Обзор мирового опыта применения цифровой аускультации: слуховой аппарат человека vs машинный анализ аускультативной картины: обзор

Аускультация сердца — ценный и доступный метод диагностики клапанной патологии, нарушений ритма сердца, сердечной недостаточности и др. Однако его эффективность имеет ряд ограничений: субъективные представления конкретного врача об анатомии и физиологии человека, зависимость от клинического опыта исследователя, сложность реализации аускультации у пациентов детского возраста [1]. Дифференцировка тонов и шумов может представлять трудности даже для опытных клиницистов, а фоновые шумы (дыхание, плачь, движение) и возрастные особенности (например, частота сердечных сокращений у детей) снижают точность диагностики [2].

Цифровая фонокардиография (ФКГ) с использованием электронных стетоскопов позволяет записывать и объективно анализировать звуки, оценивая их продолжительность, интенсивность и частотные характеристики [3][4]. Это преодолевает ограничения традиционного метода, основанного на субъективном суждении клинициста [5].

Развитие компьютерных технологий и машинного обучения открывает возможности для автоматической классификации и идентификации патологий, стандартизации диагностики и создания инновационных методов анализа акустосонограмм и частотно-временных характеристик [6].

Цель исследования — оценить данные литературы по вопросам применения цифровой аускультации, провести сравнительный анализ эффективности слухового аппарата человека и машинного анализа аускультативной картины в клинической практике.

Методология исследования

Перед проведением обзора сформированы цель и исследовательский вопрос (преимущества машинного анализа аускультативной картины перед традиционной аускультацией), определены критерии включения и исключения. Осуществлялся поиск научных публикаций в таких базах данных, как PubMed, eLibrary и Google Scholar. Стратегия поиска включала использование ключевых слов на русском и английском языках: "digital auscultation", "digital phonocardiography", "artificial intelligence", "machine learning", "цифровая аускультация", "цифровая фонокардиография", "искусственный интеллект", "машинное обучение".

В обзор включали наблюдательные и рандомизированные контролируемые исследования без ограничений по демографическим и географическим признакам. Исключали дублирующиеся публикации, а также материалы конференций, диссертаций, метаанализы, обзоры и руководства, т.к. они не содержат достаточных сведений об архитектуре и валидации моделей искусственного интеллекта (ИИ).

Авторы проводили экспертизу исследований, соответствующих представленным критериям включения. Поиск выбора охватывал научные работы, изданные на русском и английском языках в промежуток с 2016г по 29.01.2026, направленные на приоритетные аспекты применения цифровой аускультации в сравнении с человеческим ухом. Первоначальная проверка осуществлялась путем просмотра заголовков и рефератов найденных статей, чтобы удалить очевидно нерелевантные материалы. По итогам селекции литературных источников, в настоящий обзор включено 15 исследований (рис. 1). Скрининг и отбор публикаций выполнялись авторами самостоятельно. При наличии разногласий по поводу включения конкретной работы в анализ вопрос решался голосованием большинства.

Оценка качества исследований традиционными методами (такими как Newcastie-Ottawa Scale или Cochrane Risk of Bias Tool) не производилась, потому что большинство избранных работ сосредоточено на применении прогностических моделей, а не на сравнении традиционных клинических групп.

Анализ данных. По каждому исследованию, включенному в обзор, были собраны следующие сведения: характеристики выборочной совокупности пациентов (количество участников, средняя возрастная группа, половой состав, основное заболевание); тип применяемых диагностических данных (аускультация легких, сердца); особенности использованной искусственной нейронной сети (тип алгоритма, архитектура, предназначение модели); основные выводы и показатели эффективности моделей (чувствительность, точность, специфичность, площадь под ROC-кривой и другие метрики).

Результаты

Блок-схема включенных исследований представлена на рисунке 1.

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

Проведённый обзор научной литературы свидетельствует о хорошей результативности методик цифровой аускультации при выявлении пороков сердца или дыхательных шумов, охватывая широкий спектр задач — от своевременного обнаружения патологических изменений до повышения качества лечения.

