{"schema_version":"1.0","service":"Publicasta","type":"article","id":851,"slug":"sleep_study_ecg_deep_learning_cardiovascular_risk","title":"Niewykorzystany sygnał EKG ze snu może ujawnić ryzyko sercowo-naczyniowe — ale ma istotne ograniczenia","excerpt":"Nowe badanie pokazuje, że uczenie głębokie może wykorzystać pojedynczy kanał EKG rejestrowany podczas nocnego badania snu do oceny odległego ryzyka migotania przedsionków, niewydolności serca i zgonu. To obiecujące, lecz nie jest jeszcze diagnozą ani potwierdzoną metodą zapobiegania.","language":"pl","default_language":"en","canonical_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","image":{"url":"https://publicasta.com/storage/projects/16/pages/851/2026/10/67a6a220-eb54-45c3-9136-64c0b94f6123.webp","alt":"Pacjent przechodzi nocne badanie snu z jednym odprowadzeniem EKG i delikatnie podświetlonym sprzętem monitorującym."},"publisher":{"id":16,"slug":"good_tech_news","name":"Dobre wiadomości technologiczne","url":"https://publicasta.com/good_tech_news"},"author":{"name":"Anton R"},"published_at":"2026-10-10T17:10:26+00:00","updated_at":"2026-10-10T17:10:26+00:00","content_markdown":"Badanie snu może zawierać drugi rodzaj informacji: nie tylko o tym, jak człowiek oddycha i porusza się podczas nocy, lecz także o zachowaniu jego serca w ciągu wielu godzin. W pracy opublikowanej 9 października w czasopiśmie *Sleep* opisano model uczenia głębokiego, który wykorzystuje pojedynczy kanał EKG rejestrowany podczas nocnej polisomnografii oraz oznaczenia faz snu, aby przypisać pacjentów do grup o różnym przyszłym ryzyku kilku zdarzeń sercowo-naczyniowych.\n\n ![Pacjent przechodzi nocne badanie snu z jednym odprowadzeniem EKG i delikatnie podświetlonym sprzętem monitorującym.](https://publicasta.com/storage/projects/16/pages/851/2026/10/67a6a220-eb54-45c3-9136-64c0b94f6123.webp)\n\n To podejście jest interesujące, ponieważ sygnał EKG już znajduje się w zapisie. Model nie wymaga nowego implantu, specjalistycznego badania obrazowego ani wizyty kardiologicznej z wykonaniem EKG 12-odprowadzeniowego. Sprawdza raczej, czy sygnał zebrany w jednym celu klinicznym może ujawnić dodatkową warstwę ryzyka. W tym badaniu odpowiedź jest zachęcająca w odniesieniu do migotania przedsionków, niewydolności serca i zgonu z dowolnej przyczyny. Wyniki nie są równie przekonujące dla zawału serca ani udaru i nie pokazują, że interwencja kierowana przez algorytm poprawia zdrowie pacjentów.\n\n Praktyczna idea jest więc skromna, ale ważna: badanie snu mogłoby stać się lepszym punktem przekazania pacjenta między medycyną snu a opieką kardiologiczną.\n\n ## Co właściwie mierzyli badacze\n\n Polisomnografia to szczegółowy zapis nocny stosowany do oceny zaburzeń, takich jak obturacyjny bezdech senny i inne postacie zaburzeń oddychania w czasie snu. Standardowe badanie śledzi jednocześnie wiele sygnałów: aktywność mózgu potrzebną do określenia fazy snu, ruchy gałek ocznych, aktywność mięśni, przepływ powietrza, wysiłek oddechowy, stężenie tlenu we krwi, ruchy ciała oraz rytm serca. Wytyczne techniczne American Academy of Sleep Medicine uwzględniają EKG lub częstość akcji serca wśród standardowych zapisów wykorzystywanych przy ocenie zaburzeń oddychania związanych ze snem.\n\n W wielu ścieżkach klinicznych kanał EKG służy jednak przede wszystkim do monitorowania rytmu i pomocy w interpretacji badania snu. Nie jest rutynowo analizowany pod kątem odległego prognozowania ryzyka sercowo-naczyniowego. W nowej pracy potraktowano ten kanał jako ciągły zapis reakcji serca na zmiany fazy snu, wybudzenia, zaburzenia oddychania i wahania poziomu tlenu.\n\n Zespół wykorzystał głęboką rezydualną sieć neuronową z mechanizmem uwagi. Podstawowy potok analityczny najpierw wydobywał cechy z jednoodprowadzeniowego EKG, a następnie łączył je z informacjami o fazach snu oznaczonymi przez ekspertów. Zamiast sprowadzać całą noc do jednej liczby, system przetwarzał sekwencję krótkich fragmentów EKG wraz z odpowiadającymi im fazami snu. Następnie generował wyniki powiązane z przyszłym wystąpieniem migotania przedsionków, udaru, zawału mięśnia sercowego, niewydolności serca i zgonu z dowolnej przyczyny.