PULSE-HF: как нейросеть из MIT предсказывает ухудшение сердечной недостаточности за год по кардиограмме

Сердечная недостаточность — один из тех диагнозов, что переписывают будущее пациента целиком. В отличие от перелома или излечимой инфекции, она хроническая, прогрессирующая и — по состоянию на 2026 год — всё ещё неизлечимая. Сердечная мышца постепенно слабеет, теряя способность эффективно перекачивать кровь. Жидкость медленно скапливается в лёгких, ногах, брюшной полости. Для многих эта траектория заканчивается аритмией или внезапной остановкой сердца. По всему миру сердечной недостаточностью страдают около 64 миллионов человек, и примерно половина из них умирает в течение пяти лет после постановки диагноза [3][5]. Экономический ущерб колоссален: по данным ВОЗ, сердечно-сосудистые заболевания унесли 19,8 миллиона жизней только в 2022 году, а глобальные расходы на лечение сердечной недостаточности достигают порядка 346 миллиардов долларов ежегодно [4][5].

На фоне этой мрачной статистики команда исследователей из MIT, Mass General Brigham и Гарвардской медицинской школы представила инструмент, способный принципиально изменить подход к ведению пациентов с сердечной недостаточностью. Их модель глубокого обучения, получившая название PULSE-HF — вольная аббревиатура от «Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure», — делает то, чего не умеет ни один другой клинический ИИ-инструмент: прогнозирует, ухудшится ли функция сердца пациента в опасной степени в течение ближайших двенадцати месяцев, используя только стандартную электрокардиограмму [1][2].

Проблема: обнаружение — это не прогнозирование

Чтобы понять, почему PULSE-HF так важна, нужно разобраться в метрике, определяющей тяжесть сердечной недостаточности: фракции выброса левого желудочка, или ФВЛЖ. Здоровое сердце выталкивает примерно от 50 до 70 процентов крови из левого желудочка при каждом ударе. Когда этот показатель падает ниже 40 процентов, пациент попадает в самую тяжёлую категорию — сердечная недостаточность с пониженной фракцией выброса (HFrEF). Именно эта группа несёт наибольший риск смертности, чаще всего госпитализируется и больше всего нуждается в агрессивном медикаментозном и аппаратном лечении [3].

Клиническая задача проста в формулировке, но крайне трудна в решении: кто из пациентов, сейчас находящихся с ФВЛЖ, скажем, 45 или 50 процентов, пересечёт критический рубеж в 40 процентов в ближайший год? До недавнего времени ответ сводился к более или менее обоснованным предположениям. Кардиологи наблюдают пациентов с помощью периодических эхокардиограмм — ультразвукового исследования сердца, — но они дороги, требуют сертифицированных сонографов и, как правило, доступны только в крупных медицинских центрах. Что ещё важнее, существующие ИИ-инструменты в кардиологии сфокусированы почти исключительно на детекции: они могут определить пациентов, уже имеющих сниженную фракцию выброса, но не способны предсказать, у кого она снизится в будущем [1].

«Главное, что отличает PULSE-HF от других методов анализа ЭКГ при сердечной недостаточности, — это переход от детекции к прогнозированию», — говорит Тиффани Яу, аспирантка MIT в лаборатории профессора Коллина Стульца и сопервый автор статьи. В работе подчёркивается, что на сегодняшний день не существует других методов для предсказания будущего снижения ФВЛЖ у пациентов с сердечной недостаточностью [1].

Как работает PULSE-HF: архитектура модели

Подход PULSE-HF элегантно интуитивен, даже если стоящая за ним архитектура глубокого обучения далеко не проста. Модель принимает два входных параметра: стандартную запись 12-канальной электрокардиограммы и историю предшествующих измерений ФВЛЖ пациента. На выходе — единственное, клинически значимое предсказание: вероятность того, что ФВЛЖ пациента упадёт ниже 40 процентов в течение следующего года [1][2].

