Интеграция технологий искусственного интеллекта в анализ электрокардиограммы: современные тенденции и перспективы: обзор

Внедрение искусственного интеллекта (ИИ) всё больше определяет вектор развития мировой медицины, находя широкое применение в клинических и административных процессах здравоохранения. Значительный темп развития ИИ предвещает большие перспективы в кардиологической практике, поскольку сердечно-сосудистые заболевания (ССЗ) остаются глобальной мировой проблемой системы здравоохранения. Стратегия снижения смертности и улучшения прогноза пациентов с ССЗ основывается на своевременности и точности диагностики факторов риска [1]. Стремительное расширение спектра применяемых в медицине исследований, наряду с ограничением ресурсов, а также дефицит квалифицированных специалистов, особенно в отдаленных регионах, создают предпосылки для автоматизации первичной интерпретации инструментальных исследований: рентгенография, электрокардиография (ЭКГ), эхокардиография, компьютерная и магнитно-резонансная томография. Применение ИИ в медицине может способствовать ранжированию биомедицинских ресурсов, повышению эффективности терапии и снижению нагрузки на врача, в то же время не заменяя его [2].

ЭКГ — широкодоступный неинвазивный и относительно недорогой метод диагностики, однако объективность заключения ЭКГ зависит от квалификации исследователя. Автоматическая интерпретация ЭКГ, применяясь в клинической практике с 1970-х годов [3], продемонстрировала потенциал машинного анализа для повышения точности и скорости диагностики, однако золотым стандартом остается интерпретация человеком. За последние десятилетия качество компьютерной обработки ЭКГ значительно улучшилось, но оно по-прежнему неоптимально, приводя в 20-30% случаев к ошибочному диагнозу, особенно при анализе нарушений сердечного ритма [4]. В то же время создание алгоритмов машинного обучения открывает беспрецедентные возможности в выявлении тонких закономерностей и сочетания диагностических критериев при автоматизированной, т.е. неконтролируемой человеком интерпретации признаков. Значительный объем ранее не использованных и не осмысленных данных определяет перспективы для создания прогностических моделей посредством технологий ИИ [5][6]. Однако, несмотря на многообещающие перспективы, важно критически оценивать точность и надежность ИИ-моделей, обученных исключительно на ЭКГ для диагностики ССЗ. Вероятно, для формирования доверия медицинского сообщества к автоматизированным результатам требуется время для прохождения обязательного этапа внедрения новых технологий в клиническую практику — валидация моделей на больших и разнообразных наборах данных и сравнение с экспертными заключениями [7].

Целью обзора был анализ современных достижений в интерпретации ЭКГ посредством ИИ и оценка перспектив их применения в клинической практике для прогнозирования ССЗ.

Методология исследования

Проведён поиск источников в базах данных Pubmed и E-library по ключевым словам: "искусственный интеллект", "электрокардиография", "artificial intelligence", "electrocardiography". Годы поиска — 2015-2025. В настоящий обзор включены данные 41 публикации, содержащей информацию по моделям ИИ, основанным исключительно на анализе паттернов электрокардиограммы. Публикации, содержащие только резюме, тезисы, а также дублирующие информацию, не включались в анализ.

Результаты

Направления и виды ИИ, используемые при анализе ЭКГ

Технологии ИИ обладают огромным потенциалом для улучшения диагностики и лечения ССЗ. К основным направлениям ИИ, применяемым для анализа ЭКГ, можно отнести:

1. Автоматическое выявление аритмий (например, фибрилляции предсердий (ФП), желудочковой тахикардии и т.д.) и их классификация для быстрого выявления аритмии и принятия решения о начале лечения.

2. Прогнозирование ССЗ посредством выявления признаков, указывающих на повышенный риск, используя ИИ-модель, обученную на ЭКГ, открывая перспективы для своевременных профилактических мероприятий.

3. Непрерывный мониторинг ЭКГ, где технологии ИИ могут оперативно обнаруживать отклонения, сигнализирующие о потенциальных проблемах с сердцем, что особенно ценно для пациентов высокого риска ССЗ.

