Штучний інтелект у стратифікації ризику раптової серцевої смерті та шлуночкових аритмій: нова ера кардіології | Український Медичний Часопис

Раптова серцева смерть щороку забирає життя 4–5 млн людей, часто стаючи першим проявом серцево-судинного захворювання. Традиційні методи стратифікації ризику (клінічні шкали, ехокардіографія, оцінка фракції викиду лівого шлуночка) мають обмежену прогностичну точність: C-статистика рідко перевищує 0,7. Це означає, що значна частина пацієнтів залишаються «поза фокусом» профілактичної терапії, тоді як іншим встановлюють імплантований кардіовертер-дефібрилятор без достатньої користі [1].

Що змінює штучний інтелект (ШІ)?

Інтеграція динамічного машинного навчання, багатомодальних моделей (електрокардіографія (ЕКГ), магнітно-резонансна томографія (МРТ), ехокардіографія (ехоКГ), клініка), цифрових біомаркерів з носимих пристроїв та глибинного скринінгу ЕКГ у загальній популяції суттєво підвищує точність прогнозування серцево-судинних подій (AUROC до 0,88), відкриваючи можливості для персоналізованого моніторингу та раннього втручання (таблиця).

Таблиця. ШІ у стратифікації ризику раптової серцевої смерті (РСС) та шлуночкових аритмій [2–4].

Сфера застосування	Що аналізує ШІ	Клінічна користь	Приклади моделей / результати
Пацієнти з ІКД	ЕКГ, МРТ, клінічні змінні, часові події (госпіталізації, фракція викиду лівого шлуночка)	Визначення, хто справді виграє від ІКД; прогноз неаритмічної смертності	RF-SLAM, DEEP RISK → AUROC 0,74–0,88
Кардіоміопатії (гіпертрофічна, дилатаційна)	МРТ з пізнім підсиленням гадолінієм + ЕКГ+ехоКГ	Точніший відбір на ІКД, ніж традиційні шкали	MAARS (AUROC 0,81), DEEP RISK (AUROC 0,84)
Амбулаторна практика	Holter-моніторування, серійні ЕКГ, біомаркери активності (wearables)	Раннє виявлення зростання ризику; персоналізований моніторинг ( рисунок )	Holter-ШІ (AUROC 0,95), 5 кластерів поведінкових фенотипів
Скринінг у популяції	ЕКГ у 12 відведеннях (із використанням згорткової нейронної мережі (CNN))	Ідентифікація осіб із прихованим ризиком РСС у загальній популяції	CNN-модель (AUROC 0,82) vs класична логістична модель (0,74)

Згорткова нейронна мережа (CNN) — один із типів штучних нейронних мереж, який вчиться розпізнавати зображення, сигнали або просторово-часові структури (назва «згорткова» (англ. convolutional) походить від математичної операції «згортка» (англ. convolution), яка допомагає мережі виявляти важливі елементи у вхідних даних — наприклад, лінії, контури, форми або певні патерни сигналів).

Рисунок. Нові предиктори шлуночкових аритмій, отримані з пристроїв внутрішньосерцевих електрограм (intracardiac electrogram — IEGM) та носимих цифрових біомаркерів [3, 5]

Практичні висновки для клініцистів

Пацієнти з імплантованим кардіовертером-дефібрилятором (ІКД): динамічні ШІ-моделі здатні прогнозувати як ймовірність ефективної терапії пристроєм, так і ризик неаритмічної смертності, що може допомогти уникнути «надмірної імплантації».

Кардіоміопатії: при гіпертрофічній та дилатаційній кардіоміопатії багатомодальні ШІ-алгоритми суттєво перевищують класичні шкали ризику, відкриваючи можливості для точнішого відбору пацієнтів для ІКД.

Амбулаторна практика: аналіз ЕКГ, Holter-моніторування та навіть поведінкових даних з гаджетів може стати інструментом раннього виявлення осіб з підвищеним ризиком.

Обмеження: більшість моделей наразі ретроспективні; необхідні проспективні дослідження та рандомізовані клінічні дослідження перед рутинним впровадженням.

Ключові практичні тези

ШІ ≠ заміна клініциста, а додатковий інструмент для точнішої оцінки ризику. Він допоможе:

раніше виявляти пацієнтів із «прихованим» ризиком,
краще відбирати кандидатів для ІКД,
використовувати багатий потенціал мультимодальних та цифрових даних.

Найбільший потенціал — у поєднанні динамічних та мультимодальних даних.

Виклики: більшість моделей ще ретроспективні — потрібні проспективні дослідження та рандомізовані клінічні дослідження.

Для лікаря сьогодні головне — знати про ці можливості, а завтра — мати доступ до валідованих ШІ-рішень, інтегрованих у клінічну практику.

Список використаної літератури

1. Tjong F. (2025) AI in risk assessment for sudden cardiac death and ventricular arrhythmia. In Artificial intelligence to improve management of cardiac arrhythmias (Conference session). ESC Congress 2025, Madrid, Spain.
2. Yu Z., Wongvibulsin S., Daya N.R. et al. (2022) Machine learning for sudden cardiac death prediction in the atherosclerosis risk in communities study.
3. Kolk M.Z.H., Frodi D.M., Langford J. et al. (2024) Deep behavioural representation learning reveals risk profiles for malignant ventricular arrhythmias. doi.org/10.1038/s41746-024-01247-w.
4. Fiorina L., Carbonati T., Narayanan K. et al. (2025) Near-term prediction of sustained ventricular arrhythmias applying artificial intelligence to single-lead ambulatory electrocardiogram. Eur. Heart J., 46(21): 1998–2008.
5. Cha Y.M., Attia I.Z., Metzger C. et al. (2024) Machine learning for prediction of ventricular arrhythmia episodes from intracardiac electrograms of automatic implantable cardioverter-defibrillators. Heart Rhythm., 21(11): 2295–2302. doi: 10.1016/j.hrthm.2024.05.040.

Підготовлено редакцією журналу
«Український медичний часопис»