Перспективы применения искусственного интеллекта в кардиохирургии: систематический обзор

Искусственный интеллект (ИИ) повлиял на все отрасли жизни людей по всему миру, сигнализируя о наступлении эры ИИ. Значительные успехи в развитии ИИ побуждают врачей к активному внедрению этих технологий в медицинскую практику [1]. Однако его использование в медицине сталкивается с рядом проблем из-за ограниченного понимания врачами компьютерных наук и технологий ИИ [2]. В этой статье описываются базовые представления об ИИ и применение данной технологий в сердечно-сосудистой хирургии.

Машинное обучение (МО) — это фундаментальная практика, использующая алгоритмы для составления прогнозов путем анализа и обучения на готовых данных. Алгоритмы могут извлекать важные задачи из команд оператора, обобщая примеры, предоставленные им в обучающих наборах данных. В настоящее время разработаны различные типы алгоритмов МО, которые можно классифицировать либо по стилю обучения (т.е. обучение с учителем, обучение без учителя и т.п.), по сходству или по их функциональности (т.е. классификация, регрессия, деревья решений, кластеризация, глубокое обучение и т.д.). Хотя компьютеры могут казаться мыслящими, они не обладают сознанием [3], и не в силах превзойти наложенные на них ограничения. Хороший пример прикладного ИИ можно найти в персонажах видеоигр, которые ведут себя правдоподобно в контексте своих игровых ролей, но не могут выполнять действия, выходящие за пределы заданных разработчиками.

Было разработано множество моделей ИИ для медицинских применений (например, www.pathway.md и др.), но в последнее время наблюдается повышенный общественный интерес к большим языковым моделям, таким как генеративные трансформеры, например, ChatGPT, Perplexity, Mistral и Deep Seek. ChatGPT был признан революционным достижением в области ИИ. Обученные на широком спектре текстов, доступных в интернете, большие языковые модели предоставляют сложные ответы и демонстрируют медицинские знания, в т.ч. генерируя рекомендации [4].

Благодаря своим передовым возможностям в глубоком обучении и обработке естественного языка, такие модели могут создавать диалоги, имитирующие человеческое взаимодействие, и использоваться в клинической практике [5]. Для пользователей, включая как врачей, так и пациентов, важно научиться критически оценивать их ответы, осознавать потенциальные ограничения и риски их использования, особенно среди неспециалистов [6].

В сфере сердечно-сосудистых заболеваний существует множество административных применений ИИ. Использование ИИ в этой области несколько менее революционно по сравнению с его применением в диагностике и уходе за пациентами, но оно может обеспечить значительную эффективность для медицинских учреждений. В среднем медсестра тратит 25% своего рабочего времени на административные задачи. Технологии, вероятно, актуальные для этой цели, включают универсальный ИИ и чат-ботов. Они могут быть использованы для различных приложений в здравоохранении, включая обработку страховых требований, управление клинической документацией, управление экономической деятельностью медицинских учреждений, автоматизированные системы медицинских карт и записи на прием¹. Системы ИИ интегрируются и в клинические рабочие процессы, чтобы помогать медицинским работникам принимать обоснованные решения, включая стратегии реваскуляризации и планирования лечения пациентов с сердечно-сосудистой патологией [7].

Таким образом, внедрение универсального ИИ в медицину не только повышает точность диагнозов, но и улучшает результаты лечения пациентов, позволяя проводить своевременные и эффективные хирургические вмешательства [8]. Тем не менее такие проблемы, как этические вопросы и конфиденциальность данных, являются важными аспектами, которые необходимо учитывать по мере развития этих технологий.

Методология исследования

Целью данной работы является систематизация современных данных о применении ИИ в кардиохирургии и определение перспективных направлений его клинического внедрения. Для повышения методологической строгости были соблюдены и применены принципы и рекомендации систематического обзора. Структура PRISMA была адаптирована для обеспечения прозрачного и структурированного подхода к выявлению, скринингу и включению соответствующих исследований.

Поиск выполнялся по пяти основным базам данных: PubMed, Scopus, Cochrane Library, Google Scholar и Web of Science. Период поиска охватывал публикации с января 2000 по ноябрь 2025г, чтобы охватить развитие и недавние достижения в этой области. Стратегия поиска сочетала ключевые слова и логические операторы, адаптированные к теме: Artificial intelligence" AND "Cardiac surgery", "Machine learning" AND "Cardiovascular diseases", "AI-assisted surgery" OR "Robotic surgery", "Deep learning" AND "Risk stratification", "Cardiac imaging" OR "AI-guided echocardiography".

