A mesterséges intelligencia (MI) egyre több területen nyit új lehetőségeket a kardiológiában – a diagnózistól a kezelés személyre szabásáig. Egy 2026-ban megjelent, spanyol többközpontú vizsgálat arra vállalkozott, hogy MI segítségével, kizárólag beültetett szívritmus-szabályozók távfelügyeleti adatait felhasználva megjósolja, hogy egy betegnél a következő két héten belül várható-e ritmuszavar-epizódok számának növekedése. Az eredmények ígéretesek – és néhány tanulsággal is szolgálnak a digitális kardiológia jövőjéről.

Miért fontos a rövid távú előrejelzés?

A pitvarfibrilláció az egyik leggyakoribb szívritmus-zavar, és az érintett betegek thromboembóliás kockázata ötszöröse az egészséges populációéhoz képest. Az MI alkalmazása az aritmia-predikció területén már bizonyított eredményeket mutat – azonban a legtöbb eddigi modell hosszabb időhorizontra (hat hónap, egy év) tervezett előrejelzéseket készített, általában kiterjedt klinikai adatbázisok alapján.

A rövid távú, dinamikus előrejelzés más megközelítést igényel: nem az a kérdés, hogy a betegnél egyáltalán kialakul-e pitvarfibrilláció a jövőben, hanem az, hogy a következő két hétben várható-e állapotromlás. Ez a fajta előrejelzés közvetlenül befolyásolhatja a napi klinikai döntéshozatalt: mikor indokolt a terápia módosítása, és mikor érdemes sürgősen berendelni a pácienst?

A vizsgálat: kik vettek részt, és hogyan működött a modell?

Az IA Pacing elnevezésű prospektív obszervációs vizsgálat 2022 májusától folyik 12 spanyol kardiológiai centrum részvételével. Az elemzésbe 314 pacemaker-viselő beteget vontak be, akiknek átlagéletkora 77 év volt, és 61%-uk férfi. A leggyakoribb pacemakerimplantáció-indikáció az atrioventrikuláris blokk volt. A betegek nagy részénél súlyos kardiovaszkuláris kórtörténet állt fenn: hipertónia a betegek 77%-ánál, diszlipidémia a 67%-ánál, cukorbetegség a közel 40%-ánál. A vizsgálatba bevont pácienseknél pitvarfibrillációs kórelőzmény az esetek 15%-ában volt jelen.

Az MI-modell kizárólag a beültetett eszközök napi távfelügyeleti adataira támaszkodott – klinikai dokumentáció, labor- vagy képalkotó adatok nélkül. A felhasznált változók között szerepelt a napi aktivitási szint, a légzésszám, a maximális és átlagos pulzus, az aritmia-epizódok száma és időtartama, az apnoe-hypopnoe index, valamint a bal kamrai pacing aránya.

A modell működése egyszerűen leírható: 31 nap megfigyelési adatából előrejelzést készített arra vonatkozóan, hogy a következő 14 napban várható-e a ritmuszavar-epizódok számának növekedése vagy sem. A 14 napos előrejelzési ablak klinikai szempontból is indokolt: elegendő időt biztosít a betegtájékoztatásra és a szükséges beavatkozások ütemezésére. A modell tanításához összesen 65 243 adatszekvenciát gyűjtöttek be, amelyek 85%-át a modell betanítására, fennmaradó 15%-át – közel 9 700 megfigyelést – a teljesítmény értékelésére használták.

Az eredmények: mit tud és mit nem tud az algoritmus?

A teljes mintán mérve a modell az esetek kétharmadában helyesen azonosította az aritmia-terhelés várható növekedését, és az esetek közel négyötödében helyesen jelezte azt is, amikor nem várható romlás. Ezek az értékek – noha nem tökéletesek – figyelemreméltóak annak tükrében, hogy a modell semmilyen klinikai dokumentációt nem használt, csupán az implantált eszköz napi adatait.

Eltérő teljesítmény a beteg kiindulóállapotától függően

A modell másképpen viselkedett attól függően, hogy a betegnél az előző 31 napban volt-e regisztrált aritmia-epizód:

• Akiknél már volt ritmuszavar az előző időszakban: a modell jól azonosította a várható romlást (közel 77%-os arányban), de viszonylag sok esetben tévesen jelezte romlást ott, ahol az nem következett be. Ez az arány összefügg azzal, hogy ebben a betegcsoportban az aritmia-epizódok eleve gyakoribbak, ami megnehezíti a stabil és romló állapot szétválasztását.
• Akiknél nem volt ritmuszavar az előző időszakban: a modell ritkábban ismerte fel a de novo megjelenő ritmuszavart, viszont nagyon megbízhatóan jelezte azt is, ha a beteg valóban tünetmentes maradt.
• Akiknél nincs pitvarfibrilláció-kórelőzmény: ez a klinikailag különösen fontos alcsoport (a minta közel 74%-a) magasabb teljesítményt mutatott mindkét irányban, ami arra utal, hogy az algoritmust éppen azokban lehet a leghatékonyabban alkalmazni, akiknél az aritmia korai felismerése és megelőzése a tét.

