ईसीजी-सीएलआईपी कम लेबल वाले डेटा का उपयोग करके हृदय रोग का पता लगाने में सुधार करता है

हृदय की समस्याओं का निदान करने के लिए चिकित्सक अक्सर 12-लीड इलेक्ट्रोकार्डियोग्राम (ईसीजी) नामक एक चिकित्सा परीक्षण का उपयोग करते हैं, जो हृदय की विद्युत गतिविधि को रिकॉर्ड करने के लिए छाती और अंगों पर लगाए गए इलेक्ट्रोड का उपयोग करता है। ईसीजी पर आधारित निदान में सहायता के लिए आमतौर पर कृत्रिम बुद्धिमत्ता (एआई) उपकरण का उपयोग किया जाता है। लेकिन वर्तमान उपकरणों को आमतौर पर बड़ी मात्रा में प्रशिक्षण डेटा की आवश्यकता होती है, जिसमें विशिष्ट बीमारियों की उपस्थिति या अनुपस्थिति के साथ हाथ से लेबल किया जाता है, जो उपकरणों को अन्य नैदानिक ​​कार्यों के लिए बहुत अनुकूल नहीं बना सकता है।

अब, स्क्रिप्स रिसर्च के वैज्ञानिकों ने विभिन्न हृदय रोगों का पता लगाने और भविष्यवाणी में सुधार करने के लिए एक नया एआई मॉडल बनाया है, जो सीमित लेबल वाले डेटा या कम उपलब्ध ईसीजी लीड वाली सेटिंग्स में विशेष रूप से उपयोगी हो सकता है। में प्रकाशित लैंसेट डिजिटल स्वास्थ्य 1 सितंबर, 2026 को, ईसीजी-सीएलआईपी नामक नए उपकरण को 540,000 से अधिक लोगों से एकत्र किए गए 1.7 मिलियन से अधिक ईसीजी का उपयोग करके प्रशिक्षित किया गया था और चिकित्सकों के नोट्स के साथ जोड़ा गया था, इस उपकरण को ज्ञान के साथ एम्बेड किया गया था जो इसे वास्तविक दुनिया के नैदानिक ​​​​वातावरण में विभिन्न रोग का पता लगाने और भविष्यवाणी कार्यों के लिए अधिक अनुकूलनीय बना सकता है।

हमारे नए एल्गोरिदम को भविष्य में उस बीमारी का पता लगाने के लिए किसी विशिष्ट बीमारी की केवल एक दर्जन पुष्टि की गई ईसीजी को देखने की आवश्यकता है। यह वैसा ही है जैसे एक चिकित्सक सीखता है: दस लाख उदाहरणों से नहीं, बल्कि पहले ईसीजी के पीछे के सामान्य शरीर क्रिया विज्ञान को समझने और फिर कुछ विशिष्ट मामलों को देखने से।”

जियोर्जियो क्वेर, वरिष्ठ लेखक, डिजिटल मेडिसिन के सहायक प्रोफेसर, स्क्रिप्स रिसर्च

ईसीजी-सीएलआईपी एक “फाउंडेशन मॉडल” है, जो एक प्रकार का एआई मॉडल है जो विविध डेटासेट से सीखता है, जिसके बाद इसका उपयोग कई अलग-अलग कार्यों को करने के लिए किया जा सकता है। एक बार जब ईसीजी-सीएलआईपी पूरी तरह से प्रशिक्षित हो गया, तो क्वेर की टीम ने यह परीक्षण करना शुरू किया कि मौजूदा मॉडलों की तुलना में इसने तीन नैदानिक ​​कार्य कैसे किए। इनमें दो पर्यवेक्षित बेसलाइन मॉडल (एक मानक गहन शिक्षण मॉडल और एक रैखिक मॉडल), एक सामान्य फाउंडेशन मॉडल (ईसीजी पर प्रशिक्षित नहीं), और तीन ईसीजी-प्रशिक्षित फाउंडेशन मॉडल शामिल हैं।

