Модели искусственного интеллекта (ИИ) показывают многообещающие результаты в выявлении новых признаков окклюзирующего поражения коронарных артерий (КА). Цель исследования — провести анализ и систематизацию данных научной литературы о применении ИИ в диагностике и стратификации риска окклюзирующего инфаркта миокарда (ОкИМ).
Инфаркт миокарда (ИМ) остаётся основной причиной госпитализации и смертности от сердечно-сосудистых заболеваний во всём мире, что требует постоянного внимания со стороны медицинского сообщества. Несмотря на то, что за последние десятилетия стратегия реперфузии и система оказания медицинской помощи были значительно усовершенствованы, наиболее важным фактором, определяющим результаты лечения, остаётся своевременность диагностики. Смещение сегмента ST служит ключевым ориентиром для определения сроков реперфузионной терапии, но важно понимать, что данный критерий не является единственным для определения показаний к экстренному вмешательству. Примерно у трети пациентов с ИМ без подъема сегмента ST (ИМбпST) наблюдается острая окклюзия КА [1]. Появившаяся концепция ОкИМ предполагает более комплексный подход к диагностике острой коронарной окклюзии [2]. Модели ИИ, включая как классические методы машинного обучения (например, "случайный лес" (англ. random forest)), так и подходы глубокого обучения на базе искусственных нейронных сетей, демонстрируют многообещающие результаты в выявлении новых признаков окклюзирующего поражения КА [3][4].
Ограничения парадигмы ИМ с подъемом сегмента STКлассификация ИМ на основе изменений на электрокардиограмме (ЭКГ) развивалась с течением времени. До эры реваскуляризации ИМ классифицировали в зависимости от наличия зубца Q, указывающего на трансмуральный характер поражения миокарда. После того как в 90-х годах прошлого столетия исследования тромболизиса продемонстрировали его эффективность в улучшении выживаемости пациентов, была введена классификация ИМ в зависимости от смещения сегмента ST, что позволило маршрутизировать пациентов для проведения немедленной реперфузионной терапии с помощью тромболизиса или чрескожного коронарного вмешательства [2].
В большинстве случаев ИМ с подъемом сегмента ST (ИМпST) вызван острой окклюзией КА, что связано с неблагоприятным прогнозом. Однако у критериев ИМпST есть ряд ограничений. Подъем сегмента ST не является синонимом острой коронарной окклюзии и иногда носит вторичный характер. Процесс окклюзии динамичен, и произвольный лизис тромба создает картину нормы на ЭКГ [5]. Кроме того, смещение сегмента ST зависит от векторной проекции: при инфаркте задней стенки левого желудочка может наблюдаться только депрессия сегмента ST [6].
Хотя ишемический подъем сегмента ST является показанием к срочной реперфузионной терапии, данная концепция не учитывает значительное число пациентов с ОкИМ без изменений положения сегмента ST [7-9]. До трети случаев ИМбпST могут быть обусловлены острой окклюзией КА [1]. Оказание медицинской помощи пациентам, у которых нет подъёма сегмента ST, но развивается ОкИМ, сопровождается задержкой в проведении коронароангиографии и лишает их потенциальных преимуществ срочной реваскуляризации [10].
В исследовании de Alencar Neto JN, et al. (2024) [11] стандартные критерии подъёма сегмента ST продемонстрировали чувствительность 43,6% (95% доверительный интервал (ДИ): 34,7-52,9%), специфичность составила 96,5% (95% ДИ: 91,2-98,7%). Тотальная окклюзия инфаркт-связанной артерии выявлялась у 14,9% пациентов с ИМбпST, что также свидетельствует о низкой чувствительности имеющихся критериев ИМпST. Важно, что пациенты с тотальной окклюзией в данном исследовании имели худший прогноз, что подчеркивает важность окклюзии как предиктора неблагоприятного исхода.
В ретроспективном когортном исследовании Pendell Meyers H, et al. (2025) [4] показали, что стандартные критерии ИМпST не позволили идентифицировать 38% случаев острой полной окклюзии передней нисходящей артерии (ПНА), несмотря на анализ всех доступных серийных ЭКГ. Пациенты с острой окклюзией ПНА, не отвечающие критериям ИМпST, имели достоверно более длительное время от постановки диагноза до проведения баллонной ангиопластики — 97 мин (95% ДИ: 60-428), чем те, кто соответствовал критериям ИМпST — 40 мин (95% ДИ: 22-61); p<0,001.
