система предсказывает пик VO₂ и определяет, ниже ли у человека критический безопасный порог.

Насколько хорошо работает система

Команда обучала и тестировала подход на данных из четырёх крупных больниц сети New York–Presbyterian, используя 1000 пациентов для разработки и 127 пациентов из отдельных учреждений для внешней валидации. По сравнению с более ранней, более простой моделью ИИ, которая рассматривала данные УЗИ и ЭМЗ более независимо, новая структура оказалась явно точнее. Она объясняла примерно 60% вариации пика VO₂ в основной тестовой группе против примерно 53% ранее, а её типичная погрешность уменьшилась примерно на половину метаболического эквивалента задачи — клинически значимое улучшение. Когда целью было просто выявление пациентов с высоким риском — тех, у кого особенно низкая способность к нагрузке — система достигла площади под кривой (AUC) 0,85 в группе разработки и 0,87 в внешних больницах, превзойдя все модели, использовавшие только УЗИ или только данные ЭМЗ. На практике при фиксированном, клинически разумном балансе между пропущенными случаями и ложными тревогами больше реально находящихся в группе высокого риска пациентов было правильно помечено.

Взгляд внутрь «чёрного ящика»

Чтобы проверить, что модель обращает внимание на осмысленные признаки, авторы создали визуальные карты поверх ультразвуковых изображений, показывающие, какие области в наибольшей степени влияли на предсказания. Карты, как правило, выделяли полости сердца, их движение и волновые формы кровотока — признаки, на которые кардиологи уже опираются — что указывает на то, что система изучает значимые паттерны, а не шум. В данных ЭМЗ такими особенно важными оказались показатели, как возраст, индекс массы тела и сократительная функция левого желудочка, что снова соответствует клиническим ожиданиям. Исследователи также изучали, как модель работает в разных подгруппах. При прогнозировании точного значения пика VO₂ точность была схожей для мужчин и женщин и для белых и небелых пациентов, хотя некоторые разрывы появились у пожилых и в классификации высокого риска по расам, подчёркивая необходимость более разнообразных данных и доработок, ориентированных на справедливость.

От исследований к прикроватной помощи

Поскольку система использует информацию, уже собираемую в рутинной практике — стандартные эхокардиограммы и существующие данные ЭМЗ — её, в принципе, можно встроить напрямую в программное обеспечение больницы. После того как скан будет прочитан, ИИ мог бы тихо оценивать пик VO₂ и выделять пациентов с потенциально опасно низкой прогнозируемой способностью к нагрузке, побуждая врачей направлять их на формальные нагрузочные тесты или к специалистам по продвинутой сердечной недостаточности. Результаты исследования, включая хорошую работу в больницах, не участвовавших в обучении, позволяют предположить, что такой инструмент мог бы помочь выявлять больше нуждающихся пациентов, которых в противном случае могли бы пропустить. Хотя по‑прежнему необходимы проспективные испытания и более широкое тестирование, эта работа указывает на будущее, где мощные, но редкие тесты дополняются системами ИИ, которые умнее используют данные, доступные в большинстве больниц.

Цитирование: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

Ключевые слова: сердечная недостаточность, кардиопульмональная нагрузочная проба, эхокардиография, искусственный интеллект, прогнозирование риска