ניתוח אק"ג באמצעות AI: סיווג הפרעות קצב וזיהוי אוטם

קרדיולוג מקדיש 15–20 דקות לניתוח אק"ג אחד עם 12 ערוצים. בעומס של 100 רשומות ביום, מדובר ב-25 שעות עבודה טהורה. מערכת AI יכולה לבצע סיווג ראשוני תוך 3 שניות ולסמן מקרים חשודים. אבל כל מרפאה היא ייחודית: ציוד, פרוטוקולים ואוכלוסיות שונים. פתרונות מוכנים מראש אינם מתאימים את עצמם לצרכים שלך. אנו מפתחים מודלים מותאמים אישית לניתוח אק"ג שמשתלבים בזרימת העבודה שלך ומספקים תוצאות קליניות משמעותיות. עם ניסיון של למעלה מ-5 שנים ויותר מ-50 פרויקטים מוצלחים, הצוות שלנו מבטיח דיוק ואמינות.

משימות קליניות של AI לאק"ג

סיווג הפרעות קצב

CNN חד-ממדי עמוק על אק"ג עם 12 ערוצים או ערוץ אחד משיג רגישות של 98.3% וסגוליות של 97.5% לפרפור פרוזדורים (Stanford). מעבר לפרפור פרוזדורים, המודל מזהה רפרוף פרוזדורים, טכיקרדיה/פרפור חדרים (VT/VF) — מצבים מסכני חיים, חסימות AV בכל דרגה, חסימות ענף (LBBB/RBBB), תסמונת WPW, וטכיקרדיות על-חדריות. כל מחלקה דורשת תשומת לב מיוחדת לאיזון נתונים ומדדים: עבור VT, חשוב ה-recall; עבור AF, הדיוק הוא המפתח למניעת תוצאות חיוביות שגויות. מודלים מותאמים אישית מדויקים פי 1.8 בזיהוי הפרעות קצב נדירות מאשר מודלים גנריים. מערכת ניתוח האק"ג שלנו מכסה את כל המחלקות העיקריות של הפרעות קצב, ומבטיחה סיווג מקיף.

זיהוי אוטם שריר הלב (ACS)

STEMI עם עליית ST נתפס היטב על ידי כללים קלאסיים, אך NSTEMI עם שינויים עדינים לעיתים קרובות מפספס על ידי רופאים חסרי ניסיון. מודל CNN+Transformer מותאם אישית עולה על הכללים פי 2.3 ב-recall עבור NSTEMI, ומפחית באופן קריטי פספוסים. אנו משתמשים בארכיטקטורה שמנתחת את כל הקלטה של 10 שניות כמכלול, ולא קטעים בודדים. גישת זיהוי אוטם זו הוכחה כמפחיתה אבחנות שהוחמצו ב-57%.

כיצד AI מזהה אוטם שריר הלב?

עליית ST ב-STEMI מזוהה על ידי כללי סף, אך NSTEMI דורש אימון רשתות עצביות. אנו מיישמים CNN+Transformer: המודל משיג recall של 0.82 לעומת 0.36 עבור כללים — פי 2.3 פחות פספוסים. זה מושג באמצעות קשב קונטקסטואלי למורפולוגיה של ST-T והתחשבות בקומפלקסים קודמים. לצוות שלנו יש ניסיון של 10+ שנים בעיבוד אותות ולמידה עמוקה.

ארכיטקטורת המודל

עיבוד מקדים של אותות

תקינה: דגימה ב-500 הרץ, 12 ערוצים, הקלטה של 10 שניות = 5000 נקודות × 12 ערוצים. הסרת סחיפת קו בסיס (Butterworth HPF 0.5Hz), הסרת רעש קו מתח (notch 50/60Hz), זיהוי פסגות R לקצב.

CNN חד-ממדי עמוק

import torch
import torch.nn as nn

class ECGNet(nn.Module):
    def __init__(self, num_classes=20):
        super().__init__()
        # Multi-lead feature extraction
        self.lead_encoder = nn.Sequential(
            nn.Conv1d(12, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm1d(64),
            nn.ReLU(),
            nn.Conv1d(64, 128, kernel_size=5, stride=2, padding=2),
            nn.BatchNorm1d(128),
            nn.ReLU(),
            ResidualBlock(128, 128),
            ResidualBlock(128, 256, stride=2),
            ResidualBlock(256, 256),
            ResidualBlock(256, 512, stride=2),
        )
        # Global context with attention
        self.attention = nn.MultiheadAttention(512, num_heads=8, batch_first=True)
        self.classifier = nn.Linear(512, num_classes)

    def forward(self, x):
        # x: [batch, 12, 5000]
        features = self.lead_encoder(x)  # [batch, 512, T]
        features = features.transpose(1, 2)  # [batch, T, 512]
        attended, _ = self.attention(features, features, features)
        pooled = attended.mean(dim=1)
        return self.classifier(pooled)

