Обращение к читателям выпускающего редактора номера

Обращение к читателям выпускающего редактора номера

Цель. Оценить возможности применения технологий искусственного интеллекта (ИИ) в качестве инструмента "второго пилота" для фенотипирования пациентов пожилого возраста с атеросклеротическим поражением различных сосудистых бассейнов, а также изучить клиническую эффективность комбинированной липидснижающей терапии (розувастатин + эзетимиб) в данной популяции.

Материал и методы. В проспективное когортное исследование включены 739 пациентов в возрасте старше 60 лет (медиана 67 [63; 72] лет; 52,8% женщин) с верифицированным атеросклеротическим поражением (коронарных, церебральных или периферических артерий). Методом стратифицированной рандомизации пациенты разделены на две группы: основная группа (n=371) получала комбинированную терапию (розувастатин 20 мг + эзетимиб 10 мг/сут.) в течение 6 мес.; группа контроля (n=368) получала стандартную липидснижающую терапию (розувастатин 20 мг/сут.) в соответствии с клиническими рекомендациями. Для фенотипирования пациентов применялся алгоритм машинного обучения (градиентный бустинг с интерпретацией SHAP), интегрированный в систему поддержки принятия врачебных решений. Оценивались биохимические параметры липидного спектра, эхокардиографические показатели, динамика коморбидной патологии на исходном визите, через 3 и 6 месяцев наблюдения.

Результаты. Применение ИИ-алгоритма позволило выделить четыре клинических фенотипа пациентов с атеросклерозом: "коронарный" (38,2%), "цереброваскулярный" (27,6%), "мультифокальный" (19,1%) и "метаболический" (15,1%). В основной группе к 6-му месяцу наблюдения зафиксировано статистически значимое улучшение липидного профиля: снижение холестерина (ХС) липопротеидов низкой плотности (ЛНП) на 54,2% (p<0,001 vs контроль), повышение ХС липопротеидов высокой плотности на 18,4% (p<0,01). Достижение целевого уровня ХС ЛНП <1,4 ммоль/л отмечено у 67,4% пациентов основной группы vs 41,2% в контроле (p<0,001). По данным эхокардиографии, в основной группе зарегистрировано увеличение фракции выброса левого желудочка на 5,2% (p<0,01) и положительная динамика показателей диастолической функции. Наибольшая эффективность терапии наблюдалась у пациентов фенотипов "коронарный" и "мультифокальный".

Заключение. Использование ИИ в качестве "второго пилота" позволяет персонализировать терапевтическую стратегию у пожилых пациентов с атеросклеротическим поражением. Комбинированная терапия розувастатином и эзетимибом демонстрирует высокую эффективность в достижении целевых уровней липидов и положительной динамики эхокардиографических показателей с максимальным эффектом у определенных клинических фенотипов.

Цель. Оценить эффективность современных ансамблевых моделей машинного обучения (МО) в прогнозировании госпитальной летальности у пациентов с острым коронарным синдромом (ОКС) в сравнении с традиционной клинической шкалой GRACE.

Материал и методы. В ретроспективное исследование включены анонимизированные данные 14420 пациентов с ОКС, госпитализированных в кардиологический стационар. Для каждого клинического случая анализировалось 28 предикторов. На основе этих данных обучены алгоритмы МО: логистическая регрессия, деревья решений, случайный лес (Random Forest), градиентный бустинг (XGBoost, CatBoost). Для оценки качества моделей использовались площадь под ROC-кривой (AUC-ROC), полнота (Recall) и F1-мера. Результаты лучшей модели сопоставлялись с оценкой риска по шкале GRACE. Для интерпретации логики алгоритма применялся SHAP-анализ.

Результаты. Госпитальная летальность составила 6,03% (804 пациента). Алгоритмы на основе градиентного бустинга продемонстрировали наилучшую предсказательную способность. Лидером стала модель CatBoost, показавшая значение AUC-ROC 0,961, статистически значимо превзойдя шкалу GRACE (AUCROC 0,919) на тестовой выборке. SHAP-анализ выявил, что наибольший вклад в прогноз модели вносят: наличие дислипидемии в анамнезе, фракция выброса левого желудочка, класс острой сердечной недостаточности по Killip, возраст и уровень систолического артериального давления. Модель успешно выявила скрытые нелинейные клинические паттерны, включая парадоксальный защитный эффект диагностированной ранее дислипидемии и критическую прогностическую значимость отсутствия анамнестических данных при поступлении.

Заключение. Методы МО, в частности алгоритм CatBoost, обеспечивают более высокую точность прогнозирования госпитальной летальности при ОКС по сравнению с классическими шкалами. Способность алгоритмов учитывать сложные нелинейные взаимосвязи между клиническими показателями делает их перспективной основой для создания точных систем поддержки принятия врачебных решений.