\n\n To rozróżnienie ma znaczenie. Systemu nie poproszono o rozpoznanie zawału serca trwającego w nocy. Uczono go znajdować wzorce związane ze zdarzeniami, które mogą wystąpić dopiero po latach. Jest to zatem badanie stratyfikacji ryzyka, a nie zamiennik diagnostycznego EKG ani badania klinicznego.\n\n ## Trzy szpitalne zbiory danych, a nie jedna wygodna próba\n\n Model dostrojono przy użyciu danych z badań snu 15 809 pacjentów Massachusetts General Hospital. Następnie badacze przetestowali go w dwóch niezależnych kohortach: 9810 pacjentów Emory University Hospital oraz 12 576 pacjentów Beth Israel Deaconess Medical Center.\n\n Zewnętrzna walidacja należy do mocniejszych stron raportu. Model może wyglądać imponująco, gdy ocenia się go na pacjentach podobnych do tych z danych treningowych, korzystających z dokumentacji jednego szpitala albo z tego samego sprzętu. Testowanie w innych instytucjach pozwala sprawdzić, czy sygnał niesie bardziej ogólny wzorzec biologiczny, a nie tylko lokalny ślad organizacyjny.\n\n Punkty końcowe wyprowadzono z elektronicznej dokumentacji medycznej, wykorzystując kody rozpoznań i powiązane dane kliniczne. Autorzy wykonali także analizy wrażliwości, w tym analizy z bardziej rygorystycznymi definicjami, które w niektórych przypadkach wymagały więcej niż jednego zgodnego kodu. Mimo to zapis elektroniczny nie jest tym samym co prospektywnie potwierdzone zdarzenie ocenione przez kardiologa. Różnica ta nabiera znaczenia, gdy rozważa się zastosowanie modelu w praktyce klinicznej.\n\n Badacze skorygowali analizy o znane czynniki ryzyka sercowo-naczyniowego, między innymi wiek, płeć, wskaźnik masy ciała, palenie tytoniu, nadciśnienie i cukrzycę. Uwzględnili także zmienne związane ze snem, takie jak wskaźnik bezdechów i spłyceń oddechu, wskaźnik wybudzeń, okresowe ruchy kończyn, czas spędzony w poszczególnych fazach snu oraz efektywność snu. Wynik sieci neuronowej pozostawał związany z kilkoma punktami końcowymi również po uwzględnieniu tych czynników.\n\n W kohortach zewnętrznych wzrost wyniku modelu o jedno odchylenie standardowe wiązał się z wyższym hazardem migotania przedsionków, niewydolności serca i zgonu z dowolnej przyczyny. Podane współczynniki hazardu nie były identyczne w obu szpitalach, czego można oczekiwać w retrospektywnych danych klinicznych, ale kierunek zależności był zgodny. Wyniki dotyczące udaru i zawału mięśnia sercowego były słabsze i mniej jednolite.\n\n Ten wzorzec mówi więcej niż proste stwierdzenie, że „AI przewidziała chorobę serca”. Pokazuje, że model wydobył z nocnego sygnału informacje prognostyczne, ale ich siła zależała od punktu końcowego i kohorty.\n\n ## Dlaczego sen może ujawniać ryzyko kardiologiczne\n\n Związek między snem a zdrowiem sercowo-naczyniowym nie jest zaskoczeniem. Zaburzenia oddychania podczas snu mogą wielokrotnie obniżać poziom tlenu we krwi, zwiększać aktywność współczulnego układu nerwowego, zmieniać ciśnienie wewnątrz klatki piersiowej i wywoływać krótkie wybudzenia. Z czasem takie obciążenia mogą sprzyjać nadciśnieniu, uszkodzeniom naczyń, niestabilności rytmu i nasileniu niewydolności serca.\n\n National Heart, Lung, and Blood Institute wskazuje, że bezdech senny może zwiększać ryzyko nadciśnienia, cukrzycy, chorób serca i udaru. American Heart Association opisywało również związki między zaburzeniami oddychania w czasie snu a arytmiami, szczególnie migotaniem przedsionków. Pacjenci z chorobami układu sercowo-naczyniowego częściej mają bezdech senny, a sama choroba serca może z kolei sprawiać, że zaburzenia oddychania podczas snu mają poważniejsze konsekwencje.