Fibrilace síní (FS) představuje celosvětově nejčastější srdeční arytmii. Její prevalence byla v roce 2019 odhadnuta na přibližně 59,7 milionu osob a dostupné epidemiologické modely ukazují, že do roku 2060 může dojít k jejímu přibližnému zdvojnásobení. Tento trend je dán zejména stárnutím populace, nárůstem metabolických a kardiometabolických rizikových faktorů, zvýšenou délkou života pacientů s kardiovaskulárními onemocněními (Obrázek 1), ale pravděpodobně i lepší detekcí subklinických forem.
Obr. 1 Klinické projevy a důsledky fibrilace síní (2024 ESC Guidelines)
Celoživotní riziko vzniku fibrilace síní se dnes pohybuje kolem 1 : 3 a ve srovnání s dřívějšími odhady (1 : 5) představuje výrazné navýšení. Klinický význam fibrilace síní spočívá především v jejím vztahu k závažným komplikacím, zejména cévní mozkové příhodě a rozvoji srdečního selhání. Pacienti s fibrilací síní mají také zvýšené riziko kognitivních poruch a demence. Celková mortalita pacientů s fibrilací síní je přibližně dvakrát vyšší než u stejné skupiny bez tohoto onemocnění. Kromě klinických důsledků představuje fibrilace síní také významnou ekonomickou zátěž zdravotnických systémů, především v souvislosti s hospitalizacemi, léčbou komplikací a dlouhodobou antikoagulační terapií.
Nejnovější epidemiologická data ukazují, že v Evropě dochází k nárůstu incidence fibrilace síní u osob mladších 70 let přibližně o 35 %, zatímco u populace starší 70 let je v některých regionech pozorován mírný pokles incidence. Tento trend zdůrazňuje význam časné identifikace rizikových faktorů již ve středním věku a podporuje širší využití screeningových nástrojů.
Klasickými rizikovými faktory fibrilace síní jsou arteriální hypertenze, diabetes mellitus, srdeční selhání, chlopenní vady, ischemická choroba srdeční, kardiomyopatie, obezita a vysoký příjem alkoholu. Ve srovnání s evropskými daty je hypertenze v české populaci přítomna u naprosté většiny pacientů s fibrilací síní a podílí se na více než 35 % úmrtí spojených s tímto onemocněním. V registrové studii Fakultní nemocnice Brno byla hypertenze zaznamenána u 220 (72 %) z 306 sledovaných pacientů.
Vedle vysokého krevního tlaku se v klinickém obraze často uplatňují i další komorbidity, jako je diabetes mellitus, vyskytující se u přibližně čtvrtiny pacientů s fibrilací síní. V rámci komplexní péče o tyto polymorbidní nemocné pak hraje klíčovou roli redukce hmotnosti. U obézních pacientů je snížení váhy o více než 10 % spojeno s významným poklesem zátěže i frekvence symptomatických epizod. Systematické ovlivnění komorbidit je proto nezbytné pro prevenci recidiv a pro zpomalení strukturální progrese onemocnění.
Zatímco v některých státech západní Evropy dochází k postupné stabilizaci epidemiologických ukazatelů fibrilace síní spojených s věkem, nejnovější analýzy z let 2024–2025 označují Česko jako jeden z nejproblematičtějších regionů. Česká populace vykazuje v evropském kontextu několik výrazně nepříznivých trendů:
- Druhý nejvyšší nárůst věkově standardizované incidence v Evropě, s meziročním navýšením o 1,50 %.
- Výrazné zvýšení úmrtnosti spojené s fibrilací síní, kde průměrná roční procentuální změna (AAPC) dosahuje jedné z nejvyšších hodnot v Evropě (+12,8 %). Jedná se o třetí nejvyšší hodnotu na celém kontinentu, hned po Lotyšsku (+37,6 %) a Litvě (+15,0 %).
- Trvale rostoucí zátěž DALY (ztracených let života v důsledku nemoci), s meziročním nárůstem o 0,99 %, což potvrzuje zásadní dopad onemocnění na délku i kvalitu života české populace.
