ИИ по обычной ЭКГ помогает выявлять скрытые болезни сердца

ИИ научился находить скрытые болезни сердца по обычной ЭКГ — но его главная ценность не в двух секундах

Обычная ЭКГ начинает отвечать на вопросы, для которых ее не создавали

Электрокардиограмма — один из самых распространенных диагностических тестов в мире. Она регистрирует электрическую активность сердца и позволяет врачу увидеть нарушения ритма, проводимости, признаки инфаркта и ряд других изменений. По оценке исследователей, ежегодно в мире выполняется около миллиарда ЭКГ.

Но возможности метода принципиально ограничены. Электрокардиограмма показывает электрические процессы, а не непосредственно анатомию сердца. Чтобы оценить, насколько хорошо сердце перекачивает кровь, как выглядят его камеры и нормально ли работают клапаны, обычно нужна эхокардиография — ультразвуковое исследование сердца.

Команда Имперского колледжа Лондона пытается изменить эту границу не за счет нового медицинского прибора, а за счет нового способа чтения уже существующего сигнала.

Алгоритм искусственного интеллекта ищет в электрокардиограмме сложные сочетания признаков, которые могут быть слишком слабыми или многомерными для обычной визуальной интерпретации человеком. Иными словами, речь идет не о том, что ИИ «видит клапан на ЭКГ». Он обнаруживает электрический отпечаток структурных и функциональных изменений сердца.

Именно поэтому фраза «ИИ диагностирует болезнь сердца за две секунды» требует уточнения. За две секунды система способна рассчитать вероятность заболевания. Окончательное подтверждение по-прежнему требует клинической оценки и, как правило, эхокардиографии.

Миллионы ЭКГ позволили алгоритму научиться видеть слабые сигналы болезни

Подход относится к быстро развивающемуся направлению AI-ECG — анализу электрокардиограмм с помощью моделей искусственного интеллекта. Вместо нескольких признаков, которые традиционно оценивает врач, алгоритм может одновременно учитывать огромное количество характеристик формы и взаимного расположения элементов сигнала.

Для обучения системы использовались миллионы электрокардиограмм. В международных публикациях о представленной разработке указывается массив более чем из 10 миллионов записей. Затем модель проверяли на данных примерно 67 тысяч пациентов в США.

По представленным результатам она выявляла до 81% пациентов с сердечной недостаточностью и до 90% пациентов с заболеваниями клапанов сердца.

Эти показатели нельзя автоматически трактовать как «точность 81% и 90%». Для диагностического теста имеют значение как минимум чувствительность — способность обнаруживать людей с заболеванием — и специфичность, то есть способность правильно исключать болезнь у здоровых. Кроме того, практическая ценность положительного результата зависит от того, насколько часто заболевание встречается среди обследуемых пациентов.

Поэтому приведенные исследователями цифры прежде всего показывают, что в обычной ЭКГ действительно содержится клинически значимая информация, которую алгоритм способен извлечь. Они еще не означают, что система может заменить существующий диагностический маршрут.

Главная задача ИИ — не заменить эхокардиографию, а решить, кому она нужна быстрее

Именно здесь технология становится особенно интересной для здравоохранения.

Представим очередь из нескольких тысяч пациентов, направленных на эхокардиографию. Среди них находятся люди с относительно низкой вероятностью серьезной патологии и пациенты с еще не установленной сердечной недостаточностью или значимым поражением клапана. При традиционном маршруте медицинской системе необходимо определить приоритет по симптомам, истории болезни, осмотру и результатам доступных исследований.

ИИ может добавить еще один уровень сортировки.

Если пациенту уже сделали ЭКГ, алгоритм способен практически мгновенно рассчитать вероятность скрытой структурной патологии. Человека с высоким риском можно направить на эхокардиографию раньше, а не оставлять в общей очереди.

Профессор кардиологии Имперского колледжа Лондона Фу Сионг Нг обращает внимание именно на этот сценарий: пациенты после направления на УЗИ сердца иногда ждут исследования несколько месяцев, поэтому возможность определить тех, кому обследование требуется наиболее срочно, потенциально меняет организацию диагностики.

Еще один сценарий может оказаться важнее очереди на УЗИ сердца

Есть и менее очевидная возможность.

ЭКГ делают не только людям, у которых уже подозревают сердечную недостаточность или заболевание клапанов. Исследование выполняют при аритмиях, боли в груди, перед операциями, во время профилактических обследований и по множеству других причин.

Следовательно, алгоритм можно теоретически запускать автоматически на каждой подходящей электрокардиограмме.

Фу Сионг Нг описывает возможность так называемого оппортунистического выявления: система анализирует уже сделанные в больнице ЭКГ и отмечает пациентов с высокой вероятностью заболевания, которое врачи первоначально вообще не искали.