\n\n Standardowy raport ze snu ujmuje część tej fizjologii za pomocą miar zbiorczych. Wskaźnik bezdechów i spłyceń oddechu zlicza zdarzenia oddechowe w ciągu godziny, ale nie opisuje każdej reakcji serca na te zdarzenia. Dwie osoby mogą mieć podobną liczbę epizodów, a jednocześnie różnić się wzorcem aktywacji autonomicznej, zaburzeń rytmu, powrotu do stanu wyjściowego lub podatności w fazie REM.\n\n Nocne EKG rejestruje również coś, czego krótkie badanie w ciągu dnia może nie uchwycić. Elektryczne zachowanie serca zmienia się wraz z pozycją ciała, oddychaniem, fazą snu, wybudzeniem i wahaniami poziomu tlenu. Pojedynczy zapis może mieć dużą wartość kliniczną, ale całonocna rejestracja dostarcza znacznie większej próbki fizjologii pacjenta. Potencjalna przewaga algorytmu nie polega na odkryciu tajemniczego „sygnału serca”. Chodzi o możliwość połączenia słabych, zależnych od czasu wskazówek, które trudno ręcznie podsumować.\n\n Dane o fazie snu dodają kolejną warstwę. Zmiana częstości akcji serca podczas snu głębokiego nie musi oznaczać tego samego co podobna zmiana przy wybudzeniu albo przejściu do fazy REM. Informacja o fazie pozwala modelowi porównywać zachowanie serca ze stanem śpiącego mózgu i ciała.\n\n ## Co oznaczają liczby — i czego nie oznaczają\n\n Najmocniejsze wyniki dotyczyły migotania przedsionków, niewydolności serca i zgonu z dowolnej przyczyny. W jednej z kohort zewnętrznych wzrost wyniku sieci neuronowej o jedno odchylenie standardowe wiązał się ze współczynnikami hazardu wynoszącymi 2,03 dla migotania przedsionków, 1,69 dla niewydolności serca i 1,82 dla zgonu z dowolnej przyczyny. W drugiej kohorcie zewnętrznej odpowiednie wartości wynosiły 2,72, 2,33 i 1,65.\n\n Są to zależności względne, a nie osobiste prawdopodobieństwa. Nie oznaczają, że pacjent z wysokim wynikiem ma 72-procentową szansę rozwoju migotania przedsionków ani że algorytm rozpoznał nieuniknioną przyszłość. Ryzyko bezwzględne zależy od częstości choroby wyjściowej, wieku, wcześniejszych schorzeń, długości obserwacji, konkurencyjnych przyczyn zgonu oraz sposobu kalibracji wyniku w badanej populacji.\n\n Współczynnik hazardu nie dowodzi też, że wzorzec EKG powoduje dane zdarzenie. Sygnał może odzwierciedlać istniejącą, lecz nierozpoznaną chorobę, wspólne czynniki ryzyka, różnice w leczeniu albo szersze obciążenie fizjologiczne. Model może być użyteczny nawet wtedy, gdy nie pokazuje związku przyczynowego, ale klinicyści musieliby wiedzieć, jaką decyzję wspiera wynik i czy działanie podjęte na jego podstawie zmienia rokowanie.\n\n Szczególnej ostrożności wymagają wyniki dotyczące zawału mięśnia sercowego i udaru. Model zaprojektowano do przewidywania wszystkich pięciu punktów końcowych, jednak autorzy podają, że dla zawału i udaru potrzebna jest dalsza optymalizacja. We wnioskach badania model nie poprawiał istotnie przewidywania tych zdarzeń ponad ustalone czynniki ryzyka. Nagłówek łączący wszystkie pięć chorób sugerowałby więc więcej, niż pokazują dane.\n\n ## Dobra wiadomość: sygnał już jest rejestrowany\n\n Najbardziej atrakcyjna cecha tego podejścia ma charakter organizacyjny, a nie efektowny. Wielu pacjentów poddawanych badaniu snu ma już przez kilka godzin rejestrowany kanał EKG. Wydobycie z tych danych drugiej interpretacji mogłoby być tańsze i prostsze niż dodawanie osobnego badania, zwłaszcza jeśli metoda z czasem będzie działać z małym plastrem albo uproszczonym zestawem do badania snu.\n\n W badaniu wykorzystano pojedyncze odprowadzenie EKG, a nie standardowy zapis diagnostyczny z dwunastu odprowadzeń. Zmniejsza to obciążenie związane z pozyskiwaniem danych, ale jednocześnie wyznacza granicę metody. Jedno odprowadzenie może pokazać rytm i pewne wzorce elektryczne, lecz nie dostarcza całej informacji przestrzennej dostępnej w EKG 12-odprowadzeniowym. Podejście należy traktować jako dodatkowy sygnał przesiewowy lub prognostyczny, a nie uniwersalny zamiennik standardowych badań kardiologicznych.