DeepECG.ai: platformă AI pentru analiza ECG care reduce decalajul de expertiză dintre medicina primară și cardiologie

DeepECG.ai: arhitectura platformei și integrarea cu sistemele clinice

Interpretarea ECG de 12 derivații este o competență clinică esențială, dar inegală — cu variabilitate semnificativă între medicii de medicină de familie, urgentiști, interniști și cardiologi. Deși numeroase modele de deep learning pentru interpretarea ECG au atins performanțe de nivel expert în studii de cercetare, implementarea clinică a rămas limitată din cauza lipsei de platforme integrate, accesibile și validate în fluxuri de lucru reale.

• Principiile de design ale DeepECG.ai: accesibilitate prin browser web — platforma nu necesită instalarea de software special; orice ecograf/medic cu acces la browser poate accesa recomandările AI; integrare cu sistemele ECG existente (GE MUSE, Mortara, Philips PageWriter) prin export XML/HL7 standard — fără modificarea fluxului de lucru ECG existent; procesare în sub 30 de secunde de la transmiterea fișierului ECG — relevant pentru contextul urgenței; recomandări clinice prioritizate și contextualizate, nu simpla listare a diagnosticelor AI cu probabilități; interfață adaptată nivelului de expertiză al utilizatorului: medicul de familie vede o interpretare simplificată cu recomandări de referire; cardiologul vede analiza detaliată cu probabilități și morfologie specifică.
• Modelele AI integrate în DeepECG.ai: modelul de analiză ECG cuprinzătoare (DeepECG comprehensive) — model CNN + Transformer antrenat pe 1,2 milioane de ECG-uri etichetate, detectând 77 de condiții cardiace (aritmii, tulburări de conducere, ischemie, hipertrofie); modelul de predicție a bolilor cardiace structurale (structural heart disease — SHD) — model antrenat pe ECG-uri cu validare ecocardiografică, predictând disfuncția sistolică de VS (FEVS mai mică de 40%), stenoza aortică semnificativă și hipertrofia VS; modelul de detectare a fibrilației atriale paroxistice (PAF detection) — analizând caracteristici ECG subtile predictive de FA chiar în ritm sinusal; toate modelele sunt open-source și validate pe date externe înainte de integrare; platforma are arhitectură modulară — modele noi pot fi adăugate fără modificarea infrastructurii de bază.
• Integrarea cu sistemele electrofiziologice clinice: testarea inițială a platformei la Montreal Heart Institute (MHI) și centrul de cardiologie primar a confirmat compatibilitatea cu sistemele ECG GE MUSE 8/9 și Mortara ELI 380; rata de erori de transmisie/procesare în primele 3 luni de operare: sub 0,5%; timpul mediu de procesare per ECG: 12 secunde (interval 8–28 secunde, dependent de dimensiunea fișierului XML).

Studiile clinice de validare: DAISEA-ECG și HEART-AI

Platforma DeepECG.ai este validată prospectiv prin două studii clinice care măsoară impactul real asupra acurateții diagnostice, eficienței fluxului de lucru și rezultatelor pacienților:

• DAISEA-ECG (Diagnosis AI-Supported ECG Analysis): studiu multicentric randomizat de tip stepped-wedge, în desfășurare în centrele de medicină primară și urgență din Canada; design: medicii primesc la întâmplare interpretarea AI sau nu o primesc, cu colectarea diagnosticului lor și a acțiunilor clinice subsecvente; obiectiv primar: concordanța diagnosticului medicului cu diagnosticul de referință stabilit de doi cardiologi independenți, cu și fără asistență AI; obiective secundare: timpul până la diagnostic corect, ratele de referire la cardiolog, spitalizare la 30 de zile pentru patologie cardiacă; în primele 3 luni (de la lansarea operațională): date ECG colectate, infrastructura de formare completă, primele analize preliminare ale concordanței diagnostic în curs.
• HEART-AI (Heart Echocardiography Referral Triggered by AI): studiu pilot prospectiv la MHI, testând dacă screeningul AI al ECG-urilor de rutină pentru boli cardiace structurale reduce timpul la ecocardiografie pentru pacienții cu FEVS redusă nediagnosticată; design: ECG-urile de la pacienți fără ecocardiografie recentă (în ultimii 3 ani) sunt analizate de modelul SHD; dacă AI detectează probabilitate înaltă de boală structurală, medicul curant este alertat și expediat spre ecocardiografie; în primele 3 luni de operare: infrastructura de colectare a datelor completă, antrenamentul utilizatorilor finalizat; primele rezultate privind rata de detecție a FEVS sub 40% prin screening ECG-AI sunt așteptate în 12–18 luni.
• Metricile de evaluare dincolo de AUROC: studiul Nolin-Lapalme et al. (EHJ 2026, același grup de autori) a subliniat că AUROC nu este suficient pentru evaluarea impactului clinic al modelelor ECG-AI; DeepECG.ai utilizează metrici suplimentare: sensibilitate ajustată la prevalență, specificitate la prag de referire pre-definit, net reclassification improvement (NRI), calibrarea probabilităților (Brier score, reliability diagram), analiza erorilor (cazuri cu diagnostic AI incorect, cu categorii de eroare sistematică).