Критерии включения и исключения были определены для обеспечения актуальности и качества рассматриваемых исследований.

Критерии включения: исследования, изучающие применение ИИ в кардиохирургии или смежных областях; исследования, затрагивающие этические, практические или нормативные аспекты использования ИИ в кардиохирургии.

Критерии исключения: редакционные статьи; исследования, посвященные исключительно несмежным специальностям; статьи без количественных или качественных данных, подтверждающих применение ИИ; дубликаты исследований в разных базах данных.

После удаления дубликатов было выявлено 1326 исследований. Для извлечения данных о дизайне исследования, методологии ИИ и результатах, выборка из PubMed и других баз была загружена в большую языковую модель Deep Seek с использованием оригинальной методики промпт-инжиниринга, предложенной авторами (находится в стадии публикации). 499 исследований соответствовали критериям включения для полнотекстового обзора. Полученные данные были организованы в виде таблиц и переведены в Microsoft Excel для облегчения дальнейшего "ручного" отбора командой исследователей. В конечном итоге было отобрано 179 исследований, включая клинические испытания, систематические обзоры и наблюдательные исследования. Весь процесс, включая идентификацию, скрининг и включение релевантных статей, обобщен на блок-схеме PRISMA (рис. 1).

Результаты

Внедрение ИИ требует пересмотра существующих моделей оказания медицинской помощи и сопряжено со значительными затратами: от интеграции технологий до модернизации инфраструктуры и переподготовки кадров. В условиях ограниченных ресурсов здравоохранения ценность новой технологии определяется соотношением дополнительных затрат и клинических преимуществ (улучшение качества и продолжительности жизни, выраженное в QALY), которое затем оценивается относительно принятых нормативов финансирования [9]. Стремительное развитие ИИ диктует необходимость создания новых подходов к оценке эффективности подобных технологий, отличных от традиционных [10].

Большие языковые модели вносят существенный вклад в повышение качества кардиохирургической помощи. Использование этих технологий обеспечивает всестороннюю интерпретацию клинических данных, что лежит в основе точной оценки состояния пациентов, обоснованного выбора тактики лечения и индивидуального подхода к ведению больного. Дополнительным преимуществом внедрения ИИ является оптимизация административных процессов и снижение операционных затрат.

ИИ в администрировании кардиохирургической помощи

Данные реального мира (Real World Data Evidence, RWDE) лежат в основе многих процессов в здравоохранении, играя решающую роль в ядре системы управления данными. Данные RWDE — это новый тренд в использовании методов и инструментов ИИ с акцентом на сбор и анализ огромных объемов данных, генерируемых пациентами, а также теми, кто за ними ухаживает, — родственниками и друзьями. Этот тренд отражает растущую важность сбора больших данных, ориентированных на пациента, и расширенной аналитики ИИ в здравоохранении для улучшения результатов и принятия решений путем включения информации не только из клинических источников, но и из расширенного окружения пациента (социальные сети, мобильные приложения, анкеты и т.д.) [11], в котором представлен "Голос пациента". Полученные таким образом RWDE также могут использоваться для оценки медицинских технологий и принятия решений в здравоохранении [12]. Этот подход облегчает эффективный сбор и анализ данных в кардиохирургии, позволяя оценивать долгосрочные результаты, такие как выживаемость и свобода от повторных операций в течение длительных периодов наблюдения. Кроме того, он позволяет собирать информацию о качестве жизни пациентов без необходимости непрерывного, а иногда и навязчивого мониторинга через визиты в клинику. Некоторые организации также использовали чат-ботов на основе ИИ для взаимодействия с пациентами в рамках телемедицины, чтобы упростить дистанционные кардиохирургические консультации [13].

Кроме обработки Big Data, ИИ имеет множество административных применений [14]. Хотя его использование в этой области менее революционно, чем в диагностике и уходе, оно может значительно повысить эффективность работы медицинских организаций (табл. 1).

Медицинские исследования

Проведение рандомизированных клинических испытаний (РКИ) сопряжено со значительными временными и ресурсными затратами. Внедрение инструментов ИИ открывает возможности для оптимизации этих процессов — от сбора и управления данными, до повышения эффективности набора пациентов. Технологии ИИ позволяют автоматизировать проверку соответствия участников критериям отбора, существенно ускоряя этап рекрутинга. Так, Murcia V, et al. (2024) продемонстрировали применение автоматизированного алгоритма сопоставления, который с помощью методов обработки естественного языка связывал электронные медицинские карты с критериями включения и исключения [15]. Кроме того, ИИ может моделировать РКИ с эмуляцией виртуальных пациентов, предлагая безопасный и экономически эффективный метод тестирования новых методов лечения до их клинического внедрения, а также производить экономическую оценку новых медицинских технологий [16].