टीम द्वारा परीक्षण किया गया पहला कार्य हृदय रोगों का पता लगाना था। उन्होंने देखने के लिए तीन प्रकारों का चयन किया: तीव्र रोधगलन, कार्डियक अमाइलॉइडोसिस और हाइपरट्रॉफिक कार्डियोमायोपैथी। इसके बाद शोधकर्ताओं ने प्रत्येक मॉडल को 800,000 से अधिक ईसीजी वाला एक नया डेटासेट दिया और पूछा कि किसमें तीन बीमारियों के लक्षण दिखते हैं। “एरिया अंडर द कर्व (एयूसी)” विधि का उपयोग करके यह मापना कि कोई मॉडल किसी विशेष स्थिति वाले और बिना किसी विशेष स्थिति वाले लोगों के ईसीजी के बीच कितनी अच्छी तरह अंतर करता है-क्वेर की टीम ने पाया कि ईसीजी-सीएलआईपी ने सभी तीन बीमारियों का पता लगाने में मानक मॉडल की तुलना में लगातार बेहतर प्रदर्शन किया है।

टीम ने यह भी पाया कि तीन रोग-पहचान कार्यों में, ईसीजी-सीएलआईपी ने औसतन 91% कम हाथ-लेबल प्रशिक्षण डेटा का उपयोग करते हुए पूर्ण डेटासेट पर प्रशिक्षित अगले-सर्वश्रेष्ठ मॉडल के प्रदर्शन से मेल खाया।

तीन ईसीजी फाउंडेशन मॉडल की तुलना में – जिन्हें ईसीजी पर प्रशिक्षित किया गया था, लेकिन चिकित्सक के नोट्स पर नहीं – ईसीजी-सीएलआईपी ने उन सेटिंग्स में भी बेहतर प्रदर्शन किया जहां लेबल किए गए प्रशिक्षण डेटा की मात्रा सीमित थी (किसी दिए गए बीमारी के केवल 10 सकारात्मक उदाहरण)। लेबल किए गए उदाहरणों की संख्या बढ़ने पर ईसीजी-सीएलआईपी और अन्य मॉडलों के बीच प्रदर्शन में अंतर आम तौर पर गायब हो गया।

क्वेर कहते हैं, “हमने पाया कि ईसीजी-सीएलआईपी हृदय रोगों का पता लगाने और भविष्यवाणी करने में बेहतर था, खासकर उन मामलों में जहां बहुत कम डेटा था।” “यह दुर्लभ बीमारियों जैसे मामलों में विशेष रूप से उपयोगी हो सकता है, जहां अच्छी तरह से लेबल किए गए ईसीजी के केवल एक दर्जन या इतने ही सकारात्मक उदाहरण हैं जिनका उपयोग मॉडल को प्रशिक्षित करने के लिए किया जा सकता है।”

ईसीजी-सीएलआईपी ने तीव्र रोधगलन का पता लगाने के परीक्षणों में एकल-लीड ईसीजी डेटा का उपयोग करके भी अच्छा प्रदर्शन किया है, जो इसे उन सेटिंग्स में सहायक बना सकता है जहां संसाधन सीमित हैं।

परीक्षण किया गया दूसरा कार्य हृदय रोग की भविष्यवाणी करना था। यहां, क्वेर की प्रयोगशाला के सदस्यों ने एट्रियल फाइब्रिलेशन – एक प्रकार की अनियमित हृदय ताल – की भविष्यवाणी करने की मॉडल की क्षमता पर ध्यान केंद्रित किया। उन्होंने पाया कि सामान्य हृदय लय प्रदर्शित करने वाले 12-लीड ईसीजी से भविष्य में एट्रियल फाइब्रिलेशन की भविष्यवाणी करने में ईसीजी-सीएलआईपी ने अन्य सभी मॉडलों से बेहतर प्रदर्शन किया।

