Искусственный интеллект в амбулаторном ведении пациентов с хронической сердечной недостаточностью: мнение по проблеме

Аннотация

Хроническая сердечная недостаточность представляет собой глобальную проблему здравоохранения: несмотря на наличие эффективных схем лечения, лишь около 15% пациентов получают оптимальную, основанную на доказательствах, терапию. Ключевая причина – сложность принятия решений в условиях ограниченного во времени амбулаторного приема, что создает запрос на инструменты искусственного интеллекта (ИИ). В статье проанализированы современные разработки ИИ в трех направлениях ведения пациентов с хронической сердечной недостаточностью: диагностике, оптимизации терапии и прогнозировании исходов. Показано, что международные исследования подтверждают высокий потенциал алгоритмов, однако большинство из них находятся на стадии клинической валидации. В России сформирован солидный научный задел, однако отсутствуют масштабные проспективные исследования, регуляторные механизмы и интеграция решений в медицинские информационные системы. Выделены системные барьеры внедрения и предложены конкретные шаги по их преодолению: разработка и запуск российских аналогов международных исследований, развитие объяснимого ИИ, создание национальной платформы для тестирования алгоритмов и подготовка кадров. Реализация этих направлений позволит России не только заполнить существующий пробел, но и занять лидирующие позиции в цифровизации кардиологической помощи.

Хроническая сердечная недостаточность (ХСН) по своим медико-социальным последствиям сопоставима с пандемией: высокая распространенность, неуклонный рост заболеваемости, значительная смертность и колоссальная нагрузка на системы здравоохранения. Масштаб проблемы подтверждается эпидемиологическими данными: медианная распространенность ХСН в странах Европы составляет 17,2 случая на 1 тыс. населения [1][2], а глобальное экономическое бремя в 2021г достигло 284,17 млрд долларов США [3]. Однако ключевая проблема заключается не только в высокой распространенности, но и в структуре оказания помощи.

Основное бремя ведения пациентов с ХСН ложится на амбулаторно-поликлиническое звено. Именно здесь решаются ключевые задачи: раннее выявление факторов риска и заболеваний, своевременная инициация терапии, динамическое наблюдение пациентов и коррекция лечения. Согласно клиническим рекомендациям, пациентам с ХСН со сниженной фракцией выброса (ХСНнФВ) показана комбинированная четырехкомпонентная терапия: ингибиторы ангиотензинпревращающего фермента/валсартан+сакубитрил, бета-адреноблокаторы, антагонисты альдостерона, ингибиторы натрийзависимого переносчика глюкозы 2 типа. Однако в реальной клинической практике, как в России, так и в мире, наблюдается существенное отставание от рекомендаций: по данным исследований, лишь ~15% пациентов получают все четыре класса препаратов [4].

Причины этого разрыва хорошо известны: дефицит времени врача на амбулаторном приеме [5], сложность интерпретации увеличивающегося объема диагностических данных (эхокардиография (ЭхоКГ), электрокардиография (ЭКГ), лабораторные маркеры), боязнь нежелательных явлений при титровании доз и, как следствие, инерция врачебного мышления. В этой ситуации ожидается значительный потенциал инструментов искусственного интеллекта (ИИ), способных автоматизировать анализ данных и предоставить врачу готовые, обоснованные рекомендации в точке принятия решения.

Цель данной проблемной статьи — проанализировать современные разработки ИИ для ведения ХСН, оценить перспективы их применения в российской амбулаторной практике и определить условия эффективного внедрения.

Методология исследования

Для написания данной проблемной статьи проведен несистематический поиск и анализ публикаций в базах данных PubMed, Scopus и eLibrary.ru за период 2019-2026гг. Глубинный анализ литературы был сфокусирован на актуальных исследованиях, посвященных применению ИИ в диагностике, оптимизации терапии и прогнозировании исходов при ХСН, с особым вниманием к работам, имеющим потенциальное значение для амбулаторной практики, особенно систематическим обзорам и метаанализам. Дополнительно проанализированы ссылки в ключевых публикациях для выявления наиболее значимых источников.

Международные исследования последних лет сформировали доказательную базу применения ИИ при ХСН. Разработки условно делятся на три блока, соответствующие этапам ведения пациента: диагностика, оптимизация терапии, прогнозирование исходов.

Результаты

Диагностика

Одним из наиболее разработанных и клинически апробированных направлений применения ИИ в кардиологии является автоматизированный анализ инструментальных данных. Алгоритмы глубокого обучения при анализе ЭКГ способны выявлять субклиническую дисфункцию миокарда с высокой чувствительностью и специфичностью. В исследовании Клиники Мейо (Mayo Clinic) с участием >45 тыс. пациентов ИИ-система анализа ЭКГ продемонстрировала чувствительность 93,0% и специфичность 86,3% при выявлении субклинической дисфункции левого желудочка (ЛЖ) [6].

