Саният Касумовна Абукеримова — ординатор-кардиолог 1 года, Сургутский государственный университет; врач приемного отделения, Центр диагностики и сердечно-сосудистой хирургии
пр. Ленина, д. 1, Сургут, 628400; пр. Ленина, д. 69/1, Сургут
Lenin ave., 1, Surgut, 628400; Lenin ave., 69/1, Surgut,
Цель. Систематизация данных о применении алгоритмов машинного и глубокого обучения для диагностики, прогнозирования течения и персонализации терапии кардиологических больных.
Материал и методы. Проведен систематический поиск в базах PubMed, Scopus, Web of Science, Google Scholar, eLIBRARY.RU за период 2015-2026гг. Критерии включения: оригинальные исследования, клиническая направленность, использование алгоритмов ИИ, наличие валидации модели. Процесс отбора описан в соответствии с PRISMA 2009. Из 187 идентифицированных публикаций после удаления дубликатов и скрининга в финальный анализ включена 41 работа.
Результаты. Выделены пять приоритетных направлений: автоматический анализ электрокардиограмм, интерпретация эхокардиографических изображений, обработка данных компьютерной и магнитно-резонансной томографии, оценка сердечно-сосудистых рисков и персонализированный подход к лечению. Нейросетевые алгоритмы демонстрируют высокую точность, сопоставимую с экспертной оценкой. Фундаментальные модели электрокардиографии (DeepECG-SSL) достигают AUC 0,990 на внутренних тестах и 0,981-0,983 на внешних данных. Мультимодальные подходы, интегрирующие данные сетчатки и сердечно-сосудистых сигналов, показывают AUC 0,97. Первое рандомизированное исследование применения больших языковых моделей в кардиологии продемонстрировало снижение клинически значимых ошибок с 24,3% до 13,1% (p=0,033).
Заключение. Искусственный интеллект становится ключевым инструментом кардиологической диагностики и прогнозирования. Российские исследователи вносят весомый вклад в это направление. Сохраняются нерешённые проблемы интерпретируемости моделей и необходимости внешней валидации.
Aim. To systematize data on the use of machine and deep learning algorithms for diagnosis, prognosis, and personalization of therapy in cardiac patients.
Material and methods. A systematic search of PubMed, Scopus, Web of Science, Google Scholar, and eLIBRARY.RU was conducted for the period 2015-2026. Inclusion criteria included original studies, clinical focus, use of AI algorithms, and model validation. The selection process was described in accordance with PRISMA 2009. Of the 187 identified publications, 41 were included in the final analysis after duplicate removal and screening.
Results. Five priority areas were identified: automated electrocardiogram analysis, echocardiographic image interpretation, computed tomography and magnetic resonance imaging data processing, cardiovascular risk assessment, and personalized treatment approaches. Neural network algorithms demonstrate high accuracy, comparable to expert judgment. Fundamental electrocardiography models (DeepECG-SSL) achieve an AUC of 0,990 on internal tests and 0,981-0,983 on external data. Multimodal approaches integrating retinal and cardiovascular data show an AUC of 0,97. The first randomized trial of large-scale language models in cardiology demonstrated a reduction in clinically significant errors from 24,3% to 13,1% (p=0,033).
Conclusion. Artificial intelligence is becoming a key tool in cardiac diagnostics and prognosis. Russian researchers are making a significant contribution to this field. Unresolved issues remain regarding model interpretability and the need for external validation.
The authors declare that there are no conflicts of interest present.