Аспекты применения искусственного интеллекта для наблюдения за пациентами с болезнями системы кровообращения: систематический обзор

Аннотация

Цель. Систематический обзор литературных данных об эффективности применения технологий искусственного интеллекта (ИИ) для скрининга, диагностики и мониторинга болезней системы кровообращения.

Материал и методы. Проведен поиск научных публикаций в базах данных PubMed, Web of Science, Scopus, CyberLeninka, eLibrary и Google Scholar. Стратегия поиска включала использование ключевых слов на русском и английском языках: «circulatory system diseases», «cardiovascular diseases», «artificial intelligence», «machine learning», «deep learning», «patient monitoring», «remote monitoring», «болезни системы кровообращения», «сердечно-сосудистые заболевания», «искусственный интеллект», «машинное обучение», «глубокое обучение», «наблюдение за пациентами», «мониторинг». Включение оригинальных исследований в период 2015-2025 гг. основано на независимой оценке авторами.

Результаты. Из 594 публикаций после скрининга в окончательный анализ включено 8 исследований, отвечающих критериям включения.

Заключение. ИИ представляет собой инструмент, меняющий современные методы мониторинга, диагностики и прогнозирования исходов БСК. Разработанные на основе ИИ решения демонстрируют высокую диагностическую и прогностическую эффективность, зачастую превосходящую традиционные клинические шкалы, и составляют основу интеллектуальных систем поддержки принятия врачебных решений.

Болезни системы кровообращения (БСК) занимают лидирующую позицию среди причин смерти в Российской Федерации. По данным за 2022г, показатели общей смертности составили 566,8 на 100 тыс. населения и 159,9 на 100 тыс. населения трудоспособного возраста, при этом более половины случаев связаны с ишемической болезнью сердца [1][2]. Данная ситуация усугубляется рядом факторов, включая большую нагрузку на врачей, связанную с документооборотом, и продолжительность рабочей недели, превышающую 60 ч, что ограничивает возможность проведения комплексной оценки множественных факторов риска [3]. В данном контексте цифровизация здравоохранения и внедрение технологий искусственного интеллекта (ИИ) открывают новые перспективы для перехода от реактивной к проактивной превентивной модели, что соответствует общемировым тенденциям смещения акцента со стационарной помощи в сторону амбулаторного ведения пациентов и повышения их приверженности лечению [3][4].

Эффективность применения ИИ в мониторинге пациентов с БСК определяется способностью алгоритмов к обработке и анализу больших объемов данных [2][5]. Источники данных включают электронные медицинские карты, результаты клинико-лабораторных и инструментальных исследований, показания носимых и имплантированных устройств, а также информацию, предоставляемую пациентами [6]. ИИ позволяет анализировать информацию из больших массивов данных, выявлять скрытые паттерны и строить точные прогностические модели [2][6]. В отличие от традиционных статистических методов, оперирующих ограниченным набором переменных, алгоритмы машинного обучения способны к идентификации новых предикторов и анализу сложных взаимосвязей между ними, что способствует повышению точности прогнозирования [2][7]. Модель на основе платформы AutoPrognosis, использующая 473 переменные из UK Biobank, имеет площадь под ROC-кривой (AUC-ROC) 0,774, 95% доверительный интервал (ДИ) 0,768-0,780, что статистически значимо превосходит прогностическую способность шкалы Фрамингема (AUC-ROC 0,724, 95% ДИ: 0,720-0,728, p<0,001) и позволяет корректно идентифицировать случаи БСК в течение 5-летнего периода наблюдения [7].

Среди перспективных направлений в мониторинге состояния пациентов с использованием ИИ выделяются рекуррентные нейронные сети (РНС), в частности архитектуры с долговременной памятью (LSTM) и двунаправленные LSTM (Bi-LSTM), предназначенные для анализа последовательных временных рядов данных [1][8]. Данный подход представляет важное значение для прогнозирования риска развития заболеваний, поскольку учитывает долгосрочные зависимости и динамику изменения клинических показателей. Интеллектуальная система на основе Bi-LSTM в контексте мониторинга и прогнозирования риска БСК имеет точность 98,86% и чувствительность 98,8%, что существенно превышает показатели существующих аналогов [8]. Другим не менее значимым направлением является интеграция ИИ в носимые устройства, такие как смарт-часы с функцией регистрации электрокардиограммы (ЭКГ). Алгоритмы на основе глубоких нейронных сетей, применяемых для верификации наджелудочковых аритмий на ЭКГ, или оценки с помощью программного обеспечения Apple watch ECG (приложение Apple App) носимых устройств, показали чувствительность 91% (95% ДИ: 85-95%) и 61% (95% ДИ: 44-75%) при специфичности 95% (95% ДИ: 91-97%) и 97% (95% ДИ: 93-99%) по сравнению с интерпретацией ЭКГ врачами-экспертами. Глубокие нейронные сети смогли поставить диагноз на 99% ЭКГ, в то время как приложение Apple смогло классифицировать только 78% пленок (22% неубедительных диагнозов) [9]. Интеграция носимых устройств с системами ИИ позволяет оптимизировать подходы к ведению пациентов с кардиологической патологией, обеспечивая раннюю диагностику и выявление заболеваний в реальном времени с последующим назначением терапии [10]. Однако для реализации данного метода требуется решение ряда правовых и организационных вопросов, включая обеспечение конфиденциальности данных, адаптацию нормативно-правовой базы и обеспечение финансирования [6][10].

