Электрокардиография (ЭКГ) остается самым доступным и дешевым инструментом кардиологической диагностики, однако человеческий глаз способен извлекать из нее лишь ограниченный набор паттернов. Глубокие нейронные сети, обученные на сотнях тысяч размеченных записей, обнаруживают в данных ЭКГ субклинические закономерности, недоступные традиционной интерпретации, – так называемый «электрокардиографический фенотип». Он коррелирует со структурными и электрофизиологическими изменениями миокарда задолго до их клинической манифестации. За 2023–2025 гг. опубликован значительный массив исследований, подтверждающих и одновременно ограничивающих область применения этой технологии.
Какой искусственный интеллект используют в анализе электрокардиограммы
Классические методы машинного обучения позволяют обрабатывать большие объемы данных и выявлять сложные нелинейные взаимосвязи между параметрами ЭКГ. Благодаря этому повышается точность ранней и неинвазивной диагностики различных заболеваний.
Глубокое обучение основано на многослойных нейронных сетях, которые анализируют крупные массивы информации и распознают сложные закономерности. Главное преимущество таких моделей заключается в способности самостоятельно находить диагностически значимые признаки без предварительного отбора параметров экспертом.
Гибридные модели объединяют возможности традиционного машинного обучения и глубоких нейронных сетей. Например, алгоритмы глубокого обучения могут автоматически выделять признаки на электрокардиограмме, а методы машинного обучения – использовать эти данные для последующей классификации и постановки прогноза.
Перспективные направления применения искусственного интеллекта
Выявление фибрилляции предсердий (ФП) в синусовом ритме. Это, вероятно, наиболее изученное направление. Алгоритмы способны распознавать «ЭКГ-сигнатуру» ФП по записи, снятой в момент синусового ритма, т.е. выявлять пациентов с пароксизмальной ФП в межприступный период. Систематический обзор N. Manetas-Stavrakakis и соавт. (2024–2025) обобщил данные 14 исследований и 33 модели ИИ с общим числом участников около 1,5 млн человек. Медианные показатели эффективности применения ИИ в анализе электрокардиограммы покоя с синусовым ритмом для выявления пациентов с ФП составили: точность – 58%, чувствительность – 62%, специфичность – 58%.
Прогнозирование снижения фракции выброса. ИИ-алгоритм Mayo Clinic для обнаружения сниженной фракции выброса левого желудочка по 12-канальной ЭКГ получил клиническое подтверждение. В группе с положительным результатом ИИ-ЭКГ частота выполнения эхокардиографии была значимо выше, чем в контрольной группе (49,6% против 38,1%; p<0,001), что продемонстрировало изменение врачебного поведения под влиянием алгоритма. Этот же алгоритм впоследствии получил разрешение американского регулятора Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (Food and Drug Administration, FDA) для клинического применения.
Обнаружение скрытых кардиомиопатий. Нейронные сети, обученные на электрокардиограммах пациентов с верифицированной гипертрофической кардиомиопатией, способны распознавать характерный ЭКГ-паттерн заболевания на доклинической стадии, в том числе у носителей патогенных мутаций без выраженной гипертрофии на эхокардиографии. Аналогичные модели разрабатываются для скрининга амилоидоза сердца.
Прогнозирование хронической сердечной недостаточности с сохраненной фракцией выброса. В 2025 г. опубликованы данные по корейской модели на основе нейросети для предсказания хронической сердечной недостаточности с фракцией выброса по ЭКГ. Показатель ее эффективности оказался в диапазоне «отлично» (AUC=0,81). При этом положительный результат ассоциировался с достоверно более высоким риском кардиальной смерти при дальнейшем наблюдении (1,1% против 0,1%; отношение рисков 9,56) и госпитализации по поводу сердечной недостаточности (2,8% против 0,6%; отношение рисков 5,91). В том же 2025 г. американская модель PRESENT-SHD показала эффективность диагностики сердечной недостаточности со сниженной фракцией выброса (AUC=0,91).
Выявление клапанных пороков. ИИ начинает демонстрировать перспективы и в диагностике патологии клапанов. Для выявления значимого аортального стеноза модель J.M. Kwon и соавт. показала AUC=0,88 при внутренней и AUC=0,861 при внешней валидации. В другом исследовании, включившем более 250 тыс. ЭКГ, алгоритм достиг AUC=0,85. Добавление данных о возрасте и поле повысило показатель до 0,87, а у пациентов без артериальной гипертензии – до 0,90. Интересно, что даже ложноположительный результат ассоциировался с повышенным риском развития умеренного или тяжелого аортального стеноза в течение последующих 15 лет.
