Klassificering av paroxysmal förmaksflimmer med sinusrytm‑EKG med hjälp av metoden Symmetric Projection Attractor Reconstruction

Varför denna studie om hjärtrytm är viktig

Förmaksflimmer är ett vanligt hjärtrytmproblem som tyst kan öka risken för stroke och för tidig död. En gåtfull form, kallad paroxysmal förmaksflimmer, kommer och går i korta attacker, så personer kan ha ett helt normalt utseende på hjärtspårningen när de träffar sin läkare. Denna studie ställer en provocerande fråga: även när elektrokardiogrammet (EKG) ser normalt ut, bär det fortfarande på ett subtilt fingeravtryck av dold rytmstörning som datorer kan upptäcka — och skulle det kunna spara patienter veckor av obekväm hjärtövervakning?

Dolda ledtrådar i ett vardagligt hjärttest

Läkare diagnostiserar vanligtvis förmaksflimmer genom att fånga en episod på ett EKG som registrerar hjärtats elektriska aktivitet. För personer vars episoder är korta och sällsynta missar standardtester — och till och med 30‑dagars bärbara monitorer — ofta problemet. Forskarna bakom detta arbete undersökte om ett kort, 10‑sekunders EKG taget medan hjärtat slår normalt ändå skulle kunna avslöja vem som har en historia av paroxysmal förmaksflimmer. Om det var möjligt skulle ett rutinprov i en klinik eller akutmottagning kunna flagga patienter i riskzonen utan att vänta på nästa anfall.

Att omvandla hjärtslag till geometriska former

För att leta efter dessa dolda ledtrådar använde teamet en signalbehandlingsmetod kallad Symmetric Projection Attractor Reconstruction. Istället för att fokusera på välkända EKG‑landmärken — de skarpa topparna och vågorna läkare vanligtvis granskar — behandlar denna metod hela det upprepande hjärtslaget som ett mönster i tiden. Den sampelr varje hjärtslag vid flera punkter och plottar dessa värden mot varandra, vilket förvandlar den endimensionella signalen till en tvådimensionell geometrisk bild kallad en attractor. Subtila förändringar i hur hjärtats elektriska signal stiger, faller och varierar från slag till slag visar sig som skillnader i form, storlek och täthet hos dessa attractormönster, även när det ursprungliga EKG:t ser normalt ut för ögat.

Att träna datorer att känna igen riskfyllda mönster

Forskarna använde en stor öppen databas med EKG som inkluderade personer med dokumenterade episoder av förmaksflimmer och noggrant matchade kontrollpersoner utan kända rytmstörningar, balanserade för ålder och kön. För varje 10‑sekunders normalrytmsspår genererade de attractorbilder från alla 12 EKG‑avledningar och omvandlade dessa former till numeriska sammanfattningar som beskriver hur tätt punkter klustrar i olika riktningar och avstånd från centrum. Dessa sammanfattningar matades sedan in i två vanliga maskininlärningsmetoder: en som klassificerar ett nytt fall baserat på dess närmaste grannar i datasetet och en annan som bygger ett beslutsträd av om‑så‑regler. Teamet testade också praktiska frågor viktiga för verklig användning, såsom vilken EKG‑avledning som fungerar bäst och om lägre samplingsfrekvenser — vanliga i vardagliga klinikmaskiner — försämrar prestandan.

Hur väl metoden fungerade

Över många kombinationer av inställningar gav den bästa konfigurationen attractorfunktioner som beskrev hur tätt punkterna var ordnade runt cirkeln, tagna från EKG samplade vid 125 hertz och klassificerade med närmaste‑grannar‑metoden. Under dessa förhållanden särskilde systemet korrekt personer med och utan paroxysmal förmaksflimmer i ungefär 81 % av fallen. Det var mycket pålitligt för att identifiera verkligt friska kontroller (cirka 95 % specificitet) men mer måttligt för att fånga alla påverkade patienter (cirka 67 % sensitivitet). Ett beslutsträd ökade sensitiviteten något till cirka 73 % men offrade viss förmåga att undvika falska larm. Viktigt är att metoden behövde endast 10 sekunder av normalrytmdata, ändå var dess sensitivitet ungefär dubbelt så hög som den som rapporterats för 30‑dagars långtidsövervakning i tidigare arbete.

Vem gynnas och vad som återstår att göra

Forskarna fann att prestandan var ganska stabil över olika åldersgrupper men något bättre hos män än kvinnor, sannolikt en reflektion av obalanser i underliggande dataset. Andra hjärttillstånd som förekom hos vissa patienter tenderade att sänka noggrannheten, och tidsintervallet mellan den dokumenterade flimmerepisoden och det normalrytm‑EKG:t verkade också spela roll. Dessa fynd tyder på att framtida studier med större, mer diversifierade patientgrupper — och noggrann registrering av andra diagnoser och inspelningstider — kan förfina verktyget ytterligare och klargöra var det fungerar bäst, till exempel i kliniker, akutmottagningar eller bärbara enheter.

Ett steg mot tidigare och enklare upptäckt

För en lekmannaläsare är huvudbudskapet att ett standardiserat, snabbt hjärttest kan innehålla mer information än vad läkare i dag kan se. Genom att omvandla normalt utseende hjärtslag till geometriska mönster och låta algoritmer jämföra dessa former över många patienter visar denna studie att det är möjligt att flagga personer med en historia av paroxysmal förmaksflimmer med bara några sekunder av normal rytm. Metoden är inte ännu perfekt, men den erbjuder en lovande väg mot snabbare, mer bekväm screening som kan hjälpa till att identifiera personer i riskzonen för stroke tidigare och styra vem som bör få tätare uppföljning eller förebyggande behandling.

Citering: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Nyckelord: förmaksflimmer, elektrokardiogram, maskininlärning, hjärtrytm, tidig upptäckt