Цель. Разработать прогностическую многофакторную модель для раннего выявления острой коронарной окклюзии (ОКО) у пациентов с острым коронарным синдромом без подъема сегмента ST (ОКСбпST) с использованием методов машинного обучения и набора предикторов, доступных в первые часы госпитализации.

Материал и методы. В ретроспективное наблюдательное исследование включены 1144 пациента с диагнозом инфаркта миокарда без подъема сегмента ST или нестабильной стенокардии, госпитализированные в региональный сосудистый центр в 2019-2021гг. Инвазивная коронарная ангиография была выполнена 900 пациентам, из них ОКО диагностирована у 64 пациентов (7,1%). Для выявления предикторов ОКО проведен анализ 149 клинических, анамнестических, лабораторных и инструментальных параметров, информация о которых была доступна в первые часы госпитализации. После отбора предикторов были разработаны прогностические модели с использованием методов машинного обучения: многофакторной логистической регрессии (МЛР), случайного леса, стохастического градиентного бустинга (XGBoost) и категориального бустинга (CatBoost). Оценка качества моделей проводилась по метрикам ROC-AUC, чувствительности (Sens), специфичности (Spec), Precision-Recall AUC (PR-AUC), меры качества вероятностных прогнозов (Brier-score), доли истинно положительных (PPV) и истинно отрицательных (NPV) результатов, F1-score и Accuracy.

Результаты. Независимыми предикторами ОКО явились: впервые выявленные/новые нарушения локальной сократимости левого желудочка, скорость оседания эритроцитов >15,5 мм/ч, холестерин липопротеинов высокой плотности <0,9 ммоль/л, креатинфосфокиназа МВ >82 ед/л, а также признаки продолжающейся ишемии миокарда при поступлении в виде рефрактерной/рецидивирующей боли в грудной клетке и/или одышки в сочетании как минимум с одним из прочих установленных критериев ОКСбпST очень высокого риска неблагоприятных ишемических событий согласно действующим клиническим рекомендациям. Наилучшие прогностические характеристики продемонстрировала модель на основе CatBoost (ROC-AUC=0,841). Хорошо интерпретируемая прогностическая модель ОКО на основе многофакторной логистической регрессии и полученных факторов риска имела схожие с моделью CatBoost метрики качества.

Заключение. Комбинация клинических, лабораторных и эхокардиографических параметров позволяет эффективно прогнозировать наличие ОКО в когорте ОКСбпST. Разработанные модели машинного обучения демонстрируют диагностическую точность и могут стать основой для модификации алгоритмов ранней стратификации риска и оптимизации стратегий инвазивного лечения.

Цель. Оценить роль клинических параметров, предтестовой вероятности (ПТВ) ишемической болезни сердца (ИБС) и факторов, ее модифицирующих, в современной российской когорте пациентов с подозрением на ИБС, в прогнозировании риска развития сердечно-сосудистых осложнений с использованием традиционных методов статистики и искусственного интеллекта (ИИ).

Материал и методы. В проспективное наблюдательное исследование включено 210 пациентов (115 мужчин (54,8%), возраст 60,1±10,1 лет). Оценены ПТВ ИБС, определены уровни глюкозы, показателей липидного спектра, креатинина, проведена регистрация электрокардиограммы, ультразвуковое исследование сонных и бедренных артерий. Период проспективного наблюдения составил 21 [19-25] месяц. Сердечно-сосудистая конечная точка (СС КТ) включала сердечно-сосудистую смерть, острый коронарный синдром, реваскуляризацию миокарда. Статистический анализ выполнен с помощью пакетов программы "Statistica for Windows", 16.0 (StatSoft, USA). Построение прогностических моделей проведено с использованием языка программирования Python (версия 3.x) и библиотек машинного обучения Scikit-learn, Pandas и NumPy.

Результаты. ПТВ ИБС составила 17% [11-26%]. Данные о прогнозе получены у всех пациентов (100%), СС КТ зафиксирована у 51 из них (24,3%). При проведении однофакторного анализа более высокий риск развития СС КТ был ассоциирован с ПТВ ИБС, каротидным и бедренным атеросклерозом, при использовании многофакторной регрессии Кокса – с ПТВ ИБС и бедренным атеросклерозом, чувствительность модели 63%, специфичность 64%, точность 64%, AUC 0,68, p<0,001. С использованием методов ИИ установлено, что независимыми предикторами СС КТ служили ПТВ ИБС и уровень триглицеридов (ТГ) – чувствительность модели 61%, специфичность 66,7%, точность 69%, AUC 0,70, p<0,001. Непосредственное влияние на прогноз уровень ТГ имел в когорте с ПТВ ИБС 16-23%: значение ТГ ≥1,7 ммоль/л было маркером неблагоприятного прогноза. Расчет персонального прогноза обеспечивало уравнение «вероятность СС КТ=1/(1+exp(-z))», где z=-1,5674 + (0,0592 × ПТВ ИБС, %) + (0,1871 × ТГ); значение более 0,53 (53%) свидетельствовало о неблагоприятном прогнозе.

