Исследование сна может содержать ещё один вид информации: не только данные о дыхании и движениях человека во сне, но и сведения о том, как сердце ведёт себя в течение всей ночи. В исследовании, опубликованном 9 октября в журнале Sleep, сообщается, что модель глубокого обучения способна использовать один канал ЭКГ, записанный во время ночной полисомнографии, вместе с разметкой стадий сна, чтобы распределять пациентов по уровню будущего риска нескольких сердечно-сосудистых исходов.

Пациент проходит ночное исследование сна с одним отведением ЭКГ и мягко подсвеченным мониторным оборудованием.

Этот результат важен потому, что ЭКГ уже записывается. Модели не нужны новый имплант, специальное сканирование или приём у кардиолога с регистрацией ЭКГ по 12 отведениям. Исследователи проверяли, может ли сигнал, собранный для одной клинической цели, раскрыть ещё один уровень риска. В этом исследовании ответ оказался обнадёживающим для фибрилляции предсердий, сердечной недостаточности и смертности от всех причин. Для инфаркта и инсульта доказательства пока не столь убедительны, а работа не показывает, что вмешательство под управлением алгоритма улучшает здоровье пациентов.

Практическая идея поэтому выглядит достаточно скромно, но имеет значение: исследование сна может стать более полезной точкой передачи пациента между сомнологией и сердечно-сосудистой медициной.

Что именно измеряли исследователи

Полисомнография — это подробная ночная запись, которую используют для оценки таких нарушений, как обструктивное апноэ сна и другие формы нарушений дыхания во сне. Стандартное исследование одновременно отслеживает несколько сигналов: активность мозга для определения стадий сна, движения глаз, мышечную активность, воздушный поток, дыхательные усилия, уровень кислорода в крови, движения тела и сердечный ритм. Технические рекомендации Американской академии медицины сна включают ЭКГ или частоту сердечных сокращений в число стандартных записей, используемых при оценке нарушений дыхания во сне.

Однако во многих клинических процессах канал ЭКГ в основном используют для контроля ритма и интерпретации результатов исследования сна. Его не принято регулярно анализировать для долгосрочного прогнозирования сердечно-сосудистых событий. В новой работе этот канал рассматривается как непрерывная запись реакции сердца на смену стадий сна, пробуждения, эпизоды нарушения дыхания и колебания уровня кислорода.

Команда использовала глубокую остаточную нейронную сеть с механизмом внимания. Сначала базовый конвейер извлекал признаки из одноканальной ЭКГ, а затем объединял их с информацией о стадиях сна, размеченной экспертами. Вместо того чтобы сводить всю ночь к одному числу, система обрабатывала последовательность коротких сегментов ЭКГ и соответствующих им стадий сна. Затем она формировала оценки, связанные с будущим возникновением фибрилляции предсердий, инсульта, инфаркта миокарда, сердечной недостаточности и смерти от любой причины.

Это различие существенно. Систему не просили диагностировать инфаркт, происходящий прямо во время ночи. Её обучали находить закономерности, связанные с исходами, которые могут возникнуть через несколько лет. Поэтому это исследование стратификации риска, а не замена диагностической ЭКГ или клинического осмотра.

Три больничных набора данных, а не одна удобная выборка

Для дообучения модели использовали данные исследований сна 15 809 пациентов Массачусетской больницы общего профиля. Затем исследователи проверили её на двух независимых когортах: 9810 пациентах из больницы Университета Эмори и 12 576 пациентах из медицинского центра Beth Israel Deaconess.

Такая внешняя проверка — одна из сильных сторон отчёта. Модель может выглядеть впечатляюще, если её оценивают на пациентах, похожих на тех, чьи данные использовались для обучения, на документации той же больницы или на записях с того же оборудования. Проверка в других учреждениях позволяет выяснить, несёт ли сигнал более общий биологический паттерн, а не просто местный отпечаток.

Исходы определяли по электронным медицинским картам, используя диагностические коды и связанные с ними клинические данные. Авторы также провели анализы чувствительности, в том числе с более строгими определениями, где в некоторых случаях требовалось несколько совпадающих кодов. Тем не менее электронная запись — это не то же самое, что событие, проспективно подтверждённое комиссией и проверенное кардиологом. Это различие важно, когда модель рассматривают для клинического применения.

Исследователи скорректировали анализ с учётом известных сердечно-сосудистых факторов риска, включая возраст, пол, индекс массы тела, курение, гипертензию и диабет. Они также учли связанные со сном показатели: индекс апноэ-гипопноэ, индекс пробуждений, периодические движения конечностей, время в разных стадиях сна и эффективность сна. После этих поправок оценка нейронной сети сохраняла связь с несколькими исходами.