В этом случае меняется сама логика скрининга. Медицинской системе не требуется организовывать новое массовое обследование населения — дополнительная информация извлекается из тестов, которые уже выполняются.

Это один из наиболее перспективных сценариев медицинского искусственного интеллекта: не создавать еще один диагностический поток, а увеличивать информационную ценность существующей инфраструктуры.

AI-ECG становится отдельным направлением кардиологии

Работа Имперского колледжа не существует изолированно. На конгрессе Европейского общества кардиологии 2026 года искусственный интеллект был одной из центральных тем, включая интерпретацию ЭКГ, медицинских изображений и прогнозирование риска.

В июне 2026 года European Heart Journal – Digital Health опубликовал другую работу, в которой нейросетевая модель использовала изображения стандартной 12-канальной ЭКГ для предварительного выявления значимых отклонений, обнаруживаемых при эхокардиографии.

В исследование вошли десятки тысяч пациентов. Во внешней проверочной выборке из 20 053 человек модель достигла площади под ROC-кривой 0,84. Этот показатель характеризует способность алгоритма разделять пациентов с патологией и без нее: значение 0,5 соответствует практически случайному различению, а 1,0 — идеальному.

Особенно интересна высокая отрицательная прогностическая ценность модели во внутренней проверке — 0,95. В подобных системах это потенциально важно не только для поиска больных, но и для более рационального использования эхокардиографии.

Параллельно группа Имперского колледжа изучает применение искусственного интеллекта к ЭКГ для других задач. В 2025 году исследователи опубликовали в JAMA Cardiology работу по прогнозированию риска полной атриовентрикулярной блокады, а в 2026 году представили модель для оценки более широкого сердечно-сосудистого риска.

Таким образом, формируется более широкая концепция: ЭКГ постепенно превращается из теста, который врач интерпретирует по набору известных визуальных признаков, в источник цифровых биомаркеров, часть которых может быть доступна только вычислительному анализу.

Хороший результат на 67 тысячах пациентов еще не означает готовность к массовой медицине

У технологии остается несколько важных ограничений.

Прежде всего модель не способна надежно подтвердить или исключить сердечную недостаточность либо заболевание клапанов самостоятельно. Отрицательный результат ИИ не должен становиться основанием для отказа от дальнейшего обследования пациента с клиническими признаками заболевания.

Не менее важна переносимость алгоритма между системами здравоохранения. Электрокардиографы отличаются, популяции пациентов различаются по возрасту, сопутствующим заболеваниям и распространенности патологий. Модель, хорошо работающая на американской выборке, должна подтвердить результат в других странах, больницах и клинических условиях.

Существует и более фундаментальная проблема медицинского ИИ: высокая диагностическая способность алгоритма сама по себе еще не доказывает улучшение здоровья пациентов.

Для этого необходимо показать всю цепочку: алгоритм правильно выделяет пациентов высокого риска, они быстрее получают эхокардиографию, заболевание подтверждается раньше, лечение начинается раньше — и в конечном итоге это действительно снижает число осложнений, госпитализаций или смертей.

Именно переход от ретроспективной проверки алгоритма к проспективной оценке его влияния на реальную медицинскую помощь является одним из главных барьеров между перспективной моделью и стандартом клинической практики.

Двухсекундный анализ может изменить не диагностику, а распределение медицинских ресурсов

Для пациента наиболее заметным эффектом такой технологии может стать вовсе не необычный диагноз, поставленный компьютером.

Гораздо реалистичнее другое: человек с действительно высокой вероятностью серьезной патологии получит УЗИ сердца через несколько дней вместо нескольких месяцев. Если заболевание подтвердится, раньше начнется лечение или наблюдение.

Для врачей алгоритм может стать дополнительным сигналом риска, встроенным непосредственно в привычный поток ЭКГ. Но его ценность будет зависеть от того, насколько хорошо медицинская система научится работать с ложноположительными и ложноотрицательными результатами.

Для здравоохранения потенциальный эффект еще шире. Эхокардиография требует оборудования, квалифицированных специалистов и времени. Если дешевый и практически мгновенный предварительный тест сможет надежнее определять приоритет пациентов, ограниченные диагностические ресурсы можно распределять точнее.

Следующим шагом команды Имперского колледжа должно стать дальнейшее клиническое подтверждение подхода. Ахмед Эль-Медани, клинический исследователь British Heart Foundation и один из руководителей анализа, также говорит о перспективе портативных устройств, в которых запись ЭКГ и алгоритмическая интерпретация будут объединены.

Если такие системы сохранят диагностические характеристики вне крупных больниц, AI-ECG сможет постепенно выйти в амбулаторную помощь и другие места, где полноценная эхокардиография непосредственно недоступна.