Технологии ИИ в диагностике сердечно-сосудистых заболеваний

ИИ улучшает возможности различных методов, таких как электрокардиография (ЭКГ), чрескожная коронарная ангиография (ЧКА), компьютерная томография (КТ) и магнитно-резонансная томография (МРТ). Применения ИИ в эхокардиографии (ЭхоКГ) включают автоматическую сегментацию и объемный анализ камер сердца, а также оценку структур клапанов.

Задача внедрения ИИ в ЭКГ — полностью автоматизировать анализ кардиограмм, чтобы сэкономить время врачей и снизить трудозатраты [17]. Недавнее появление анализа ЭКГ на основе глубокого обучения может помочь врачам в диагностике, определении прогноза и стратификации риска. Преимущество глубоких нейронных сетей заключается в их способности выявлять новые взаимозависимые факторы, независимо от выбранных человеком признаков, что открывает огромный массив ранее не анализированных данных [18].

Точное определение различных сечений в ЭхоКГ может быть сложной задачей для неопытных врачей. Исследования показывают, что подходы глубокого обучения могут классифицировать ЭхоКГ-изображения и достигать хорошей точности распознавания. Оценка функции левого желудочка — ключевой этап ЭхоКГ. Современные коммерческие программы обеспечивают высокую точность измерений, сопоставимую с данными МРТ. Алгоритмы ИИ позволяют определять размеры камер, апикальные проекции и глобальную продольную деформацию. Использование ИИ не только улучшает диагностические навыки начинающих специалистов, но и повышает точность прогнозирования операционных рисков [19]. Одобренные Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) коммерческие решения, уже применяемые в клинической практике, такие как EchoGo (Ultromics Ltd, Оксфорд, Великобритания), позволяют выявлять пациентов с сердечной недостаточностью с сохраненной фракцией выброса по данным единственной четырехкамерной проекции сердца [20].

МРТ является важным не инвазивным инструментом в диагностике. Однако она требует больше времени из-за необходимости учета движений сердца и дыхания. В настоящее время изучается возможность применения ИИ, в частности глубокого обучения, для ускорения процессов МРТ. Прежде чем ИИ сможет быть широко внедрен, необходимо преодолеть ряд технических проблем. Работа Bustin A, et al. (2020) [21] представляет всесторонний обзор недавних достижений в МРТ с помощью ИИ. В ней обобщены устоявшиеся методы с акцентом на глубокое обучение для 2D и 3D визуализации.

Применение ИИ в КТ сердца [22], вероятно, сыграет ключевую роль в будущем, сокращая время составления отчетов, предоставляя информацию о коронарных атеросклеротических бляшках [23] и выявляя ишемию миокарда с помощью оценки перфузии [24]. Seo J, et al. (2023) оценивали эффективность алгоритма в обнаружении илеофеморального тромбоза глубоких вен на КТ ангиограммах нижних конечностей. Они получили изображения и применили их к модели RetinaNet на основе ИИ. Модель показала чувствительность 84,3% и специфичность 60,8% [25].

Позитронно-эмиссионная томография (ПЭТ) обеспечивает абсолютную количественную оценку перфузии миокарда. ПЭТ-визуализация с использованием фтордезоксиглюкозы является эффективным инструментальным решением для выявления атеросклеротических бляшек, поскольку метаболически активные макрофаги участвуют в патогенетических механизмах и легко обнаруживаются. ИИ может улучшить обнаружение атеросклероза во время визуализации с коррекцией ослабления. Хотя для ПЭТ с коррекцией ослабления обычно создаются КТ-сканы, современные сверточные нейронные сети могут преобразовывать магнитно-резонансные изображения в КТ-подобные изображения, которые полезны для коррекции ослабления при ПЭТ-сканировании [26].

Современные системы анализа ЧКА, такие как нейронные сети, разработанные несколькими международными командами, используют алгоритмы обнаружения контуров для выполнения анализа сегментов коронарных артерий. Достижения в области ИИ привели к созданию автоматизированных систем, способных сегментировать коронарное дерево, измерять стеноз, идентифицировать патологии, такие как тромбоз и диссекции, и даже автоматизировать расчет SYNTAX Score. Они используют большие наборы ангиографических изображений для достижения высокой точности (около 80-93%) [27].

Кружилов И. C. и др. (2025) представили алгоритм классификации коронарной доминантности на основе анализа ангиограмм правой коронарной артерии. Они использовали сверточные нейронные сети для классификации 2D‑кадров. Их набор данных включал 828 ангиографических исследований, достигнув точности классификации ~93,5% [28][29].

