Международная исследовательская группа под руководством учёных Калифорнийского университета в Беркли обучила модель глубокого обучения находить на обычной электрокардиограмме (ЭКГ) признаки риска внезапной сердечной смерти. В шведской проверочной выборке алгоритм выделил 2,2% записей с годовой частотой таких смертей 7,0%. Среди пациентов с пониженной фракцией выброса левого желудочка, показателем, который широко используют для оценки риска, этот показатель составил 4,6%. Результаты опубликованы в журнале Nature 24 июня 2026 года.

Модель нашла многих пациентов вне группы риска по фракции выброса

Для обучения использовали 441 614 ЭКГ, сделанных в 2010–2016 годах в шведском регионе Халланд. Записи связали с электронными медицинскими картами и свидетельствами о смерти. Основную проверку провели на заранее отложенной выборке из 119 541 ЭКГ 35 885 пациентов младше 80 лет. Здесь модель получила площадь под ROC-кривой (AUC) 0,872, то есть достаточно хорошо различала группы с разным исходом, но этот показатель сам по себе не задаёт клинический порог для лечения.

Алгоритм отнёс к группе высокого риска 2,2% записей. Группа пациентов с пониженной фракцией выброса составляла 1,9% выборки и имела годовую частоту внезапной сердечной смерти 4,6%. При этом 86,1% пациентов, которых модель отнесла к группе высокого риска, не были отмечены по этому стандартному показателю.

Фракция выброса показывает, какую долю крови левый желудочек выталкивает за одно сокращение. ЭКГ же фиксирует электрические сигналы сердца. Модель сопоставляла множество особенностей формы этих сигналов, включая изменения комплекса QRS. Представим человека с нормальной фракцией выброса: обычное обследование не относит его к группе высокого риска, но алгоритм замечает другое сочетание электрических признаков. Это условный пример принципа работы, а не описание конкретного участника исследования.

Проверка в США и на Тайване

Исследователи применили модель без дополнительной настройки к независимым данным. В системе здравоохранения Sharp HealthCare в Сан-Диего она предсказывала желудочковые аритмии с AUC 0,822. В больничном регистре Национального тайваньского университета модель различала будущие аритмические остановки сердца и контрольных пациентов с AUC 0,767.

Эти наборы данных отвечали на разные вопросы. В США учитывали зарегистрированные желудочковые аритмии, а на Тайване исследовали 257 случаев остановки сердца и 4011 контрольных пациентов из больницы. Тайваньская выборка не отражала частоту событий во всём населении, поэтому по ней нельзя рассчитать распространённость риска. В Швеции внезапную сердечную смерть определяли по свидетельствам о смерти, которые могут смешивать аритмические и неаритмические причины.

Отдельный анализ показал, что среди пациентов, которых модель отнесла к группе высокого риска и которым уже имплантировали дефибриллятор, смертность была на 54,4% ниже ожидаемой. Но это наблюдательная связь. Исследование не было рандомизированным, поэтому оно не доказывает, что устройство снизило смертность именно у пациентов, выбранных алгоритмом. Описание научных результатов и их ограничений можно сопоставить с материалами об анализе научных статей.

Работа показала способность модели прогнозировать риск, но не доказала, что её применение улучшает исходы или помогает правильно выбрать пациентов для имплантации дефибриллятора. Для этого нужны проспективные и рандомизированные исследования. Поэтому ЭКГ с алгоритмом пока нельзя считать самостоятельным основанием для такого решения.

Схема показывает обучение модели на шведских ЭКГ, сравнение с фракцией выброса, проверку в США и на Тайване и ограничение клинического применения.

Фото: Pavel Danilyuk / Pexels