Sztuczna inteligencja w analizie EKG: Przegląd literatury przeglądów systematycznych

Authors

Julita Janiec, ; Krzysztof Żerdziński, ; Michał Gałuszewski, ; Bartłomiej Jurek, ; Kamil Jóźwik, ; Paweł Łajczak,

Keywords:

sztuczna inteligencja, głębokie uczenie, uczenie maszynowe, elektrokardiografia

Synopsis

Wstęp: Sztuczna inteligencja (AI), zwłaszcza metody uczenia maszynowego (ML) i głębokiego uczenia (DL), odgrywa coraz większą rolę w kardiologii. Elektrokardiogram (EKG) – nieinwazyjne, łatwo dostępne i tanie narzędzie diagnostyczne – stał się atrakcyjnym źródłem danych do analizy algorytmicznej. Modele AI potrafią wykrywać wzorce niezauważalne dla człowieka, co pozwala na wczesne rozpoznanie patologii i ocenę ryzyka zdarzeń sercowo-naczyniowych. Technologie te znajdują zastosowanie nie tylko w warunkach szpitalnych, ale również w opiece ambulatoryjnej, telemedycynie i badaniach przesiewowych. Materiały i metody: W ramach pracy przeglądowej przeprowadzono wyszukiwanie literatury w bazie PubMed, ograniczając wyniki do przeglądów systematycznych zawierających hasła MeSH: artificial intelligence AND electrocardiography. Spośród 25 wyników zakwalifikowano 21 publikacji z lat 2017–2025. Uwzględniono szeroki zakres zastosowań AI w analizie EKG: od klasyfikacji jednostek chorobowych, przez prognozowanie ryzyka, po wykrywanie błędów technicznych. Wyniki: Analizowane badania potwierdzają wysoką skuteczność modeli AI w diagnostyce m.in. amyloidozy serca, niewydolności z obniżoną frakcją wyrzutową, przerostu lewej komory i zwężenia zastawki aortalnej – z wartościami AUC od 0,89 do 0,93 i czułością/swoistością przekraczającą 80%. Wykorzystywano zaawansowane architektury, takie jak sieci konwolucyjne (CNN), rekurencyjne (RNN, LSTM), autoenkodery oraz modele hybrydowe (np. CNN+BiGRU). Modele multimodalne – łączące EKG z danymi klinicznymi lub obrazowaniem – osiągały najlepsze wyniki. AI okazała się także przydatna w prognozowaniu nagłego zatrzymania krążenia, zgonu szpitalnego czy progresji chorób serca. W niektórych przypadkach modele przewidywały zdarzenia z wyprzedzeniem sięgającym kilku dni. Co istotne, nawet wyniki uznawane za fałszywie dodatnie niosły wartość prognostyczną, wskazując na subtelne zmiany w zapisie EKG. Wnioski: AI ma potencjał, by zrewolucjonizować diagnostykę i profilaktykę chorób serca – zwiększając skuteczność, skracając czas rozpoznania i poprawiając dostępność zaawansowanej opieki. Jej wdrożenie napotyka jednak bariery, takie jak brak walidacji zewnętrznej, niska przejrzystość modeli (black box), duża heterogeniczność danych i brak standaryzacji. Kluczowe znaczenie ma dalszy rozwój wyjaśnialnych, spersonalizowanych modeli AI, walidowanych w realnych warunkach klinicznych i różnych populacjach.

Chapters

  • Sztuczna inteligencja w analizie EKG: Przegląd literatury przeglądów systematycznych

References

Kodera S, Akazawa H, Morita H, Komuro I. Prospects for cardiovascular medicine using artificial intelligence. J Cardiol. 2022;79(3):319-325. doi:10.1016/j.jjcc.2021.10.016.

Jiang Y, Yang M, Wang S, Li X, Sun Y. Emerging role of deep learning-based artificial intelligence in tumor pathology. Cancer Commun (Lond). 2020;40(4):154-166. doi:10.1002/cac2.12012.

Ramlakhan S, Saatchi R, Sabir L, et al. Understanding and interpreting artificial intelligence, machine learning and deep learning in Emergency Medicine. Emerg Med J. 2022;39:380-385. doi:10.1136/emermed-2021-21121.

Currie G, Rohren E. Intelligent Imaging in Nuclear Medicine: the Principles of Artificial Intelligence, Machine Learning and Deep Learning. Semin Nucl Med. 2021;51(2):102-111. doi:10.1053/j.semnuclmed.2020.08.002.

Currie G, Hawk KE, Rohren E, Vial A, Klein R. Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging. J Med Imaging Radiat Sci. 2019;50(4):477-487. doi:10.1016/j.jmir.2019.09.00.

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. doi:10.1038/s41591-018-0300-7.

Tran KA, Kondrashova O, Bradley A, et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 2021;13:152. doi:10.1186/s13073-021-00968-x.

Watson X, D'Souza J, Cooper D, Markham R. Artificial intelligence in cardiology: fundamentals and applications. Intern Med J. 2022;52(6):912-920. doi:10.1111/imj.15562.

Wojtyniak B, Goryński P, red. Sytuacja zdrowotna ludności Polski i jej uwarunkowania 2022. Warszawa: Narodowy Instytut Zdrowia Publicznego – Państwowy Instytut Badawczy; 2022:563-564.