Одним из перспективных направлений является определение фракции выброса ЛЖ со значением ≤40% — порога для идентификации пациентов с ХСНнФВ — на основе стандартной 12-канальной и даже одноканальной ЭКГ. Развитием этого подхода стали ИИ-интегрированные фонендоскопы с функцией ЭКГ, обеспечивающие возможность скрининга непосредственно на месте оказания помощи, в т.ч. амбулаторно и на дому [6].

Это открывает возможность для двухэтапного скрининга в первичном звене: пациент из группы риска (артериальная гипертензия, сахарный диабет, постинфарктный кардиосклероз) может быть первично обследован с помощью рутинной ЭКГ. ИИ-алгоритм, выявив характерные признаки, позволяет обоснованно инициировать направление на верифицирующую ЭхоКГ, оптимизируя маршрутизацию пациентов.

Помимо ЭКГ, активно развиваются и смежные направления инструментальной диагностики. Одним из них является компьютерный анализ рентгенограмм грудной клетки для выявления структурных аномалий, характерных для ХСН. В исследовании Bhave S, et al. (2024) модель глубокого обучения продемонстрировала высокую точность: площадь под ROC-кривой (AUC) составила 0,80 при выявлении гипертрофии и дилатации ЛЖ по рентгенограммам, при этом алгоритм превзошел всех участвовавших в исследовании 15 сертифицированных радиологов [7]. Полученные результаты открывают перспективы для широкого скрининга ХСН с использованием повсеместно доступных рентгенографических исследований, что может стать важным дополнением к существующим диагностическим подходам.

Оптимизация терапии

Если диагностические алгоритмы решают задачу «что с пациентом?», то системы поддержки принятия врачебных решений (СППВР) призваны ответить на вопрос «как лечить?». Следует отметить, что область применения ИИ для непосредственной оптимизации и титрования терапии остается наименее изученной.

Примером разрабатываемого подхода в данной области служит протокол планируемого исследования ACT-HF (A Pragmatic Trial Evaluating The Impact Of The Anumana Clinical Decision Support Tool For Guideline-Directed Management Of Heart Failure) [4]. Авторы разработали прототип системы, интегрированной в электронные медицинские карты (EHR — electronic health records) на основе технологий обработки естественного языка (NLP — natural language processing) и трансформерных моделей (BERT — Bidirectional Encoder Representations from Transformers). Система предназначена для автоматического выявления пациентов с ХСНнФВ и анализа соответствия их текущей терапии клиническим рекомендациям, указывая на так называемые «пробелы в оптимальной медикаментозной терапии» («gaps in guideline directed medical therapy») — расхождения между реальным лечением и оптимальной медикаментозной терапией.

Предполагается, что предлагаемая СППВР, интегрированная в рабочий процесс врача, сможет в момент открытия карты пациента выдавать ненавязчивое напоминание (best practice alert) о потенциальной необходимости коррекции терапии. Таким образом, ACT-HF представляет собой попытку решения проблемы имплементации уже существующих рекомендаций в рутинную практику. Тот факт, что подобные исследования только начинаются, подчеркивает: потенциал ИИ для оптимизации лечения ХСН остается практически не раскрытым, и результаты будущих работ в этой области станут важным ориентиром для всего мира.

Другим перспективным направлением оптимизации терапии является фенотипирование ХСН с помощью ИИ. Как отмечается в обзоре Alyacoub R, методы машинного обучения с применением кластерного анализа в рамках фенотип-ориентированного подхода позволяют выделять группы пациентов с разной траекторией течения заболевания и неодинаковым ответом на терапию [8]. Это особенно актуально для ХСН с сохраненной фракцией выброса, характеризующейся выраженной гетерогенностью. В исследовании Лариной В. Н. и Лунева В. И. на российской когорте амбулаторных пациентов продемонстрировано, что кластерный анализ позволяет выделить клинические феногруппы с различным прогнозом, что создает основу для перехода к более точной, таргетной терапии [9].

Стратификация риска и прогнозирование

Развитие таргетной терапии невозможно без точного прогнозирования. В этом контексте интеграция разнородных данных — клинических, генетических, социально-экономических, а также данных носимых устройств — является ключевым преимуществом методов ИИ, которое сложно реализовать с помощью традиционных статистических подходов. Протокол европейского многоцентрового исследования STRATIFYHF [10] представляет собой амбициозную попытку разработки и валидации именно такой мультимодальной модели, нацеленной на стратификацию риска, диагностику и прогнозирование течения ХСН.