В контексте анализа ЭКГ, применяют следующие виды ИИ [8]:

1. Традиционные алгоритмы машинного обучения позволяют провести глубокий анализ информации, учитывая сложные, нелинейные связи между различными показателями, что значительно расширяет возможности раннего и неинвазивного выявления заболевания [9]. К разновидностям машинного обучения относят:

• Метод опорных векторов эффективен при работе с данными высокой размерности по разделению (классификации) различных типов нарушений ритма на основе характеристик, извлеченных из данных ЭКГ.
• Деревья решений используют последовательность правил для классификации данных, обеспечивая лучшую объяснимость, иногда в ущерб точности и способности обрабатывать большие объёмы данных [10].
• Случайный лес — это ансамблевый метод, объединяющий множество деревьев решений для повышения точности и устойчивости. Деревья решений и случайный лес относительно просты в интерпретации и могут обрабатывать как числовые, так и категориальные данные.

2. Глубокое обучение, использует алгоритмы, состоящие из нескольких скрытых уровней обработки, для интеграции обширных наборов данных и изучения сложных взаимосвязей [11]. Преимуществом глубоких нейронных сетей считают возможность выявления новых закономерностей, не опираясь на заранее определенные человеком признаки [5][6].

• Сверточные нейронные сети (СНС) хорошо обрабатывают данные, имеющих структуру сетки — изображения и временные ряды (в данном контексте, ЭКГ). Они автоматически извлекают признаки из ЭКГ, устраняя необходимость ручного проектирования признаков.
• Рекуррентные нейронные сети используются для анализа последовательных данных, в частности ЭКГ. Их отличительной особенностью является наличие механизма запоминания предшествующих входных сигналов, благодаря чему учитывается временная взаимосвязь между элементами данных.
• Автоэнкодеры обучаются реконструировать входные данные и могут использоваться для выявления отклонений от нормальных паттернов на ЭКГ. Вариационные автоэнкодеры позволяют генерировать новые синтетические ЭКГ, которые можно использовать для расширения обучающих наборов данных.

3. Гибридные подходы — сочетание традиционных методов машинного обучения с глубоким обучением. Например, СНС могут извлекать признаки из ЭКГ, а метод опорных векторов их классифицировать.

Технологии ИИ в интерпретации комплексов ЭКГ

Автоматизированная интерпретация ЭКГ, используемая в современных аппаратах, основана на заранее определённых правилах и алгоритмах распознавания шаблонов или признаков, которые не всегда учитывают сложность и нюансы ЭКГ. Применение глубокого обучения для анализа ЭКГ нашло отражение в работе Acharya UR, et al. (2017), использовавших 9-слойную глубокую СНС для автоматического определения 5 категорий комплексов ЭКГ: неэктопические, наджелудочковые экстрасистолы, желудочковые экстрасистолы, сливные комплексы и неизвестные сокращения [12]. Группа исследователей, проанализировав 2322513 записей ЭКГ в 12 отведениях длительностью 7-10 секунд констатирует, что модель, основанная на глубокой нейронной сети, может точно распознать ритм ЭКГ (синусовую брадикардию и тахикардию) и морфологические аномалии (атриовентрикулярную блокаду 1 степени, блокады правой и левой ножек пучка Гиса и ФП) [13].

Технологии ИИ в прогнозировании риска пароксизма ФП по ЭКГ с синусовым ритмом

Актуальность идентификации ранних признаков ФП обусловлена ее высокой распространенностью (2-4% взрослого населения, достигая 13% среди лиц старше 80 лет) [14] и возрастающим риском госпитальной летальности. Глубокое обучение, применяемое к ЭКГ, может выявлять едва заметные паттерны на ЭКГ без ФП, открывая новые широкие возможности для прогнозирования развития пароксизма ФП [15].

