MEETI: En multimodal EKG-datamängd från MIMIC‑IV‑ECG med signaler, bilder, parametrar och tolkningar

Varför detta spelar roll för hjärthälsa och vardaglig vård

Varje år registreras miljontals människors hjärtats elektriska aktivitet som krängande linjer kallade elektrokardiogram, eller EKG. Dessa tester hjälper läkare att upptäcka farliga rytmrubbningar och andra hjärttillstånd, men att tolka dem tar tid och kräver år av träning. Samtidigt har artificiell intelligens blivit anmärkningsvärt skicklig på uppgifter som att läsa röntgenbilder och sammanfatta medicinska anteckningar, men liknande framsteg för EKG har gått långsammare. Denna artikel presenterar MEETI, en ny typ av EKG-datamängd som förenar flera vyer av samma hjärttest — signaler, bilder, numeriska parametrar och förklaringar — så att datorer kan lära sig att ”förstå” EKG på sätt som är meningsfulla för både läkare och patienter.

En ny allt‑i‑ett‑vy av hjärtslaget

Traditionella EKG‑databaser erbjuder vanligen bara en typ av information: antingen rå elektrisk signal, en EKG‑bild som liknar millimeterpapper, eller en kort skriven rapport. MEETI (kort för MIMIC‑IV‑Ext ECG‑Text‑Image) är den första stora publika resursen som noggrant samordnar fyra komponenter för varje EKG: den ursprungliga 10‑sekunderssignalen från 12 avledningar, en högupplöst bild som efterliknar utskriften på ett sjukhus, en uppsättning precisa slag‑för‑slag‑mätningar, och en detaljerad skriftlig tolkning genererad av en modern språkmodell. Allt detta bygger på den stora MIMIC‑IV‑ECG‑samlingen från ett större amerikanskt medicinskt center och omfattar mer än trekvart miljon EKG‑inspelningar från över 160 000 patienter. Genom att länka dessa delar via delade identifierare förvandlar MEETI varje EKG till ett rikt, flerskiktat porträtt av hjärtats aktivitet.

Hur teamet omvandlade signaler till rikt data

För att konstruera MEETI laddade författarna först ner och kontrollerade ungefär 800 000 EKG‑register, säkerställde att varje post var korrekt anonymiserad och tekniskt felfri. Med hjälp av öppen källkodsverktyg renderade de varje 12‑avledningssignal i en standardiserad klinisk layout med hög upplösning, samtidigt som de bevarade de fina detaljer som kardiologer förlitar sig på. Därefter körde de varje EKG genom FeatureDB, ett verktyg som automatiskt detekterar de välkända P‑, QRS‑ och T‑delarna av varje hjärtslag. Utifrån detta beräknar systemet nyckelmått som hjärtfrekvens, tiden mellan slagen, hur länge olika delar av hjärtslaget varar och hur höga eller låga specifika vågor är. Dessa siffror lagras för varje slag i varje avledning, vilket ger en ovanligt detaljerad bild av hur en persons hjärtslag beter sig över dessa 10 sekunder.

Att lära språkmodeller att tala om hjärtrytmer

Korta, människoskrivna EKG‑rapporter är ofta vaga och missar möjligheter att tydligt ange hur en diagnos relaterar till mätbara egenskaper i avläsningen. För att fylla denna lucka formulerade teamet noggranna instruktioner för en toppmodern språkmodell så att den kunde generera långformiga, kliniskt förankrade tolkningar. För varje EKG får modellen både den ursprungliga kliniska rapporten och de extraherade parametrarna — såsom sekvenser av QRS‑durationer över flera slag — och uppmanas att förhålla sig troget till expertens slutsatser samtidigt som mätningarna används som bevis. Kardiologer medverkade i utformningen och granskningen av processen och bekräftade på provfall att de resulterande förklaringarna fångar samma fynd som de ursprungliga rapporterna samtidigt som konkreta siffror vävs in. Resultatet är en textbeskrivning som kopplar vad ögat ser i grafen till objektiva, reproducerbara mätvärden.

Vad som finns i resursen och hur den kan användas

MEETI är organiserat så att forskare enkelt kan navigera från en patients mapp till alla deras studier, och från varje studie till dess matchande bild, signaler, slag‑nivå‑parametrar och språkmodellstolkning. Sammanfattande statistik över hela datamängden visar att nyckelmått, som genomsnittlig tid mellan slag eller längden på QRS‑komplexet, ligger inom förväntade kliniska intervall och nästan saknar saknade värden, vilket understryker datamängdens kvalitet och fullständighet. Författarna tillhandahåller exempel‑kod för att läsa in data samt bilder och text, och de publicerar alla skript som användes för parameterextraktion och bildskapande som open‑source‑verktyg. Denna struktur möjliggör för forskare att träna modeller som gemensamt analyserar vågformer, bilder och språk, och att utforska frågor från automatisk rytmklassificering till att generera begripliga rapporter för underläkare och patienter.

Vad detta innebär för framtidens hjärtsmarta AI

Författarna drar slutsatsen att MEETI avlägsnar en betydande flaskhals i arbetet med att bygga hjälpsam och pålitlig AI för EKG. Genom att kombinera råa signaler, kliniskt stiliserade bilder, finfördelade mätvärden och rika förklaringar i en enda, publik resurs, gör datamängden det möjligt att träna system som kan mer än att bara märka en avläsning som ”normal” eller ”abnormal”. Istället kan framtida modeller tränas att resonera kring hur specifika förändringar i vågformen stödjer en diagnos, eller visa vilka slag och avledningar som drev deras slutsatser. För patienter skulle detta i förlängningen kunna innebära tydligare rapporter och tidigare upptäckt av subtila problem; för kliniker erbjuder det verktyg som inte bara matchar expertprestationer utan också kan förklara sig. Kort sagt, MEETI lägger grunden för nästa generation hjärtfokuserad AI som ser, mäter och förklarar hjärtslaget samtidigt.

Citering: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Nyckelord: elektrokardiogramdatamängd, multimodal medicinsk AI, kardiovaskulär diagnostik, EKG‑tolkning, medicinsk maskininlärning