Штучний інтелект у виявленні та прогнозуванні фібриляції передсердь

28 жовтня 2025
173
Резюме

Фібриляція передсердь (ФП) — найпоширеніша стійка аритмія, асоційована з високим ризиком розвитку інсульту та серцевої недостатності. Рання діагностика часто ускладнена, особливо при пароксизмальних формах. Традиційні методи скринінгу мають обмежену чутливість і ресурсомісткі. Штучний інтелект (ШІ) здатен змінити підхід до виявлення ФП завдяки аналізу великих масивів даних (електрокардіографія, фотоплетизмографія, клінічні показники, візуалізація) та побудові індивідуальних моделей ризику [1].

Можливості штучного інтелекту (ШІ) у діагностиці та прогнозуванні фібриляції передсердь (ФП)

1. Виявлення прихованої ФП:

  • електрокардіографія (ЕКГ) на синусовому ритмі: алгоритми згорткової нейронної мережі (CNN) виявляють приховані патерни, що передують ФП;
  • дослідження Noseworthy, Attia, Lancet: у групі з високим ШІ-ризиком виявлення нових випадків ФП було значно вищим порівняно зі стандартним підходом [2].

2. Персоналізований скринінг:

  • популяційні програми (STROKESTOP, SAFER): ШІ дозволяє відокремити групи низького та високого ризику, підвищуючи ефективність цільового моніторингу [3];
  • у високоризиковій групі частота виявлення нової ФП сягала 7,8% проти 1,6% у низькоризиковій.

3. Поєднання ЕКГ з клінічними факторами:

  • модель ШІ + CHARGE-AF (Tarabanis, EHJ 2025) перевершила традиційні клінічні шкали, об’єднавши електрокардіографічні та клінічні дані [4].

4. Цифрові сенсори та пристрої:

  • фотоплетизмографія в носимих гаджетах: перспективний метод, але потребує ручної верифікації у ~25% випадків;
  • імплантовані петльові реєстратори (ILR): ШІ покращує класифікацію епізодів і зменшує кількість хибнопозитивних спрацювань (рис. 1).
Рисунок 1. Виявлення ФП за допомогою фотоплетизмографії [5]
Один із 4 записів все ще потребує ручної перевірки для забезпечення точності.

5. ФП після інсульту:

  • ШІ-моделі на основі магнітно-резонансної томографії (МРТ) головного мозку (DWI) та ЕКГ допомагають виявляти приховану ФП у пацієнтів із криптогенним інсультом (ESUS) (рис. 2).
Рисунок 2. Виявлення ФП за допомогою ШІ при емболічному інсульті нез’ясованого походження (ESUS) [3]

Практичні акценти для лікаря

  • Раннє виявлення ФП → своєчасне призначення антикоагулянтної терапії, профілактика інсульту.
  • Цільовий скринінг → уникнення зайвих витрат на моніторинг низькоризикових пацієнтів.
  • Поєднання ЕКГ + клінічні дані → більш точна стратифікація ризику.
  • Використання носимих пристроїв та ILR → можливість довготривалого моніторингу з автоматичним аналізом.
  • Інсульт нез’ясованого генезу → ШІ може допомогти виявити ФП як причину, що змінює тактику лікування (таб­лиця).

Таблиця. ШІ та ФП: практична користь для лікаря

Сфера застосування Що аналізує ШІ Клінічна користь Приклади / результати
Раннє виявлення прихованої ФП ЕКГ у 12 відведеннях у синусовому ритмі (CNN) Виявлення «невидимих» змін, що передують ФП P.A. Noseworthy et al. (2022) [2]: підвищення діагностичної ефективності у групі високого ШІ-ризику
Персоналізований скринінг ЕКГ+ШІ-ризик стратифікація Вибір груп високого ризику для моніторингу J. Choi et al. (2024) [3]: ФП виявлено у 7,8% (високий ризик) vs 1,6% (низький ризик)
Поєднання ЕКГ та клінічних даних ЕКГ+CHARGE-AF (клінічні фактори) Точніший прогноз ризику, ніж традиційні шкали C. Tarabanis et al. (2025) [4]: CNN+клінічні дані перевершують стандартні моделі
Цифрові гаджети (фотоплетизмографія) Фотоплетизмографія (смартгодинники, браслети) Масовий скринінг, зручний для пацієнтів D. Mannhart et al. (2023) [5]: у 25% випадків потрібна ручна верифікація
Імплантовані пристрої (ILR, CIEDs) Записи серцевого ритму з імплантованим кардіовертером-дефібрилятором (ІКД) / ILR Зменшення кількості хибнопозитивних епізодів, точна класифікація E. Crespin et al. (2024) [6]
ФП після інсульту (ESUS) МРТ головного мозку (DWI) + ЕКГ Виявлення ФП як можливої причини інсульту → зміна лікування Z. Zhang et al. (2025) [7]: ШІ-МРТ модель для діагностики ФП

Висновки

1. ШІ у виявленні та прогнозуванні ФП відкриває шлях до персоналізованої медицини, де скринінг і лікування будуть точнішими та економічно доцільнішими.

2. Очікується перехід від бінарної діагностики («ФП є / нема») до динамічної, ризикорієнтованої стратегії.

3. Для впровадження в широку практику потрібні:

  • стандартизація даних,
  • перевірка алгоритмів у різних популяціях,
  • розв’язання регуляторних питань.

Для практикуючого лікаря головне — знати, що ШІ вже здатен допомогти раніше виявити ФП, краще відбирати пацієнтів для моніторингу і, в перспективі, змінити стандарти профілактики інсульту.

Список використаної літератури

  • 1. Becher N. (2025) AI for detection of atrial fibrillation. In Artificial intelligence to improve management of cardiac arrhythmias (Conference session). ESC Congress 2025, Madrid, Spain.
  • 2. Noseworthy P.A., Attia Z.I., Behnken E.M. et al. (2022) Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. The Lancet, 400(10359): 1206–1212.
  • 3. Choi J., Kim J.Y., Cho M.S. et al. (2024) Artificial intelligence predicts undiagnosed atrial fibrillation in patients with embolic stroke of undetermined source using sinus rhythm electrocardiograms. Heart Rhythm, 21(9): 1647–1655.
  • 4. Tarabanis C., Koesmahargyo V., Tachmatzidis D. et al. (2025) Artificial intelligence–enabled sinus electrocardiograms for the detection of paroxysmal atrial fibrillation benchmarked against the CHARGE-AF score. Eur. Heart J. — Digital Health, ztaf100. doi.org/10.1093/ehjdh/ztaf100.
  • 5. Mannhart D., Lischer M., Knecht S. et al. (2023) Clinical Validation of 5 Direct-to-Consumer Wearable Smart Devices to Detect Atrial Fibrillation: BASEL Wearable Study. J. Am. Coll. Cardiol., 9(2): 232–242. doi.org/10.1016/j.jacep.2022.09.011.
  • 6. Crespin E., Rosier A., Ibnouhsein I. et al. (2024) Improved diagnostic performance of insertable cardiac monitors by an artificial intelligence-based algorithm. EP Europace, 26(1): euad375. doi.org/10.1093/europace/euad375.
  • 7. Zhang Z., Ding Y., Lin K. et al. (2025) Development of an MRI based artificial intelligence model for the identification of underlying atrial fibrillation after ischemic stroke: a multicenter proof-of-concept analysis. Eclinicalmedicine, 81. DOI: 10.1016/j.eclinm.2025.103118.

Підготовлено редакцією журналу
«Український медичний часопис»