Для улучшения диагностики окклюзии КА и определения тактики лечения была предложена новая концепция ОкИМ [2][12].
Значение ИИ в диагностике ОкИМИИ как метод получения дополнительного знания о сердечно-сосудистой системе все чаще обсуждается в литературе [21][22]. Роль ИИ может быть особенно значима в анализе данных кардиовизуализации [23], поиске новых биохимических маркеров острого повреждения миокарда [24], анализе результатов ЭКГ и прогнозировании исходов [25]. Техническая сторона вопроса сложна и также вызывает большой интерес во врачебном сообществе [23][26]. Модели ИИ включают алгоритмы машинного обучения, в т.ч. его подраздел — глубокое обучение, основанное на искусственных нейронных сетях [27].
ИИ может быть полезен в выявлении нетипичных паттернов ОкИМ на ЭКГ, т.к. обучение на больших массивах данных позволяет нейросети выявлять изменения, которые могут быть не замечены или проигнорированы человеком [6].
В исследовании Абдуалимова Т. П. и др. (2021) [28] разработанная нейросетевая модель, основанная на одновременном анализе ЭКГ-изображений и клинических данных, продемонстрировала хорошее качество прогнозирования поражения КА (площадь под кривой ROC, англ. Area Under the ROC Curve (AUC-ROC) 0,74) при специфичности 88% и чувствительности 63%.
Преимуществом ИИ также является возможность описания широкого спектра параметров ЭКГ. В исследовании Al-Zaiti SS, et al. (2023) [3] модель машинного обучения "случайного леса" продемонстрировала высокую дискриминационную способность в выявлении ОкИМ на основании данных 12-канальной ЭКГ. Целевой переменной для модели глубокого обучения служил подтвержденный ангиографически диагноз ОкИ М. Проведенный анализ позволил идентифицировать комплекс электрокардиографических признаков ишемии миокарда, которые не охватываются действующими диагностическими критериями, регламентированными клиническими рекомендациями [14][15]. На тестовой выборке модель "случайного леса" продемонстрировала высокую дискриминационную способность (AUC-ROC 0,91; 95% ДИ: 0,87-0,96), значимо превзойдя как практикующих врачей (AUC-ROC 0,79; 95% ДИ: 0,73-0,76; p<0,001), так и коммерческую систему интерпретации ЭКГ (AUC-ROC 0,78; 95% ДИ: 0,70-0,85; p<0,001). Чувствительность модели для выявления ОкИМ составила 86% (95% ДИ: 81-91%), специфичность — 98% (95% ДИ: 97-99%). Исследователи разработали шкалу стратификации риска ОкИМ, основанную на 73 пространственно-временных признаках ЭКГ, для выявления пациентов с низким риском, промежуточным риском и высоким риском ОкИ М. Интересно, что данная группа авторов также разработала визуальную систему с отражением результатов работы ИИ для повышения доверия врачей к результатам работы модели [29].
В уже упомянутом исследовании Pendell Meyers H, et al. (2025) [4] алгоритм платформы ИИ для ЭКГ-диагностики острой окклюзии КА продемонстрировал чувствительность 100% уже на первой ЭКГ, что было сопоставимо с оценкой врачом экспертом.
В работе Herman R, et al. (2023) [30] применялась модель ИИ на основе глубокой сверточной нейронной сети (англ. Convolutional Neural Network (CNN)), разработанная для выявления ОкИМ по одной 12-канальной ЭКГ. В выявлении ОкИМ модель продемонстрировала AUC-ROC 0,938 (95% ДИ: 0,924-0,951), а также показала двукратное превосходство чувствительности над стандартными критериями ИМпST — 80,6% (95% ДИ: 76,8-84,0%) vs 32,5% (95% ДИ: 28,4-36,6%; p<0,001). При этом диагностические характеристики модели существенно различались в зависимости от наличия признаков ИМпST на ЭКГ. У пациентов с ЭКГ-картиной ИМпST чувствительность модели ИИ достигала 93,3% (95% ДИ: 90,0-96,2%; p<0,001), что значительно превышало показатель 67,6% (95% ДИ: 64,1-70,7%; p<0,001) в группе пациентов с ИМбпST. Это отражает объективные сложности диагностики окклюзии при отсутствии подъёма сегмента ST. Наивысшая специфичность была достигнута при использовании стандартных критериев ИМпST — 97,7% (95% ДИ: 97,0-98,3%), что превысило показатели как экспертов-кардиологов (95,7%; 95% ДИ: 94,7-96,6%), так и модели ИИ (93,7%; 95% ДИ: 92,6-94,8%). Рабочие характеристики модели оставались стабильными для всех типов ритма ЭКГ, при этом наиболее высокая специфичность зафиксирована в подгруппе пациентов с фибрилляцией предсердий — 99,3% (95% ДИ: 97,9-100%; p<0,001). Показатели чувствительности модели ИИ были сопоставимы при поражении различных коронарных бассейнов. В то же время специфичность оказалась статистически значимо ниже у пациентов с окклюзией ПНА (83,6%; 95% ДИ: 76,6-90,2%; p=0,003) и правой КА (80,6%; 95% ДИ: 70,0-89,2%; p=0,008) по сравнению с другими локализациями.
