Model de deep learning detectează sepsisul pe electrocardiogramă cu AUC de 90%

Context și relevanță clinică

Sepsisul reprezintă una dintre cele mai grave urgențe medicale, definit conform consensului Sepsis-3 ca o disfuncție de organ potențial letală cauzată de un răspuns anormal al gazdei la infecție. La nivel global, sepsisul afectează anual circa 49 milioane de persoane și cauzează aproximativ 11 milioane de decese, reprezentând 20% din toate decesele din lume. În contextul european și nord-american, mortalitatea intraspitalicească a sepsisului sever variază între 20% și 40%, iar a șocului septic depășește frecvent 40-50%.

Paradoxul clinic central al sepsisului este că prognosticul se corelează direct cu rapiditatea diagnosticului și inițierii tratamentului. Fiecare oră de întârziere în administrarea antibioticelor adecvate și în resuscitarea hemodinamică crește mortalitatea cu circa 7-10%. Cu toate acestea, diagnosticul precoce al sepsisului rămâne dificil, deoarece semnele și simptomele inițiale sunt adesea nespecifice — febră sau hipotermie, tahicardie, tahipnee, alterarea stării de conștiință — și pot fi atribuite multor alte afecțiuni acute.

Criteriile clinice de screening al sepsisului (qSOFA — quick Sequential Organ Failure Assessment) utilizate la triajul pacienților au o sensibilitate limitată (circa 60-70%), ceea ce înseamnă că un număr semnificativ de pacienți cu sepsis nu sunt identificați precoce. Biomarkerii serici utilizați clinic — proteina C reactivă (PCR), procalcitonina (PCT), lactatul — necesită recoltare de sânge, procesare de laborator și timp (30-120 de minute), ceea ce întârzie inițierea tratamentului.

Electrocardiograma (ECG) este un instrument de diagnostic extrem de accesibil, neinvaziv, rapid (rezultat în 1-2 minute) și disponibil practic în orice unitate de urgență din lume, inclusiv în dispozitive portabile și wearable. Cercetări anterioare au sugerat că sepsisul produce modificări electrofiziologice cardiace — alungirea intervalului QT, modificări ale undei T, variabilitate crescută a frecvenței cardiace — care ar putea fi detectate prin algoritmi de inteligență artificială înainte ca diagnosticul clinic să fie stabilit. Studiul lui Kwon și colaboratori testează sistematic această ipoteză cu o metodologie riguroasă de deep learning și validare externă.

Design și metodologie

Studiu retrospectiv de cohortă desfășurat în 2 spitale terțiare din Coreea de Sud. Modelul de deep learning (DLM) a fost dezvoltat pe baza ECG-urilor din Spitalul A și validat intern pe un subset și extern pe ECG-urile din Spitalul B, asigurând evaluarea robustă a generalizabilității dincolo de setul de antrenare.

• Setul de antrenare — 73.727 ECG-uri de la 18.142 pacienți (Spitalul A)
• Validarea internă — 7.774 ECG-uri de la 7.774 pacienți (Spitalul A, set separat)
• Validarea externă — 20.101 ECG-uri de la 20.101 pacienți (Spitalul B, independent)
• Arhitectura DLM — rețea neuronală convoluțională (CNN) aplicată pe semnalele ECG brute de 10 secunde cu 12 derivații
• Definiția sepsisului — conform criteriilor Sepsis-3: disfuncție de organ nou apărută (creșterea SOFA ≥2 puncte) în context de infecție suspectată sau confirmată
• Harta de sensibilitate — tehnică Grad-CAM (Gradient-weighted Class Activation Mapping) aplicată pentru a identifica regiunile ECG cele mai importante pentru predicția modelului

Modelul a generat un scor continuu (0-1) de probabilitate a sepsisului pentru fiecare ECG, permițând analiza prin curba ROC și calculul AUC ca metrică principală de performanță. Au fost efectuate analize de subgrupuri pe pacienți cu infecții documentate și pe cei cu COVID-19, pentru a evalua comportamentul modelului în scenarii clinice specifice.