Mi számít a legjobban az előrejelzés szempontjából?

A kutatók egy magyarázóeszközt is beépítettek a modellbe, amely megmutatja, melyik változó játszott döntő szerepet az egyes betegek esetében hozott előrejelzésben. A legtöbbször kiemelt tényezők az alvási apnoe-index és a szívritmus-variabilitás voltak – mindkettő régóta ismert összefüggésben áll a ritmuszavarok kialakulásával, ami a modell klinikai hitelességét is alátámasztja.

Egy webalkalmazás, amely a klinikusoknak szól

A kutatócsoport a modell eredményeit egy webalapú felületre is felvitte, amelyen az orvos áttekintheti a pácienslistát, megtekintheti az egyes betegekre vonatkozó előrejelzést és annak megbízhatósági szintjét, valamint a döntést leginkább befolyásoló adatokat. Az egyszerű, vizuális felépítés szándékos: a szerzők hangsúlyozzák, hogy egy MI-alapú eszköz klinikai elfogadottsága nagyrészt azon múlik, mennyire átlátható és mennyire illeszkedik a mindennapi munkafolyamatba.

Mit jelent ez a klinikai gyakorlat szempontjából?

1. Pacemaker-adatok: eddig kihasználatlan prediktív potenciál

A vizsgálat legfontosabb üzenete, hogy a már beültetett, egyébként is folyamatosan adatot gyűjtő eszközök önmagukban is elegendő alapot adhatnak egy klinikai döntéstámogató modell működéséhez. A beteg nem igényel külön Holter-vizsgálatot, laborvizsgálatot vagy kiegészítő adatbevitelt – az információ már rendelkezésre áll, csak fel kell használni.

2. A modell erősebb ott, ahol a klinikai tét is nagyobb

Az a betegcsoport, amelynél az előrejelzés a legjobban működött – az ismert pitvarfibrilláció-kórelőzmény nélküli páciensek –, egyúttal az a populáció is, amelynél a korai felismerés a legtöbbet hozhatja: megelőzhető a de novo pitvarfibrilláció, időben megkezdhető az antikoaguláció, és csökkenthetők a stroke-kockázathoz kapcsolódó szövődmények.

3. A modell még fejleszthető – és maga is fejlődni fog

A kutatók nyíltan jelzik a jelenlegi korlátokat: a mintaméret viszonylag szerény (314 beteg), a modell kizárólag egy gyártó eszközein alapul, és nem tartalmaz demográfiai vagy klinikai változókat. Külső validáció sem történt. Az ígéret azonban egyértelmű: ahogy nő a betanítási adatbázis, és ahogy további változók kerülnek be a modellbe, a teljesítmény várhatóan javulni fog. Ez jellegzetesen MI-sajátosság – a rendszer tanul, és idővel pontosabbá válik.

4. Az átláthatóság a bizalom feltétele

A vizsgálatban alkalmazott magyarázó megközelítés – amely megmutatja, hogy az egyes betegek esetében mi alapján született az előrejelzés – nem pusztán tudományos igény: ez a klinikai alkalmazhatóság egyik kulcsa. Az orvos csak akkor fog megbízni egy MI-rendszerben és aszerint cselekedni, ha nem csupán egy százalékos értéket lát, hanem azt is megérti, miért jutott arra a modell.

Összegzés

A beültetett eszközök adatain alapuló, rövid távú ritmuszavar-előrejelzés nem csupán elméletileg vonzó ötlet – ez a vizsgálat megmutatja, hogy az alapok lerakhatók, és a klinikai alkalmazás útja megnyílt. Az algoritmus még nem hibátlan, és további fejlesztésre, nagyobb mintán való validációra szorul. Ugyanakkor az a tény, hogy kizárólag a pacemaker napi adataiból – klinikai dokumentáció, ECG vagy labor nélkül – már ma is értelmezhető és klinikailag releváns előrejelzés születhet, érdemi lépést jelent a prediktív kardiológia irányába.

A digitalizált szívgyógyászat jövőjében a beültetett eszközök nemcsak terápiás, hanem intelligens megfigyelő és előrejelző szerepet is betölthetnek – feltéve, hogy a klinikusok megkapják az eszközöket ahhoz, hogy ezeket az adatokat érthető és cselekvőképes formában lássák.

Forrás: Lozano, I. F., De La Concha, J. F., Maqueda, J. R., Castellano, N. P., Bodes, R. S., García-Fernández, F. J., Mazuecos, J. B., Candil, J. J., Datino, T., Figuero, S. B., Olmedillas, J. P., De La Fuente, M. N. F., Costales, J. L., Fernández, S. P., & Lucas, V. C. (2026). Short-Term arrhythmia prediction using AI based on daily data from implantable devices: Multicenter Prospective observational study. JMIR Cardio, 10, e85841. https://doi.org/10.2196/85841