Oficiálny časopis Slovenskej kardiologickej spoločnosti,
Slovenskej hypertenziologickej spoločnosti a Slovenskej asociácie srdcových arytmií

Cardiology Letters 2026, 35(3):146-154

Určovanie korigovaného QT intervalu: umelá inteligencia verzus lekár

Ján Šuba ml., Martin Dúbrava
LFUK a UN Bratislava, Nemocnica akad. L. Dérera, Limbová 5, 833 05 Bratislava, Slovenská republika

Východiská: Kvantifikácia korigovaného QT intervalu (QTc) má zásadný význam pri stratifikácii rizika torsades de pointes a arytmogénnej náhlej srdcovej smrti, najmä pri QTc > 500 ms. Meranie QT intervalu je len zdanlivo jednoduché.

Cieľ: Cieľom práce bolo porovnať určovanie QTc intervalu medzi všeobecne dostupným multimodálnym AI asistentom ChatGPT vo verzii 5.2 „Thinking“, špecializovanou AI aplikáciou PMcardio, automatizovaným meraním elektrokardiografickým (EKG) prístrojom a lekárskym meraním.

Súbor a metodika: Analýza zahŕňala 115 anonymizovaných 12-zvodových elektrokardiogramov hospitalizovaných pacientov. Ich priemerný vek bol 80,8 roka; ženy tvorili 58,3 %. Zjednotenou metodikou boli stanovené QT a RR intervaly a následne vypočítaný QTc interval podľa Bazettovho vzorca. Zhoda uvedených metód s lekárskym meraním bola hodnotená Blandovou-Altmanovou analýzou.

Výsledky: QTc interval bol hodnotiteľný pri 105 záznamoch analyzovaných pomocou ChatGPT, s použitím aplikácie PMcardio a pri meraní lekára bol hodnotiteľný pri všetkých záznamoch. Najnižšiu zhodu s lekárom a širokú variabilitu s proporčným skreslením vykazoval ChatGPT. PMcardio a EKG prístroj dosiahli podstatne tesnejšiu zhodu s meraním lekára.

Záver: Všeobecne dostupný multimodálny AI model mal výraznú variabilitu meraní a preto ho zatiaľ nemožno považovať za dostatočne robustný na samostatné určovanie QTc v klinickej praxi. Naopak, špecializované AI nástroje sa javia ako sľubnejšie. Meranie lekára má stále zásadný význam.

Kľúčové slová: artificial intelligence; electrocardiography; QT interval; QTc

Uverejnené: August 1, 2026  Zobraziť citáciu

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Šuba J, Dúbrava M. Určovanie korigovaného QT intervalu: umelá inteligencia verzus lekár. Cardiology Letters. 2026;35(3):146-154.
Share...
Stiahnuť citáciu
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Zobraziť celý článok

    Referencie

    1. Zhou J, Li H, Chen S, Chen Z, Han Z, Gao X. Large language models in biomedicine and healthcare. npj Artif Intell. 2025;1:44.
    2. AlSaad R, Abd-alrazaq A, Boughorbel S, Ahmed A, Renault MA, Damseh R, et al. Multimodal large language models in health care: applications, challenges, and future outlook. J Med Internet Res. 2024;26:e59505.
    3. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Claster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
    4. Drew BJ, Ackerman MJ, Funk M, Gibler WB, Klingfield P, Menon V, et al. Prevention of torsade de pointes in hospital settings: a scientific statement from the American Heart Association and the American College of Cardiology Foundation. J Am Coll Cardiol. 2010;55:934-947.
    5. Yap YG, Camm AJ. Drug induced QT prolongation and torsades de pointes. Heart. 2003;89:1363-1372.
    6. Zeppenfeld K, Tfelt-Hansen J, de Riva M, Winkel BG, Behr ER, Blom NA, et al. 2022 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death. Eur Heart J. 2022;43:3997-4126.
    7. Stallmann FW, Pipberger HV. Automatic recognition of electrocardiographic waves by digital computer. Circ Res. 1961;9:1138-1143.
    8. McLaughlin NB, Campbell RW, Murray A. Accuracy of four automatic QT measurement techniques in cardiac patients and healthy subjects. Heart. 1996;76:422-426.
    9. Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations. J Am Coll Cardiol. 2017;70:1183-1192.
    10. Palermi S, Vecchiato M, Ng FS, Attia Z, Cho Y, Anselmino M, et al. Artificial intelligence and the electrocardiogram: a modern renaissance. Eur J Intern Med. 2025;140:106329.
    11. Kim YR, Park SB, Lee SJ, Yang HJ. Artificial intelligence assisted QT interval measurement in 12-lead-ECGs. Europace. 2025;27(Suppl 1):euaf085.838.
    12. Plagwitz L, Doldi F, Magerfleisch J, Zotov M, Bickmann L, Heider D, et al. QTcNet: a deep learning model for direct heart rate corrected QT interval estimation. Europace. 2025;27:euaf274.
    13. Ansari RA, Bandyopadhyay S, Trivedi RK, Brennan KA, Liu X, Ganesan P, et al. Deep Learning-Based Continuous QT Monitoring to Identify High-Risk Prolongation Events After Class III Antiarrhythmic Initiation. Circulation. 2026;153:35-46.
    14. Zhu L, Mou W, Wu K, Lai Y, Lin A, Yang T, et al. Multimodal ChatGPT-4V for Electrocardiogram Interpretation: Promise and Limitations. J Med Internet Res. 2024;26:e54607.
    15. Çamkiran V, Tunç H, Achmar B, Ürker TS, Kutlu İ, Torun A. Artificial intelligence (ChatGPT) ready to evaluate ECG in real life? Not yet! Digit Health. 2025;11: 20552076251325279.

    Tento článok je publikovaný v režime otvoreného prístupu k vedeckým informáciam (Open Access), ktorý je distribuovaný pod licenciou Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0), ktorá umožňuje nekomerčnú distribúciu, reprodukciu a zmeny, ak sa pôvodna práca riadne ocitovaná. Distribúcia, reprodukcia alebo zmeny, ktoré nie sú v súlade s podmienkami tejto licencie, nie sú povolené.


    Späť na obsah