Особо значим выбор входных данных. ЭКГ — один из самых распространённых диагностических инструментов в медицине. Для 12-канальной ЭКГ на грудь и конечности пациента накладываются 10 электродов, и электрическая активность сердца записывается около 10 секунд. Процедура стоит в разы дешевле эхокардиограммы, не требует специализированного визуализационного оборудования и может выполняться любым обученным медицинским работником практически в любых условиях — от крупного академического медицинского центра до сельского кабинета семейного врача [1].

flowchart LR
    A["12-канальная\nЭКГ"] --> C["PULSE-HF\nМодель глубокого обучения"]
    B["История ФВЛЖ\nпациента"] --> C
    C --> D{"ФВЛЖ < 40%\nв течение 1 года?"}
    D -->|Высокий риск| E["Приоритетное\nнаблюдение"]
    D -->|Низкий риск| F["Сокращение частоты\nвизитов"]

Модель была разработана и ретроспективно валидирована на трёх различных когортах пациентов из Массачусетской общей больницы (Massachusetts General Hospital), Больницы Brigham and Women's — двух крупнейших и наиболее авторитетных академических медицинских центров в США — а также из базы данных MIMIC-IV, публично доступного набора данных интенсивной терапии, поддерживаемого Лабораторией вычислительной физиологии MIT. Многогрупповая валидация критически важна: она демонстрирует, что предсказания PULSE-HF обобщаются на разные популяции пациентов, клинические рабочие процессы и практики сбора данных [1][2].

Результаты: AUROC от 0,87 до 0,91

Исследователи измерили эффективность PULSE-HF с помощью площади под ROC-кривой (AUROC) — стандартной метрики в клиническом машинном обучении, количественно оценивающей способность модели правильно различать пациентов, у которых произойдёт и не произойдёт определённый исход. AUROC, равная 0,5, соответствует случайному угадыванию; 1,0 — идеальной дискриминации.

По всем трём когортам пациентов PULSE-HF достигла AUROC в диапазоне от 0,87 до 0,91 — показателей, которые уверенно попадают в область клинически полезной стратификации рисков [1][2]. Для сравнения: многие широко применяемые клинические инструменты прогнозирования в кардиологии работают в диапазоне AUROC 0,70–0,80. Отрицательная прогностическая ценность PULSE-HF превысила 97 процентов для случаев снижения ФВЛЖ на 10 процентных пунктов в год при пороге чувствительности 80 процентов [2]. На практике это означает: когда PULSE-HF указывает, что пациент относится к группе низкого риска, клиницисты могут быть высоко уверены, что функция сердца останется стабильной.

Прорыв одноканальной ЭКГ

Пожалуй, самый неожиданный — и клинически значимый — результат исследования PULSE-HF состоит в том, что учёные также создали версию модели, работающую с одноканальной ЭКГ. Одноканальная запись требует всего одного электрода, в отличие от десяти, необходимых для полного 12-канального исследования. Одноканальные записи можно получить не только со специализированных медицинских приборов, но и с потребительских носимых устройств — таких как Apple Watch, Samsung Galaxy Watch и другие смарт-часы с датчиками ЭКГ [1].

Производительность одноканальной версии PULSE-HF, по данным исследователей, оказалась сопоставимой с 12-канальной [1][2]. Этот результат имеет глубокие последствия для организации здравоохранения. Он означает, что модель потенциально может применяться в сельских клиниках, не располагающих оборудованием и подготовленным персоналом для полных 12-канальных ЭКГ. Её можно интегрировать в сценарии телемедицины. И открывается перспектива непрерывного или периодического мониторинга сердечной недостаточности через устройства, которые пациенты и так носят на запястье.

«Модель может применяться в условиях ограниченных ресурсов, в том числе во врачебных кабинетах в сельской местности, где, как правило, нет сертифицированного сонографа для ежедневного проведения УЗИ», — поясняет Яу [1]. В мире, где сердечная недостаточность непропорционально сильно затрагивает группы населения с ограниченным доступом к специализированной помощи — пожилых людей, сельские сообщества, системы здравоохранения стран с низким и средним уровнем дохода, — эта портативность отнюдь не второстепенная техническая деталь. Это потенциальная смена парадигмы.

