ECG-CLIP улучшает выявление сердечных заболеваний при ограниченных размеченных данных

Для диагностики проблем с сердцем врачи часто используют 12‑канальную электрокардиограмму (ЭКГ): электроды на груди и конечностях регистрируют электрическую активность сердца. Алгоритмы искусственного интеллекта (ИИ) уже применяют для интерпретации ЭКГ, но большинство современных моделей требует больших объёмов вручную размеченных данных, что затрудняет их адаптацию к новым клиническим задачам.

Учёные из Scripps Research разработали модель ECG‑CLIP, предназначенную для более эффективного обнаружения и прогнозирования сердечных заболеваний в условиях ограниченного числа размеченных записей и при использовании меньшего числа отведений. Исследование опубликовано в Lancet Digital Health 1 сентября 2026 года. Модель обучали на более чем 1,7 миллиона ЭКГ от свыше 540 000 человек с учётом записей врачей, что позволило внедрить в алгоритм клинические знания и сделать его более универсальным для реальных задач диагностики и прогноза.

«Наш новый алгоритм достаточно увидеть около дюжины подтверждённых ЭКГ конкретного заболевания, чтобы обнаружить это заболевание в будущем. Это похоже на то, как клиницист учится: не на миллионе примеров, а сначала на понимании общей физиологии, лежащей в основе ЭКГ, а затем на рассмотрении нескольких конкретных случаев», — говорит старший автор исследования Джорджио Куэр, доцент кафедры цифровой медицины Scripps Research.

ECG‑CLIP позиционируют как «базовую модель» — систему, обученную на разнообразных данных, которую затем можно дообучать под разные клинические задачи. Авторы сравнили её с несколькими другими подходами: двумя супервизированными моделями (стандартной глубокой нейросетью и линейной моделью), общей базовой моделью, не обученной на ЭКГ, и тремя базовыми моделями, обученными только на ЭКГ.

Первую проверку составило выявление заболеваний сердца. Исследователи сосредоточились на трёх состояниях: острый инфаркт миокарда, сердечный амилоидоз и гипертрофическая кардиомиопатия. Каждой модели предоставили тестовый набор более чем из 800 000 ЭКГ и оценили, какие из них содержат признаки этих заболеваний. По показателю площади под кривой (AUC), отражающему способность различать записи с болезнью и без неё, ECG‑CLIP стабильно превзошёл стандартные модели для всех трёх состояний.

Команда также обнаружила, что в задачах детекции ECG‑CLIP демонстрировал сопоставимую с лучшей моделью, обученной на полном наборе данных, эффективность, при этом в среднем используя примерно на 91% меньше вручную размеченных обучающих примеров.

По сравнению с базовыми моделями, обученными только на ЭКГ без привлечения врачебных заметок, ECG‑CLIP особенно выигрывал в условиях малых объёмов размеченных данных — например, при наличии всего 10 положительных примеров для данного заболевания. По мере увеличения числа размеченных примеров различия в точности между моделями уменьшались.

«Мы обнаружили, что ECG‑CLIP лучше выявляет и прогнозирует сердечно‑сосудистые заболевания, особенно в тех случаях, когда данных гораздо меньше», — отмечает Куэр. По его словам, это может быть важно для редких заболеваний, когда для обучения доступно лишь несколько хорошо размеченных ЭКГ.

Модель показала хорошие результаты даже при анализе сигналов одного отведения в тестах на выявление острого инфаркта миокарда, что делает её потенциально полезной в условиях с ограниченными ресурсами.

Вторая проверяемая задача касалась прогноза: лаборатория оценила способность моделей предсказывать фибрилляцию предсердий на основе нормальной 12‑канальной ЭКГ. ECG‑CLIP оказалась точнее всех сравнительных моделей в прогнозировании будущей фибрилляции предсердий.

Третья задача — прогноз неблагоприятных исходов. ECG‑CLIP показал лучшую среди протестированных моделей эффективность в прогнозе выживаемости через 30 дней после посещения отделения неотложной помощи или операции, а также в прогнозе риска развития хронических заболеваний в течение трёх лет, в частности хронической болезни почек и сахарного диабета 2‑го типа.

Одна из проблем ИИ‑инструментов — непонятно, какие именно особенности сигнала они используют для принятия решений. Чтобы повысить интерпретируемость, авторы создали карты значимости: на них отмечены участки ЭКГ, которые в наибольшей степени влияют на прогнозы модели. Такие визуализации помогают врачам лучше понять, на каких фрагментах сигнала базируется вывод алгоритма и повышают доверие к результатам.

Дальнейшие планы команды включают расширение типов данных для обучения модели и оценку её работы в конкретных условиях, например в отделениях неотложной помощи. Исследователи также собираются проверить совместимость ECG‑CLIP с различными системами записи ЭКГ, включая носимые устройства, что в перспективе может позволить организовать непрерывный удалённый мониторинг сердечно‑сосудистого состояния.

«Хотя эти результаты демонстрируют значительный потенциал, для установления применимости ECG‑CLIP в реальной клинической практике потребуется строгая проверка в проспективных клинических испытаниях», — подчёркивает соавтор работы Майкл Ко, аспирант и научный сотрудник Scripps Research.

Новое исследование дополняет серию алгоритмов лаборатории Куэра, направленных на выявление и диагностику сердечных заболеваний: среди предыдущих разработок — алгоритм 2024 года, позволяющий диагностировать сердечные приступы и аритмии при наличии лишь трёх отведений ЭКГ, и алгоритм 2023 года, который определял пациентов с повышенным риском фибрилляции предсердий по длительной (двухнедельной) записи ЭКГ.

«Лично для меня очень важно, что мы можем создавать алгоритмы, которые потенциально действительно помогут клиницистам и кардиологам», — говорит Куэр.