Во внешних когортах увеличение результата модели на одно стандартное отклонение было связано с более высокой опасностью фибрилляции предсердий, сердечной недостаточности и смерти от всех причин. Сообщённые отношения рисков различались между больницами, что ожидаемо для ретроспективных клинических данных, но направление связи оставалось одинаковым. Результаты для инсульта и инфаркта миокарда были слабее и менее однородными.

Эта картина информативнее простого утверждения, что «ИИ предсказал болезни сердца». Она показывает, что модель извлекла прогностическую информацию из ночного сигнала, однако сила этой информации зависела от исхода и конкретной когорты.

Почему сон может раскрывать сердечный риск

Связь между сном и сердечно-сосудистым здоровьем не стала неожиданностью. Нарушения дыхания во сне могут многократно снижать уровень кислорода в крови, усиливать активность симпатической нервной системы, менять внутригрудное давление и вызывать краткие пробуждения. Со временем эти нагрузки способны способствовать гипертензии, повреждению сосудов, нестабильности ритма и ухудшению сердечной недостаточности.

Национальный институт сердца, лёгких и крови отмечает, что апноэ сна может повышать риск высокого артериального давления, диабета, болезней сердца и инсульта. Американская кардиологическая ассоциация также описывала связь между нарушениями дыхания во сне и аритмиями, особенно фибрилляцией предсердий. У пациентов с сердечно-сосудистыми заболеваниями апноэ сна встречается чаще, а сердечно-сосудистые болезни, в свою очередь, могут делать нарушения дыхания во сне более значимыми.

Обычный отчёт об исследовании сна фиксирует часть этой физиологии с помощью сводных показателей. Индекс апноэ-гипопноэ подсчитывает дыхательные события в час, но не описывает каждую сердечную реакцию на них. У двух людей может быть одинаковое число событий, но разные картины активации вегетативной нервной системы, нарушений ритма, восстановления или уязвимости во время быстрого сна.

Ночная ЭКГ также видит то, что может пропустить короткое дневное исследование. Электрическое поведение сердца меняется в зависимости от положения тела, дыхания, стадии сна, пробуждений и колебаний кислорода. Один снимок состояния может иметь клиническую ценность, но запись за всю ночь даёт гораздо больше наблюдений за физиологией пациента. Потенциальное преимущество алгоритма не в том, что он обнаруживает некий мистический «сигнал сердца». Оно в способности объединять слабые, зависящие от времени признаки, которые трудно вручную свести в единое заключение.

Информация о стадии сна добавляет ещё один уровень. Изменение частоты сердечных сокращений во время глубокого сна не обязательно означает то же самое, что аналогичное изменение при пробуждении или переходе в фазу быстрого сна. Сведения о стадиях позволяют модели сопоставлять поведение сердца с состоянием спящего мозга и тела.

Что означают цифры — и чего они не означают

Самые сильные результаты касались фибрилляции предсердий, сердечной недостаточности и смерти от любой причины. В одной внешней когорте увеличение результата нейронной сети на одно стандартное отклонение было связано с отношениями рисков 2,03 для фибрилляции предсердий, 1,69 для сердечной недостаточности и 1,82 для смертности от всех причин. В другой внешней когорте соответствующие показатели составили 2,72, 2,33 и 1,65.

Это относительные связи, а не индивидуальные вероятности. Они не означают, что у пациента с высоким баллом вероятность развития фибрилляции предсердий равна 72 процентам, и не говорят о том, что алгоритм выявил неизбежное будущее. Абсолютный риск зависит от исходной распространённости заболевания, возраста, уже имеющихся болезней, длительности наблюдения, конкурирующих причин смерти и того, как балл откалиброван в изучаемой популяции.

Отношение рисков также не доказывает, что паттерн ЭКГ вызывает исход. Сигнал может отражать уже существующую, но не диагностированную болезнь, общие факторы риска, различия в лечении или более широкий физиологический стресс. Модель может быть полезной и без причинного объяснения, но врачам нужно понимать, какое решение поддерживает эта оценка и меняет ли действие по ней исходы.

Особой сдержанности требуют результаты работы для инфаркта миокарда и инсульта. Модель создавали для прогнозирования всех пяти исходов, однако авторы сообщают, что для инфаркта и инсульта нужна дополнительная оптимизация. В заключении исследования указано, что модель не дала существенного улучшения прогнозирования этих исходов по сравнению с уже известными факторами. Поэтому заголовок, объединяющий все пять состояний, преувеличивал бы доказательства.