Таким образом, нейросетевые модели, основанные как на анализе статических 2D/3D изображений, так и на обработке видеопоследовательностей, продемонстрировали высокую эффективность в задачах классификации. Несмотря на достигнутую точность, такие факторы, как окклюзия сосудов и низкое качество исходных изображений, рассматриваются в качестве ограничивающих. В подобных клинических ситуациях принятие решений должно дополняться экспертным анализом.

Стратификация рисков и прогнозирование

Основные модели оценки риска в кардиохирургии включают EuroSCORE, Parsonnet score, модель STS Risk Score и другие. Эти модели используются для прогнозирования риска смертности и осложнений после операции, а также помощи в принятии клинических решений. EuroSCORE II и STS являются наиболее широко применяемыми европейскими системами. Кроме того, существуют модифицированные шкалы, например, для операций на дуге аорты (Euroscore model ARCH с включением дополнительных 35 параметров) и региональные модели, которые позволяют более точно оценивать риск в конкретных клинических условиях (например, Cleveland Clinic model). Они обычно строятся на статистическом регрессионном анализе и включают несколько переменных, таких как возраст, сопутствующие заболевания, функциональное состояние пациента и тип операции. Основной проблемой в их использовании является отсутствие адаптивности под конкретные условия клиники и ее технических возможностей, а также фактора влияния конкретного оперирующего хирурга [30].

Наука о хирургических данных (Surgical Data Science, SDS) формируется как самостоятельное направление, призванное улучшить качество хирургической помощи. Инструменты ИИ и МО, лежащие в основе SDS, способны обрабатывать большие массивы разнородных данных (Big Data) — от электронных карт до лучевых изображений — и находить в них скрытые взаимосвязи. В кардиохирургии такие модели уже сегодня демонстрируют высокую точность в персонализированном прогнозировании рисков, зачастую превосходя классические шкалы. Однако, как бы ни были совершенны алгоритмы, их выводы пока не могут заменить данные РКИ, остающихся золотым стандартом для клинических рекомендаций. Раскрытие полного потенциала больших данных в хирургии сердца — задача ближайшего будущего [31].

Системы видеоассистированной кардиохирургии и 3D моделирование

Робот-ассистированная хирургия — это продвинутая область хирургии. Такие системы, как Da Vinci, позволяют хирургам выполнять задачи в реальном времени с помощью роботизированных манипуляторов, управляемых под детальной 3D‑визуализацией, которая обеспечивает лучшее отображение анатомических структур, особенно в сложных областях, таких как проводящая система сердца. Будущая интеграция с виртуальной реальностью и ИИ может еще больше повысить её точность [32].

Кардиохирургия часто включает реконструктивные операции, что является очень сложной задачей для выполнения роботами. Однако новые разработки, основанные на обучении с подкреплением в ИИ, позволили создать роботов, способных, например, делать разрезы кожи². В ближайшей перспективе можно ожидать внедрения интеллектуальных навигационных систем, предназначенных для определения оптимальной локализации кожного разреза. Такой подход позволит минимизировать размер операционного доступа при одновременном улучшении экспозиции в ходе различных кардиохирургических вмешательств — от операций на митральном и аортальном клапанах до коронарного шунтирования и имплантации кардиостимуляторов. Уже сейчас существуют инструменты ИИ, которые можно использовать для принятия решений в хирургии дуги аорты, определяя стратегию канюляции, метод церебральной защиты и целевую температуру [33]. Кроме того, проводятся доклинические испытания на животных роботизированных систем для проведения ЧКА и стентирования [34].

Иммерсивная 3D‑платформа виртуальной реальности на основе ИИ, PulmoVR (Lungpacer Medical USA Inc.), используется для визуализации и картирования сложной анатомии легочной, сосудистой и бронхиальной сегментации и, как было показано, улучшает принятие хирургических решений [35].

Оценка состояния миокарда с помощью ИИ, основанная на анализе визуальных кинематических параметров правых отделов сердца, может служить дополнительным инструментом для принятия решения об отсроченном закрытии грудины. Данный подход был специально изучен в когорте пациентов после хирургической коррекции тетрады Фалло [36].

Внедрение автономных роботизированных систем в хирургию обещает снижение затрат и нагрузки на персонал, однако сопряжено с риском уменьшения возможностей для клинической подготовки хирургов, что требует взвешенного подхода к их использованию.

