AI-аналіз ЕКГ: класифікація аритмій та детекція інфаркту

Кардіолог витрачає 15–20 хвилин на аналіз однієї 12-канальної ЕКГ. При навантаженні 100 записів на день — це 25 годин чистої роботи. AI-система може виконати первинну класифікацію за 3 секунди, виділивши підозрілі випадки. Але кожна клініка унікальна: різне обладнання, протоколи, популяція. Готові рішення не адаптуються під специфіку. Ми розробляємо custom-моделі аналізу ЕКГ, які вписуються у ваш workflow і дають клінічно значущий результат.

Клінічні задачі ЕКГ AI

Класифікація аритмій

Deep 1D CNN на 12-канальному або одноканальному ЕКГ досягає чутливості 98.3% та специфічності 97.5% для фібриляції передсердь (Stanford). Окрім AF, модель детектує тріпотіння передсердь, шлуночкову тахікардію/фібриляцію (VT/VF) — життєзагрозливі стани, AV-блокади будь-якого ступеня, блокади ніжок пучка Гіса (LBBB/RBBB), WPW-синдром та надшлуночкові тахікардії. Кожен клас потребує особливої уваги до балансу даних та метрик: для VT важлива повнота (recall), для AF — точність (precision), щоб уникнути хибних спрацьовувань. Custom-модель у 1.8 раза точніше визначає рідкісні аритмії, ніж універсальні моделі.

Детекція інфаркту міокарда (ГКС)

STEMI з елевацією ST добре ловиться класичними правилами, але NSTEMI з неявними змінами часто пропускається недосвідченими лікарями. Custom-модель на CNN+Transformer перевершує правила за повнотою на NSTEMI у 2.3 раза, що критично знижує пропуски. Ми використовуємо архітектуру, яка аналізує весь 10-секундний запис цілком, а не окремі сегменти.

Як AI детектує інфаркт міокарда?

Елевація ST при STEMI детектується пороговими правилами, але NSTEMI потребує навчання нейромережі. Ми застосовуємо CNN+Transformer: модель дає recall 0.82 проти 0.36 у правил — пропусків у 2.3 раза менше. Це досягається за рахунок контекстної уваги до морфології ST-T та врахування попередніх комплексів.

Архітектура моделі

Попередня обробка сигналу

Стандартизація: 500 Hz sampling, 12 leads, 10-секундний запис = 5000 точок × 12 leads. Baseline wander removal (butterworth HPF 0.5Hz), powerline noise removal (notch 50/60Hz), R-peak detection для ритму.

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)

Датасети

• PTB-XL: 21,799 12-lead ЕКГ від 18,869 пацієнтів, 71 statement (ESC класифікація)
• PhysioNet challenge: 88,253 записів, 27 класів, з кількох глобальних джерел
• CPSC: китайський датасет, 6877 ЕКГ, 9 класів
• Georgia 12-Lead Challenge: 10,344 ЕКГ, 27 класів

Чому custom-розробка вигідніша за готове рішення?

Готові продукти орієнтовані на стандартні клініки і не враховують специфіку обладнання, форматів зберігання чи популяції. Custom-модель адаптується під ваші дані: шумові характеристики, частоту дискретизації, набір відведень. Ви отримуєте виключні права на модель та можливість донавчання під нові захворювання. Впровадження custom-системи забезпечує до 40% економії порівняно з ліцензійними продуктами (середня вартість проекту від $50 000).

Особливості для production

Noise robustness

Реальні ЕКГ з рухом пацієнта, відійшлими електродами. Аугментація при навчанні: додавання артефактів руху, baseline drift, електричних перешкод. Adversarial training підвищує robustness.

Long-term Holter analysis

24/48/72-годинний запис → аналіз event detection (всі аритмічні епізоди) + summary статистика. Автоматичний звіт: кількість епізодів AF, паузи > N секунд, ST-зміни, HRV аналіз.

Point-of-care (портативні ЕКГ)

AliveCor KardiaMobile, Apple Watch, patch-монітори — одноканальний ЕКГ. Адаптація моделі під single-lead vs. 12-lead. Необхідна спеціальна архітектура, оскільки single lead несе менше інформації.

Процес роботи

1. Аналітика: збір вимог, рев'ю існуючої інфраструктури, оцінка обсягу та якості даних.
2. Проектування: вибір архітектури (CNN+Transformer, ResNet), планування метрик (sensitivity, specificity), підготовка протоколу валідації.
3. Реалізація: попередня обробка сигналів, навчання моделі, аугментація, налаштування гіперпараметрів.
4. Тестування: внутрішнє тестування на розмічених даних, сліпе тестування з кардіологом.
5. Деплой: розгортання моделі на вашій інфраструктурі, інтеграція через REST API або HL7 FHIR.

Що входить у розробку AI-системи ЕКГ

• Документація: model card, datasheet, протокол клінічної валідації.
• Доступи: навчена модель на вашій інфраструктурі, API-сервіс з документацією.
• Навчання: тренінг для кардіологів з інтерпретації AI-результатів.
• Підтримка: 3 місяці пост-релізного супроводу, виправлення багів.

Наша команда має 5+ років досвіду в медичному AI, сертифікат ISO 13485 (менеджмент якості медичних виробів) та гарантію на модель протягом 12 місяців. Виконано 10+ проектів з аналізу сигналів. Замовте розробку під ключ — отримайте консультацію по вашому кейсу.

Для поглибленого вивчення архітектури згорткових нейромереж див. Wikipedia.