Ny AI-modell kan upptäcka hjärtsjukdomar med en bråkdel så mycket data

Att tolka ett elektrokardiogram (EKG) är en av sjukvårdens mest centrala metoder för att bedöma hjärtats funktion, och artificiell intelligens har under flera år testats som beslutsstöd. En stor begränsning har dock varit att traditionella algoritmer kräver enorma volymer manuellt uppmärkta data – ofta tusentals patientfall för varje enskild diagnos – för att tränas upp. I en studie som publicerades i The Lancet Digital Health den 1 september 2026 presenterar forskare vid Scripps Research en ny grundmodell, kallad ECG-CLIP, som drastiskt sänker tröskeln för vad som krävs för att bygga kliniska analysverktyg.

Men hur fungerar egentligen tekniken bakom framsteget? Forskargruppen tränade modellen på över 1,7 miljoner EKG-registreringar från mer än 540 000 patienter. Den avgörande skillnaden mot tidigare modeller är att signalerna parades ihop direkt med läkarnas skrivna anteckningar och bedömningar i stället för enkla ja- eller nej-etiketter. Genom att analysera språket tillsammans med vågmönstren lär sig systemet grundläggande hjärtfysiologi. När modellen sedan ställs inför en ny hjärtsjukdom behöver den bara se omkring 10 till 12 bekräftade fall för att förstå vad den ska leta efter, vilket innebär att behovet av manuellt märkt data minskar med i genomsnitt 91 procent.

När algoritmen testades mot en oberoende databas med över 800 000 EKG-mätningar kunde den identifiera tillstånd som akut hjärtinfarkt, hypertrofisk kardiomyopati och hjärtamyloidos. Den lyckades dessutom förutse framtida risk för förmaksflimmer från EKG-kurvor som vid provtillfället uppvisade en till synes normal rytm. Eftersom modellen även presterar väl med data från enklare mätningar med färre elektroder bedömer forskarna att tekniken kan göra tillförlitlig hjärtdiagnostik möjlig även på mindre kliniker och i resursfattiga miljöer.