Attia ZI, et al. (2019) разработали электрокардиограф с поддержкой ИИ, использующий СНС для выявления ЭКГ-признаков ФП, присутствующих на 12 канальной ЭКГ, регистрирующей синусовый ритм в течение 10 секунд. Обучив ИИ на 454789 ЭКГ и проверив на 64340 ЭКГ, протестировав на 130802 ЭКГ авторы определили точность прогностической модели риска ФП (площадь под кривой ROC (AUC) 0,87, 95% доверительный интервал (ДИ): 0,86-0,88), с чувствительностью 79% (77,5-80,4), специфичностью 79,5% (79,0-79,9)). Включение всех ЭКГ, зарегистрированных за 31 день до первого эпизода ФП, увеличило AUC до 0,90, 95% ДИ: 0,90-0,91 (чувствительность 82,3% (80,9-83,6), специфичность 83,4% (83,0-83,8)) [16]. Baek YS, et al. (2021) обучили рекуррентную нейронную сеть анализу ЭКГ пациентов с синусовым ритмом без эпизодов ФП (n=1057) и синусовым ритмом с пароксизмами ФП (n=1355). Во время внешней проверки установлена точность модели глубокого обучения для идентификации ФП (AUC 0,75, 95% ДИ: 0,74-0,76, чувствительность 77% (75,1-80,2), специфичность 72% (69,8-73,8)) [17].

Noseworthy PA, et al. (2022), проанализировав ЭКГ пациентов (n=1003) с факторами риска инсульта, без признаков нарушения ритма с помощью ИИ-модели, идентифицировали группы высокого и низкого риска развития ФП. За 22,3 дня непрерывного мониторинга ФП выявлена у 1,6% пациентов низкого и у 7,6% высокого риска (отношение шансов (ОШ) 4,98, 95% ДИ: 2,11-11,75, p=0,0002). В течение 9,9 [ 7,1-11,0] мес. наблюдения группа, прошедшая скрининг с помощью ИИ-модели, продемонстрировала большую частоту выявления ФП, чем группа контроля (группа высокого риска: 10,6% [ 8,3-13,2] vs 3,6% [ 95% ДИ: 2,3-5,4], p<0,0001; группа низкого риска: 2,4% vs 0,9% p=0,12), подтверждая потенциал ИИ-технологий в прогнозировании будущих случаев ФП по ЭКГ и подчеркивая важность стратификации пациентов высокого риска [18].

Hygrell T, et al. (2023) применили ИИ для прогнозирования пароксизма ФП на основе анализа одного отведения 478963 ЭКГ в течение 30 сек у пациентов >65 лет с синусовым ритмом. Точность модели варьировала в когорте пациентов старше 65 лет (AUC 0,80, 95% ДИ: 0,78-0,83) и лиц 75-76 лет (AUC 0,62, 95% ДИ: 0,61-0,64) [19].

Ряд исследователей оценивали ИИ-модели для прогнозирования пароксизма ФП после оперативного вмешательства на сердце. В частности, Jiang J, et al. (2023) обучили СНС анализу 12 отведений ЭКГ (n=971) продолжительностью 10 сек, снятой за 30 дней до катетерной аблации, для прогнозирования риска пароксизма ФП в периоперационном периоде. При внутренней проверке (n=162) AUC для разработанной модели составила 0,88 (95% ДИ: 0,84-0,91), в тестовой выборке (n=485) — AUC 0,84, 95% ДИ: 0,78-0,89 [20]. Lee JH, et al. (2025) для разработки ИИ-модели, прогнозирующей возникновение ФП на основе ЭКГ в течение 30 дней после операции на сердце, использовали 4,05 млн 10-сек ЭКГ в 12 отведениях без признаков ФП у 1,13 млн пациентов. Производительность разработанной ИИ-модели в тестовой выборке была высокой (AUC 0,901, 95% ДИ: 0,900-0,902) [21].

Gruwez H, et al. (2023) оценивали эффективность подхода, использующего ИИ для выявления скрытой пароксизмальной ФП по 12-канальной ЭКГ (n=494042) с синусовым ритмом. Надежность ИИ-модели при внешней валидации варьировала: в общей когорте (распространенность ФП 9%) точность 78,1% (95% ДИ: 77,6-78,5), (AUC 0,87, 95% ДИ: 0,86-0,87), при площади под кривой точности-полноты (AUPRC) 0,48 (95% ДИ: 0,46-0,50); в группе низкого риска (распространенность ФП 3%) модель не демонстрировала высокую точность, AUPRC снизилась до 0,21 (95% ДИ: 0,18-0,24), в группе высокого риска (распространенность ФП 30%) AUPRC увеличилась до 0,76 (95% ДИ: 0,75-0,78) [22], указывая на лучшее распознавание признаков в данной группе.