Системы послеоперационного мониторинга и реабилитации пациентов

Системы дистанционного слежения с поддержкой ИИ дополнительно расширяют возможности кардиореанимации и реабилитологии, предоставляя информацию о состоянии пациента в реальном времени, путем передачи данных с систем мониторинга пациентов и способствуя лучшему соблюдению протоколов. Более того, прогностические возможности ИИ, такие как выявление ранних признаков осложнений, позволяют своевременно вмешиваться, что снижает периоперационную летальность и улучшает качество жизни пациентов [37].

Носимые интеллектуальные устройства представляют собой новое поколение вычислительной техники, развитие которого стало возможным благодаря прогрессу в сфере информационных и телекоммуникационных систем. Их типология строится преимущественно на основе способа ношения (часы, браслеты, ожерелья, дисплеи). По мере их развития появляются и новые модификации, включая электронные пластыри и специализированную "умную" одежду. Современные носимые решения оснащаются датчиками для мониторинга физиологических параметров: двигательной активности, сатурации кислорода, артериального давления, уровня глюкозы и холестерина. Они способны регистрировать ЭКГ, электроэнцефалограмму, электромиограмму, частоту сердечных сокращений, фотоплетизмограмму и частоту дыхания [38].

В исследовании Gentry A, et al. (2019) носимые датчики, включавшие электромиограмму и акселерометры, были применены для предотвращения риска тромбоза глубоких вен в период реабилитации пациентов. Классификация двигательных паттернов (ходьба, положение сидя и стоя, а также круговые движения голеностопного сустава) позволила выявлять продолжительные периоды неподвижности. В такие периоды насосная функция икроножных мышц нарушается, что снижает венозный возврат. Использование ИИ для обработки данных с мультисенсорного носимого устройства обеспечило точность классификации каждого типа активности, превышающую 95% [39]. Общая диаграмма, иллюстрирующая возможности использования ИИ на всех этапах лечения [40], представлена на рисунке 2.

Проблемы использования ИИ в кардиохирургии

Несмотря на значительный потенциал ИИ в кардиохирургии, его внедрение сопряжено с рядом рисков, которые необходимо анализировать на конкретных примерах. Анализ инцидентов, связанных со сбоями алгоритмов, подчеркивает критическую важность тщательного тестирования и законодательного контроля [41].

Так, описаны случаи ошибочной классификации диагностических изображений, обусловленные использованием нерепрезентативных обучающих выборок. Подобные ошибки потенциально способны привести к неверному планированию операции или задержкам в лечении. В другом случае алгоритм ИИ, прогнозирующий послеоперационные риски, систематически занижал вероятность осложнений у недостаточно представленных в выборке групп пациентов, что вело к неадекватному мониторингу в послеоперационном периоде [42].

Касательно тематических исследований, конкретные примеры проблем, связанных с ИИ в кардиохирургии, могут быть еще недостаточно задокументированы в литературе, поскольку это новая область. Однако аналогичные случаи в других хирургических специальностях могут дать ценную информацию. В робот-ассистированных полостных операциях интеграция ИИ часто сталкивалась с трудностями, требующими вмешательства человека. В одном обзоре обсуждалось, что роботизированные системы на основе ИИ могут испытывать проблемы во время сложных процедур, подчеркивая необходимость человеческого контроля для управления непредвиденными интраоперационными событиями [43][44].

Учет подобных ошибок является обязательным условием безопасного внедрения ИИ, при котором технология дополняет, а не подменяет клинический опыт [45].

Заключение

Интеграция ИИ в кардиохирургию неизбежно ведет к трансформации профессиональных ролей. По мере автоматизации таких задач, как стратификация риска, планирование вмешательства и поддержка принятия решений, функции хирурга смещаются от непосредственного исполнения к роли "супервайзера", контролирующего ход ИИ-ассистированной процедуры. Это позволит специалисту концентрироваться на решении сложных клинических задач и ведении нетипичных случаев, выходящих за рамки алгоритмов.

Средний медицинский персонал также будет выполнять новые функции, связанные с управлением ИИ-системами, интерпретацией их результатов и сохранением человеческой, эмпатической связи с пациентом. Подобные изменения, повышая эффективность лечения, одновременно ставят вопросы кадрового обеспечения: потребность в специализированном обучении и возможное сокращение рутинных манипуляций. Успешная адаптация требует взвешенной стратегии, учитывающей этические, нормативные и социальные аспекты.

Таким образом, реализация потенциала ИИ в кардиохирургии требует развития междисциплинарного сотрудничества и дальнейших исследований. Сочетание передовых технологий с клиническим опытом позволит вывести кардиохирургию на новый уровень, обеспечив более безопасную, персонализированную и эффективную помощь пациентам.

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. См. также раздел "Методология исследования".