С тех пор, как Эйнтховен разработал способ записи электрокардиограммы (ЭКГ), исследователи и клиницисты стремились расширить диагностический потенциал этого удобного, доступного, неинвазивного и относительно недорогого метода. В новом выпуске «Journal of Cardiovascular Electrophysiology» опубликована статья, демонстрирующая новый алгоритм машинного обучения, предназначенный для анализа стандартной ЭКГ с 12 отведений и способный выявлять у пациентов сниженную фракцию выброса левого желудочка (ФВ ЛЖ). Использование ИИ для выявления пациентов с снижением ФВ ЛЖ может быть обоснованно у пациентов, для которых эхокардиография или другие методы визуализации по тем или иным причинам недоступны. Выявленные изменения ЭКГ теоретически действительно могут быть патогенетически связанными со снижением ФВ ЛЖ, поскольку структурная патология миокарда изменяет свойства проведения электрических импульсов. С другой стороны, диагностировать снижение ФВ ЛЖ на ЭКГ очень сложно, так как существует множество различных заболеваний, которые приводят к изменениям ЭКГ без снижения ФВ ЛЖ. Кроме того, на процессы, происходящие в миокарде, при регистрации ЭКГ накладываются посторонние факторы: внешние электромагнитные сигналы, незначительные изменения положения тела, помехи, фильтры ЭКГ и др.
Тем не менее, исследователи сообщают о хорошей результативности модели, которую они назвали AI-ECG. Исследование проводилось в трех группах пациентов. В первую вошли 6008 взрослых, которым в клинике Мейо с 1 по 30 сентября 2018 года была проведена стандартная ЭКГ в 12 отведениях, а через 12 месяцев после этого – ЭХОКГ. При сравнении с результатами ЭХОКГ алгоритм выявил пациентов с ФВ ЛЖ ≤35% с точностью, специфичностью и чувствительностью 86,0%, 86,3% и 81,5% соответственно, площадь под ROC-кривой составила 0,911. Во вторую группу вошли 3874 пациента, у которых ЭХОКГ была выполнена в течение месяца после ЭКГ. Точность, специфичность и чувствительность, а также площадь под ROC-кривой была несколько выше (86,5%, 86,8%, 82,5% и 0,918 соответственно). У 700 пациентов по данным ЭКГ было выявлено снижение ФВ ЛЖ, из них32% имели ФВ ЛЖ ≤35% по данным ЭХОКГ, 27% имели ФВ ЛЖ 36-50%, остальные 41% имели ФВ ЛЖ ≥50%. В третьей группе ЭКГ оценивалась у 5999 пациентов без ранее диагностированных сердечно-сосудистых заболеваний, и, тем не менее, у 3,5% из них по данным ЭКГ было выявлено снижение ФВ ЛЖ, которое затем подтвердилось при ЭХОКГ. Точность диагностики по ЭКГ в этом случае уступает оценке по ЭХОКГ и уровню BNP или NT-proBNP, однако перспективно у пациентов, у которых нет показаний к проведению такого обследования.
Главной особенностью использования ИИ является постоянное совершенствование алгоритма по мере дополнения его большим числом данных (ЭКГ, сопоставленных с ЭХОКГ). Основной проблемой искусственного интеллекта является непрозрачность использованных в них математических моделей: обычные показатели ЭКГ легко могут быть проверены непосредственно и содержат информацию о частоте сердечных сокращений, длительности зубца Р, интервала PR и длительности QRS, реполяризации и эктопической активности. Алгоритмы машинного обучения, в свою очередь, являются «черными ящиками», которые подбирают математические инструменты в соответствии с заданными массивами данных и не предоставляют отчета об этом процессе. Тем не менее, способность AI-ECG анализировать огромные объемы ЭКГ и других данных и ее способность к обучению указывают на то, что многие из имеющихся проблем, вероятно, будут преодолены в дальнейшем.
По материалам: J Cardiovasc Electrophysiol. 2019; 30 (5): 675-678.