Технологии ИИ в прогнозировании кардиомиопатии на основе анализа ЭКГ

Классическая ЭКГ имеет ограниченные возможности для диагностики редкой жизнеугрожающей патологии — гипертрофической кардиомиопатии (ГКМП), однако в ряде работ представлены ИИ-модели, обученные на ЭКГ для ее выявления. В пионерской работе Rahman QA, et al. (2015) для идентификации пациентов с ГКМП использовали 504 признака, извлечённых из 12 отведений ЭКГ [23]. Дальнейшие исследования выявили потенциал ИИ в качестве эффективного метода диагностики ГКМП. Так, Tison GH, et al. (2019), используя 36186 ЭКГ, разработали 725-компонентное векторное представление ЭКГ, полученное из сегментов с помощью комбинации СНС и скрытых марковских моделей, создали модель, способную распознавать ГКМП, лёгочную гипертензию, амилоидоз и пролапс митрального клапана. Показатель AUC для моделей, обученных на профилях ЭКГ, составил для ГКМП 0,91 (95% ДИ: 0,90-0,92), лёгочной гипертензии — 0,94 (95% ДИ: 0,93-0,95), амилоидоза — 0,86 (95% ДИ: 0,82-0,89), пролапса митрального клапана — 0,77 (95% ДИ: 0,76-0,78), что, по мнению авторов, может найти применение в скрининге [24]. Ko WY, et al. (2020) разработали и валидировали ИИ-модель, обученную на данных 2448 пациентов с ГКМП и 51153 здоровых лиц, сопоставимых по возрастным характеристикам и половой принадлежности. Проверка созданной модели в независимой группе (612 пациентов с ГКМП и 12788 лиц контрольной группы) констатировала высокие показатели диагностической точности (AUC 0,96, 95% ДИ: 0,95-0,96, чувствительность — 87%, специфичность — 90%), с большей производительностью у пациентов моложе 40 лет, указывая на ее практическую применимость для скрининга ГКМП [25].

Sangha V, et al. (2025) разработали и валидировали модель, которая обнаруживает по 12-канальной ЭКГ (n=124553) признаки ГКМП, производительность которой при внутренней и внешней валидации на смешанной выборке была высокой (AUC 0,95, чувствительность — 89%, специфичность — 90%, и AUC 0,94, 95% ДИ: 0,92-0,96, чувствительность — 85%, специфичность — 92%, AUPRC=0,33, 95% ДИ: 0,27-0,39) [26].

Технологии ИИ в прогнозировании аортальных пороков на основе анализа ЭКГ

Kwon JM, et al. (2020), применив глубокое обучение данных 39371 ЭКГ в 12 отведениях, сочетающее в себе многослойный персептрон и СНС, разработали модель для выявления значимого аортального стеноза. Внутренняя (6453 ЭКГ) и внешняя (10865 ЭКГ) валидации разработанной ИИ-модели продемонстрировали следующие параметры: при использовании ЭКГ в 12 отведениях (AUC 0,884, 95% ДИ: 0,880-0,887 и AUC 0,861, 95% ДИ: 0,858-0,863) и в одном отведении (AUC 0,845, 95% ДИ: 0,841-0,848 и AUC 0,821, 95% ДИ: 0,816-0,825, соответственно) [27]. Cohen-Shelly M, et al. (2021) представили модель СНС, предназначенную для выявления пациентов с аортальным стенозом, основанную на данных ЭКГ (ИИ-группа — 129788, группа проверки — 25893, группа тестирования — 102926). В ходе тестирования модель выявила положительный результат у 3,7% пациентов (AUC 0,85, чувствительность — 78%, специфичность — 74%), эффективность модели повысилась при добавлении данных пола и возраста (AUC 0,87), достигнув AUC 0,90 у пациентов без артериальной гипертонии. У пациентов с ложноположительными результатами ИИ-модели риск развития умеренной или тяжелой формы аортального стеноза в течение 15 лет был выше, чем у пациентов с истинно отрицательными результатами ИИ-модели (отношение рисков (ОР) 2,18, 95% ДИ: 1,90-2,50) [28].