Výše zmíněné ukazatele zdůrazňují naléhavou potřebu modernizace diagnostických a terapeutických postupů, a to jak na úrovni ambulantní, tak nemocniční péče. Data rovněž podporují požadavek na systematický rozvoj národních preventivních a screeningových strategií, které by umožnily včasný záchyt arytmie a snížení jejího klinického i socioekonomického dopadu. Rostoucí dostupnost nástrojů umělé inteligence (AI) a jejich implementace do klinické praxe představuje potenciál, který by umožnil dřívější a přesnější záchyt fibrilace síní, snížil související morbiditu a vedl ke zlepšení péče zaměřené na pacienta.
Klíčové technologie a jejich aplikace
V oblasti výzkumu a řízení léčby fibrilace síní dominují dvě hlavní větve umělé inteligence: strojové učení (ML – machine learning) a hluboké učení (DL – deep learning). Strojové učení zahrnuje algoritmy, které analyzují velké soubory klinických dat a identifikují vzorce pomocí statistických modelů. Mezi nejčastěji používané metody patří logistická regrese, rozhodovací stromy nebo náhodné lesy. Hluboké učení naopak využívá vícevrstvé neuronové sítě schopné automaticky extrahovat komplexní rysy z biologických signálů.
Analýza fibrilace síní využívá několika klíčových architektur umělé inteligence. Konvoluční neurální sítě (CNN) se zaměřují na extrakci prostorových rysů a jsou vhodné zejména pro hodnocení morfologie EKG křivky, kde identifikují i jemné změny, které mohou při klasickém vizuálním posouzení uniknout. Rekurentní neurální sítě (RNN), včetně modelů s dlouhou krátkodobou pamětí (LSTM), jsou optimalizovány pro sekvenční data a umožňují detailně sledovat časovou dynamiku v dlouhodobých EKG záznamech či v datech z nositelných zařízení. V posledních letech se v analýze biologických signálů prosazují také transformery, které umožňují zachytit dlouhodobé vztahy v časových řadách a zlepšují predikční schopnost modelů. Tyto algoritmy mohou pracovat s rozsáhlými multimodálními daty, včetně EKG, klinických údajů a elektronické zdravotnické dokumentace.
Umělá inteligence v diagnostice fibrilace síní
Nejvýznamnější klinické uplatnění umělé inteligence v současnosti představuje automatická analýza EKG záznamů. Význam těchto metod zdůrazňují i novější odborná doporučení, která řadí algoritmy umělé inteligence mezi validní nástroje pro identifikaci jedinců s rizikem fibrilace síní.
Algoritmy hlubokého učení vykazují při klasifikaci srdečních arytmií vysokou diagnostickou přesnost. S 98,0% senzitivitou a 99,0% specificitou překonávají tyto algoritmy standardní softwarové nástroje a jejich interpretace EKG je srovnatelná s expertním hodnocením kardiologa. AI dokáže analyzovat nejen standardní dvanáctisvodové EKG, ale i jednosvodové záznamy ze spotřebitelských zařízení. Díky tomu je možný rozsáhlý screening fibrilace síní v populaci, včetně asymptomatických pacientů.
Zásadní roli v této oblasti hrají nositelná zařízení. Chytré hodinky, fitness náramky nebo implantabilní záznamníky umožňují kontinuální monitorování srdečního rytmu mimo zdravotnická zařízení (Obrázek 2). Integrace těchto dat s algoritmy umělé inteligence umožňuje včasnou detekci arytmie a může významně snížit riziko cévní mozkové příhody díky včasnému zahájení antikoagulační léčby. Narůstající dostupnost nositelných zařízení otevírá cestu populačního screeningu fibrilace síní, zejména u starších osob nebo u jedinců s přítomnými kardiovaskulárními rizikovými faktory.
Obr. 2 Nositelná a implantovatelná zařízení pro detekci fibrilace síní
Studie GUARD-AF zaměřená na screening pomocí nositelných EKG monitorů ve formě 14denní náplasti ukázala, že monitoring může zvýšit záchyt fibrilace síní u starších dospělých přibližně o 52 % ve srovnání s běžnou klinickou péčí. Strategie umožnila častější zahájení antikoagulační léčby, aniž by se zvýšil počet hospitalizací pro krvácivé komplikace. Nebylo však prokázáno statisticky významné snížení hospitalizací pro cévní mozkovou příhodu, a proto zatím není plošný screening touto metodou rutinně doporučován.