Цель исследования — систематический обзор литературных данных об эффективности применения технологий ИИ для скрининга, диагностики и мониторинга БСК.

Методология исследования

Для проведения систематического обзора был выполнен поиск научных публикаций в базах данных PubMed, Web of Science, Scopus, CyberLeninka, eLibrary и Google Scholar. На основании ключевых слов выполнялся запрос к соответствующей базе данных с последующим отбором исследований, удовлетворяющих критериям. Стратегия поиска включала использование ключевых слов на русском и английском языках: «circulatory system diseases», «cardiovascular diseases», «artificial intelligence», «machine learning», «deep learning», «patient monitoring», «remote monitoring», «болезни системы кровообращения», «сердечно-сосудистые заболевания», «искусственный интеллект», «машинное обучение», «глубокое обучение», «наблюдение за пациентами», «мониторинг».

Авторы независимо друг от друга проводили отбор исследований, соответствующих критериям включения. Включались оригинальные исследования, опубликованные на русском и английском языках в период с 01 января 2015г по 31 октября 2025г, в которых рассматриваются основные аспекты применения моделей ИИ с целью наблюдения, прогнозирования и мониторинга состояния пациентов с БСК. По итогам отбора в настоящий систематический обзор было включено 8 исследований (рис. 1). Авторы последовательно анализировали аннотации, полные тексты статей и извлекали необходимые данные для формирования систематического обзора. Отбор исследований, которые соответствовали критериям включения, проводился тремя авторами-исследователями. В случае возникновения разногласий относительно включения той или иной публикации, привлекался четвертый, независимый исследователь, и окончательное решение принималось по результатам консилиума.

Из поиска были исключены тезисы конференций, диссертационные исследования, нарративные и систематические обзоры, повторяющиеся публикации, а также методические рекомендации, т.к. они часто не содержат необходимых деталей об архитектуре моделей ИИ и конкретных результатах их валидации.

Поскольку критерии стандартизированных инструментов оценки доказательств (в частности, шкалы Ньюкасла-Оттава и алгоритмов Кокрейновского сотрудничества) разработаны для исследований, основанных на сравнении групп (когортные исследования, исследования «случай-контроль»), их применение к работам, сфокусированным на разработке и валидации прогностических моделей некорректно. В связи с этим формальная оценка риска смещения в рамках данного обзора не проводилась.

Синтез данных. Из каждой статьи, которая была включена в обзор, извлекалась следующая информация:

• характеристики исследуемой выборки (размер выборки, возраст, пол, нозология);
• тип и источник данных (ЭКГ, данные носимых устройств, медицинские изображения и др.);
• характеристики модели ИИ (тип алгоритма, архитектура нейронной сети, решаемая задача);
• основные результаты и метрики эффективности модели (точность, чувствительность, специфичность, AUC-ROC и др.).

Результаты

Основные характеристики статей, отвечающих критериям включения, представлены в таблице 1.

Проведенный анализ литературы свидетельствует о высокой эффективности методов ИИ в решении широкого спектра задач мониторинга и наблюдения за пациентами с сердечно-сосудистыми заболеваниями (ССЗ), начиная от стратификации риска до оптимизации терапии. В кардиологии модели машинного обучения находят применение для прецизионного фенотипирования, позволяя прогнозировать ответ пациента на лечение. Так, в ходе исследования Cikes M, et al. с целью выявления гетерогенности фенотипических проявлений сердечной недостаточности была применена двухэтапная процедура анализа, включающая множественное ядерное обучение (multiple kernel learning) с последующим методом k-средней кластеризации, что позволило стратифицировать когорту на дискретные фенотипические подгруппы, различающиеся по ответу на кардиоресинхронизирующую терапию, что подтверждается значительным снижением риска осложнений в двух выделенных группах (отношение рисков (ОР) 0,35 и 0,36) [11].

