Д.Н. Клыпин1, А.Е. Сулавко2, А.Е. Сулавко3, Ю.А. Варкентин4, А.М. Вульфин5

1,2,4,5 Омский государственный технический университет (г. Омск, Россия)

3 БУЗОО Медико-санитарная часть № 4 (г. Омск, Россия)

1 lan@omgtu.ru, 2 sulavich@mail.ru, 3 borya.zhizha@mail.ru, 4 varkentinyuri@gmail.com, 5 vulfin.alexey@gmail.com

Постановка проблемы. Автоматическое определение синдрома удлинённого и укороченного интервала QT – актуальная задача, поскольку они являются предикторами развития жизнеугрожающих нарушений сердечного ритма. Ручное и автоматическое (на базе классических алгоритмов накопления сигнала) определение длины интервала QT не всегда показывает наличие патологии.

Цель. Разработать нейросетевую модель ИИ для автоматического определения синдрома укороченного и удлиненного интервала QT на одноканальной ЭКГ с использованием выборок небольшого размера.

Результаты. Предложена гибридная модель определения синдрома удлиненного и укороченного интервала QT, сочетающая использование классических алгоритмов автоматического определения предполагаемого расположения комплекса QT с последующей классификацией этих комплексов для поиска патологий с помощью искусственных нейронных сетей. Рассмотрены две архитектуры (сверточная и реккурентная) нейронных сетей.

Практическая значимость. В результате получена точность для нейросетевых моделей по метрике F1 = 0,98-0,99.

Клыпин Д.Н., Сулавко А.Е., Сулавко А.Е., Варкентин Ю.А., Вульфин А.М. Нейросетевая модель для распознавания синдрома удлиненного и укороченного QT-интервала на ЭКГ // Биомедицинская радиоэлектроника. 2025. T. 28. № 1. С. 38−52. DOI: https://doi.org/10.18127/j15604136-202501-03

1. Остроумова О.Д., Голобородова И.В. Лекарственно-индуцированное удлинение интервала QT: распространенность, факторы риска, лечение и профилактика // Consilium Medicum. 2019. Т. 21. № 5. C. 62–67. doi: 10.26442/20751753.2019.5.190415
2. Фомина И.Г., Тарзиманова А.И., Ветлужский А.В. Синдром короткого интервала QT // Кардиоваскулярная терапия и профилактика. 2006; 5(7):83–85.
3. Neumann B., Suzanne V.A., Hermans Ben J.M., Lieve Krystien V.V., Cömert D., Beckmann B.-M., Clur S.-A.B, Blom N.A., Delhaas T., Wilde A.M., Kääb S., Postema P.G, Sinner M.F. Manual vs. automatic assessment of the QT-interval and corrected QT, EP Europace. 2023. V. 25. Iss. 9. euad213, https://doi.org/10.1093/europace/euad213
4. Синьков А.В. Синдром удлиненного и укороченного интервала QT в клинической практике. РМЖ. 2014;23:1732.
5. Кардиология: учебник / под ред. И.Е. Чазовой. М.: ГЭОТАР-Медиа. 2024. 920 с.:ил.
6. Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021 May 1;6(5):532-538. doi: 10.1001/jamacardio.2020.7422. PMID: 33566059; PMCID: PMC7876623
7. Aufiero S., Bleijendaal H., Robyns T. et al. A deep learning approach identifies new ECG features in congenital long QT syndrome. BMC Med 20, 162 (2022). https://doi.org/10.1186/s12916-022-02350-z
8. Alexander A. Suarez Leon, Carolina Varon, Rik Willems, Sabine Van Hiffel, Carlos R. Vazques Seisdedos. PyECG: A software tool for the analysis of the QT interval in the electrocardiogram // Revista de Ingenieria Electronica Automatica y Comunicaciones. 2018. V. 39 (2). Р. 54–69.
9. Holmstrom L., Chugh H., Nakamura K. et al. An ECG-based artificial intelligence model for assessment of sudden cardiac death risk. Commun Med 4, 17 (2024). https://doi.org/10.1038/s43856-024-00451-9
10. Negar Raissi Dehkordi, Nastaran Raissi Dehkordi, Kimia Karimi Toudeshki, Mohammad Hadi Farjoo. Artificial Intelligence in Diagnosis of Long QT Syndrome: A Review of Current State, Challenges, and Future Perspectives // Mayo Clinic Proceedings: Digital Health. 2024. V. 2. Iss. 1. P. 21–31. doi: 10.1016/j.mcpdig.2023.11.003