Klíčovým přínosem je také schopnost některých algoritmů predikovat budoucí vznik fibrilace síní ze záznamu EKG zaznamenaného v sinusovém rytmu, a identifikovat tak pacienty s vysokým rizikem budoucího rozvoje fibrilace síní. Zlatým standardem však stále zůstává potvrzení diagnózy lékařem na základě interpretace EKG záznamu.
Stratifikace rizika a predikce průběhu onemocnění
Umělá inteligence umožňuje komplexní analýzu velkých klinických databází a integraci různých typů dat, například klinických údajů, EKG parametrů, genetických informací nebo biomarkerů. Pomocí personalizovaných rizikových profilů pacientů je následně možné přesněji odhadnout riziko komplikací (Obrázek 3).
Obr. 3 Schéma využití umělé inteligence při predikci rizika fibrilace síní
Právě kombinace různých přístupů může pomoci při identifikaci pacientů se subklinickou fibrilací síní zachycenou implantabilními zařízeními nebo dlouhodobým monitorováním rytmu. Absolutní riziko cévní mozkové příhody je u těchto pacientů nižší než u pacientů s klinicky manifestní fibrilací síní a pohybuje se přibližně kolem 1 % ročně. Současně však existuje významné riziko přechodu do klinicky manifestní arytmie, které se odhaduje přibližně na 6–9 % ročně. Z tohoto důvodu je nutné individuální posouzení rizika a pravidelné sledování pacientů. O zahájení antikoagulační léčby přímými perorálními antikoagulancii (DOAC) se rozhoduje individuálně se zvážením vysokého tromboembolického rizika a současně při absenci významných rizik krvácení.
Moderní přístup k managementu fibrilace síní zároveň zdůrazňuje význam pohledu pacienta na vlastní onemocnění. V klinické praxi se proto doporučuje využívání validovaných nástrojů pro hodnocení kvality života (patient‑reported outcome measures, PROM). Tyto nástroje umožňují objektivizovat přínos léčby, zejména po katetrizační ablaci, a pomáhají lékaři lépe rozhodovat o strategii kontroly rytmu. Takový přístup otevírá cestu k prediktivní a personalizované kardiologii, kdy je možné identifikovat jedince s vysokým rizikem rozvoje arytmie ještě před objevením klinických symptomů a současně hodnotit skutečný přínos zvolené léčebné strategie z pohledu pacienta.
Zajímavým novým přístupem v oblasti predikce rizika je koncept tzv. „AI věku srdce“, který je odvozen z analýzy EKG. Algoritmy hlubokého učení analyzují celý digitální EKG signál a identifikují subtilní elektrofyziologické vzorce související s remodelací síní a biologickým stárnutím myokardu. Na základě těchto charakteristik následně odhadují tzv. biologický věk srdce. Pokud je tento věk vyšší než skutečný chronologický věk pacienta, jedná se o silný nezávislý prediktor budoucího rozvoje fibrilace síní i zvýšené mortality, a to i v případě, že je v době vyšetření přítomen normální sinusový rytmus. Tento validovaný klinický ukazatel otevírá cestu k identifikaci vysoce rizikových jedinců ještě v latentní fázi onemocnění.
Vedle diagnostiky se umělá inteligence uplatňuje také při volbě optimální léčebné strategie. AI modely mohou například pomoci při rozhodování o indikaci antikoagulační léčby tím, že kombinují klasické skórovací systémy s dalšími klinickými proměnnými.
Umělá inteligence v rozhodování o léčbě
Významné uplatnění nachází v oblasti katetrizační ablace. Modely hlubokého učení umožňují analyzovat elektrogramy, obrazová data a další klinické parametry a pomáhají lokalizovat potenciální spouštěče arytmie (triggery) i odhadnout riziko recidivy fibrilace síní po výkonu. Tyto přístupy mohou přispět k lepšímu výběru pacientů vhodných k ablaci a k optimalizaci strategie výkonu.