अंतिम कार्य प्रतिकूल स्वास्थ्य परिणामों की भविष्यवाणी करना था। ईसीजी-सीएलआईपी ने आपातकालीन विभाग के दौरे या सर्जरी के बाद 30 दिनों में जीवित रहने की संभावना और तीन साल के भीतर पुरानी बीमारी के विकास-विशेष रूप से क्रोनिक किडनी रोग और टाइप II मधुमेह की संभावना की भविष्यवाणी करने में परीक्षण किए गए मॉडल का सबसे अच्छा प्रदर्शन प्रदर्शित किया।

एआई टूल के साथ एक आम समस्या यह है कि यह स्पष्ट नहीं हो सकता है कि मॉडल निर्णय लेने के लिए डेटा की किन विशिष्ट विशेषताओं का उपयोग करता है। इसकी कल्पना करने में मदद के लिए, शोधकर्ताओं ने सामर्थ्य मानचित्र तैयार किए। ये मानचित्र सिग्नल के भीतर के क्षेत्रों को उजागर करते हैं जो मॉडल की भविष्यवाणियों में सबसे अधिक योगदान दे रहे हैं, जो चिकित्सकों को ईसीजी क्षेत्रों में एक स्पष्ट दृष्टिकोण देता है जिस पर मॉडल भरोसा करता है। क्वेर की टीम ने ईसीजी-सीएलआईपी के आउटपुट को अधिक व्याख्यात्मक बनाने में मदद करने के लिए सामर्थ्य मानचित्र लागू किए, जो चिकित्सकों के साथ विश्वास बनाने और क्लिनिक में तैनाती की संभावना बढ़ाने में मदद कर सकता है।

आगे बढ़ते हुए, क्वेर की टीम का लक्ष्य आपातकालीन विभाग जैसी विशिष्ट सेटिंग्स में अपने प्रदर्शन को बेहतर बनाने के लिए मॉडल के लिए उपलब्ध डेटा के प्रकार का विस्तार करना है। टीम पहनने योग्य उपकरणों जैसे विभिन्न प्रकार के ईसीजी रिकॉर्डिंग सिस्टम के साथ इसकी संगतता का मूल्यांकन करने की भी उम्मीद करती है – जहां एकीकरण अंततः निरंतर, दूरस्थ हृदय रोग की निगरानी की अनुमति दे सकता है।

“हालांकि ये निष्कर्ष पर्याप्त क्षमता प्रदर्शित करते हैं, वास्तविक दुनिया की नैदानिक ​​​​सेटिंग्स में ईसीजी-सीएलआईपी की प्रयोज्यता स्थापित करने के लिए संभावित नैदानिक ​​​​परीक्षणों में कठोर सत्यापन की आवश्यकता होगी,” अध्ययन के सह-प्रथम लेखक माइकल को, एक स्नातक छात्र और स्क्रिप्स रिसर्च के अनुसंधान सहायक कहते हैं।

यह कार्य हृदय स्थितियों की जांच और निदान के लिए क्वेर की प्रयोगशाला द्वारा विकसित एआई एल्गोरिदम के एक विस्तारित संग्रह को जोड़ता है। इसमें दिल के दौरे और ताल गड़बड़ी का सटीक निदान करने के लिए 2024 में विकसित एक एल्गोरिदम शामिल है, जब 12 ईसीजी लीड में से केवल तीन ही उपलब्ध हों; और 2023 का एक अन्य एल्गोरिदम जो दो सप्ताह तक पहने गए ईसीजी पैच से अलिंद फिब्रिलेशन के सबसे अधिक जोखिम वाले रोगियों की पहचान कर सकता है।

“मेरे लिए व्यक्तिगत रूप से, यह रोमांचक है कि हम वास्तव में चिकित्सकों और हृदय रोग विशेषज्ञों की मदद करने की क्षमता वाले एल्गोरिदम विकसित कर सकते हैं,” क्वेर कहते हैं।