AI-förstärkta metoder för personanpassad hjärtbehandling: insikter från EKG-data

Varför smartare hjärttester spelar roll

När läkare ordinerar läkemedel som påverkar hjärtat förlitar de sig på elektrokardiogrammet, eller EKG, för att säkerställa att behandlingen är säker. Men många läkemedel lämnar bara subtila avtryck i hjärtslagen som kan vara svåra att upptäcka med blotta ögat. Denna studie undersöker hur artificiell intelligens kan läsa EKG-spår mer precist, hjälpa läkare att avgöra vilket läkemedel eller vilken läkemedelskombination som påverkar hjärtat och öppna dörren för mer personanpassad och säkrare hjärtvård.

På jakt efter dolda läkemedelseffekter i hjärtslagen

Forskarna fokuserade på ett långvarigt säkerhetsproblem: vissa läkemedel kan störa hjärtats elektriska rytm och öka risken för farliga oregelbundna slag. Traditionellt observerar läkare ett huvudmått i EKG:t, QT-intervallet, men denna enda mätning missar ofta viktiga detaljer. Olika läkemedel, och kombinationer av läkemedel, kan förändra flera delar av hjärtslaget på komplexa sätt. Teamet undrade om datorbaserade modeller kunde lära sig dessa mönster från data och på ett tillförlitligt sätt sortera EKG:n efter vilken behandling som gavs.

Bygga en rik bild från EKG-signaler

För att tackla detta använde studien en publik databas från en strikt kontrollerad studie med 22 friska frivilliga. Varje person fick flera läkemedelsregimer, inklusive kända rytmläkemedel ensamma, i kombination med andra, samt placebo. För varje doseringsperiod registrerades standard 12-avlednings-EKG tillsammans med blodprover. Istället för att mata råvågformerna direkt till datorn rengjorde teamet först signalerna och extraherade sedan en detaljerad uppsättning funktioner som beskriver varje hjärtslag: hur lång tid det tar för den elektriska impulsen att färdas genom hjärtat, hur T-vågen stiger och faller när hjärtat återhämtar sig mellan slag, och hur mycket tiden mellan slagen varierar.

Träna AI att känna igen behandlingsavtryck

Med dessa funktioner tränade och jämförde författarna tre populära maskininlärningsmodeller. Två av dem, Random Forest och XGBoost, är träd-baserade metoder som lär sig från många enkla beslutsregler som samarbetar, medan den tredje, en Support Vector Machine, är en mer traditionell klassificerare. Modellerna fick i uppgift att tilldela varje EKG-segment till en av tio möjliga behandlingskoder. Efter noggrann justering och korsvalidering nådde XGBoost en noggrannhet på cirka 98 procent, med Random Forest nära efter på cirka 97 procent, medan Support Vector Machine låg betydligt efter. De bästa modellerna gjorde inte bara korrekta förutsägelser, de gjorde det också konsekvent över alla behandlingsgrupper.

Vad modellerna säger om hjärtslaget

Utöver rena poäng undersökte teamet vilka EKG-egenskaper som var mest betydelsefulla för de träd-baserade modellerna. Båda metoderna lyfte upp varaktigheten av QRS-komplexet, PR-intervallet och flera egenskaper hos T-vågen, såsom dess höjd och form, som de starkaste ledtrådarna till vilken behandling som getts. Dessa fynd stämmer väl överens med klinisk kunskap om att dessa delar av EKG:t speglar hur elektriska signaler sprider sig genom hjärtat och hur hjärtats nedre kammare återställs mellan slag—processer som många läkemedel påverkar. När samma arbetsflöde testades på en separat databas som inkluderade andra läkemedel uppnådde det återigen god prestanda utan att behöva omtränas, vilket tyder på att de inlärda reglerna inte är knutna till en enskild studie.

Vad detta betyder för framtida vård

Enkelt uttryckt visar detta arbete att AI kan lära sig att läsa EKG på ett sätt som fångar läkemedlens samlade, subtila påverkan på hjärtat. Istället för att förlita sig på en eller två manuella mätningar skulle läkare en dag kunna använda sådana modeller för att skanna många EKG-egenskaper samtidigt och snabbt markera patienter vars hjärtan reagerar riskabelt på ett läkemedel. Även om studien fortfarande behöver utvidgas till större och mer mångsidiga patientgrupper ligger den en stabil grund för att använda datadrivna verktyg för att finjustera hjärtbehandlingar så att varje person får en regimen som inte bara är effektiv utan också säkrare för deras hjärta.

Citering: 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

Nyckelord: elektrokardiogram, maskininlärning, läkemedelssäkerhet, hjärtrytmrubbning, personlig medicin