Хорошая новость: сигнал уже записывается

Наиболее привлекательная особенность подхода связана не с эффектностью, а с организацией работы. У многих пациентов, проходящих исследование сна, уже записывается канал ЭКГ в течение нескольких часов. Извлечение дополнительной интерпретации из этих данных может оказаться дешевле и проще, чем назначение отдельного теста, особенно если метод в будущем будет работать с небольшим пластырем или упрощённой системой исследования сна.

В исследовании использовали одно отведение ЭКГ, а не стандартную диагностическую запись по 12 отведениям. Это снижает нагрузку при сборе данных, но одновременно задаёт ограничение. Одноканальная запись способна показать ритм и электрические паттерны, однако не даёт всей пространственной информации, доступной при ЭКГ по 12 отведениям. Подход следует воспринимать как дополнительный сигнал для скрининга или оценки риска, а не как универсальную замену стандартному кардиологическому обследованию.

Здесь возникает и полезный вопрос о рабочем процессе. Врач-сомнолог мог бы получать балл модели вместе с обычными результатами по дыханию и стадиям сна. Высокий балл мог бы стать поводом проверить симптомы, лекарства, артериальное давление, семейный анамнез, прежние ЭКГ или необходимость длительного мониторинга ритма. Низкий балл в некоторых ситуациях мог бы успокоить, но не отменял бы симптомы и не перевешивал установленное клиническое показание.

Для систем здравоохранения ценность могла бы заключаться в улучшении координации. В клиники сна часто обращаются люди, чей сердечно-сосудистый риск имеет значение, хотя он не является главной причиной направления. В кардиологических клиниках может не быть доступа ко всей ночной физиологии. Валидированная оценка могла бы помочь определить, каким пациентам после исследования сна нужен более внимательный сердечно-сосудистый контроль.

Но этот рабочий процесс пока гипотетичен. Исследование не распределяло пациентов случайным образом между обычным наблюдением и помощью по рекомендации модели. Также не оценивалось, принимали ли врачи более правильные решения, начинали ли лечение раньше или удалось ли предотвратить инсульты, госпитализации из-за сердечной недостаточности либо смерти.

Главные ограничения клинические, а не только технические

Первое ограничение — ретроспективный дизайн. Исследователи изучали уже существующие записи и связывали их с последующими исходами в электронных медицинских картах. Это разумный способ обнаружить сигнал, но он не равнозначен проспективному испытанию, в котором каждому пациенту проводят тест, рассчитывают балл, наблюдают его по заранее заданному протоколу и оценивают результат.

Второе ограничение связано с маркировкой исходов. Диагностические коды удобны для больших наборов данных, но они могут быть неполными, дублироваться или вноситься по административным причинам. В исследовании проводились анализы чувствительности для проверки устойчивости определений, однако авторы не могли вручную подтвердить каждое событие среди более чем 300 000 часов записей сна.

Третье ограничение — отбор популяции. Это были люди, направленные на исследование сна, а не случайная выборка населения. У них может быть больше симптомов, ожирения, подозрений на апноэ сна или других заболеваний, чем у людей, которые никогда не обращались в клинику сна. Модель, хорошо работающая в популяции пациентов с исследованиями сна, может потребовать повторной калибровки перед применением в первичной помощи или у более молодых взрослых.

Четвёртое ограничение — различия в оборудовании и практике. В разных больницах могут использоваться разные датчики, настройки частоты дискретизации, правила разметки, популяции пациентов и системы документации. То, что модель сохранила прогностическую ценность в двух внешних наборах данных, обнадёживает, но не решает вопрос о её поведении в общественных лабораториях сна, домашних исследованиях, разных этнических группах или у пациентов с тяжёлыми уже существующими заболеваниями.

Пятое ограничение — интерпретируемость. Сеть может выявить паттерн, связанный с риском, не объясняя врачу, какой физиологический признак сформировал балл. Она может реагировать на малозаметную нагрузку аритмии, нестабильность вегетативной нервной системы, переходы между стадиями сна, качество сигнала или сочетание этих факторов. Прежде чем высокий балл станет основанием для дополнительных тестов, врачам нужны доказательства, что оценка стабильна, достаточно объяснима для предполагаемого применения и не является просто заменой уже известного диагноза.

Наконец, прогнозирование не равно профилактике. Модель может выявить людей с повышенным риском, не предлагая лечения, которое этот риск изменит. Клинически значимая проверка состоит в том, улучшает ли балл решения по сравнению с существующими инструментами и приводят ли эти решения к лучшим исходам без избыточной тревоги, ненужных обследований и ложных тревог.