В 2016г Springer DB, et al. исследовали возможность применения мобильного телефона для обработки звука с целью автоматизированной диагностики сердечных шумов. Для 151 пациента с сердечно-сосудистой патологией были выполнены 60-секундные записи, для каждой из которых рассчитаны 9 показателей качества сигнала. На полученных данных обучена и протестирована модель бинарной классификации на основе логистической регрессии. Межклассовое согласие оценивалось с помощью коэффициента Конгера для многоклассовых наборов и составило 0,24 для записей, выполненных стетоскопом, и 0,54 — для записей с мобильного телефона. Установлено, что треть всех сигналов ФКГ, записанных мобильным телефоном, имеют достаточное качество для анализа. Подобная работа явилась первой систематической оценкой алгоритма классификации качества сигнала ФКГ (с использованием отдельного набора тестовых данных) и оценки качества записей ФКГ, полученных с помощью цифрового стетоскопа медицинского класса и мобильного телефона [7].

Применение системы сбора, передачи и асинхронной интерпретации результатов аускультации сердца в удаленных районах позволяет врачам с ограниченным опытом в диагностике врожденных пороков сердца (ВПС) более эффективно выявлять значимую кардиальную патологию у детей. В рамках экспериментальной работы регистрация сердечных шумов осуществлялась с помощью цифрового стетоскопа системы HeartLink с последующей передачей ФКГ данных через облачную интернет-платформу сертифицированному детскому кардиологу. Исследование продемонстрировало принципиальную возможность дифференцировать патологические шумы, обусловленные ВПС, от функциональных шумов, что стало первым шагом к созданию экономически эффективной стратегии скрининга пороков сердца в условиях дефицита ресурсов, квалифицированных кадров и специализированных педиатрических кардиологических программ [8].

Lee SY, et al. (2019) для эффективного распознавания тонов и шумов предложили систему мониторинга ФКГ и электрокардиограммы сердца. Эта система включает две основные составляющие: микросхема, включающая усилитель с конденсаторной связью, трансимпедансный усилитель, сигма-дельта-сигнал высокой частоты модулятор и блок цифровой обработки сигналов, вторая микросхема — программное приложение для смартфонов, предназначенное для записи, отображения и идентификации физиологических сигналов, связанных с сердцем. При аускультации врач оценивает отображенные на смартфоне физиологические сигналы и одновременно выслушивает тоны сердца, чтобы позволяет диагностировать порок сердца. Используя преимущества визуализации сигналов и сохраняя первоначальный подход к диагностике, можно устранить неопределенность, существующую в звуках сердца, и сократить время обучения навыкам аускультации [9].

Компьютерный анализ помогает улучшить классификацию сердечных шумов. PhysioNet Challenge 2022 предоставило исследователям платформу для оценки предложенных алгоритмов классификации. В 2022г Lu H, et al. (2022) предложили упрощенную модель сверточной нейронной сети (CNN) для обнаружения шумов и модель случайного леса для классификации клинических исходов, основанную на записях ФКГ. Авторы учитывали статистические характеристики и характеристики в частотной области из каждой записи как часть вектора широких характеристик, который объединен с характеристиками, полученными из CNN. Как результат показано, что модели могут быть пригодны для применения в клинических условиях в режиме реального времени. Кроме того, их вычислительная эффективность и надежная производительность могут повысить качество аускультации сердца и процедуру предварительного обследования¹.

Xu Y, et al. в составе команды HearTech+ (2022) предложили метод оценки качества записи, основанный на распределении частотной плотности, для коррекции меток и предотвращения учета некачественных сегментов записи (артефакты). Разработана иерархическая многомасштабная нейронная сеть (HMS-Net) для проведения классификации как шума (T1), так и клинических исходов (T2). Эта сеть извлекает сверточные характеристики из спектрограмм в нескольких масштабах и объединяет их с помощью своей иерархической архитектуры. Сеть обеспечивает долгосрочную и краткосрочную независимость многомасштабных характеристик и повышает эффективность классификации. Наконец, прогнозирование состояния пациента основано на обобщенных сегментных прогнозах с помощью sliding window. После перекрестной проверки предложенный алгоритм показал достаточную точность².

Hassanuzzaman M, et al. (2022) предложили методику, которая используется для более быстрого и доступного анализа сигналов ФКГ, представляемых сельскими врачами в качестве инструмента первого скрининга перед отправкой пациентов в экспертный центр. Методика базируется на модели, построенной на оценке необработанных данных ФКГ 484 пациентов. Данная модель обеспечивала быструю и адекватную дистанционную диагностику ВПС в режиме реального времени [10].