Для выявления выраженной аортальной регургитации Sawano S, et al. (2022) создали нейросетевую модель с множественными входами, состоящую из двух основных компонентов: двумерная СНС, анализирующая необработанные данные 29859 ЭКГ, продемонстрировала AUC 0,734 (95% ДИ: 0,679-0,783; p<0,001); полносвязная многослойная нейронная сеть, использующая предварительно выделенные признаки ЭКГ, где AUC достигла 0,802 (95% ДИ: 0,762-0,837) [29].

Технологии ИИ в прогнозировании сердечной недостаточности на основе анализа ЭКГ

В последние годы технологии ИИ, применяемые к ЭКГ, показали многообещающие результаты в прогнозировании развития сердечной недостаточности (СН), предлагая более доступный, неинвазивный и потенциально более чувствительный инструмент выявления пациентов высокого риска. Рассмотрим текущее состояние исследований в области использования ИИ-моделей, основанных на паттернах ЭКГ для прогнозирования СН. Attia ZI, et al. (2019) проверили гипотезу о том, что, применив ИИ к рутинному методу ЭКГ, можно выявить развитие дисфункции левого желудочка (ЛЖ). Модель, обученная посредством СНС на 44959 ЭКГ, демонстрирует следующие показатели: AUC 0,93, чувствительность — 93%, специфичность — 86,3%, точность — 85,7%; риск развития дисфункции ЛЖ у пациентов с положительным результатом скрининга (ОР 4,1; 95% ДИ: 3,3-5,0) [30]. Adedinsewo D, et al. (2020) ретроспективно применили проверенную модель, обученную на ЭКГ с использованием технологий ИИ [30], для выявления СН с низкой фракцией выброса (ФВ) ЛЖ ≤35% (СНнФВ) у 1606 пациентов ≥18 лет, обратившихся в отделение неотложной помощи с жалобами на одышку, где точность составила 85,9% (AUC 0,89, 95% ДИ: 0,86-0,91, чувствительность — 74%, специфичность — 87%); точность модели для выявления лиц с ФВ ЛЖ <50% составила 86% (AUC 0,85, 95% ДИ: 0,83-0,88, чувствительность — 63% и специфичность — 91%) [31].

Kwon JM, et al. (2019) представили ИИ-модель на основе ЭКГ для выявления гемодинамических фенотипов СН. Внутренняя и внешняя валидации модели для идентификации СНнФВ продемонстрировали приемлемый уровень точности (AUC 0,843, 95% ДИ: 0,840-0,845 и AUC 0,889, 95% ДИ: 0,887-0,891); для определения СН с умерено сниженной и сохраненной ФВ ЛЖ (AUC 0,821, 95% ДИ: 0,819-0,823 и AUC 0,85, 95% ДИ: 0,848-0,852) [32]. Jentzer JC, et al. (2020) разработали ИИ-модель, на основе ЭКГ для распознавания СН, с точностью 76% (AUC 0,83, 95% ДИ: 0,82-0,84, чувствительность — 73%, специфичность — 78%), отметив, что значения AUC были выше у пациентов моложе 70 лет (0,85 vs 0,80), у мужчин (0,84 vs 0,79), у пациентов без острого коронарного синдрома (0,86 vs 0,80) и у пациентов, не подвергавшихся реваскуляризации миокарда (0,84 vs 0,80) [33].

Kashou AH, et al. (2021) оценили эффективность разработанной на основе ЭКГ модели с использованием технологий ИИ в когорте из 2041 человека в возрасте 45 лет и старше для выявления доклинической систолической дисфункции ЛЖ. Определены показатели, демонстрирующие точность ИИ-модели в общей популяции (n=1996), где распространённость СН составила 2,0% (AUC 0,97, чувствительность — 90%, специфичность — 92%), варьируя в зависимости от ФВ ЛЖ: ≤35% (AUC 0,978, чувствительность — 100%, специфичность — 94,3%); ≤40% (AUC 0,967, чувствительность — 86,4%, специфичность — 92,5%); ≤50% (AUC 0,857, чувствительность — 71,4%, специфичность — 87,6%). В группе высокого риска (n=1348) с распространённостью СН 2,7% (AUC 0,97, чувствительность — 92%, специфичность — 93%) в т.ч. при ФВ ЛЖ: ≤35% (AUC 0,969, чувствительность — 100%, специфичность — 93,1%); ≤40% (AUC 0,968, чувствительность — 90%, специфичность — 90,8%); ≤50% (AUC 0,861, чувствительность — 74,4%, специфичность — 86,5%) [34].

