Sztuczna inteligencja coraz częściej analizuje nie tylko obrazy medyczne, lecz także sygnały elektryczne serca i dane pochodzące z dokumentacji pacjenta. Dzięki temu rutynowe badania, takie jak elektrokardiografia i echokardiografia, mogą dostarczać informacji, których wcześniej nie można było uzyskać bez dodatkowej diagnostyki. Najważniejsza zmiana nie polega jednak na zastępowaniu kardiologa, ale na wcześniejszym wskazywaniu pacjentów wymagających dokładniejszej oceny.
Gdzie AI znajduje zastosowanie w diagnostyce kardiologicznej?
Jednym z najbardziej rozwiniętych zastosowań jest automatyczna analiza EKG. Klasyczne algorytmy rozpoznają przede wszystkim charakterystyczne zaburzenia rytmu widoczne w aktualnym zapisie. Modele wykorzystujące uczenie maszynowe mogą natomiast analizować znacznie subtelniejsze zależności między kształtem załamków, odstępami i rytmem serca. Pozwala to identyfikować sygnały związane między innymi z migotaniem przedsionków, niewydolnością serca lub chorobą strukturalną, również wtedy, gdy w chwili wykonania badania rytm wydaje się prawidłowy.
Ma to szczególne znaczenie w przypadku napadowego migotania przedsionków. Standardowe EKG trwa zwykle kilkanaście sekund, dlatego może nie zarejestrować arytmii występującej okresowo. Podczas Heart Rhythm Society Annual Meeting 2026 prezentowano rozwiązania wykorzystujące AI do przesiewowej analizy EKG, oceny ryzyka i kwalifikowania pacjentów do dłuższego monitorowania. Potencjalną wartością kliniczną nie jest więc samo automatyczne rozpoznanie arytmii, ale lepsze wskazanie osób, u których należy wykonać Holter EKG lub zastosować inną formę rozszerzonej obserwacji. (Medical Device and Diagnostic Industry)
Algorytmy rozszerzają również zastosowanie EKG poza klasyczną ocenę aktywności elektrycznej serca. Opisany w „Nature” model EchoNext został wytrenowany na ponad 1,2 mln zestawów obejmujących EKG i odpowiadające im wyniki echokardiografii. Jego zadaniem było wykrywanie ryzyka chorób strukturalnych, takich jak dysfunkcja komór, wady zastawkowe, przerost mięśnia sercowego czy nadciśnienie płucne. System ma pełnić funkcję narzędzia kwalifikującego do echokardiografii, a nie zastępować badanie obrazowe. (Nature)
Kolejnym kierunkiem jest wykorzystanie AI bezpośrednio w echokardiografii. Algorytmy mogą wspierać dobór projekcji, ocenę jakości obrazów, segmentację struktur anatomicznych i wykonywanie powtarzalnych pomiarów. Rozwijane są także modele łączące nagrania ultrasonograficzne z informacjami klinicznymi. W badaniu opublikowanym w 2026 roku taki system wykorzystano do przewidywania szczytowego zużycia tlenu, będącego ważnym parametrem oceny pacjentów z zaawansowaną niewydolnością serca. Model badawczy osiągnął dokładność około 85%, jednak przed zastosowaniem w rutynowej praktyce wymaga dalszych badań klinicznych. (Medical Xpress)
Jakie problemy może rozwiązać diagnostyka wspierana przez AI?
Jednym z podstawowych wyzwań kardiologii jest duża liczba wykonywanych badań i ograniczona dostępność specjalistycznej diagnostyki. Echokardiografia wymaga odpowiedniego sprzętu, doświadczenia osoby wykonującej badanie oraz czasu potrzebnego na analizę. Jednocześnie zbyt szerokie kierowanie pacjentów na diagnostykę obrazową może zwiększać kolejki, a zbyt zachowawcza kwalifikacja – opóźniać rozpoznanie choroby.
AI może wspierać rozwiązanie tego problemu przez wstępną ocenę ryzyka. Algorytm analizujący rutynowe EKG może wskazać pacjentów, którzy powinni zostać skierowani na echokardiografię, konsultację specjalistyczną lub dłuższe monitorowanie rytmu. W pracowni obrazowej technologia może z kolei przyspieszać pomiary i porządkować badania według prawdopodobieństwa wykrycia istotnej nieprawidłowości. Przegląd zastosowań AI w obrazowaniu sercowo-naczyniowym wskazuje również na możliwość ograniczenia zmienności między operatorami oraz integracji obrazów z wynikami laboratoryjnymi i dokumentacją medyczną.
Nie oznacza to jednak, że wynik algorytmu jest samodzielnym rozpoznaniem. Skuteczność modelu może zmieniać się zależnie od populacji pacjentów, jakości sygnału, rodzaju aparatu oraz sposobu wykonywania badania. Istotne pozostają ryzyko wyników fałszywie dodatnich, nierówna reprezentacja różnych grup w zbiorach treningowych oraz ograniczona możliwość wyjaśnienia, dlaczego system wskazał określone ryzyko.
Co rozwój AI oznacza dla placówek i rynku MedTech?
Z perspektywy placówki wartość rozwiązania nie powinna być oceniana wyłącznie na podstawie deklarowanej dokładności algorytmu. Znaczenie mają również zewnętrzna walidacja, zgodność z przeznaczeniem klinicznym, możliwość integracji z systemami zarządzania EKG, dokumentacją medyczną i infrastrukturą obrazową oraz sposób prezentowania wyniku lekarzowi.
Przy decyzjach zakupowych istotne jest określenie, na którym etapie ścieżki pacjenta AI ma działać. Innych funkcji wymaga system przesiewowy, innych narzędzie wspierające opis echokardiografii, a jeszcze innych algorytm służący do monitorowania arytmii. Placówka powinna również ustalić, kto weryfikuje alert, jakie badanie potwierdzające należy wykonać i jak wynik wpływa na dalsze postępowanie.
Największy potencjał mają więc rozwiązania, które wykorzystują już wykonywane badania i są osadzone w codziennym workflow diagnostycznym. Algorytm może zwiększyć wartość informacyjną EKG lub echokardiografii, ale jego realny wpływ zależy od połączenia z wiedzą kardiologa, odpowiednią ścieżką potwierdzania wyników i bezpiecznym zarządzaniem danymi.
Komentarz CKMED
AI w kardiologii przechodzi od automatyzacji pojedynczych pomiarów do wydobywania nowych informacji z rutynowych badań. To ważna zmiana: EKG może stać się narzędziem kwalifikującym do zaawansowanej diagnostyki, a echokardiografia źródłem danych wykorzystywanych do bardziej precyzyjnej oceny ryzyka. Dla placówek kluczowe będzie jednak nie samo posiadanie algorytmu, lecz jego walidacja, integracja z workflow oraz jasne określenie odpowiedzialności za interpretację wyniku.
Jeśli chcesz porozmawiać o praktycznym zastosowaniu rozwiązań wykorzystujących AI w diagnostyce kardiologicznej, ich integracji z workflow placówki oraz sposobie wspierania interpretacji wyników, pytanie lub zgłoszenie chęci rozmowy można przesłać poprzez formularz kontaktowy CKMED.