Потенциал ИИ отмечается в области ранней диагностики ССЗ, в частности, в выявлении бессимптомной систолической дисфункции левого желудочка. Эффективность ИИ подтверждена в рандомизированном контролируемом исследовании Tsai DJ, et al., в котором система поддержки принятия решений на основе глубокого обучения, анализирующая данные ЭКГ, значимо повысила частоту выявления впервые диагностированной сниженной фракции выброса (ФВ), особенно в группе пациентов высокого риска [12]. В сфере прогнозирования отдаленных рисков у пациентов с артериальной гипертензией разработанная Незоровой В. А. и др. последовательная нейронная сеть (Keras), обрабатывающая 26 значимых предикторов, продемонстрировала прогностическую точность 97,9%, что на 34,9% превысило точность шкалы SCORE [13]. Методы глубокого обучения также показывают положительные результаты в прогнозировании неблагоприятных исходов у пациентов с патологией периферических артерий. В исследовании McBane II RD, et al. использовалась глубокая нейронная сеть (Deep Neural Network, DNN), представляющая собой класс архитектур искусственных нейронных сетей, характеризующийся наличием множества скрытых слоев (hidden layers) между входным и выходным слоями, данная многослойная структура позволяет модели последовательно извлекать иерархические представления данных: от низкоуровневых признаков на ранних слоях до абстрактных семантических концепций на более глубоких уровнях. В данном исследовании нейронная сеть, анализирующая допплеровские кривые, обеспечила независимое прогнозирование уровня смертности, MACE (Major Adverse Cardiovascular Events — композитная конечная точка, используемая в клинических исследованиях для оценки безопасности и эффективности терапии, объединяющая наиболее клинически значимые случаи сердечно-сосудистой патологии) и MALE (Major Adverse Limb Events — композитная конечная точка, специфичная для исследований заболеваний периферических артерий, в особенности поражающих артерии нижних конечностей) с достоверными ОР после поправки на факторы риска [14].

Не менее важным аспектом является стратификация риска после перенесенного острого инфаркта миокарда. Исследование Pérez-Solé N, et al. подтверждает, что даже валидированные биомаркеры, такие как N-концевой промозговой натрийуретический пептид, измеренные после курса кардиореабилитации, обладают высокой прогностической ценностью в отношении развития осложнений по MACE (ОР 4,6), а их интеграция в прогностические модели ассоциируется со значимым увеличением показателей дискриминации (AUC 0,81 vs 0,72), что показывает положительное влияние комбинирования данных из различных источников [15].

В качестве перспективного направления исследований рассматривается неинвазивная верификация острых коронарных и цереброваскулярных событий, что обусловлено необходимостью своевременной стратификации рисков. В работе Lu Q, et al. модель случайного леса, обученная на параметрах окуломоторной активности в ответ на цветовые стимулы, достигла точности 88,45% в диагностике острого нарушения мозгового кровообращения, открывая возможности для разработки скрининговых инструментов для рутинного применения [16]. В области диагностической визуализации алгоритм Lunit INSIGHT CXR, использованный в исследовании Van Beek EJR, et al. для анализа рентгенограмм органов грудной клетки, продемонстрировал высокую диагностическую точность в детекции кардиомегалии, показав результаты, сопоставимые с заключениями опытных рентгенологов, что обосновывает его использование в качестве диагностического инструмента [17]. В частности, AUROC выявления кардиомегалии составил в группе алгоритма визуализации 0,943 (95% ДИ: 0,992-0,964) vs группы врачей 0,97 (95% ДИ: 0,942-0,998) (р=0,133), в то время как AUROC верификации плеврального выпота показал худший результат в группе алгоритма визуализации 0,954 (95% ДИ: 0,937-0,971) vs 0,988 (95% ДИ: 0,982-0,995) (р<0,001).

При этом ключевое значение для улучшения отдаленных исходов ССЗ имеет не только мониторинг, но и приверженность пациентов лечению. В данном контексте исследуются психологические аспекты, как в исследовании Gupta P, et al., где применяется факторный дизайн 2×2 (разновидность экспериментального плана, в котором изучаются две независимые переменные, каждая из которых представлена двумя уровнями, формируя четыре возможные комбинации условий, по которым распределяются участники или экспериментальные единицы) для оценки эффективности медикаментозного лечения и соблюдения рекомендаций между домашней и стационарной кардиореабилитацией в комбинации с поведенческими подходами для повышения приверженности, что является актуальной стратегией для исключения нарушений в точности и регулярности приема медикаментозной терапии у пациентов [18].