Khan LA, Shaikh FH, Khan MS, et al. Artificial intelligence-enhanced electrocardiogram for the diagnosis of cardiac amyloidosis: A systemic review and meta-analysis. Curr Probl Cardiol. 2024;49:102860. doi:10.1016/j.cpcardiol.2024.102860

Siranart N, Deepan N, Techasatian W, et al. Diagnostic accuracy of artificial intelligence in detecting left ventricular hypertrophy by electrocardiograph: a systematic review and meta-analysis. Sci Rep. 2024;14:15882. doi:10.1038/s41598-024-66247-y

Jemioło P, Storman D, Mamica M, et al. Datasets for automated affect and emotion recognition from cardiovascular signals using artificial intelligence—A systematic review. Sensors. 2022;22(7):2538. doi:10.3390/s22072538

Ferreira ALC, Feitoza LPGC, Benitez ME, et al. Diagnostic accuracy of artificial-intelligence-based electrocardiogram algorithm to estimate heart failure with reduced ejection fraction: a systematic review and meta-analysis. Curr Probl Cardiol. 2025;50:103004. doi:10.1016/j.cpcardiol.2025.103004

Gudigar A, Kadri NA, Raghavendra U, et al. Automatic identification of hypertension and assessment of its secondary effects using artificial intelligence: A systematic review (2013–2023). Comput Biol Med. 2024;172:108207. doi:10.1016/j.compbiomed.2024.108207

Oke OA, Cavus N. A systematic review on the impact of artificial intelligence on electrocardiograms in cardiology. Int J Med Inform. 2025;195:105753. doi:10.1016/j.ijmedinf.2024.105753

Wu Z, Guo C. Deep learning and electrocardiography: systematic review of current techniques in cardiovascular disease diagnosis and management. Biomed Eng Online. 2025;24(1):23. doi:10.1186/s12938-025-01349-w

Rahman MM, Rivolta MW, Badilini F, Sassi R. A systematic survey of data augmentation of ECG signals for AI applications. Sensors. 2023;23(11):5237. doi:10.3390/s23115237

Moreno-Sánchez PA, García-Isla G, Corino VDA, et al. ECG-based data-driven solutions for diagnosis and prognosis of cardiovascular diseases: A systematic review. Comput Biol Med. 2024;172:108235. doi:10.1016/j.compbiomed.2024.108235

Sun C, Hong S, Wang J, Dong X, Han F, Li H. A systematic review of deep learning methods for modeling electrocardiograms during sleep. Physiol Meas. 2022;43(8):08TR02. doi:10.1088/1361-6579/ac826e

Ahsan MM, Siddique Z. Machine learning-based heart disease diagnosis: A systematic literature review. Artif Intell Med. 2022;128:102289. doi:10.1016/j.artmed.2022.102289

Kolk MZH, Deb B, Ruipérez-Campillo S, et al. Machine learning of electrophysiological signals for the prediction of ventricular arrhythmias: systematic review and examination of heterogeneity between studies. EBioMedicine. 2023;89:104462. doi:10.1016/j.ebiom.2023.104462

Hong S, Zhou Y, Shang J, Xiao C, Sun J. Opportunities and challenges of deep learning methods for electrocardiogram data: A systematic review. Comput Biol Med. 2020;122:103801. doi:10.1016/j.compbiomed.2020.103801

Barker J, Li X, Khavandi S, et al. Machine learning in sudden cardiac death risk prediction: a systematic review. Europace. 2022;24(11):1777–1787. doi:10.1093/europace/euac135

Ghasad PP, Vegivada JVS, Kamble VM, et al. A systematic review of automated prediction of sudden cardiac death using ECG signals. Physiol Meas. 2025;46(1):01TR01. doi:10.1088/1361-6579/ad9ce5

Popat A, Saini B, Patel M, et al. Diagnostic accuracy of AI algorithms in aortic stenosis screening: a systematic review and meta-analysis. Clin Med Res. 2024;22(3):145–155. doi:10.3121/cmr.2024.1934

Sprockel J, Tejeda M, Yate J, Diaztagle J, González E. Herramientas de sistemas inteligentes en el diagnóstico de los síndromes coronarios agudos: una revisión sistemática. Arch Cardiol Mex. 2018;88(3):178–189. doi:10.1016/j.acmx.2017.03.002

Rjoob K, Bond R, Finlay D, et al. Machine learning techniques for detecting electrode misplacement and interchanges when recording ECGs: A systematic review and meta-analysis. J Electrocardiol. 2020;62:116–123. doi:10.1016/j.jelectrocard.2020.08.013

Geltser BI, Domzhalov IG, Shakhgeldyan KI, et al. Prediction of hospital mortality in patients with ST segment elevation myocardial infarction: evolution of risk measurement techniques and assessment of their effectiveness (review). Sovremennye tehnologii v medicine. 2024;16(4):61–71. doi:10.17691/stm2024.16.4.07

Queiroz I, Defante MLR, Barbosa LM, et al. A systematic review and meta-analysis on the performance of convolutional neural networks ECGs in the diagnosis of hypertrophic cardiomyopathy. J Electrocardiol. 2025;89:153888. doi:10.1016/j.jelectrocard.2025.153888

Ding C, Yao T, Wu C, Ni J. Advances in deep learning for personalized ECG diagnostics: A systematic review addressing inter-patient variability and generalization constraints. Biosens Bioelectron. 2025;271:117073. doi:10.1016/j.bios.2024.117073

Published

August 30, 2025
Copyright (c) 2025 Julita Janiec, Krzysztof Żerdziński, Michał Gałuszewski, Bartłomiej Jurek, Kamil Jóźwik, Paweł Łajczak

License

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.