\n\n Pojawia się też praktyczne pytanie o organizację pracy. Lekarz medycyny snu mógłby otrzymywać wynik modelu obok standardowych rezultatów dotyczących oddychania i faz snu. Wysoki wynik mógłby skłonić do sprawdzenia objawów, leków, ciśnienia tętniczego, wywiadu rodzinnego, wcześniejszych zapisów EKG albo potrzeby ambulatoryjnego monitorowania rytmu. Niski wynik mógłby w pewnych sytuacjach działać uspokajająco, ale nie usuwałby objawów ani nie znosiłby ustalonych wskazań klinicznych.\n\n Dla systemów ochrony zdrowia wartość mogłaby wynikać z lepszej koordynacji. Poradnie snu często widzą osoby, u których ryzyko sercowo-naczyniowe jest istotne, choć nie stanowi głównego powodu skierowania. Poradnie kardiologiczne mogą natomiast nie mieć dostępu do pełnego zapisu nocnej fizjologii. Zweryfikowany wynik mógłby pomóc wskazać, którzy pacjenci po badaniu snu zasługują na bardziej uważną kontrolę kardiologiczną.\n\n Ta ścieżka pozostaje jednak hipotetyczna. W badaniu nie przydzielano losowo pacjentów do opieki kierowanej przez model i nie oceniano, czy klinicyści podejmowali dzięki niemu lepsze decyzje, czy leczenie zaczynało się wcześniej ani czy zapobiegano udarom, hospitalizacjom z powodu niewydolności serca lub zgonom.\n\n ## Najważniejsze ograniczenia są kliniczne, nie tylko techniczne\n\n Pierwszym ograniczeniem jest retrospektywny charakter badania. Naukowcy analizowali istniejące zapisy i łączyli je z późniejszymi zdarzeniami w elektronicznej dokumentacji medycznej. To rozsądny sposób poszukiwania sygnału, ale nie to samo co prospektywne badanie, w którym każdego pacjenta testuje się, ocenia, obserwuje i analizuje według wcześniej ustalonego protokołu.\n\n Drugim ograniczeniem jest oznaczanie punktów końcowych. Kody rozpoznań są wygodne w dużych zbiorach danych, ale mogą być niepełne, powielone albo wprowadzane z powodów administracyjnych. Badanie obejmowało analizy wrażliwości sprawdzające odporność definicji, jednak nie pozwalało ręcznie potwierdzić każdego zdarzenia w ponad 300 000 godzin zapisów snu.\n\n Trzecie ograniczenie dotyczy doboru populacji. Byli to pacjenci kierowani na badania snu, a nie losowa próba ogólnej populacji. Mogli mieć więcej objawów, otyłości, podejrzeń bezdechu sennego lub innych chorób niż osoby, które nigdy nie trafiają do poradni snu. Model działający dobrze w populacji pacjentów kierowanych na badanie snu może wymagać ponownej kalibracji przed zastosowaniem w podstawowej opiece zdrowotnej albo u młodszych dorosłych.\n\n Czwarte ograniczenie wiąże się z różnicami sprzętu i praktyki. Poszczególne szpitale mogą korzystać z innych czujników, ustawień próbkowania, zasad oceny, populacji pacjentów i systemów dokumentacji. Fakt, że model zachował wartość prognostyczną w dwóch zewnętrznych zbiorach, jest zachęcający, ale nie rozstrzyga, jak będzie działać w lokalnych laboratoriach snu, przy badaniach domowych, w różnych grupach etnicznych ani u pacjentów z poważnymi chorobami już obecnymi.\n\n Piąte ograniczenie dotyczy interpretowalności. Sieć może rozpoznać wzorzec związany z ryzykiem, nie informując lekarza, która cecha fizjologiczna wpłynęła na wynik. Może reagować na subtelne obciążenie arytmią, niestabilność autonomiczną, przejścia między fazami snu, jakość sygnału albo połączenie kilku czynników. Zanim wysoki wynik doprowadzi do kolejnych badań, klinicyści będą potrzebować dowodów, że wynik jest stabilny, wystarczająco objaśnialny dla zamierzonego zastosowania i nie stanowi jedynie zastępczego wskaźnika już znanego rozpoznania.\n\n Wreszcie prognozowanie nie jest zapobieganiem. Model może wskazać osoby o wyższym ryzyku, nie oferując leczenia, które to ryzyko zmieni. Klinicznie istotnym sprawdzianem jest to, czy wynik poprawia decyzje w porównaniu z istniejącymi narzędziami oraz czy te decyzje poprawiają stan pacjentów bez wywoływania niepotrzebnego lęku, nadmiarowych badań i fałszywych alarmów.