Дизайн STRATIFYHF (n=1600, 8 центров, период наблюдения до 24 мес.) отличается высокой комплексностью. Исследование предусматривает: формирование когорты лиц с подозрением на ХСН (n=800) для оценки диагностической точности разрабатываемой системы поддержки принятия решений; включение когорты пациентов с уже установленным диагнозом ХСН (n=800) для оценки прогностических возможностей модели в отношении течения заболевания; сбор расширенного массива данных: помимо стандартных параметров (включая уровень N-концевого промозгового натрийуретического пептида, данные ЭхоКГ, анамнез), протокол предусматривает анализ вариабельности сердечного ритма, акселерометрию с носимых устройств (для оценки физической активности), акустические биомаркеры (анализ голосовых характеристик) и оценку сердечного выброса в ответ на стрессовое воздействие.

Таким образом, из трех обозначенных нами блоков применения ИИ при ХСН — диагностика, оптимизация терапии и прогнозирование исходов — в настоящее время наиболее разработанным и клинически апробированным является первый (в частности, алгоритмы анализа ЭКГ для выявления дисфункции миокарда). Что касается прогнозирования исходов и, тем более, оптимизации терапии, работы, подобные STRATIFYHF, находятся на стадии активной разработки и клинической валидации. Ожидается, что мультимодальные модели в перспективе смогут повысить точность прогнозирования рисков, однако окончательные выводы об их эффективности и возможности интеграции в рутинную практику будут возможны только после завершения текущих исследований и публикации их результатов. В случае успеха подобные проекты позволят приблизиться к формированию замкнутого контура ведения пациента, где скрининг (подобно подходам, разрабатываемым в клинике Мейо [6]), поддержка принятия решений по терапии (подобно прототипу ACT-HF [4]) и долгосрочный мультимодальный мониторинг рисков (подобно STRATIFYHF [10]) будут работать как единая система, смещая фокус с лечения уже развившейся декомпенсации на ее раннее предсказание и активное предотвращение на догоспитальном этапе.

Российская реальность: пространство неограниченных возможностей

Ситуацию в России точно описывает формула «накопленный потенциал, готовый к реализации»: наложение российских разработок на выделенные этапы дает обнадеживающую картину.

Диагностика: систематический обзор Ковельковой М. Н. и Яковлевой Е. Г. (2025) [11], проанализировавший 221 публикацию за период 2019-2024гг, выявил 29 работ, посвященных разработке прогностических моделей ИИ для сердечно-сосудистой патологии. Подавляющее большинство моделей демонстрируют высокую точность (площадь под ROC-кривой (AUC) >0,8), а значительная их часть решает задачи, близкие к амбулаторному скринингу (анализ ЭКГ, оценка рисков на основе клинико-лабораторных данных). Многие из представленных моделей прошли оценку на ретроспективных клинических данных. Основная задача исследователей на данном этапе — калибровать существующие модели под раннее выявление именно ХСН и инициировать их проспективную валидацию.

Оптимизация терапии: среди проанализированных Ковельковой М. Н. и Яковлевой Е. Г. [11] работ специализированные СППВР для титрования терапии при ХСН отсутствуют. Однако концептуальные схемы таких систем уже предложены [12], а работы по созданию систем на основе анализа медицинских текстов ведутся. Следующим этапом видится инициация проспективных исследований и валидация разработанных клинических инструментов.

Стратификация риска и прогнозирование: наиболее сложный и наименее разработанный блок в мире, требующий интеграции разнородных данных. В российских исследованиях, представленных в обзоре Ковельковой М. Н. и Яковлевой Е. Г. [11], прогностические модели разрабатываются, однако они, как правило, ориентированы на общие сердечно-сосудистые риски, а не на мультимодальный прогноз при ХСН. В то же время в обзоре Кутелева Г. Г. и др. [13] подробно анализируются современные мировые достижения в области носимых устройств, датчиков и методов регистрации физиологических сигналов (ЭКГ, фотоплетизмография, вариабельность ритма), что создает технологическую основу для разработки в России комплексных прогностических моделей, объединяющих клинические, лабораторные данные и параметры непрерывного мониторинга. Таким образом, создание мультимодальных прогностических моделей для ХСН представляет собой перспективное направление, открытое для научных коллективов.