В исследовании Diaz-Herrera BA, et al. (2025) [31] возможности ИИ по выявлению ОкИМ превзошли как диагностические критерии ИМпST, так и опыт экспертов. В выявлении острой окклюзии AUC-ROC составила 0,86 (95% ДИ: 0,75-0,98) для ИИ, 0,33 (95% ДИ: 0,17-0,49) для экспертов по ЭКГ и 0,50 (95% ДИ: 0,35-0,54; p<0,001) для критериев ИМпST. Модель ИИ продемонстрировала прогностическую ценность положительного результата 84% и прогностическую ценность отрицательного результата 100%. Примечательно, что сканирование ЭКГ для дальнейшей обработки осуществлялось с помощью смартфонов. Данная модель была основана на CNN с трансферным обучением — методом машинного обучения, при котором нейросеть, предварительно обученная на крупном массиве данных, донастраивается для решения конкретной диагностической задачи.
В исследовании AERO-ACS (AI-enhanced recognition of occlusions in acute coronary syndrome) (2025) [32] модель ИИ достигла чувствительности 86,5%, специфичности 82,2% и AUC-ROC 0,84. Традиционные критерии ИМпST имели чувствительность 54,1% и специфичность 88,7%. Модель ИИ была на 100% чувствительна к обнаружению ОкИМ с подъемом сегмента ST. Данная модель находится в открытом доступе в виде мобильного приложения.
Согласно данным одноцентрового ретроспективного исследования Peter O Baker, et al. (2025) [33], модель ИИ и критерии ИМпST не отличались в снижении количества случаев ложноположительных показаний для коронароангиографии (p=0,19), при этом оба подхода позволили снизить количество ложноположительных направлений по сравнению с заключениями специалистов экстренной помощи. Однако критерии ИМпST оказались ложноотрицательными для 5% пациентов с острой коронарной окклюзией, в то время как ИИ не пропустил ни одного случая ОкИМ (p=0,01).
Важным компонентом в диагностике ИМ является анализ лабораторных исследований. Toprak B, et al. (2024) [34] описали высокую эффективность разработанного алгоритма ARTEMIS, предназначенного для интерпретации результатов определения высокочувствительного тропонина в месте оказания медицинской помощи. Данный алгоритм показал 100% прогностическую ценность отрицательного результата и 100% чувствительность для ИМ 1 типа, т.е. позволял исключать у пациентов типичный ОкИМ.
Представленный Boeddinghaus J, et al. (2024) [35] алгоритм CoDE-ACS (Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome) позволил исключить большее количество пациентов из дальнейшего наблюдения после первого определения уровня тропонина по сравнению с алгоритмами Европейского общества кардиологов [36].
McCord J, et al. (2022) [37] представили алгоритм машинного обучения, позволивший выделить пациентов, подходящих для ранней выписки, в течение 30 мин. Данная модель предусматривала оценку тропонина I, пола и возраста. В контексте нашей темы данные публикации интересны с точки зрения возможности исключения ИМ как такового, а значит и острой коронарной окклюзии, т.к. данный подход может быть целесообразен с экономической точки зрения.
Неинвазивные методы визуализации, дополненные анализом данных предварительно обученной нейронной сети, также могут дать информацию о состоянии КА. Nikpour M и Mohebbi A (2024) [38] в своем исследовании описывают использование CNN, которая способна обрабатывать данные изображений, для стратификации риска коронарной окклюзии на основании гидродинамических параметров коронарного кровотока, полученных с помощью магнитно-резонансной томографии. Данная модель показала чувствительность 94,0% и специфичность 82,4% в выявлении окклюзии КА, частота ложноположительных результатов составила 9,27%. Изучение и практическое применение данного подхода может быть ограничено в связи с низкой доступностью магнитно-резонансной томографии и технической сложностью в обработке данных.