Преимущества применения ИИ-ЭКГ
Ключевое преимущество – расширение диагностических возможностей самого доступного и недорогого теста без дополнительных затрат на оборудование. ИИ-алгоритм извлекает информацию из уже существующего сигнала. Второе преимущество состоит в масштабируемости скрининга. Алгоритм может быть применен к каждой записанной электрокардиограмме в потоке амбулаторного или стационарного приема, выявляя пациентов высокого риска, которым показано целевое дообследование. Третье – потенциал для домашнего мониторинга: алгоритмы для одноканальных устройств открывают путь к комфортному и длительному непрерывному скринингу вне клиники.
Ограничения алгоритмов искусственного интеллекта
Демографические смещения точности – наиболее серьезное ограничение, выявленное за последние годы. Например, модель глубокого обучения для прогнозирования сердечной недостаточности по ЭКГ работала значимо хуже у чернокожих пациентов 0–40 лет по сравнению с другими демографическими группами того же возраста. Проблема не устранялась ни включением расы и пола в архитектуру модели, ни обучением отдельных моделей для каждой расовой группы, ни балансировкой обучающей выборки по расовому составу. Единственным эффективным решением оказалась индивидуализация порогов вероятности по расе, возрасту и полу.
Методологические ограничения: подавляющее большинство моделей обучено на данных одного или нескольких центров с ограниченной географической и этнической репрезентативностью. Модели часто остаются «черным ящиком» без клинически интерпретируемого объяснения решения. Пороговые значения вероятности, оптимальные для одной популяции, не являются универсальными и не могут быть перенесены на другую. А производительность моделей деградирует при смене типа ЭКГ-аппарата или формата сигнала.
Несоответствие между маркетингом и регуляторным одобрением. Это означает, что присутствие надписи «с ИИ» на упаковке устройства не гарантирует, что ИИ-функциональность прошла проверку.
Юридический аспект
Отсутствие единых стандартов регулирования ИИ-устройств в кардиологии создает правовую неопределенность. На сегодняшний день остро стоит вопрос унифицированных требований к валидации ИИ-компонента медицинского изделия. Это формирует юридическую серую зону: кто несет ответственность за пропущенный диагноз – врач, доверившийся алгоритму, разработчик алгоритма или медицинская организация, внедрившая его в клинический протокол?
Дополнительный аспект – степень автономии ИИ-алгоритма в клиническом решении. Рандомизированное исследование Mayo Clinic подтвердило, что положительный результат ИИ-ЭКГ статистически значимо меняет поведение врача (увеличивает частоту назначения эхокардиографии). Таким образом, алгоритм уже сегодня влияет на клинические решения, что требует ясного протокола его применения и информирования пациента.
Литература
1. Хазова Е.В., Шулаева П.А., Савзиханова Р.Р., Малкова М.И. Интеграция технологий искусственного интеллекта в анализ электрокардиограммы: современные тенденции и перспективы: обзор. Российский кардиологический журнал. 2026; 31 (2S): 6835. https://doi.org/10.15829/1560-4071-2026-6835
2. Мамедов М.Н., Савчук Е.А., Каримов А.К. Искусственный интеллект в кардиологии. Международный журнал сердца и сосудистых заболеваний. 2024; 12 (43): 5-11. https://doi.org/10.24412/2311-1623-2024-43-5-11
3. Manetas-Stavrakakis N, Sotiropoulou IM, Paraskevas T et al. Artificial intelligence capabilities in identifying atrial fibrillation using baseline sinus rhythm ECG: a systematic review. J Clin Med. 2024; 13 (7): 1888. https://doi.org/10.3390/jcm13071888
4. Yao X, Rushlow DR, Inselman JW et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat Med. 2021; 27 (5): 815-9. https://doi.org/10.1038/s41591-021-01335-4
5. Hong D, Song SH, Shin H et al. Artificial intelligence-enabled electrocardiogram model for predicting heart failure with preserved ejection fraction: a single-center study. Eur Heart J Digit Health. 2025; 6 (5): ztaf080. https://doi.org/10.1093/ehjdh/ztaf080
6. Dupulthys S, Dujardin K, Anné W et al. Single-lead electrocardiogram artificial intelligence model with risk factors detects atrial fibrillation during sinus rhythm. Europace. 2024; 26 (2): euad354. https://doi.org/10.1093/europace/euad354
7. Kwon JM, Lee SY, Jeon KH et al. Deep Learning-Based Algorithm for Detecting Aortic Stenosis Using Electrocardiography. J Am Heart Assoc. 2020; 9 (7): e014717. https://doi.org/10.1161/JAHA.119.014717.
8. Cohen-Shelly M, Attia ZI, Friedman PA et al. Electrocardiogram screening for aortic valve stenosis using artificial intelligence. Eur Heart J. 2021; 42 (30): 2885-96. https://doi.org/10.1093/eurheartj/ehab153.