\n\n ## Co musiałoby się wydarzyć, aby metoda trafiła do praktyki?\n\n Potrzebnych będzie kilka rodzajów badań. Po pierwsze, model powinien zostać oceniony prospektywnie w zróżnicowanych laboratoriach snu, z wcześniej określonymi progami i celami kalibracji. Naukowcy powinni raportować czułość, swoistość, dodatnią i ujemną wartość predykcyjną, kalibrację oraz działanie w podgrupach demograficznych i klinicznych. Sama pojedyncza wartość pola pod krzywą nie wystarczy.\n\n Po drugie, model należy porównać z praktycznymi alternatywami. Obejmuje to standardowe czynniki ryzyka sercowo-naczyniowego, istniejące miary z badania snu, interpretację EKG przez klinicystę i być może prostsze modele statystyczne. Jeśli mniejszy i bardziej przejrzysty model działa niemal równie dobrze, może być łatwiejszy do zwalidowania i wdrożenia.\n\n Po trzecie, trzeba zdefiniować działanie kliniczne. Czy wysoki wynik powinien uruchamiać EKG 12-odprowadzeniowe, monitorowanie plastrem, echokardiografię, przegląd ciśnienia tętniczego czy skierowanie do kardiologa? Czy odpowiedź powinna być inna w przypadku migotania przedsionków i niewydolności serca? Wynik bez uzgodnionej reakcji może zwiększać ilość informacji, nie poprawiając opieki.\n\n Po czwarte, randomizowane badania wdrożeniowe powinny sprawdzić, czy działanie na podstawie wyniku pomaga. Pacjentów można byłoby przydzielić do zwykłego raportowania badania snu albo do raportowania obejmującego zweryfikowaną ścieżkę oceny ryzyka sercowo-naczyniowego. Wyniki powinny obejmować zasadność wykonanych badań, czas do rozpoznania, zmiany leczenia, hospitalizacje, jakość życia oraz szkody wynikające z wyników fałszywie dodatnich.\n\n Po piąte, organy regulacyjne i systemy ochrony zdrowia musiałyby ustalić, jak utrzymywać model. Zmiana sprzętu EKG, oprogramowania do oceny snu, składu populacji pacjentów lub sposobu kodowania zdarzeń może zmienić jego działanie. Monitorowanie utraty aktualności i pogorszenia parametrów jest częścią produktu medycznego, a nie opcjonalnym dodatkiem po stronie oprogramowania.\n\n ## Lepsze zastosowanie AI w medycynie snu\n\n Badanie pokazuje przyziemne, ale wartościowe zastosowanie uczenia maszynowego: wykorzystanie pomiaru, który klinicyści już zbierają, w większym stopniu. Nie obiecuje, że urządzenie ubieralne potrafi zobaczyć przyszłość i nie zamienia badania snu w uniwersalną kontrolę kardiologiczną. Potencjał polega na odzyskaniu informacji obecnej w znanym sygnale, lecz rozproszonej w ciągu całej nocy i zbyt trudnej do rutynowej ręcznej oceny.\n\n Ma to szczególne znaczenie w przypadku migotania przedsionków i niewydolności serca, ponieważ ryzyko może ujawniać się poprzez powtarzające się, subtelne zmiany, a nie jeden dramatyczny nieprawidłowy skurcz. Najlepszą rolą modelu może być kierowanie uwagi: wskazanie pacjenta, którego badanie snu zasługuje na dokładniejszy przegląd, a następnie skierowanie go do zwykłego klinicznego potwierdzenia.\n\n Dla pacjentów najbliższy komunikat jest prosty. Badanie snu nadal pozostaje testem interpretowanym przez klinicystów, a nie diagnozą wydawaną przez algorytm. Wysoki wynik modelu wymagałby potwierdzenia; niski nie anulowałby objawów, wywiadu rodzinnego, nadciśnienia ani obaw lekarza. Na podstawie samego tego badania nie należy ani szukać, ani unikać diagnostyki sercowo-naczyniowej.\n\n Dla badaczy kolejny krok jest równie jasny. Sygnał jest obiecujący, ponieważ jest niedrogi, długookresowy i powiązany z rzeczywistym procesem klinicznym. Dowody nie są kompletne, ponieważ prognozowanie nie stało się jeszcze lepszą opieką. To właśnie w tej luce zaczyna się pożyteczna praca.\n\n Dobra wiadomość nie polega na tym, że AI odnalazła ukrytą liczbę rozstrzygającą o przyszłości pacjenta. Chodzi o to, że rutynowy zapis z całej nocy może zawierać więcej istotnych klinicznie informacji o układzie sercowo-naczyniowym, niż wykorzystują obecne raporty. Jeśli badania prospektywne pokażą, że informacje te są wiarygodne, sprawiedliwe i możliwe do wykorzystania w decyzjach, medycyna snu może stać się wcześniejszą i sprawniejszą drogą do oceny ryzyka sercowo-naczyniowego — dzięki tym samym danym z jednej nocy, lecz z lepiej postawionymi pytaniami.