Краткое описание

GISS AI — сервис на основе глубокого обучения, который по 12-отведённой ЭКГ (в том числе по фото или скану с телефона) автоматически распознаёт нарушения ритма и проводимости сердца и формирует структурированное заключение. Точность модели (AUC-macro 0,985) сопоставима с мировым уровнем. Проект победил в секции «ИИ и цифровизация медицины» международного научного медицинского форума «Медицинская Весна» (Сеченовский Университет).

Актуальность

814,4 тыс. человек ежегодно умирают в России от болезней системы кровообращения (данные Росстата). Каждый второй умерший россиянин скончался от болезни системы кровообращения; ССЗ составляют 46,15% в общей структуре смертности в РФ. 41% пациентов испытывают сложность или невозможность записи к кардиологу (данные Всероссийского союза пациентов). Дефицит кардиологической экспертизы особенно остро ощущается в приёмных покоях без штатного кардиолога, в районных больницах при высокой нагрузке на врача и в задачах удалённого мониторинга пациентов групп риска.

Проблема

Врачи без специализированной кардиологической подготовки (дежурные врачи приёмного покоя, врачи районных больниц при высокой нагрузке) вынуждены интерпретировать ЭКГ самостоятельно, что повышает риск пропуска критических патологий и задержки оказания помощи. Существующая инфраструктура не всегда позволяет оперативно получить кардиологическую консультацию, особенно в ночное время, выходные и праздничные дни.

Цель проекта

Разработать и внедрить систему глубокого обучения для автоматической классификации кардиологических патологий по ЭКГ и довести её до прототипа клинического веб-сервиса, способного снижать смертность от сердечно-сосудистых заболеваний.

Задачи

1. Разработать и валидировать модель глубокого обучения для многоклассовой классификации кардиологических патологий по 12-отведённой ЭКГ.
2. Создать прототип клинического веб-сервиса для загрузки, оцифровки и анализа ЭКГ.
3. Определить ключевые направления для последующего клинического внедрения.

Целевая аудитория и сферы применения

Региональное здравоохранение — поддержка врача в районной больнице, автоматическая сортировка ЭКГ (норма / под наблюдением / экстренно), постановка предварительного диагноза, снижение риска пропуска патологии при высокой нагрузке.

Приёмный покой — расшифровка ЭКГ в отсутствие штатного кардиолога, выделение критических паттернов (инфаркт миокарда, фибрилляция предсердий и др.) с немедленным сигналом врачу.

Телемедицина — удалённый мониторинг пациентов из групп риска, передача данных с носимых устройств, оповещение врача при состояниях, требующих внимания.

Как это работает

Веб-сервис принимает ЭКГ в виде фотографии с телефона или скана, автоматически распознаёт и оцифровывает отведения, корректирует артефакты и передаёт сигнал в модель классификации, которая формирует итоговое детальное заключение. Развитие сервиса — GISS AI 2.0: модуль оцифровки (OpenCV) → анализ сегментов, зубцов и интервалов ЭКГ несколькими моделями → LLM с RAG-системой на медицинских знаниях → структурированное заключение в формате JSON (ритм, ЧСС, электрическая ось сердца, детальный анализ зубцов P, QRS, T, U) → вывод в веб-интерфейсе.

Стек

Python, Django, OpenCV, глубокое обучение (нейросетевая модель классификации), LLM + RAG-система для формирования клинического заключения.

Данные и результаты GissAI 1.0

Обучающий датасет CODE-15% (телемедицинская сеть штата Минас-Жерайс, Бразилия): 345 779 ЭКГ-исследований, 233 770 уникальных пациентов, период сбора 2010–2016, 12 отведений, 4096 отсчётов, частота 400 Гц.
Целевые классы патологий: АВ-блокада I степени, блокада правой/левой ножки пучка Гиса, синусовая брадикардия, фибрилляция предсердий, синусовая тахикардия.
Метрики модели: AUC-macro 0,985, F1-macro 0,708 — точность сопоставима с мировым уровнем (Ribeiro A.H. et al., Nature Communications, 2020 — AUC-macro 0,99).

Создан рабочий прототип клинического веб-сервиса.

Проект и его научная составляющая (GissAI) заняли II место в секции «ИИ и цифровизация медицины» международного научного медицинского форума «Медицинская Весна» Сеченовского Университета.

Перспективы развития

1. Расширение числа диагностируемых патологий и дифференцировка по степени и локализации.
2. Повышение робастности модуля оцифровки к артефактам фотоизображений (искажения перспективы, шум, качество бумаги).
3. Формирование персонализированного кардиориск-профиля на основе клинического анамнеза.
4. Обмен данными с носимыми (wireless) устройствами для непрерывного мониторинга.

Команда проекта

Вчерашняя Юлия Максимовна - сооснователь проекта, СЕО, маркетолог, UI-дизайнер
Осадчий Артем Сергеевич - сооснователь проекта, СОО, CFO, UX/UI-дизайнер, аналитик
Кузнецов Савва Евгеньевич- CTO, CV специалист, ML разработчик
Климов Степан Игоревич - CIO, FullStack разработчик
Ройзен Илья Дмитриевич - Frontend разработчик, NLP разработчик, ML разработчик

На страницу проекта