V oblasti intervenční léčby fibrilace síní dochází v posledních letech k významnému technologickému posunu díky zavedení ablace pulsním polem (pulsed-field ablation, PFA) založené na principu elektroporace. Tato metoda využívá krátké vysokonapěťové elektrické pulsy k selektivní destrukci kardiomyocytů s vysokou tkáňovou specificitou, a tím minimalizuje riziko poškození okolních struktur, jako je jícen nebo brániční nerv. Ve srovnání s tradičními termickými metodami, například radiofrekvenční energie nebo kryoablace, vykazuje ablace pulsním polem srovnatelnou účinnost, avšak přináší vyšší bezpečnost a kratší dobu výkonu. Díky absenci termického poškození se zvyšuje bezpečnost a efektivita katetrizační léčby fibrilace síní. Potenciál této metody dále zvyšuje integrace AI modelů naváděných elektroporací, které pomáhají lékařům v reálném čase zpřesňovat procedurální plánování a s vysokou přesností predikovat úspěšnost výkonu i riziko budoucí recidivy arytmie.
Zásadní posun v moderní kardiologii představuje technologie digitálních dvojčat (Digital Twins). Představuje virtuální, dynamicky aktualizovaný model vytvořený podle konkrétního pacienta, který věrně replikuje anatomii, fyziologii a funkci skutečného orgánu. V kardiologii tak může být digitální dvojče personalizovaným modelem srdce či jeho části, který vzniká kombinací biofyzikálně založených simulací a pacientsky specifických klinických dat.
Například data z magnetické rezonance (MR) nebo výpočetní tomografie (CT), orientace myokardiálních vláken, distribuce fibrózy a dynamického elektrofyziologického profilování, mohou být využita za účelem simulace mechanismů udržování fibrilace síní. Tato virtuální srdce umožňují lékařům provádět simulace in silico a testovat různé ablační strategie a jejich pravděpodobné výsledky ještě před samotným invazivním zákrokem.
Personalizované vedení terapie pomocí digitálních dvojčat má potenciál snížit riziko recidivy arytmie, minimalizovat poškození zdravé srdeční tkáně a významně zkrátit celkovou dobu trvání procedury. Přestože výpočetní studie přinášejí slibné výsledky, zavedení digitálních dvojčat do rutinní klinické praxe vyžaduje rozsáhlou validaci, bezproblémovou integraci do pracovních postupů lékařů a překonání technických bariér souvisejících s vysokou výpočetní náročností těchto modelů.
Technologii digitálních dvojčat využívá projekt TARGET k vytvoření pacientsky specifických modelů levé síně. Jedná se o revoluční krok v personalizované prevenci cévních mozkových příhod u pacientů s fibrilací síní. Spojením pokročilých biomechanických simulací krevního toku s klinickými daty dokáže systém přesně identifikovat oblasti stagnace krve a predikovat riziko vzniku trombu s mnohem vyšší citlivostí, zatímco dosavadní klinická praxe spoléhá na statistické skóre CHA₂DS₂-VA. Tento inovativní přístup tak umožňuje lékařům lépe cílit antikoagulační léčbu a efektivněji předcházet fatálním následkům onemocnění.
Další perspektivní oblastí je personalizovaná farmakoterapie. Algoritmy strojového učení trénované na charak-
teristikách EKG a dalších klinických parametrech umožňují předpovědět pravděpodobnou odpověď pacienta na jednotlivá antiarytmika. Tento přístup může v budoucnu usnadnit volbu optimální léčebné strategie již v úvodu léčby a snížit počet neúčinných terapeutických pokusů.
Pokračování článku…
Ing. Jana Brabcová, Ph.D.
Zdroje:
Doporučení ESC pro diagnostiku a léčbu fibrilace síní (2024).
Țica, Otilia, et al. Artificial Intelligence in the Diagnosis and Management of Atrial Fibrillation. Diagnostics. 15.20 (2025): 2561.
Ilustrační foto Shutterstock