Масштаб кризиса сердечной недостаточности

Чтобы в полной мере оценить потенциальное влияние PULSE-HF, стоит отступить назад и посмотреть на чистый масштаб эпидемии сердечной недостаточности. Цифры отрезвляют. Согласно отчёту HF Stats 2025 Американского общества сердечной недостаточности, пожизненный риск развития этого состояния вырос до 24 процентов — примерно каждый четвёртый [5]. Только в США около 6,7 миллиона человек страдают сердечной недостаточностью, и этот показатель, по прогнозам, возрастёт до 8,7 миллиона к 2030 году и 11,4 миллиона к 2050 году. Госпитализаций по поводу сердечной недостаточности в 2021 году было более 1,2 миллиона [5].

Экономическое бремя столь же ошеломляющее. Прямые медицинские расходы на сердечную недостаточность в США составили около 32 миллиардов долларов в 2020 году, а косвенные — ещё 14 миллиардов. По прогнозам, расходы США на сердечную недостаточность могут взлететь от 142 до 858 миллиардов долларов к 2050 году в зависимости от моделируемых допущений [5]. В глобальном масштабе ежегодные траты на лечение сердечной недостаточности оцениваются в 346 миллиардов долларов с прогнозом роста до примерно 398 миллиардов к 2030 году [4][5].

На таком фоне любой инструмент, помогающий клиницистам раньше выявлять пациентов с высоким риском и эффективнее распределять ресурсы, имеет огромную потенциальную ценность. «Понимание того, как будет чувствовать себя пациент после госпитализации, действительно важно для распределения ограниченных ресурсов», — говорит Тея Бергамаски, сопервый автор исследования [1].

Проблема данных: почему клинический ИИ сложнее, чем кажется

Одна из самых поучительных сторон истории PULSE-HF — откровенный рассказ создателей о кропотливой работе с данными, необходимой для построения клинической ИИ-модели. Несмотря на элегантную простоту концепции — подать ЭКГ на вход модели, получить прогноз на выходе, — фактическое выполнение заняло годы, и большая часть этого времени ушла на неброскую, но жизненно важную задачу сбора, обработки и очистки медицинских данных [1].

Метки, на которых PULSE-HF обучалась, — будущие значения ФВЛЖ — нужно было извлекать из заключений эхокардиограмм. Эти заключения обычно поступают в виде PDF-файлов, а не чистых структурированных данных. Конвертация PDF в машиночитаемый текст славится своей ненадёжностью: разрывы строк, артефакты форматирования, непоследовательная разметка делают автоматическое извлечение крайне затруднительным. «Когда PDF конвертируются в текстовые файлы, текст становится трудным для считывания моделью», — поясняет Бергамаски [1].

Данные ЭКГ представили собственные трудности. Реальные электрокардиограммы зачастую далеки от чистых сигналов, которые показывают в учебниках. Беспокойные пациенты создают двигательные артефакты. Ослабленные электроды генерируют шум. Расположение электродов варьируется от техника к технику. «Там очень много артефактов сигнала, которые нужно очищать, — рассказывает Бергамаски. — Это своего рода бесконечная кроличья нора» [1].

В итоге команда приняла прагматичное решение относительно качества данных — решение, которое, как ни парадоксально, может сделать PULSE-HF более полезной в реальных клинических условиях. Вместо того чтобы избыточно усложнять конвейер предобработки, они обучили модель на немного зашумлённых данных, рассудив, что при реальном применении записи неизбежно будут несовершенными. «Нужно думать о сценарии использования, — говорит Яу. — Не проще ли иметь модель, которая работает на слегка загрязнённых данных? Потому что они, скорее всего, такими и будут» [1].