\n\n ## Źródła\n\n - National Institutes of Health, „Deep learning model using ECGs during sleep studies can predict cardiovascular outcomes”.\n- *Sleep* / Oxford Academic, „Prediction of cardiovascular outcomes using electrocardiography from overnight polysomnography”.\n- National Heart, Lung, and Blood Institute, „Sleep Apnea: Causes and Risk Factors”.\n- National Heart, Lung, and Blood Institute, „Sleep Apnea: Living With”.\n- American Academy of Sleep Medicine, „Practice Parameters for the Indications for Polysomnography and Related Procedures”.\n- American Heart Association, „Top Things to Know: Sleep Disordered Breathing and Cardiac Arrhythmias in Adults”.","available_translations":[{"language":"ar","title":"إشارة تخطيط القلب غير المستغلة في دراسة النوم قد تكشف مخاطر القلب والأوعية — مع حدود مهمة","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ar","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=ar","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ar"},{"language":"de","title":"Das ungenutzte EKG-Signal einer Schlafstudie kann Herz-Kreislauf-Risiken sichtbar machen – mit wichtigen Einschränkungen","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=de","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=de"},{"language":"en","title":"A Sleep Study’s Unused ECG Signal Can Reveal Cardiovascular Risk — With Important Limits","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=en","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=en","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=en"},{"language":"es","title":"La señal de ECG no utilizada de un estudio del sueño puede revelar riesgo cardiovascular, con límites importantes","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=es","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=es","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=es"},{"language":"fr","title":"Le signal ECG inexploité d’une étude du sommeil peut révéler un risque cardiovasculaire — avec d’importantes limites","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=fr","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=fr","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=fr"},{"language":"pl","title":"Niewykorzystany sygnał EKG ze snu może ujawnić ryzyko sercowo-naczyniowe — ale ma istotne ograniczenia","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=pl","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl"},{"language":"ru","title":"Неиспользуемый сигнал ЭКГ во время исследования сна может выявить сердечно-сосудистый риск — но есть важные ограничения","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ru","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=ru","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=ru"},{"language":"zh","title":"睡眠研究中未被充分利用的心电信号，或可揭示心血管风险——但局限不容忽视","html_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=zh","markdown_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=zh","json_url":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=zh"}],"_links":{"self":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=pl","api":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","html":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","canonical":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk?lang=pl","markdown":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.md?lang=pl","json":"https://publicasta.com/good_tech_news/sleep_study_ecg_deep_learning_cardiovascular_risk.json?lang=pl","channel":"https://publicasta.com/api/public/v1/channels/good_tech_news","channel_articles":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}