ECG-CLIP: model AI może usprawnić wykrywanie i przewidywanie chorób serca na podstawie EKG

Naukowcy z Scripps Research opracowali model sztucznej inteligencji ECG-CLIP przeznaczony do analizy elektrokardiogramów, który ma umożliwiać wykonywanie różnych zadań diagnostycznych i predykcyjnych przy znacznie mniejszym zapotrzebowaniu na ręcznie oznaczone dane treningowe. Model wytrenowano z wykorzystaniem ponad 1,7 mln zapisów EKG pochodzących od ponad 540 tys. osób i powiązano je z opisami klinicystów. W testach ECG-CLIP oceniano m.in. pod kątem wykrywania zawału mięśnia sercowego, amyloidozy serca i kardiomiopatii przerostowej oraz przewidywania migotania przedsionków i wybranych niekorzystnych wyników zdrowotnych.

Czym jest model ECG-CLIP?

Standardowe 12-odprowadzeniowe badanie elektrokardiograficzne (EKG) rejestruje aktywność elektryczną serca za pomocą elektrod umieszczanych na klatce piersiowej i kończynach. Narzędzia wykorzystujące sztuczną inteligencję mogą wspomagać analizę takich zapisów, jednak wiele modeli wymaga dużych zbiorów danych, w których poszczególne przykłady zostały wcześniej ręcznie oznaczone pod kątem obecności lub nieobecności konkretnej choroby.

Według zespołu Scripps Research ogranicza to możliwość szybkiego adaptowania istniejących algorytmów do nowych zadań klinicznych, szczególnie wtedy, gdy dostępnych jest niewiele dobrze opisanych przypadków określonej choroby.

Opracowany przez badaczy model ECG-CLIP należy do grupy tzw. modeli fundamentalnych (ang. foundation models). Tego rodzaju system jest najpierw uczony na dużym i zróżnicowanym zbiorze danych, aby następnie można było wykorzystywać go do wielu różnych zadań.

W przypadku ECG-CLIP istotnym elementem było połączenie danych pochodzących z zapisów EKG z tekstowymi opisami sporządzanymi przez klinicystów. Autorzy zakładali, że taki sposób uczenia pozwoli modelowi tworzyć bardziej uniwersalne reprezentacje danych elektrokardiograficznych, które później mogą zostać wykorzystane w różnych zadaniach diagnostycznych i prognostycznych.

Ponad 1,7 mln zapisów EKG w procesie uczenia

Do trenowania ECG-CLIP wykorzystano ponad 1,7 mln zapisów EKG uzyskanych od ponad 540 tys. osób. Zapisy połączono z informacjami tekstowymi pochodzącymi z opisów klinicystów.

Po zakończeniu procesu uczenia zespół Giorgio Quera sprawdził działanie modelu w trzech zasadniczych grupach zadań klinicznych. ECG-CLIP porównywano z dwoma nadzorowanymi modelami referencyjnymi – standardowym modelem głębokiego uczenia oraz modelem liniowym – a także z ogólnym modelem fundamentalnym, który nie był trenowany na EKG, oraz z trzema modelami fundamentalnymi uczonymi na zapisach EKG.

Do oceny zdolności wykrywania chorób wykorzystano kolejny zbiór zawierający ponad 800 tys. zapisów EKG.

Wykrywanie zawału, amyloidozy serca i kardiomiopatii przerostowej

Pierwszym ocenianym zadaniem było wykrywanie chorób na podstawie EKG. Badacze skoncentrowali się na trzech jednostkach: ostrym zawale mięśnia sercowego, amyloidozie serca oraz kardiomiopatii przerostowej.

Do oceny zdolności modeli do rozróżniania zapisów pochodzących od osób z daną chorobą i bez niej wykorzystano pole pod krzywą ROC (AUC). Według informacji przedstawionych przez Scripps Research model ECG-CLIP konsekwentnie osiągał lepsze wyniki niż standardowe modele referencyjne we wszystkich trzech zadaniach związanych z wykrywaniem chorób.

Jednym z najważniejszych wyników było ograniczenie zapotrzebowania na ręcznie oznaczone dane. W trzech zadaniach dotyczących wykrywania chorób ECG-CLIP osiągnął wyniki porównywalne z następnym najlepszym modelem trenowanym na pełnym zbiorze danych, wykorzystując średnio około 91 proc. mniej ręcznie oznaczonych danych treningowych.

Szczególnie istotna różnica pojawiała się przy małej liczbie pozytywnych przykładów. W porównaniu z trzema innymi modelami fundamentalnymi opartymi na EKG, ale nieuwzględniającymi opisów klinicystów, ECG-CLIP uzyskiwał lepsze wyniki w sytuacjach, w których dostępnych było nawet zaledwie 10 dodatnich przykładów danej choroby. Wraz ze wzrostem liczby oznaczonych przykładów różnice pomiędzy modelami zasadniczo się zmniejszały.