Impactul clinic potențial, limitări și contextul din România

Platforma DeepECG.ai adresează o nevoie clinică reală — reducerea decalajului de expertiză în interpretarea ECG în sistemele de sănătate cu distribuție inegală a cardiologilor — și reprezintă un model de implementare AI clinică validat prospectiv în contexte reale.

• Impactul potențial în medicina primară: detectarea precoce a FA paroxistice (care produce AVC emboligen) în cabinetele de medicină de familie, înainte de primul eveniment clinic — cu potențial de reducere a incidenței AVC ischemice la pacienți neanticoagulați; identificarea disfuncției sistolice de VS nediagnosticate (FEVS scăzută clinic silențioasă) — prevalență estimată de 1–3% în populația generală adultă — la care terapia cu inhibitori SGLT-2, sacubitril-valsartan și beta-blocante aduce beneficiu clinic major; reducerea timpului la diagnostic în urgențe pentru STEMI (supradenivelare ST), LBBB nou (bloc de ramură stângă), WPW — condiții cu management timp-dependent; triajul eficient în urgențe — diferențierea ECG-urilor normale sau cu modificări minore de cele cu patologie acută, optimizând utilizarea capacității cardiologice.
• Limitări ale platformei în implementarea actuală: datele de validare prospectivă sunt preliminare — impactul clinic definitiv va fi cunoscut numai după finalizarea studiilor DAISEA-ECG și HEART-AI (12–18 luni); riscul de dependență de AI — medicii cu acces la AI pot deveni mai puțin motivați să-și mențină competențele proprii de interpretare ECG; echitate în implementare — accesul la platformă necesită conexiune internet stabilă și dispozitive compatibile, ceea ce exclude cabinete fără resurse digitale; sensibilitate la calitatea ECG — artefactele tehnice (mișcare, electrozi) degradează performanța modelelor AI.
• Contextul din România: România are un deficit semnificativ de cardiologi în mediul rural și în orașele mici față de centrele universitare — interpretarea ECG în aceste contexte este efectuată frecvent de medici de familie sau interniști cu expertiză limitată; implementarea unui sistem ca DeepECG.ai în România ar necesita integrarea cu sistemele ECG digitale existente în spitale și cabinete — un proces facilitat de adoptarea standardului HL7/FHIR care progresează lent în sectorul sanitar românesc; proiectul pilot de digitalizare a medicinei de familie din România (MedSoft, SoftMedica) ar putea constitui infrastructura pentru integrarea AI ECG în cabinete; colaborarea cu grupul de la Montreal Heart Institute (echipa Avram) prin protocoale de cercetare bilaterală ar permite validarea DeepECG.ai pe date ECG românești și identificarea specificităților populaționale (prevalență mai mare a HTA, DZ2, sindrom metabolic în România față de Canada) relevante pentru performanța modelelor AI în contextul local.

Utilizarea platformei ca instrument de suport decizional pentru medicii non-cardiologi, cu necesitatea validării pe date locale și menținerea competențelor clinice proprii.

Nolin-Lapalme A, Tastet O, Sowa A, Delfrate J, El Adib I et al. DeepECG.ai: An AI-enhanced ECG analysis platform to bridge the expertise gap from primary care to cardiology. J Electrocardiol. 2026 May 16. https://doi.org/10.1016/j.jelectrocard.2026.154359