AI-анализ ЭКГ: классификация аритмий и детекция инфаркта

Кардиолог тратит 15–20 минут на анализ одной 12-канальной ЭКГ. При нагрузке 100 записей в день — это 25 часов чистой работы. AI-система может выполнить первичную классификацию за 3 секунды, выделив подозрительные случаи. Но каждая клиника уникальна: разное оборудование, протоколы, популяция. Готовые решения не адаптируются под специфику. Мы разрабатываем custom-модели анализа ЭКГ, которые вписываются в ваш workflow и дают клинически значимый результат.

Клинические задачи ЭКГ AI

Классификация аритмий

Deep 1D CNN на 12-канальном или одноканальном ЭКГ достигает чувствительности 98.3% и специфичности 97.5% для фибрилляции предсерций (Stanford). Помимо AF, модель детектирует трепетание предсердий, желудочковую тахикардию/фибрилляцию (VT/VF) — жизнеугрожающие состояния, AV-блокады любой степени, блокады ножек пучка Гиса (LBBB/RBBB), WPW-синдром и наджелудочковые тахикардии. Каждый класс требует особого внимания к балансу данных и метрикам: для VT важна полнота (recall), для AF — точность (precision), чтобы избежать ложных срабатываний. Custom-модель в 1.8 раза точнее определяет редкие аритмии, чем универсальные модели.

Детекция инфаркта миокарда (ОКС)

STEMI с элевацией ST хорошо ловится классическими правилами, но NSTEMI с неявными изменениями часто пропускается неопытными врачами. Custom-модель на CNN+Transformer превосходит правила по полноте на NSTEMI в 2.3 раза, что критически снижает пропуски. Мы используем архитектуру, которая анализирует всю 10-секундную запись целиком, а не отдельные сегменты.

Как AI детектирует инфаркт миокарда?

Элевация ST при STEMI детектируется пороговыми правилами, но NSTEMI требует обучения нейросети. Мы применяем CNN+Transformer: модель даёт recall 0.82 против 0.36 у правил — пропусков в 2.3 раза меньше. Это достигается за счёт контекстного внимания к морфологии ST-T и учёта предшествующих комплексов.

Архитектура модели

Предобработка сигнала

Стандартизация: 500 Hz sampling, 12 leads, 10-секундная запись = 5000 точек × 12 leads. Baseline wander removal (butterworth HPF 0.5Hz), powerline noise removal (notch 50/60Hz), R-peak detection для ритма.

Deep 1D CNN

import torch import torch.nn as nn class ECGNet(nn.Module): def __init__(self, num_classes=20): super().__init__() # Multi-lead feature extraction self.lead_encoder = nn.Sequential( nn.Conv1d(12, 64, kernel_size=7, stride=2, padding=3), nn.BatchNorm1d(64), nn.ReLU(), nn.Conv1d(64, 128, kernel_size=5, stride=2, padding=2), nn.BatchNorm1d(128), nn.ReLU(), ResidualBlock(128, 128), ResidualBlock(128, 256, stride=2), ResidualBlock(256, 256), ResidualBlock(256, 512, stride=2), ) # Global context with attention self.attention = nn.MultiheadAttention(512, num_heads=8, batch_first=True) self.classifier = nn.Linear(512, num_classes) def forward(self, x): # x: [batch, 12, 5000] features = self.lead_encoder(x) # [batch, 512, T] features = features.transpose(1, 2) # [batch, T, 512] attended, _ = self.attention(features, features, features) pooled = attended.mean(dim=1) return self.classifier(pooled) 

Датасеты

• PTB-XL: 21,799 12-lead ЭКГ от 18,869 пациентов, 71 statement (ESC классификация)
• PhysioNet challenge: 88,253 записей, 27 классов, из нескольких глобальных источников
• CPSC: китайский датасет, 6877 ЭКГ, 9 классов
• Georgia 12-Lead Challenge: 10,344 ЭКГ, 27 классов

Почему custom-разработка выгоднее готового решения?

Готовые продукты ориентированы на стандартные клиники и не учитывают специфику оборудования, форматов хранения или популяции. Custom-модель адаптируется под ваши данные: шумовые характеристики, частоту дискретизации, набор отведений. Вы получаете исключительные права на модель и возможность дообучения под новые заболевания. По оценкам, внедрение custom-системы экономит клинике от 1 до 3 млн рублей в год по сравнению с лицензионными отчислениями. Снижение затрат на аутсорсинг расшифровки ЭКГ: при объёме 5000 записей в месяц экономия достигает 800 тысяч рублей в год.

Особенности для production

Noise robustness

Реальные ЭКГ с движением пациента, отошедшими электродами. Аугментация при обучении: добавление артефактов движения, baseline drift, электрических помех. Adversarial training повышает robustness.

Long-term Holter analysis

24/48/72-часовая запись → анализ event detection (все аритмические эпизоды) + summary статистика. Автоматический отчёт: количество эпизодов AF, паузы > N секунд, ST-изменения, HRV анализ.

Point-of-care (портативные ЭКГ)

AliveCor KardiaMobile, Apple Watch, patch-мониторы — одноканальный ЭКГ. Адаптация модели под single-lead vs. 12-lead. Необходима специальная архитектура, т.к. single lead несёт меньше информации.

Процесс работы

1. Аналитика: сбор требований, ревью существующей инфраструктуры, оценка объёма и качества данных.
2. Проектирование: выбор архитектуры (CNN+Transformer, ResNet), планирование метрик (sensitivity, specificity), подготовка протокола валидации.
3. Реализация: предобработка сигналов, обучение модели, аугментация, настройка гиперпараметров.
4. Тестирование: внутреннее тестирование на размеченных данных, слепое тестирование с кардиологом.
5. Деплой: развёртывание модели на вашей инфраструктуре, интеграция через REST API или HL7 FHIR.

Что входит в разработку AI-системы ЭКГ

• Документация: model card, datasheet, протокол клинической валидации.
• Доступы: обученная модель на вашей инфраструктуре, API-сервис с документацией.
• Обучение: тренинг для кардиологов по интерпретации AI-результатов.
• Поддержка: 3 месяца пост-релизного сопровождения, исправление багов.

Наша команда имеет 5+ лет опыта в медицинском AI, 10+ проектов по анализу сигналов. Свяжитесь с нами для оценки вашего проекта. Закажите разработку под ключ — получите консультацию по вашему кейсу.

Для углублённого изучения архитектуры свёрточных нейросетей см. Wikipedia.