AI-baserad återställning av EKG-data och klassificering av hjärt-kärlsjukdomar (CEDRC-network)

Varför det är viktigt att rensa hjärtsignaler

Varje hjärtslag lämnar ett elektriskt avtryck som läkare tolkar för att upptäcka problem tidigt. Men i verkliga sjukhusmiljöer är dessa elektrokardiogram (EKG) ofta stökiga eller ofullständiga eftersom patienter rör sig, elektroder lossnar eller utrustning krånglar. Denna studie presenterar ett smart datorbaserat system, kallat CEDRC-Net, som automatiskt rensar brusiga EKG, fyller i saknade delar och sedan hjälper till att klassificera flera vanliga rytmstörningar. Genom att göra bristfälliga inspelningar användbara istället för att kassera dem kan metoden stödja snabbare och mer tillförlitlig hjärtvård för många patienter samtidigt.

Från verkliga sjukhusdata till en smartare pipeline

Forskarna byggde och testade sitt system på den stora MIMIC-IV-ECG-samlingen: omkring 800 000 tiosekunders 12-avlednings-EKG från ungefär 160 000 patienter, kopplade till kliniska journaler. Istället för att utforma en enda ogenomskinlig ”svart låda” delade de upp processen i steg som speglar hur en mänsklig expert skulle arbeta: först rensa signalen, sedan reparera skadade delar och därefter leta efter sjukdomsmönster. Denna modulära design gör det enklare att granska vad varje steg gör och att anpassa systemet till olika sjukhusmiljöer eller utrustning.

Rensa signalen utan att förlora berättelsen

Det första steget tar itu med ett av de mest grundläggande problemen i vardagliga EKG: brus. Muskelryckningar, lösa kablar eller andra apparater kan alla förvränga de känsliga vågor som bär information om hjärtfunktionen. För att hantera detta använder teamet en Temporal Convolutional Denoising Autoencoder (TCDAE). Enkelt uttryckt lär sig denna modell hur normala EKG-vågor bör se ut och förvandlar sedan röriga insignaler till renare versioner samtidigt som den försöker bevara viktiga former såsom de skarpa QRS-spikarna och de bredare P- och T-vågorna. Tester som jämförde original- och rensade signaler visade låg felmarginal och stark likhet, vilket innebär att modellen tog bort betydande brus utan att sudda ut viktiga medicinska detaljer.

Fyll i luckorna med avancerad prognostisering

Verkliga EKG är inte bara brusiga; de kan också ha saknade segment när elektroder lossnar eller inspelningar avbryts. För att studera detta simulerade författarna borttagna segment på tre nivåer—10 %, 30 % och 50 %—och försökte sedan rekonstruera hela avläsningen. De jämförde två familjer av moderna AI-verktyg. Variational Autoencoders (VAE) fungerar genom att komprimera en signal till en dold kod och sedan återskapa den, medan Temporal Fusion Transformers (TFT) är specialiserade på tidsserier och använder uppmärksamhetsmekanismer för att fokusera på de mest informativa delarna av en sekvens. Båda kunde återställa realistiska vågformer även när halva datan saknades, men TFT var avsevärt mer precist: deras rekonstruktionsfel var ungefär fem till tio gånger mindre än VAE:s, motsvarande endast cirka 1–2 % avvikelse från den normaliserade EKG-amplituden.

Göra reparerade signaler till diagnoser för hjärtsjukdom

När EKG hade rensats och reparerats var nästa praktiska fråga: hjälper dessa förbättrade signaler verkligen till att upptäcka sjukdom? Författarna extraherade medicinskt meningsfulla funktioner, såsom tidpunkten mellan slag och varaktigheten och orienteringen hos nyckelvågor, och matade dem till en rad standardmaskininlärningsklassificerare (inklusive Support Vector Machines, Random Forests, Gradient Boosting och XGBoost). De fokuserade på att särskilja rytmer som normal sinusrytm, förmaksflimmer, sinusbradykardi och takykardi. Både för helt intakta och konstgjort skadade inspelningar ledde funktioner härledda från TFT-rekonstruerade signaler konsekvent till högre noggrannhet, precision och F1-poäng än funktioner från VAE-rekonstruktioner. I flera fall nådde modeller som använde TFT-förbättrade signaler omkring 98–98,4 % noggrannhet.

Vad detta innebär för patienter och kliniker

För patienter är huvudbudskapet att ofullständiga EKG inte längre behöver innebära osäkra svar. CEDRC-Net visar att en kombination av brusreducering, intelligent ifyllning av luckor och etablerade klassificeringsverktyg kan förvandla även bristfälliga inspelningar till tillförlitligt diagnostiskt underlag. Studien visar också att transformerbaserade metoder som TFT är särskilt kraftfulla för att bevara de subtila tidsmönster som avslöjar hjärtproblem och överträffar mer traditionella generativa modeller. Om detta införs och valideras i olika kliniker skulle en sådan pipeline kunna lätta arbetsbördan för kardiologer, stödja tidig upptäckt av farliga rytmstörningar och förbättra vården i upptagna eller resurssvaga miljöer där rena, oavbrutna EKG är svåra att erhålla.

Citering: Khan, M.R., Haider, Z.M., Hussain, J. et al. AI based ECG data recovery and cardiovascular diseases classification (CEDRC-network). Sci Rep 16, 11733 (2026). https://doi.org/10.1038/s41598-026-46232-3

Nyckelord: elektrokardiogram, hjärt-kärlsjukdom, djupt lärande, signalrekonstruktion, arytmi-klassificering