Populația studiată

Totalul de 46.017 pacienți incluși reprezintă o populație amplă și reprezentativă pentru spitalele terțiare cu activitate de urgență. Dintre aceștia, 1.548 au primit diagnosticul de sepsis și 639 de șoc septic — proporții care reflectă incidența tipică în unitățile de terapie intensivă și de urgență.

Pacienții au fost internați în diverse secții spitalicești (urgențe, terapie intensivă, secții medicale generale și chirurgicale), cu vârste, comorbidități și tipuri de infecție variate. Diversitatea populației incluse este un punct forte al studiului, asigurând că modelul nu este supraadjustat pe o subpopulație clinică particulară.

Analiza de subgrupuri a inclus 4.609 pacienți internați cu boală infecțioasă documentată, pentru care modelul a evaluat riscul de mortalitate intraspitalicească cu un AUC de 0,817 (IC 95%: 0,793-0,840). Această analiză sugerează că DLM-ul poate stratifica prognosticul și în contextul infecțiilor confirmate, dincolo de simpla detecție a sepsisului.

Intervenție și comparator

Modelul de deep learning (DLM) a fost aplicat pe ECG-uri standard de 12 derivații, dar performanța sa a fost evaluată și pe configurații cu mai puțini electrozi — relevantă pentru dispozitive portabile sau wearable:

• ECG cu 12 derivații — standard de referință; AUC intern 0,901, AUC extern 0,863
• ECG cu 6 derivații — utilizat în unele dispozitive portabile și sisteme de monitorizare ambulatorie; AUC 0,882
• ECG monocanal (1 derivație) — utilizat în smartwatch-uri și dispozitive wearable de consum; AUC 0,845

Menținerea performanței înalte chiar și cu o singură derivație are implicații practice majore: screeningul sepsisului ar putea fi efectuat teoretic cu dispozitivele de monitorizare continuă deja atașate pacienților (monitoare cardiace, dispozitive wearable), fără a necesita un ECG complet standard de 12 derivații.

Comparatorul implicit în studiu este diagnosticul clinic convențional al sepsisului, care necesită combinarea informațiilor clinice, de laborator și a semnelor vitale — un proces care durează mult mai mult decât analiza unui ECG prin algoritmul DLM.

Rezultate principale

Performanța de detecție a sepsisului și șocului septic

În validarea internă, modelul DLM a demonstrat o performanță excelentă pentru detecția sepsisului pe ECG cu 12 derivații: AUC=0,901 (IC 95%: 0,882-0,920). Această valoare depășește pragul convențional de 0,9, considerat de obicei „excelent" în diagnosticul medical bazat pe biomarkeri. Performanța pentru detecția șocului septic a fost chiar puțin superioară: AUC=0,906 (IC 95%: 0,877-0,936), sugerând că modificările ECG sunt mai pregnante în formele severe ale bolii.

Validarea externă — efectuată pe un spital complet diferit, cu populație diferită și echipamente ECG potențial diferite — a confirmat generalizabilitatea modelului, cu AUC=0,863 (IC 95%: 0,846-0,879) pentru sepsis și AUC=0,899 (IC 95%: 0,872-0,925) pentru șoc septic. Diferența redusă față de validarea internă (0,901 vs. 0,863) sugerează că modelul nu este supra-antrenat pe caracteristicile specifice ale unui singur spital.

Regiunile ECG asociate cu detecția sepsisului

Harta de sensibilitate Grad-CAM a relevat că complexul QRS și undele T sunt regiunile ECG cele mai importante pentru predicția modelului. Această constatare are relevanță fiziologică: sepsisul produce modificări ale funcției cardiace mediată de citokinele proinflamatorii (TNF-α, IL-1, IL-6), incluzând deprimarea contractilității miocardice, alungirea intervalului QT și modificări ale repolarizării ventriculare reflectate în morfologia undei T. Identificarea acestor regiuni confirmă că modelul a „învățat" modificări biologic relevante, nu artefacte tehnice.