Что сделает метод готовым к практике

Потребуется несколько направлений дальнейших исследований. Во-первых, модель нужно проспективно оценить в разных лабораториях сна с заранее заданными порогами и целевыми показателями калибровки. Исследователи должны сообщать чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность, калибровку и результаты в демографических и клинических подгруппах. Одного показателя площади под ROC-кривой было бы недостаточно.

Во-вторых, модель следует сравнить с практическими альтернативами. В их число входят обычные сердечно-сосудистые факторы риска, уже существующие показатели исследования сна, интерпретация ЭКГ врачом и, возможно, более простые статистические модели. Если меньшая и более прозрачная модель работает почти так же хорошо, её может быть легче валидировать и внедрить.

В-третьих, нужно определить клиническое действие. Должен ли высокий балл приводить к ЭКГ по 12 отведениям, мониторированию пластырем, эхокардиографии, проверке артериального давления или направлению к кардиологу? Должен ли ответ различаться для фибрилляции предсердий и сердечной недостаточности? Оценка без согласованной реакции может добавить информации, но не улучшить помощь.

В-четвёртых, рандомизированные исследования внедрения должны проверить, помогает ли действие по результату модели. Пациентов можно распределить между обычным отчётом об исследовании сна и отчётом, дополненным валидированным маршрутом оценки сердечно-сосудистого риска. Среди исходов должны быть уместность назначенных обследований, время до постановки диагноза, изменения лечения, госпитализации, качество жизни и вред от ложноположительных результатов.

В-пятых, регуляторам и системам здравоохранения придётся решить, как поддерживать модель. Изменение оборудования для ЭКГ, программного обеспечения для разметки сна, состава пациентов или клинического кодирования может изменить её показатели. Контроль дрейфа — часть медицинского продукта, а не необязательная деталь программного обеспечения.

Более содержательное применение ИИ в медицине сна

Исследование показывает практичный вариант машинного обучения: извлекать больше информации из измерения, которое врачи уже собирают. Оно не обещает, что носимое устройство способно увидеть будущее, и не превращает исследование сна в универсальную кардиологическую проверку. Его потенциальная ценность в том, чтобы восстановить информацию, которая присутствует в привычном сигнале, но распределена по всей ночи и слишком сложна для обычного ручного анализа.

Это особенно актуально для фибрилляции предсердий и сердечной недостаточности, при которых риск может проявляться через повторяющиеся малозаметные изменения, а не через один драматичный аномальный комплекс. Лучшей ролью модели может стать расстановка приоритетов: выявить пациента, чьё исследование сна заслуживает более внимательного просмотра, а затем направить его к обычному клиническому подтверждению.

Для пациентов ближайший вывод прост. Исследование сна по-прежнему остаётся тестом, который интерпретируют врачи, а не диагнозом, выдаваемым алгоритмом. Высокий балл модели потребует подтверждения; низкий балл не отменит симптомы, семейный анамнез, высокое давление или обеспокоенность врача. Не следует самостоятельно начинать или избегать сердечно-сосудистого обследования, опираясь только на это исследование.

Для исследователей следующий шаг столь же очевиден. Сигнал интересен потому, что он недорогой, продольный и связан с реальным клиническим процессом. Доказательства пока неполны, потому что прогнозирование ещё не превратилось в улучшение помощи. Именно здесь теперь начинается наиболее полезная работа.

Хорошая новость не в том, что ИИ нашёл скрытое число, окончательно определяющее будущее пациента. Она в том, что обычная ночная запись может содержать больше клинически значимой сердечно-сосудистой информации, чем используют нынешние отчёты. Если проспективные исследования покажут, что эта информация надёжна, справедлива и пригодна для действий, медицина сна может стать более ранним и эффективным маршрутом оценки сердечно-сосудистого риска — за счёт тех же данных, собранных за одну ночь, но с более точными вопросами к ним.

Источники

Материал основан на сообщении Национальных институтов здравоохранения о модели глубокого обучения, использующей ЭКГ во время исследований сна, и на статье Prediction of cardiovascular outcomes using electrocardiography from overnight polysomnography, опубликованной в журнале Sleep издательства Oxford Academic 9 октября 2026 года. Контекст о причинах и последствиях апноэ сна взят из материалов Национального института сердца, лёгких и крови; сведения о стандартных записях полисомнографии — из рекомендаций Американской академии медицины сна; информация о нарушениях дыхания во сне и сердечных аритмиях — из материалов Американской кардиологической ассоциации.