Может ли искусственный интеллект помочь предсказать, какие пациенты с сердечной недостаточностью ухудшатся в течение года? Современные исследования предлагают обнадеживающие результаты: модель глубокого обучения, обученная на электрокардиограммах (ЭКГ), способна прогнозировать снижение фракции выброса левого желудочка (LVEF), ключевого показателя систолической функции сердца.

Сердечная недостаточность характеризуется ослаблением или повреждением сердечной мышцы и может приводить к накоплению жидкости в лёгких и конечностях, аритмиям и повышенному риску внезапной сердечной смерти. Фракция выброса левого желудочка отражает процент крови, выбрасываемой из левого желудочка при сокращении; у здоровых людей этот показатель обычно находится в диапазоне примерно 50–70 %. Падение LVEF ниже 40 % рассматривается как признак тяжёлой систолической дисфункции.

Разработанная модель принимает ЭКГ и выдаёт прогноз о том, будет ли LVEF пациента в течение следующего года ниже порога 40 %. При положительном прогнозе клиницисты могут приоритизировать такого пациента для более частого наблюдения и дополнительного обследования, а пациенты с низким риском могут реже посещать клинику. Модель потенциально применима в условиях с ограниченными ресурсами, где эхокардиография доступна не всегда.

Валидация алгоритма на нескольких независимых когортах показала высокие значения метрики «площадь под кривой оператора приёмника» (AUROC) в диапазоне примерно 0,87–0,91, что указывает на хорошую способность модели различать пациентов с последующим снижением LVEF и без него. Авторы также представили версию для однолинейной (single-lead) ЭКГ, требующую только одного электрода; её производительность оказалась сопоставимой с 12-отводной версией, что повышает практическую применимость технологии.

Однако внедрение таких решений связано с рядом сложностей. Для обучения потребовались большие массивы помеченных данных: ЭКГ и результаты эхокардиографии. Подготовка данных включала сбор, обработку и очистку сигналов, борьбу с артефактами записи и конвертацию результатов эхокардиограмм в пригодный для обучения формат. Выбор уровня предобработки — баланс между качеством сигналов и реалистичностью сценария применения — требует взвешенного подхода.

Следующий этап развития подобных моделей — проспективные исследования на реальных пациентах, у которых будущая фракция выброса ещё неизвестна, чтобы оценить клиническую эффективность и влияние на принятие решений. До клинического внедрения также нужно решить вопросы валидации в разных популяциях, интеграции в рабочие процессы и оценки возможных рисков неправильных прогнозов.

Итог: методы глубокого обучения по ЭКГ показывают потенциал как инструмент ранней идентификации пациентов с риском прогрессирования сердечной недостаточности. Это может помочь эффективнее распределять медицинские ресурсы и направлять внимание клиницистов на наиболее уязвимых пациентов, но требует дальнейшей проверки в проспективных исследованиях и тщательной проработки внедрения.