Analiza pacienților cu COVID-19 a arătat o diferență semnificativă a scorului de predicție DLM între cei cu infecție COVID-19 și cei fără infecție, în setul de validare (0,260 vs. 0,725; p=0,018), sugerând că modelul poate detecta și semnalele ECG specifice asociate COVID-19 sever cu evoluție spre sepsis.

Rezultate secundare și limitări

Studiul are mai multe puncte forte metodologice: numărul foarte mare de ECG-uri pentru antrenare și validare, validarea externă multi-centru, evaluarea performanței pe multiple configurații de ECG (12-, 6- și 1-derivație) și analiza de subgrupuri în infecții documentate și COVID-19.

Principalele limitări sunt:

• Design retrospectiv — modelul a fost aplicat pe ECG-uri colectate anterior, nu testat prospectiv în decizia clinică în timp real; performanța clinică reală poate diferi
• Populație monoetnică — ambele spitale sunt din Coreea de Sud; generalizabilitatea la populații europene sau africane nu a fost testată direct
• Lipsa comparației cu criteriile clinice standard — studiul nu compară direct AUC-ul DLM cu cel al scorurilor clinice (qSOFA, SOFA) sau al biomarkerilor (PCT, lactați) pe aceeași populație, ceea ce ar fi cel mai relevant benchmark clinic
• Momentul ECG față de debutul sepsisului — nu este clar dacă ECG-urile analizate au fost efectuate înainte, la momentul sau după diagnosticul de sepsis; relevanța pentru screeningul real (pre-diagnostic) necesită demonstrare prospectivă
• Cauzalitate ECG-modificări — modificările detectate pot reflecta boala severă în general (orice afecțiune critică), nu neapărat specific sepsisul, ceea ce ar reduce specificitatea în scenariile clinice reale cu pacienți complexi

Concluzii și implicații practice

Această lucrare demonstrează că un model de deep learning poate detecta sepsisul din ECG cu o acuratețe remarcabilă (AUC>0,86 în validare externă), performanță menținută și pe ECG cu mai puțin de 12 derivații. Dacă aceste rezultate se confirmă în studii prospective, implicațiile clinice ar fi transformatoare: screeningul sepsisului ar putea fi integrat în sistemele de monitorizare continuă ECG existente în spitale, generând alerte automate înainte ca tabloul clinic complet de sepsis să fie evident.

Din perspectiva medicinei de urgență, un astfel de instrument ar putea ajuta la triajul mai rapid al pacienților cu risc de sepsis în camera de urgență, unde ECG-ul este oricum efectuat de rutină la mulți pacienți. Integrarea algoritmului DLM în sistemele de interpretare automată a ECG — similară cu algoritmii de detecție a infarctului miocardic acut deja implementați — ar putea adăuga o capabilitate de alertă sepsis fără costuri suplimentare semnificative de infrastructură.

Pe termen mai lung, compatibilitatea modelului cu ECG monocanal deschide perspectiva screeningului sepsisului prin dispozitive wearable de consum (smartwatch-uri cu ECG), ceea ce ar putea extinde monitorizarea dincolo de mediul spitalicesc. Pacienții cu risc ridicat de sepsis (imunocompromiși, post-transplant, oncologici în chimioterapie) ar putea fi monitorizați continuu ambulatoriu, cu alertare automată la semnale ECG sugestive.

Prioritatea imediată pentru cercetare este validarea prospectivă a modelului: un studiu în care algoritmul DLM este testat în timp real, cu evaluarea impactului său asupra timpului la antibioterapie, la resuscitare hemodinamică și, în final, asupra mortalității. Fără această dovadă prospectivă, includerea în ghidurile clinice de management al sepsisului rămâne prematură, dar perspectiva este extrem de promițătoare.