Дополнительной возможностью в разграничении ОкИМ и ИМ без обструкции КА (ИМБОКА) может стать неинвазивная оценка фракционного резерва кровотока КА. Авторы систематического обзора, посвященного неинвазивной оценке фракционного резерва кровотока с применением технологии ИИ (2023) [39], делают вывод, что данное направление диагностики может быть полезно для принятия клинических решений, но возможность проведения метаанализов и валидации методик ограничена в связи со значительной неоднородностью имеющихся исследований.
Преимуществом использования ИИ в диагностике ИМ является скорость обработки информации. В литературе представлены примеры ИИ-ассистированного дистанционного принятия решения. В одном из исследований среднее время от первого контакта с пациентом до поступления в стационар составило 18,5 (межквартильный размах 16; 20,8) мин [17]. Авторы отмечают, что время ответа ИИ на запрос об онлайн-расшифровке ЭКГ было практически в 3 раза короче, чем от эксперта, однако данных о среднем времени от первичного контакта до поступления в стационар без участия ИИ для сравнения не приводят. В исследовании Herman R, et al. (2023) [30] такого рода данные имелись: модель ИИ обеспечила время до постановки диагноза в среднем 2,3 ч по сравнению с 5,3 ч при использовании стандартных критериев ИМпST (p<0,001). При этом время диагностики с помощью ИИ было сопоставимо с экспертной оценкой кардиологов — 2,9 ч (p=0,08).
Внедрение ИИ в работу скорой медицинской помощи возможно осуществить через подключение ЭКГ-аппаратов к ИИ, что может значительно улучшить результаты интерпретации исследований [40].
Амбициозно будет предполагать, что однажды ИИ сможет позволить выявлять окклюзию КА еще на этапе физикального осмотра. Ainiwaer A, et al. (2023) [41] создали модель на основе глубокого обучения для скрининга "обструктивной ишемической болезни сердца" на основе анализа сердечных тонов. Авторы позиционируют предложенную модель как высокоэффективный метод скрининга ишемической болезни сердца. Стоит отметить, что анализ звуковых сигналов требует высокого качества записи, соответствующего оборудования и строгой стандартизации, что может затруднить введение метода в рутинную клиническую практику. Также неизвестно, насколько данный подход будет применим в неотложной ситуации, возможно ли его использование у пациентов с сопутствующей патологией (фибрилляция предсердий, хроническая обструктивная болезнь легких, клапанные пороки), значительно влияющей на аускультативную картину.
Важно, чтобы дальнейшие исследования с применением ИИ сконцентрировались не только на поиске окклюзии как таковой, но и на выявлении признаков неблагоприятного прогноза. Данная поправка необходима для создания практического алгоритма действий по определению показаний к срочной реваскуляризации. Такого рода исследования ведутся (приводим пример исследование PRAISE [42]) и в будущем могут быть интегрированы в дальнейшие разработки по ведению пациентов с ОкИМ.
Возможно, в будущем ИИ будет применяться в качестве чувствительного клинического инструмента для распознавания острой окклюзии КА, поскольку машинное обучение способно быстрее и беспристрастнее анализировать множество параметров ЭКГ, и таким образом выявлять пациентов, нуждающихся в экстренном чрескожном коронарном вмешательстве. Развитие технологий машинного обучения может позволить создать надежного помощника в маршрутизации пациентов с подозрением на ОкИМ. Однако на данный момент имеется ряд ограничений. Во-первых, обучение полноценного ИИ требует технической материальной базы и квалифицированных специалистов. Во-вторых, имеющиеся исследования немногочисленны и неоднородны (размер и характеристики выборки, конечные точки, машинная и статистическая обработка данных). В-третьих, имеющиеся исследования носят в основном ретроспективных характер, а проспективные имеют короткий период наблюдения; в исследованиях в основном представлены суррогатные конечные точки. Вопрос о дизайне "идеального" исследовании такого рода технологии остается открытым. В-четвертых, возможны трудности в интеграции ИИ в систему оказания медицинской помощи в Российской Федерации как на аппаратном уровне (закупка оборудования), так и на законодательном. Пятый пункт затрагивает этическую ответственность. Гарантией безопасного внедрения медицинских технологий служит неразрывная связь технического прогресса и этической составляющей.