Giorgio Quer zwrócił uwagę, że taki profil działania może być szczególnie istotny w odniesieniu do rzadszych chorób, w których liczba dobrze opisanych zapisów EKG dostępnych do uczenia algorytmów może pozostawać niewielka.

Analiza zapisu z pojedynczego odprowadzenia

Autorzy oceniali również ECG-CLIP z wykorzystaniem danych z pojedynczych odprowadzeń EKG w zadaniu wykrywania ostrego zawału mięśnia sercowego. Według komunikatu Scripps Research model także w tym scenariuszu osiągał dobre wyniki.

Badacze wskazują, że możliwość pracy z mniejszą liczbą odprowadzeń może mieć znaczenie w warunkach, w których dostęp do pełnego 12-odprowadzeniowego EKG jest ograniczony. Na obecnym etapie wynik ten pozostaje jednak elementem oceny modelu, a nie potwierdzeniem skuteczności konkretnego zastosowania klinicznego.

Przewidywanie migotania przedsionków i innych wyników zdrowotnych

Drugą grupą zadań była predykcja chorób układu sercowo-naczyniowego. Badacze sprawdzili, czy model potrafi przewidywać przyszłe wystąpienie migotania przedsionków na podstawie 12-odprowadzeniowych zapisów EKG przedstawiających prawidłowy rytm serca.

Według materiału Scripps Research ECG-CLIP uzyskał w tym zadaniu lepsze wyniki niż wszystkie pozostałe porównywane modele.

Oceniono również zdolność systemu do przewidywania niekorzystnych wyników zdrowotnych. ECG-CLIP osiągnął najlepsze spośród testowanych modeli wyniki w przewidywaniu prawdopodobieństwa przeżycia w ciągu 30 dni po wizycie na oddziale ratunkowym lub po zabiegu operacyjnym.

Model oceniano również w odniesieniu do ryzyka wystąpienia w ciągu trzech lat dwóch chorób przewlekłych – przewlekłej choroby nerek oraz cukrzycy typu 2. Także w tych zadaniach ECG-CLIP wykazał najlepszą skuteczność spośród porównywanych modeli.

Badanie obejmowało więc znacznie szerszy zakres niż samo rozpoznawanie nieprawidłowości obecnych już w EKG. Autorzy analizowali możliwość wykorzystania reprezentacji elektrokardiograficznych również do przewidywania przyszłych zdarzeń i wyników zdrowotnych.

Mapy istotności mają pokazywać, na czym opiera się predykcja modelu

Jednym z problemów związanych z zastosowaniem modeli sztucznej inteligencji w medycynie jest trudność w określeniu, które elementy danych wejściowych miały największe znaczenie dla konkretnej decyzji algorytmu.

W ECG-CLIP zastosowano mapy istotności (ang. saliency maps). Ich zadaniem jest wskazywanie fragmentów sygnału EKG, które w największym stopniu wpływały na predykcję modelu.

Według zespołu badawczego może to ułatwić klinicyście ocenę, na których fragmentach zapisu algorytm opierał swoją decyzję. Autorzy traktują zwiększenie interpretowalności modelu jako jeden z elementów mogących sprzyjać jego przyszłemu wykorzystaniu w środowisku klinicznym.

Perspektywa zastosowania klinicznego wymaga dalszej walidacji

Zespół Giorgio Quera planuje rozszerzenie rodzaju danych udostępnianych modelowi, aby poprawić jego działanie w konkretnych środowiskach klinicznych, w tym na oddziałach ratunkowych. Badacze chcą również ocenić kompatybilność ECG-CLIP z różnymi systemami rejestracji EKG, w tym urządzeniami ubieralnymi.

W komunikacie wskazano, że integracja z takimi urządzeniami mogłaby w przyszłości stworzyć możliwość ciągłego, zdalnego monitorowania chorób serca. Jest to jednak kierunek dalszych prac, a nie obecnie potwierdzone zastosowanie kliniczne.

Autorzy i finansowanie badania

Autorami publikacji są Michael Ko, Matteo Gadaleta, Eric J. Topol, Evan D. Muse oraz Giorgio Quer. Prace prowadził zespół związany ze Scripps Research.

Badanie zostało wsparte finansowo przez VoLo Foundation oraz National Center for Advancing Translational Sciences. W materiale prasowym wskazano grant UM1TR004407.

Artykuł naukowy zatytułowany Development and external validation of a contrastive learning foundation model for ECG-based prediction of cardiovascular diseases and outcomes opublikowano 1 września 2026 roku w czasopiśmie The Lancet Digital Health.