Когда остановится ваше сердце? ИИ научился читать ответ на обычной ЭКГ — и видит то, что кардиологи пропускали сто лет

Врачи уже несколько десятилетий умеют предотвращать внезапную сердечную смерть с помощью имплантируемых кардиовертеров-дефибрилляторов. Гораздо сложнее понять, кому такой прибор действительно необходим. Исследователи предложили новый способ искать пациентов с высоким риском, используя обычную 10-секундную электрокардиограмму и искусственный интеллект. Более того, нейросеть не только научилась прогнозировать опасность, но и помогла обнаружить ранее неизвестный признак на ЭКГ, который кардиологи смогут искать самостоятельно.

Авторы поставили перед собой более амбициозную задачу, чем создание очередного черного ящика с медицинскими прогнозами. Они хотели, чтобы искусственный интеллект не просто выдавал вероятность внезапной остановки сердца, а указывал, на какие особенности записи электрокардиограммы опирается при принятии решения. Для этого использовали две нейросети. Первая оценивала риск, а вторая постепенно преобразовывала обычную ЭКГ в запись, которую первая считала высокорисковой. Благодаря такому подходу исследователи смогли увидеть конкретные изменения сигнала, а не только получить итоговую оценку.

Сегодня решение об установке имплантируемого дефибриллятора чаще всего принимают по фракции выброса левого желудочка — показателю, который определяют во время ультразвукового исследования сердца. Он отражает, какую долю крови левый желудочек выбрасывает при каждом сокращении. Несмотря на широкое применение, показатель далёк от идеала. Многие люди, умершие от внезапной остановки сердца, ранее либо вовсе не проходили такое обследование, либо их результаты считались нормальными. Одновременно значительная часть пациентов, получивших дефибриллятор на основании сниженной фракции выброса, никогда не сталкивается с опасными нарушениями ритма, требующими срабатывания устройства.

Электрокардиограмма выглядит более привлекательным инструментом для массового обследования. Исследование быстрое, дешёвое и доступно практически в любой клинике. Однако за более чем сто лет существования метода кардиологи так и не нашли на ЭКГ надёжного признака, который позволял бы заранее выявлять высокий риск внезапной сердечной смерти. Исследователи решили поручить поиск закономерности глубокой нейронной сети.

В основу системы легла стандартная архитектура ResNet из 64 слоёв. Авторы подчёркивают, что сама модель не представляет собой чего-то необычного. Главную роль сыграли данные, на которых её обучали. Для исследования собрали один из крупнейших подобных массивов: более 440 тысяч электрокардиограмм примерно 180 тысяч жителей Швеции сопоставили с национальным реестром смертности. Благодаря этому алгоритм смог увидеть связь между особенностями ЭКГ и случаями внезапной сердечной смерти.

После обучения нейросеть выделила группу высокого риска, в которую вошли около 2,2% обследованных пациентов. Затем модель проверили на независимых выборках из США и Тайваня. Алгоритм сохранил точность и за пределами шведской популяции, что говорит о более универсальном характере найденной закономерности.

Результаты оказались заметно лучше традиционного подхода. Среди пациентов, которых нейросеть отнесла к группе высокого риска, вероятность внезапной сердечной смерти в течение года достигала 7%. Для сравнения, среди людей, которых выявлял стандартный критерий по фракции выброса, показатель составлял 4,6%. Особенно важно, что более 86% пациентов, найденных алгоритмом, вообще не попадали в группу риска по существующим клиническим рекомендациям. При обычном обследовании многие из них ушли бы домой без дополнительного наблюдения и без обсуждения вопроса об установке дефибриллятора.

Следующим шагом исследователи попытались понять, что именно увидела нейросеть. Обычные методы анализа искусственного интеллекта способны показать, какие участки сигнала оказались наиболее важными для модели, но не объясняют, какие изменения она считает опасными. Поэтому специалисты создали генеративную модель, способную постепенно изменять электрокардиограмму низкорискового пациента так, чтобы первая нейросеть всё выше оценивала вероятность внезапной остановки сердца.

Большинство изменений оказались давно знакомы кардиологам. Однако один признак прежде никогда не описывался в научной литературе. Речь идёт о едва заметном сглаживании формы сигнала в отведении aVL. По мнению исследователей, такой рисунок может указывать на нарушение распространения электрического импульса по сердечной мышце.

Часть пациентов из группы высокого риска также прошла магнитно-резонансную томографию сердца. На снимках обнаружили слабовыраженный диффузный фиброз — небольшие участки рубцовой ткани, которые способны нарушать проведение электрических сигналов и создавать условия для опасных аритмий. Пока связь между новым признаком на ЭКГ и фиброзом остаётся предварительной. Для окончательного подтверждения потребуются дополнительные исследования, включая анализ тканей сердца.

Кардиологи, не участвовавшие в работе, называют результаты многообещающими, но подчёркивают, что до внедрения метода в клиническую практику ещё далеко. Исследование показывает новое направление поиска пациентов с высоким риском, однако пока не даёт оснований принимать решение об имплантации дефибриллятора только по результатам работы нейросети.

Авторы предлагают использовать алгоритм иначе. Искусственный интеллект может стать системой раннего отбора: если обычная электрокардиограмма вызывает подозрение у модели, пациента можно направить на дополнительные исследования, включая эхокардиографию, магнитно-резонансную томографию и другие методы оценки риска. Такой подход особенно привлекателен тем, что ЭКГ можно записать практически где угодно — от кабинета врача до носимых устройств вроде Apple Watch или компактных электрокардиографов, подключаемых к смартфону. Правда, исследователи отмечают, что модель обучалась на медицинских ЭКГ высокого качества и при работе с записями потребительских устройств точность немного снижается, хотя разница оказалась небольшой.