Конкурентный ландшафт: на стыке ИИ и кардиологии

PULSE-HF выходит на быстро зреющее поле ИИ-диагностики сердечно-сосудистых заболеваний. За последние три года исследователи по всему миру продемонстрировали, что модели глубокого обучения способны извлекать из, казалось бы, простых электрических кривых ЭКГ поразительный объём информации. Эти модели умеют выявлять состояния от фибрилляции предсердий и инфаркта миокарда до гипертрофической кардиомиопатии и даже патологий, казалось бы, не связанных с сердцем, — таких как дисфункция щитовидной железы и пониженный уровень калия в крови.

В конкретной области сердечной недостаточности появилось несколько заметных ИИ-ЭКГ-моделей. Исследование 2025 года, опубликованное в Frontiers, продемонстрировало модель на основе трансформера, способную идентифицировать пациентов с умеренно сниженной фракцией выброса (HFmrEF) с AUC 0,824. Отдельная работа, опубликованная в JAMA в 2025 году, показала адаптированную к шуму ИИ-ЭКГ-модель, оценивающую риск сердечной недостаточности по одноканальной ЭКГ (Lead I) в разнородных международных когортах — что указывает на перспективу интеграции с носимыми устройствами. Тем временем исследование 2024 года в PLOS ONE использовало машинное обучение с циркадными признаками ЭКГ для классификации пациентов с сердечной недостаточностью по категориям фракции выброса, достигая AUROC до 0,99.

Что отличает PULSE-HF от всех этих моделей — принципиально иная задача. Каждая другая модель в этом ландшафте выполняет детекцию или классификацию — выявляет пациентов, у которых уже снижена фракция выброса. PULSE-HF первая выполняет прогнозирование: предсказывает, у кого фракция выброса снизится в будущем. Это различие не только академическое. Детекция сообщает клиницисту, что уже происходит; прогнозирование — что вот-вот произойдёт, открывая окно возможностей для раннего вмешательства, способного предотвратить или замедлить прогрессирование заболевания [1][2].

Клинические последствия: от лаборатории к пациенту

Если PULSE-HF успешно совершит переход от ретроспективной валидации к проспективному клиническому применению, её влияние может проявиться в нескольких конкретных направлениях. Во-первых, она способна обеспечить более интеллектуальную систему сортировки пациентов с сердечной недостаточностью. Вместо того чтобы назначать всем пациентам одинаковую частоту контрольных визитов и эхокардиограмм, клиницисты смогут использовать PULSE-HF для выявления наиболее вероятных кандидатов на ухудшение и сосредоточить ресурсы мониторинга именно на них. «Если PULSE-HF предсказывает, что фракция выброса пациента, вероятно, ухудшится в течение года, клиницист может приоритизировать этого пациента для наблюдения, — поясняют исследователи. — Пациенты же с низким риском смогут сократить количество визитов в больницу» [1].

Во-вторых, PULSE-HF может повлиять на сроки начала терапевтических вмешательств. Руководства по лечению сердечной недостаточности включают ряд препаратов — бета-блокаторы, ингибиторы АПФ, БРА, АРНИ (ингибитор рецепторов ангиотензина и неприлизина), ингибиторы SGLT2, антагонисты минералокортикоидных рецепторов, — эффективность которых отчасти зависит от того, когда начато лечение. Выявление пациентов на пути к HFrEF до того, как они пересекут порог в 40 процентов, может позволить раньше инициировать рекомендованную терапию и потенциально замедлить или обратить снижение сердечной функции.

В-третьих, существуют значительные последствия для затрат здравоохранения. Госпитализации по поводу сердечной недостаточности — одни из самых дорогостоящих в медицине: средняя стоимость каждой госпитализации в США составляет от 15 до 25 тысяч долларов. Если PULSE-HF поможет предотвратить хотя бы часть этих госпитализаций за счёт более раннего амбулаторного вмешательства, экономия может быть существенной — как для систем здравоохранения, так и для пациентов, избежавших физических и эмоциональных последствий стационарного лечения.

Путь вперёд: проспективная валидация и регуляторный маршрут

Исследователи трезво оценивают, что именно продемонстрировала PULSE-HF и что ещё предстоит доказать. Модель была валидирована ретроспективно — то есть протестирована на исторических данных пациентов, чьи исходы уже были известны. Следующий критический шаг — проспективная валидация: развёртывание PULSE-HF в клинической среде и проверка её предсказаний на пациентах, чьи будущие значения ФВЛЖ пока неизвестны [1].