Yao X, et al. (2021) разработали посредством технологий ИИ модель для обнаружения пациентов СНнФВ (ФВ ≤50%) на основе анализа 22641 ЭКГ (n=11573 группа исследования; n=11068 группа контроля) без предшествующей СН. В течение 90 дней после проведения ЭКГ выявление новых случаев СНнФВ в общей когорте (1,6% в группе контроля vs 2,1% группы исследования (OШ 1,32, 95% ДИ: 1,01-1,61, р=0,007); в группе высокого риска (6% от общей когорты), согласно разработанной модели (14,5% vs 19,5%, соответственно, OШ 1,43, 95% ДИ: 1,08-1,91, р=0,01) [35].

Cho J, et al. (2021) для выявления СНнФВ (ФВ ЛЖ <40%) разработали модель, посредством СНС с использованием 39371 ЭКГ, валидированную внутренне на 3470 ЭКГ (при анализе 12 отведений AUC 0,913, 95% ДИ: 0,902-0,925; и одного отведения AUC 0,874, 95% ДИ: 0,859-0,890); внешне на 4362 ЭКГ (AUC 0,961, 95% ДИ: 0,951-0,971 и AUC 0,929, 95% ДИ: 0,911-0,946, соответственно) [36].

Katsushika S, et al. (2021) обучили СНС на 23801 ЭКГ пациентов с СНнФВ (ФВ ЛЖ <40%) и протестировали ИИ-модель в независимой выборке на 7196 ЭКГ (AUC 0,945, 95% ДИ: 0,936-0,954) [37]. Sun JY, et al. (2021) опубликовали метод на основе ИИ для скрининга СН с ФВ ЛЖ ≤50% с использованием только данных 26786 ЭКГ, продемонстрировавший в тестовой выборке общую точность 73,9%, чувствительность — 69,2%, специфичность — 70,5% [38].

Vaid A, et al. (2022) для разработки модели глубокого обучения, способной комплексно оценивать дисфункцию левого и правого желудочков, использовали данные 715890 ЭКГ. Проведенная внутренняя и внешняя валидации для диапазонов ФВ ЛЖ продемонстрировали приемлемый уровень эффективности модели: ФВ ЛЖ >50% (AUC 0,89, 95% ДИ: 0,89-0,89 и AUC 0,87, 95% ДИ: 0,87-0,88); ФВ ЛЖ 40-50% (AUC 0,82, 95% ДИ: 0,81-0,83 и AUC 0,73, 95% ДИ: 0,72-0,74); ФВ ЛЖ <40% (AUC 0,94, 95% ДИ: 0,94-0,94 и AUC 0,94, 95% ДИ: 0,94-0,95); для дисфункции правого желудочка (AUC 0,84, 95% ДИ: 0,84-0,84) [39].

Sangha V, et al. (2023) использовали 385601 ЭКГ для разработки ИИ-модели, продемонстрировавшей достаточную точность при внутренней валидации (AUC 0,91, 95% ДИ: 0,901-0,919, AUPRC=0,55, 95% ДИ: 0,511-0,579, чувствительность — 89,2%, специфичность — 76,9%) и при внешней валидации на смешанной выборе (AUC 0,96, 95% ДИ: 0,950-0,969, AUPRC=0,63, 95% ДИ: 0,563-0,694, чувствительность — 89,1%, специфичность — 90%). При положительном результате скрининга по ИИ-модели риск СНнФВ в течение 3,2 лет был выше (ОШ 3,9, 95% ДИ: 3,3-4,7), после корректировки на возраст, пол и ФВ ЛЖ у пациентов с положительным результатом скрининга риск развития СНнФВ был выше в 2,3 раза (скорректированный ОШ 2,3, 95% ДИ: 1,9-2,8). ЭКГ, указывающая на систолическую дисфункцию ЛЖ, ассоциирована с высокой вероятностью выявления СНнФВ при трансторакальной эхокардиографии (ОШ 27,5, 95% ДИ: 22,3-33,9) [40].