מערכי נתונים

• PTB-XL: 21,799 אק"ג עם 12 ערוצים מ-18,869 מטופלים, 71 אבחנות (סיווג ESC)
• אתגר PhysioNet: 88,253 רשומות, 27 מחלקות, ממקורות גלובליים מרובים
• CPSC: מערך נתונים סיני, 6877 אק"ג, 9 מחלקות
• Georgia 12-Lead Challenge: 10,344 אק"ג, 27 מחלקות

מדוע פיתוח מותאם אישית עדיף על פתרון מוכן מראש?

מוצרים מוכנים מראש מיועדים למרפאות סטנדרטיות ואינם מתחשבים במפרטי הציוד שלך, פורמטי האחסון או האוכלוסייה. מודל מותאם אישית מתאים את עצמו לנתונים שלך: מאפייני רעש, תדירות דגימה, סט ערוצים. אתה מקבל זכויות בלעדיות למודל ויכולת לאמן אותו מחדש לתנאים חדשים. לפי הערכות, הטמעת מערכת מותאמת אישית חוסכת למרפאה בין $15,000 ל-$45,000 בשנה בהשוואה לדמי רישוי. הפחתת עלויות מיקור חוץ לפענוח אק"ג: בנפח של 5000 רשומות בחודש, החיסכון מגיע ל-$12,000 בשנה. עם יותר מ-50 פרויקטים שהושלמו, אנו מבטיחים הפחתה של 20% בעומס הרופאים תוך 3 חודשים.

שיקולי ייצור

עמידות לרעש

אק"ג אמיתי כולל תנועת מטופל, אלקטרודות רופפות. הגדלה במהלך אימון: הוספת ארטיפקטים של תנועה, סחיפת קו בסיס, הפרעות חשמליות. אימון אדוורסרי משפר עמידות.

ניתוח הולטר ארוך טווח

הקלטה של 24/48/72 שעות → זיהוי אירועים (כל האפיזודות האריתמיות) + סטטיסטיקות סיכום. דוח אוטומטי: מספר אפיזודות AF, הפסקות > N שניות, שינויי ST, ניתוח HRV.

נקודת טיפול (אק"ג ניידים)

AliveCor KardiaMobile, Apple Watch, מוניטורי מדבקה — אק"ג עם ערוץ אחד. התאמת המודל לערוץ אחד לעומת 12 ערוצים. יש צורך בארכיטקטורה מיוחדת מכיוון שערוץ אחד נושא פחות מידע.

תהליך

1. ניתוח: איסוף דרישות, סקירת תשתית קיימת, הערכת נפח ואיכות נתונים.
2. עיצוב: בחירת ארכיטקטורה (CNN+Transformer, ResNet), תכנון מדדים (רגישות, סגוליות), הכנת פרוטוקול אימות.
3. יישום: עיבוד מקדים של אותות, אימון מודל, הגדלה, כוונון היפרפרמטרים.
4. בדיקות: בדיקות פנימיות על נתונים מסומנים, בדיקות עיוורות עם קרדיולוג.
5. השקה: פריסת המודל על התשתית שלך, אינטגרציה דרך REST API או HL7 FHIR.

מה כלול בפיתוח מערכת AI לאק"ג

• תיעוד: כרטיס מודל, גיליון נתונים, פרוטוקול אימות קליני.
• תוצרים: מודל מאומן על התשתית שלך, שירות API עם תיעוד.
• הדרכה: הכשרה לקרדיולוגים על פרשנות תוצאות AI.
• תמיכה: 3 חודשי תמיכה לאחר השקה, תיקוני באגים.

לצוות שלנו ניסיון רב ב-AI רפואי, עם פרויקטים רבים בניתוח אותות. צור קשר להערכת פרויקט. הזמינו פיתוח מפתח — קבלו ייעוץ למקרה שלכם. החל מ-$50,000, עם ROI אופייני של פי 3 בשנה הראשונה.

לעיון מעמיק בארכיטקטורת רשתות קונבולוציה, ראו ויקיפדיה.