Проспективная валидация — золотой стандарт для клинических ИИ-инструментов, а путь от успешного ретроспективного исследования до внедрённого в клинику решения нередко оказывается долгим и затратным. Модель предстоит проверить на более разнородных популяциях — нынешние когорты, хоть и мультиинституциональные, набраны из большого Бостона и могут не в полной мере отражать демографическое, генетическое и коморбидное разнообразие более широкой популяции. Вероятно, для применения PULSE-HF в клинических решениях в США потребуется одобрение FDA — будь то через путь 510(k), De Novo или PMA.

Остаётся и вопрос интеграции. Даже самая точная ИИ-модель полезна лишь в том случае, если она вписывается в клинические рабочие процессы. Больницы работают на системах электронных медицинских карт — в основном Epic и Cerner в США — и любой новый ИИ-инструмент должен бесшовно интегрироваться с ними. Модели нужно выдавать предсказания в формате, пригодном для действий клинициста, в идеале — встроенном в те же интерфейсы, через которые они просматривают результаты ЭКГ.

Человеческая история за наукой

За техническим достижением PULSE-HF стоит глубоко человеческая история о двух аспирантках, годами прошедших через неприглядные реалии клинических ИИ-исследований. Бергамаски и Яу признают, что проект занял больше времени, чем ожидалось, — на годы больше, — и потребовал бесчисленных итераций в процессе решения проблем качества данных, выбора архитектуры модели и преодоления присущей биологическим данным непредсказуемости [1].

Мне кажется, вещи вознаграждают отчасти потому, что они трудны. Подруга как-то сказала мне: «Если ты думаешь, что найдёшь своё призвание после выпуска, и если оно действительно зовёт тебя, — оно будет ждать тот дополнительный год, который тебе потребуется, чтобы защититься».

Яу, пришедшая в лабораторию Стульца после личного столкновения со здоровьем, заставившего её осознать важность машинного обучения в медицине, описывает работу в категориях, выходящих за рамки академических метрик. «Слишком много страдания в мире, — говорит она. — Всё, что пытается облегчить страдание, я считаю достойным применением своего времени» [1].

Статья опубликована в Lancet eClinicalMedicine в феврале 2026 года и выполнена в лаборатории Коллина Стульца — профессора MIT, занимающего кафедру имени Нины Т. и Роберта Х. Рубин, — чья исследовательская группа аффилирована с Клиникой машинного обучения для здоровья MIT имени Абдул Латифа Джамиля (Jameel Clinic). Коллаборация с Mass General Brigham и Гарвардской медицинской школой отражает всё более междисциплинарный характер клинических ИИ-исследований, где информатики, кардиологи и инженеры данных вынуждены работать вместе, преодолевая институциональные границы [1][2].

Взгляд в будущее

PULSE-HF появляется в момент, когда кардиологическое сообщество одновременно сталкивается с растущей популяцией пациентов, ограниченными ресурсами здравоохранения и взрывным ростом новых возможностей ИИ. Модель не претендует на решение кризиса сердечной недостаточности. Она, по замыслу, — один инструмент, отвечающий на один клинический вопрос: станет ли этому пациенту хуже в ближайший год? Но она отвечает на этот вопрос с беспрецедентной точностью, используя данные, которые рутинно собираются практически в любом клиническом учреждении на планете.

Если проспективные исследования подтвердят то, на что указывают ретроспективные данные, PULSE-HF может стать одним из первых ИИ-инструментов, сдвигающих кардиологическую парадигму от реактивной к предиктивной — от вопроса «как этот пациент чувствует себя сейчас?» к вопросу «как он будет чувствовать себя через год?». Для 64 миллионов человек по всему миру, живущих с сердечной недостаточностью, этот переход от детекции к прогнозированию может означать разницу между кризисом, с которым справились, и кризисом, который удалось предотвратить.