Dhingra LS, et al. (2025), используя 261228 ЭКГ, разработали ансамблевую модель глубокого обучения — PRESENT-SHD с эффективностью диагностики СНнФВ (AUC 0,914 (95% ДИ: 0,904-0,924), умеренной/тяжёлой недостаточности аортального клапана (AUC 0,722, 95% ДИ: 0,784-0,824), недостаточности митрального клапана (AUC 0,792, 95% ДИ: 0,776-0,807), умеренного/тяжёлого аортального стеноза (AUC 0,804, 95% ДИ: 0,784-0,824), выраженной гипертрофии ЛЖ (AUC 0,903, 95% ДИ: 0,864-0,948). Положительный результат скрининга PRESENT-SHD по сравнению с отрицательным результатом был связан с двукратным увеличением риска развития СН (ОШ 2,39, 95% ДИ: 1,87-3,04). Модель PRESENT-SHD идентифицировала группу высокого риска развития СН, скорректированную по возрасту и полу (корректированное ОР 4,28, 95% ДИ: 3,95-4,64) [41].

Заключение

Внедрение технологий ИИ радикально трансформирует парадигму современной медицины, предоставляя инновационные подходы к предиктивной диагностике и стратификации риска ССЗ, направленные на оптимизацию распределения ресурсов системы здравоохранения. Проведенный анализ исследований подчеркивает потенциал моделей, обученных на ЭКГ, дополненной ИИ в выявлении паттернов, указывающих на риск возникновения пароксизмов ФП и СН. Значимым вектором использования алгоритмов, основанных на глубоких нейронных сетях, признается первичный скрининг аортальных пороков сердца, ГКМП, позволяя ранжировать пациентов для углубленной диагностики. Таким образом, модели ИИ, основанные на анализе ЭКГ, представляют собой неинвазивный, доступный, точный и быстрый инструмент скрининга, функциональность которых позволяет эффективно адаптировать стратегии управления рисками, способствуя пациент-ориентированному подходу.

Тем не менее успешное внедрение технологий ИИ в клиническую практику, на наш взгляд, требует решения ряда проблем, связанных с качеством данных, предвзятостью, интеграцией в клиническую практику, этическими и юридическими аспектами.

Ключевым вызовом для разработки эффективных ИИ-систем является обеспечение достаточного объема высококачественных данных для обучения. Предвзятость обучающих выборок, обусловленная недостаточной представленностью определенных групп пациентов (например, с редкими заболеваниями), может ограничивать общую применимость и точность алгоритмов. В анализируемых публикациях для обучения ИИ-моделей авторы использовали запись ЭКГ разной длительности, как в 1, так и в 12 отведениях, что отразилось на точности разработанных моделей. В то же время малая представленность исследований, сравнивающих эффективность моделей, обученных на одной и той же выборке, не позволяет однозначно сделать вывод о приемлемом количестве отведений, длительности записи ЭКГ для создания высокоточных моделей.

При оценке качества первичных данных следует учитывать потенциальные трудности в интерпретации и учете субъективных нюансов, возникающих при сборе анамнеза у пациентов посредством технологий ИИ. Помимо этого, необходимо принять во внимание гетерогенность популяций и влияние факторов, таких как пол, возраст, сопутствующие заболевания и характеристики используемого оборудования, которые могут влиять на производительность ИИ-моделей.

Одним из ведущих факторов, сдерживающих широкое применение алгоритмов, основанных на ИИ в клинической практике, является проблема интерпретируемости принимаемых решений, обусловленная сложностью архитектуры глубоких нейронных сетей, функционирующих как "черные ящики". Кроме того, для успешной трансляции ИИ-моделей в рутинную клиническую практику необходима его бесшовная интеграция в процесс принятия клинических решений и существующий рабочий процесс. Важным этическим и юридическим аспектом для полноценной интеграции технологий ИИ в реальную клиническую практику является определение ответственности в случаях диагностических ошибок или некорректных рекомендаций. В заключение подчеркнем, что, несмотря на значительный потенциал ИИ-алгоритмов, они не должны подменять клиническое мышление и профессиональную экспертизу квалифицированных специалистов.

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.