Анализ данных, представленных в таблице, позволяет сделать вывод о том, что разработанные модели ИИ имеют высокие прогностические и диагностические показатели, что подтверждается такими метриками, как точность, достигающая 97,9% в задаче прогнозирования ССЗ, чувствительность (72,4%) и специфичность (89,1%) алгоритма для стратификации риска низкой ФВ по данным ЭКГ, а также значимые площади под ROC-кривой в диапазоне от 0,881 до 0,999 для выявления патологий на рентгенограммах грудной клетки. Важно отметить, что рассмотренные модели демонстрируют эффективность в клинической практике. Алгоритм, основанный на анализе ЭКГ, достоверно увеличил выявление впервые возникшей низкой ФВ (1,5% vs 1,1% в контроле, ОР 1,50), а модель для анализа артериальной допплеровской волны независимо прогнозировала риск смерти (ОР 2,44) и MACE (ОР 1,97) после корректировки на возраст, пол и коморбидную патологию. При этом ряд исследований демонстрирует прямое превосходство методов ИИ над традиционными клиническими инструментами, как в случае с нейросетью, которая на 34,9% превысила прогностическую способность шкалы SCORE. Эффективность алгоритмов подтверждается в различных клинических сценариях — от скрининга с использованием портативных устройств для неинвазивной диагностики инсульта по движениям глаз (чувствительность 88,45) до анализа сложных медицинских изображений, где система показала производительность, сопоставимую с опытом специалистов. Проверка моделей на репрезентативных выборках, достигающих в некоторых исследованиях >10 тыс. пациентов, а также использование протоколов валидации свидетельствуют о готовности данных технологий к внедрению в практическое здравоохранение для решения задач диагностики, стратификации риска и прогнозирования результатов лечения у пациентов с ССЗ.

Обсуждение

Проведенный анализ литературных данных свидетельствует о высоком потенциале технологий ИИ в решении широкого спектра задач, связанных с мониторингом пациентов с БСК. Как отмечается в исследованиях, ИИ находит применение не только в области скрининга, подразумевающего массовое обследование для выявления патологии на доклинической стадии, в области диагностики, т.е. целенаправленного обследования пациентов с наличием симптомов, но и проактивного наблюдения, что позволяет в режиме реального времени корректировать терапию, оценивать клинический статус пациентов. Данный подход создает предпосылки для модификации системы здравоохранения, переходя от реактивной, ориентированной на лечение манифестировавших состояний, к сфокусированной на раннем выявлении и профилактике осложнений при проведении регулярного мониторинга состояния пациентов [19][20].

Многочисленные исследования подтверждают, что алгоритмы машинного обучения, в частности глубокие нейронные сети (например, Bi-LSTM) и ансамблевые методы (такие как Random Forest), демонстрируют статистически значимое превосходство над традиционными шкалами стратификации риска (включая Фрамингемскую шкалу и SCORE) по ключевым метрикам, таким как точность, чувствительность и площадь под ROC-кривой. Это преимущество обусловлено способностью ИИ обрабатывать большие массивы данных — от электронных медицинских карт и показаний носимых устройств до сложных медицинских изображений и молекулярных биомаркеров — с последующим выявлением сложных, неочевидных для клинициста паттернов [21]. В качестве примеров можно привести системы для раннего выявления сниженной ФВ по данным ЭКГ, неинвазивной верификации инсульта на основе анализа окуломоторной активности и программные комплексы для прогнозирования отдаленных рисков путем анализа артериальных допплеровских кривых.

Ключевым аспектом успешной интеграции ИИ в клиническую практику является его позиционирование в качестве инструмента поддержки принятия врачебных решений, а не альтернативы. Данный подход подразумевает использование двойной проверки результатов и необходимость сопоставления выводов алгоритма с клинической картиной и заключением специалиста. Несмотря на доказанные преимущества, широкому внедрению ИИ-технологий препятствует ряд организационных и правовых барьеров [22]. Среди наиболее существенных — необходимость создания набора данных для обучения моделей, обеспечение конфиденциальности и безопасности персональных медицинских данных, а также разработка четких протоколов валидации и нормативно-правовой базы, регулирующей использование подобных технологий.

В перспективе ожидается дальнейшая интеграция ИИ в рутинную медицинскую практику, что позволит не только повысить точность диагностики и прогнозирования, но и реализовать персонализированный подход к лечению, например, путем идентификации фенотипических кластеров ответа на терапию, а также повысить приверженность пациентов лечению за счет использования телемедицинских платформ.

Заключение

ИИ представляет собой мощный инструмент, меняющий современные методы мониторинга, диагностики и прогнозирования исходов БСК у пациентов. Разработанные на основе ИИ решения демонстрируют высокую диагностическую и прогностическую эффективность, зачастую превосходящую традиционные клинические шкалы. Они составляют основу интеллектуальных систем поддержки принятия врачебных решений, способствуя повышению качества и скорости диагностики, стратификации рисков и оптимизации лечебной тактики. Широкое внедрение данных технологий в практическое здравоохранение, при условии решения существующих организационных и нормативно-правовых вопросов, открывает новые горизонты для перехода к персонализированной, превентивной медицине, направленной на снижение смертности от ССЗ.

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

Декларация ИИ. Технологии генеративного ИИ не использовались при подготовке текста рукописи.