Valensijas Politehniskās universitātes (UPV) Informācijas un komunikāciju tehnoloģiju institūta (ITACA) COR grupas pētnieki izstrādājuši mākslīgā intelekta modeli, kas, izmantojot elektriskos ierakstus no ķermeņa virsmas, spēj noteikt un kvantificēt ar priekškambaru kardiomiopātiju saistītas audu izmaiņas.

Sistēma veidota uz grafu neironu tīklu (Graph Neural Networks jeb GNN) bāzes. Pārbaudēs tā ar 89% precizitāti noteica skarto audu atrašanās vietu, bet ar 84% precizitāti – bojājuma apjomu priekškambaru audos. Modelis saglabāja šādu veiktspēju arī tad, kad analizēja anatomiskas struktūras, kas nebija izmantotas tā apmācībā.

Vienlaikus pētnieki uzsver, ka šis ir tikai koncepcijas pierādījums, kas izstrādāts, izmantojot simulētus datus. Rezultāti nenozīmē, ka tehnoloģiju var nekavējoties izmantot pacientu ārstēšanā. Nākamais solis būs modeļa pārbaude ar reālu pacientu ierakstiem. Pētījumā norādīts, ka pirms pieejas ieviešanas ārstēšanas plānošanas lietojumos nepieciešama perspektīva validācija, izmantojot klīniskos ierakstus. Ja turpmākos klīniskajos pētījumos rezultāti apstiprināsies, tehnoloģija varētu palīdzēt izstrādāt jaunus, neinvazīvus rīkus priekškambaru audu raksturošanai, kā arī sniegt papildu informāciju ar priekškambaru kardiomiopātiju saistītu stāvokļu izpētē un ārstēšanā.

Pētījuma autori un iespējamā medicīniskā nozīme

Pētījums publicēts žurnālā Discover Computing, un tā vadošā autore ir COR-ITACA pētniece Marija Makarulja-Rodrigesa. Darbā piedalījās arī Horhe Sančess, Andreu M. Kļiments un Marija S. Giljema no ITACA un uzņēmuma Corify Care S.L., kā arī Kristians Barjoss Espinosa un Aksels Lēve no Karlsrūes Tehnoloģiju institūta un Ernesto Zakurs no Corify Care S.L.

“Pētījuma galvenais secinājums ir tāds, ka ķermeņa virsmas elektrisko karšu, telpiski laika analīzes un grafu neironu tīklu kombinācijai ir liels potenciāls priekškambaru kardiomiopātijas neinvazīvā raksturošanā,” sacīja darba vadošā autore Makarulja-Rodrigesa.

Priekškambaru kardiomiopātija ietver elektriskas un strukturālas izmaiņas priekškambaru audos, tostarp fibrozi. Šādas izmaiņas ir saistītas ar priekškambaru mirdzēšanas sākšanos un progresēšanu. Tā ir viena no visbiežāk sastopamajām sirds aritmijām.

“Zināšanas par to, kur atrodas izmainītie audi un cik plaši tie ir, var palīdzēt labāk izprast slimību un potenciāli plānot tādu ārstēšanu kā ablācija,” sacīja ITACA direktore un pētījuma dalībniece Giljema.

Elektrisko signālu analīze bez invazīvas kartēšanas

Pašlaik šādu izmaiņu raksturošanai var izmantot invazīvu sirds iekšējo elektroanatomisko kartēšanu vai noteiktus magnētiskās rezonanses izmeklējumus. Jaunā pieeja paredz izmantot ķermeņa virsmas potenciāla kartes jeb BSPM, ko iegūst ar elektrodiem, kas izvietoti uz pacienta ķermeņa augšdaļas un reģistrē sirds elektrisko aktivitāti.

Pēc tam mākslīgais intelekts analizē, kā šie signāli izplatās telpā un mainās laika gaitā, lai atpazītu modeļus, kas saistīti ar skarto audu atrašanās vietu un apjomu, skaidroja ITACA direktore.

Modeļa izstrādei un novērtēšanai pētnieki izmantoja 14 400 simulētu ķermeņa virsmas potenciāla karšu. Tās tika izveidotas, izmantojot dažādas priekškambaru un rumpja anatomiskās struktūras, kā arī atšķirīgu priekškambaru kardiomiopātijas pakāpi un bojājumu novietojumu.

Pamata konfigurācijā ar 128 elektrodiem modelis skarto audu atrašanās vietu noteica ar 89% precizitāti. Tā vidējais jutīgums bija 89%, bet specifiskums – 90%, norādīja Makarulja-Rodrigesa.

Viens no būtiskākajiem atklājumiem bija tas, ka sistēma saglabāja labus rezultātus, analizējot anatomiju, kas atšķīrās no apmācībā izmantotās. Tas var būt svarīgi turpmākai tehnoloģijas izmantošanai cilvēkiem ar atšķirīgām anatomiskajām īpašībām.

Modelis arī sasniedza 84% kopējo precizitāti skarto audu apjoma noteikšanā. Pētnieki konstatēja, ka tā veiktspēja saglabājās samērā stabila arī tad, kad signālu kvalitāte pasliktinājās, kas liecina par zināmu noturību pret troksni.

Rezultāti vienlaikus parādīja, ka apmācības datu anatomiskā daudzveidība ir būtisks faktors. Plašāka dažādu priekškambaru un rumpja modeļu iekļaušana uzlaboja sistēmas klasifikācijas spējas.

Pētījums “A graph neural network framework for characterizing atrial cardiomyopathy from body surface potential maps” publicēts žurnālā Discover Computing 2026. gadā. Tā DOI ir 10.1007/s10791-026-10439-9.