Отсутствие в России масштабных протоколов исследований ИИ при ХСН, аналогичных международным ACT-HF или STRATIFYHF, следует рассматривать как уникальное окно возможностей для отечественных исследователей. Ведущие научные центры (например, ФГАОУ ВО РНИМУ им. Н. И. Пирогова Минздрава России (Пироговский Университет) и другие) обладают необходимой экспертизой, клинической инфраструктурой и доступом к данным пациентов для запуска собственных пилотных проектов. Сфокусировав усилия на создании когорт для изучения вопросов оптимизации получения пациентами оптимальной медикаментозной терапии и мультимодального мониторинга именно в амбулаторных условиях, российская наука может не только заполнить существующий пробел, но и выйти на передовые позиции. Полученные данные станут основой для обновления национальных клинических рекомендаций и обеспечат нашей стране конкурентное преимущество в цифровизации кардиологической помощи.

Проблемы и барьеры внедрения

Рутинному клиническому применению разработанных моделей препятствуют несколько системных барьеров.

1. Регуляторный вакуум. Процедура регистрации СППВР в качестве медицинских изделий остается неопределенной. Отсутствие четких требований к классу риска и дизайну клинических испытаний тормозит вывод разработок на рынок.
2. Дефицит локальной валидации. Алгоритмы, обученные на зарубежных данных, могут терять точность на российских когортах из-за различий в коморбидности и протоколах обследования. Для доказательства эффективности необходимы собственные проспективные многоцентровые исследования (аналоги STRATIFYHF и ACT-HF), которые в России пока отсутствуют.
3. Интеграционная разобщенность. Большинство отечественных разработок существуют изолированно — как автономные приложения или веб-сервисы, не интегрированные в государственные медицинские информационные системы (Единая медицинская информационно-аналитическая система (ЕМИАС), региональные медицинские информационные системы). Это делает их использование в рутинной практике крайне затруднительным.
4. Проблема доверия и интерпретируемости. Непрозрачность решений («черный ящик») многих моделей глубокого обучения, отсутствие механизмов объяснимости и нерешенные вопросы юридической ответственности за врачебную ошибку с участием ИИ сдерживают внедрение технологий в клинический процесс.

Перспективы и будущие направления

Преодоление описанных барьеров требует консолидации усилий разработчиков, клиницистов, регуляторов и организаторов здравоохранения. Необходима смена парадигмы: от создания моделей к доказательству их клинической и экономической эффективности.

1. Запуск российских проспективных исследований. Приоритетной задачей является проведение многоцентровых исследований, аналогичных STRATIFYHF и ACT-HF, включающих валидацию диагностических алгоритмов на репрезентативных выборках пациентов с ХСН; оценку клинической и экономической эффективности СППВР для титрования оптимальной медикаментозной терапии ХСН; адаптацию моделей для работы с русскоязычной медицинской документацией и их интеграцию в медицинские информационные системы.
2. Развитие объяснимого ИИ. Для повышения доверия врачей необходим переход к гибридным моделям, способным не только выдавать прогноз, но и генерировать текстовое обоснование, ссылаясь на конкретные признаки пациента. Это превратит ИИ из «черного ящика» в ассистента, помогающего принимать обоснованные решения.
3. Создание национальной платформы для тестирования алгоритмов. Государственная инициатива по формированию «песочницы» и размеченных датасетов (ЭКГ, ЭхоКГ, тексты) позволит разработчикам объективно сравнивать качество моделей на единых стандартизированных данных, ускоряя вывод на рынок наиболее эффективных решений.
4. Подготовка кадров. Необходимо включение основ работы с ИИ в программы медицинского образования и непрерывного профессионального развития. Врач должен воспринимать ИИ как инструмент, освобождающий от рутины и расширяющий аналитические возможности, а не как конкурента.

Заключение

Проведенный анализ подтверждает, что Россия обладает всем необходимым для успешного применения ИИ в ведении пациентов с ХСН. Международные исследования убедительно демонстрируют возможности алгоритмов в диагностике, оптимизации терапии и прогнозировании исходов. Россия, располагающая солидным научным заделом и технологической базой, находится в уникальной позиции: накоплен достаточный потенциал для перехода от этапа разработок к реальной клинической практике, и сегодня открывается окно возможностей для реализации этого потенциала.

Инициация собственных проспективных исследований, интеграция ИИ-решений в государственные информационные системы и подготовка кадров — те конкретные шаги, которые позволят воплотить накопленные научные результаты в практическое здравоохранение. Движение в этом направлении не просто модернизирует кардиологическую службу, но и реально улучшит качество и продолжительность жизни миллионов российских пациентов с ХСН.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.

Декларация ИИ. Технологии генеративного ИИ использовались исключительно как вспомогательный инструмент на финальных стадиях работы над текстом рукописи.