В исследовании Jabbar A, et al. (2025) представлен новый подход, который использует как созданные вручную, так и глубокие признаки, извлеченные из звуков записи ФКГ у 751 ребенка в возрасте от 1 месяца до 16 лет, объединяя их для повышения эффективности классификации для автоматизированного раннего выявления ВПС. Аускультация проводилась в четырех позициях: митральный клапан, аортальный клапан, клапан легочной артерии и трехстворчатый клапан. Подробные характеристики, полученные с помощью CNN, в сочетании с обработкой вручную, дают полное представление о ВПС. Затем используются полученные характеристики для классификации с использованием полностью подключенного слоя и функции softmax. Примечательно, что предложенный подход позволил достичь точности в 92% при классификации порока сердца, что подчеркивает надежность метода [1].

Макалов А. О. и др. (2023г) разработали систему электронной аускультации, конструкцию электронного стетоскопа и методику оценки частотных характеристик обоих типов приборов. Был изготовлен опытный экземпляр устройства. Эксперимент проводился с использованием записей нормального и жёсткого дыхания. Опытный образец показал работоспособность: при стабильном сигнале модель генерировала звуки дыхания. Однако из-за малой выборки различия в обработке сигналов разных видов дыхания статистически незначимы вследствие ограниченности объёма исследуемого материала [11].

По данным Горшкова Ю. Г. (2022), созданное программное обеспечение для многоуровневого вейвлет-анализа WaveViewMWA обеспечивало получение детальных спектрально-временных представлений звуковых колебаний и дыхательных шумов лёгких, обладающих существенно большей точностью, чем традиционные спектры компьютеризированных фоноспирографических систем. Представленные в форме акустосонограмм визуализации предоставляли врачу исчерпывающие сведения о состоянии пациента, позволяя дистанционно оценивать работу органов дыхания даже дома и своевременно выявлять симптомы заболеваний, включая пневмонию, вызванную коронавирусом, а также прочие патологии [6].

Mondal H, et al. (2018) предложили беспроводной фонокардиограф для работы в условиях ограниченных ресурсов. Модифицированная Bluetooth-гарнитура была способна записывать звуки при подключении к мобильному устройству с помощью приложения для записи звука. Тоны и шумы сердца записывались с помощью беспроводного ФКГ (WiPCGh). Аудиофайлы передавались на персональный компьютер через Bluetooth, что обеспечивало телемедицинскую консультацию [12].

Активно рассматривается вопрос повышения достоверности диагностики пролапса клапанов сердца в связи со сложностью интерпретации шумов сердца, воспринимаемых на слух. Комаров К. С. и др. (2025) рассматривают вопросы цифровой аускультации и альтернативных методов диагностики шума. Авторами разработана структурная схема прибора для синхронной регистрации поликардиосигналов различной природы (ФКГ и электрокардиографии), компенсирующая недостатки слухового аппарата врача для объективизации диагностического процесса [13].

В работе Alquran H, et al. (2025) три различные модели, в частности рекуррентная нейронная сеть (GRU), двунаправленная-GRU (BiGRU) и двунаправленная долговременная память (BILSTM), были использованы для сегментации сигналов PCG с применением трех различных наборов данных PhysioNet, MITHSDB и CirCor DigiScop, каждый из которых содержал данные о звуках сердца из четырех точек аускультации сердца. Примечательно, что модель BiGRU превзошла другие модели по всем наборам данных, достигнув большей точности. Предложенная модель также позволила повысить точность как для наборов данных PhysioNet, так и для MITHSDB. Это исследование ознаменовало собой первое исследование сегментации набора данных CirCor DigiScop, в результате которого была достигнута точность в 92,6%. Простота, эффективность и точность предлагаемых моделей делают их эффективными инструментами для различения четырех типов сегментов ФКГ. Предлагаемый подход превосходит предыдущие исследования с точки зрения точности, чувствительности, прецизионности и показателя F1-score [14].

В исследовании Просвиркиной Е. В. и др. (2025) использован метод сравнительного анализа устройств для проведения электронной аускультации и соответствующего программного обеспечения. Разработанный программно-аппаратный комплекс является системой поддержки принятия врачебных решений, и может рассматриваться как дополнительная возможность квалифицированной медицинской помощи в отдаленных и труднодоступных местностях, а также для обучения и помощи молодым специалистам [15].

