Штучний інтелект у катетерній абляції фібриляції передсердь: нові горизонти для практики

28 жовтня 2025
251
Резюме

Фібриляція передсердь залишається одним із найчастіших і клінічно складних аритмогенних розладів. Ефективність катетерної абляції значною мірою залежить від правильного відбору пацієнтів, точності візуалізації та стандартизації процедурних рішень [1]. У цьому контексті штучний інтелект відкриває нові можливості для клініцистів на кожному етапі — від підготовки до спостереження після втручання (рис. 1). Це означає, що моніторинг за допомогою фотоплетизмографії (photoplethysmography — PPG) важливий на всіх етапах лікування.

Рисунок 1. Моніторинг навантаження ФП за допомогою носимих PPG-пристроїв [2]

До абляції: відбір пацієнтів і прогнозування результатів

  • Глибоке навчання на електрокардіографії (ЕКГ) дозволяє прогнозувати ризик рецидиву фібриляції передсердь (ФП) після абляції, підвищуючи точність рішень порівняно з традиційними бінарними моделями («є / немає рецидиву»).
  • «Цифрові двійники» серця дають змогу змоделювати аритмогенний потенціал фіброзного міокарда та віртуально визначити оптимальні точки абляції, мінімізуючи обсяг уражень.

Це особливо важливо для пацієнтів із дифузним ремоделюванням передсердь, в яких класична стратегія може бути менш ефективною.

Під час абляції: візуалізація та об’єктивізація

  • Штучний інтелект (ШІ) у внутрішньосерцевій ехокардіографії: автоматичне контурне визначення анатомії лівого передсердя та вушка забезпечує більш стандартизовану 3D-реконструкцію та зменшує операторозалежність.
  • Програмні алгоритми (наприклад Volta) аналізують просторово-часову дисперсію потенціалів передсердь, дозволяючи точніше локалізувати аритмогенні зони.
  • Класифікація внутрішньосерцевих електрограм з ШІ допомагає уніфікувати інтерпретацію складних сигналів під час мапінгу, що особливо актуально у великих абляційних центрах.

Після абляції: моніторинг рецидивів

  • Носимі пристрої з фотоплетизмографією поступово наближаються за інформативністю до ЕКГ завдяки ШІ-алгоритмам, які «очищують» записи від шумів та коректно диференціюють надшлуночкові й шлуночкові сигнали.

Це дозволяє лікарю отримувати реалістичні дані про AF-burden (тривалість та частоту епізодів ФП) у повсякденному житті пацієнта.

У майбутньому такі системи можуть стати еквівалентом «амбулаторної ЕКГ» тривалої дії (рис. 2).

Рисунок 2. Внутрішньопроцедурна класифікація електрограм (тобто класифікація електрограм під час проведення абляції) [3]

Практичні висновки для лікаря

1. ШІ не замінює електрофізіолога, але стає інструментом, який допомагає:

  • точніше відібрати пацієнтів;
  • стандартизувати визначення цілей абляції;
  • мінімізувати варіабельність між операторами;
  • забезпечити більш надійний моніторинг після втручання.

2. Найбільший практичний ефект ШІ дає тоді, коли лікар розуміє його обмеження і вміє інтегрувати результати аналізу в клінічне рішення.

Ключове повідомлення: електрофізіологи, які навчаться ефективно користуватися ШІ, матимуть значну перевагу в практиці. Це шлях до більш персоналізованої абляції ФП з кращими результатами для пацієнтів.

Підготовлено редакцією журналу
«Український медичний часопис»

Список використаної літератури

  • 1. Linz D. (2025) AI in catheter ablation for atrial fibrillation. In Artificial intelligence to improve management of cardiac arrhythmias (Conference session). ESC Congress 2025, Madrid, Spain.
  • 2. Deisenhofer I., Albenque J.P., Busch S. et al. (2025) TAILORED-AF Investigators. Artificial intelligence for individualized treatment of persistent atrial fibrillation: a randomized controlled trial. Nat. Med. Apr; 31(4): 1286–1293. doi: 10.1038/s41591-025-03517-w.
  • 3. Antiperovitch P., Mortara D., Barrios J. et al. (2024) Continuous Atrial Fibrillation Monitoring From Photoplethysmography: Comparison Between Supervised Deep Learning and Heuristic Signal Processing. J. Am. Coll. Cardiol. EP., 10(2): 334–345.doi.org/10.1016/j.jacep.2024.01.008.