В 2025г Roquemen-Echeverri V, et al. провели валидацию коммерческой платформы для анализа шумов сердца "EMAS", используя эхокардиографию в качестве эталонного стандарта, что расширило границы ранее проведенных исследований. Решение на основе ИИ продемонстрировало невысокую чувствительность в выявлении шумов, потенциально связанных с ВПС. Вместе с тем эффективность алгоритма повышалась при детекции таких состояний, как аортальный стеноз, сопровождающихся более отчетливой аускультативной картиной. Полученные данные позволяют заключить, что EMAS может быть полезна для диагностики отдельных нозологий, однако ее использование в качестве универсального скринингового инструмента ограничено в связи с недостаточной чувствительностью к широкому спектру шумов [16].

Al-Shannaq MA, et al. (2025) показали, что распознавание звуков сердца в режиме реального времени, основанное на изучении сегментированных характеристик звукового сигнала сердца за счет комбинации методов цифровой обработки для сегментирования входных данных и извлечения репрезентативных признаков с использованием вейвлет-преобразования и алгоритмов машинного обучения, является эффективным решением исследовательской задачи [17].

Обсуждение

Аускультация сердца является наиболее доступным и широко рекомендуемым методом выявления структурных нарушений сердечно-сосудистой системы. Однако интерпретация аускультативной картины требует многолетнего опыта, а диагностическая точность ограничена субъективностью восприятия. Цифровая обработка ФКГ сигналов позволяет объективизировать анализ и повысить эффективность диагностики [18].

Несмотря на то, что аускультация сохраняет клиническое значение, классическая ФКГ уступила место эхокардиографии и методам визуализации, дающим более точную информацию о структурах сердца и гемодинамике. Вместе с тем регистрация и анализ сердечных тонов остаются востребованными в научных исследованиях, обучении и клинической поддержке врачей. Развитие микроэлектроники привело к созданию портативных электронных стетоскопов, интегрирующих функции ФКГ и открывающих возможности для применения передовых методов обработки сигналов. Подключаемые к ноутбуку и интернету, такие устройства перспективны для автоматизированной и телемедицинской диагностики. В условиях ограниченных ресурсов обсуждается роль недорогих фонокардиографов с поддержкой мобильных телефонов [19][20].

Настоящий обзор охватывает исследования, направленные на совершенствование технологий выявления сердечных шумов и диагностики болезней системы кровообращения путем автоматизации аускультации.

Ряд авторов подчёркивает важность автоматического анализа ФКГ-сигналов. Аппаратно-программные комплексы позволяют визуализировать сердечные тоны, минимизировать ошибки врачей при аускультации и повышать квалификацию молодых специалистов [9]. Показана возможность мобильного телефона для предварительной оценки качества сигнала: около трети записей пригодны для анализа, что перспективно для дистанционного мониторинга в регионах с ограниченными ресурсами [7]. Исследования демонстрируют прогресс в применении искусственных нейронных сетей для классификации сердечных шумов^1,2.

Инновационный подход к раннему выявлению ВПС у детей, сочетающий ручной анализ и глубокое обучение, достигает точности 92% и способен повысить доступность диагностики в удаленных регионах [1]. Разработка специализированных устройств и приложений расширяет потенциал телемедицины и дистанционного консультирования.

Вместе с тем сохраняются нерешённые проблемы. Устройство Макалова А. О. и др. показало недостаточную дифференциацию сигналов при различных типах дыхания [13], а чувствительность некоторых коммерческих платформ (например, EMAS) для скрининга сердечных шумов ограничена [16].

Таким образом, цифровые технологии представляются перспективным направлением в диагностике сердечно-сосудистых заболеваний. Дальнейшие усилия должны быть направлены на совершенствование существующих инструментов и разработку новых методик для массового обследования населения.

Заключение

Проведённые исследования подтвердили эффективность применения современных цифровых технологий и ИИ для автоматической диагностики сердечных шумов и другой патологии. Основные направления дальнейшего развития включают совершенствование методов анализа ФКГ сигналов, развитие телемедицины и создание универсальных платформ для популяционного обследования населения.

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.