Заключение. С помощью технологий ИИ установлено, что ПТВ ИБС служит самым точным признаком первичной стратификации риска сердечно-сосудистых осложнений и персонализированного направления на специфическую диагностику при подозрении на ИБС. В дополнение к ПТВ ИБС, выявление бедренного атеросклероза ассоциировано с повышенным риском развития СС КТ. Уровень ТГ имеет дополнительное значение для принятия решения в когорте с ПТВ ИБС 16-23%.

Цель. Провести сравнительный анализ диагностической эффективности и интерпретируемости двух подходов к анализу электрокардиограммы при амилоидной кардиомиопатии (АКМП): модели глубокого обучения (1D ResNet) и алгоритма оценки планарности петель векторэлектрокардиограммы.

Материал и методы. Исследование выполнено на наборе данных, включающем записи электрокардиограммы пациентов с верифицированным АКМП (n=99) и контрольной группы (n=2673). Для балансировки классов применялась методы аугментация и undersampling. Использовались два метода: свёрточная нейронная сеть (CNN) архитектуры ResNet с методом интерпретации решений Grad‑CAM. Оценка планарности сегментов QRS и ST‑T (коэффициент детерминации R²) с классификацией методом случайного леса (Random Forest).

Результаты. Модель 1D ResNet продемонстрировала стабильную способность к детекции патологии: чувствительность и специфичность составили 75%. Классификатор Random Forest на основе признаков планарности показал более высокую комплексную эффективность: специфичность достигла 85%, а прогностическая точность (Precision) – 79% при сохранении чувствительности на уровне 75%. Анализ карт активации (Grad‑CAM) выявил, что для нейросети наиболее значимой областью сигнала при АКМП является зубец T (вклад 93,75%). Это согласуется с данными метода планарности, где признаки сегмента реполяризации также внесли основной вклад (57 %) в принятие решения.

Заключение. Оба метода подтверждают, что ключевые диагностические нарушения при АКМП локализуются в фазе реполяризации (зубец T). Подход на основе планарности обеспечивает физическую интерпретацию (пространственная неоднородность), а Grad‑CAM визуализирует диагностическую логику нейросети, совпадающую с патофизиологическими предпосылками.

Цель. Описать опыт разработки врачами регионального сосудистого центра веб-программы по клиническим рекомендациям для повторной проверки пациентов с фибрилляцией предсердий и маршрутизации на консультацию по вопросу катетерной абляции, созданной без привлечения программистов с применением нейросетей на этапе разработки, и оценить динамику процессных показателей регионального сосудистого центра (РСЦ) в сопоставимые периоды до/после внедрения.

Материал и методы. Веб-программа разработана в ноябре 2025г и внедрена в декабре 2025г. Для разработки кода и интерфейса использован отечественный искусственный интеллект GigaChat (https://giga.chat/) в режиме AI-assisted development; клиническая логика (поля ввода и правила маршрутизации) предварительно сформирована авторами на основе анализа российских и зарубежных клинических рекомендаций. Пилотное внедрение проведено в городах краевого значения Пермского края: Березники, Соликамск, Чайковский, Кунгур, Лысьва, Кудымкар; участие врачей было добровольным, доступ предоставлялся по ссылке. Персональные данные пациентов (фамилия, имя, отчество, дата рождения и др.) не заполнялась и не сохранялись; результат работы программы по усмотрению врача переносился в Единую информационную систему здравоохранения Пермского края. Для оценки динамики использованы сопоставимые периоды: январь–февраль 2025г и январь–февраль 2026г. Сравнение счетных показателей выполнено методом точного сравнения пуассоновских интенсивностей при равной экспозиции; представлены отношения частот (интенсивностей) (RR) с 95% доверительным интервалом (ДИ).

Результаты. Число консультаций аритмолога РСЦ увеличилось с 102 до 134 (RR=1,31; 95% ДИ 1,02-1,70; p=0,043). Число радиочастотных абляций возросло с 34 до 46 (RR=1,35; 95% ДИ 0,87-2,11; p=0,219), криоабляций — с 30 до 38 (RR=1,27; 95% ДИ 0,78-2,04; p=0,396). Совокупное число вмешательств увеличилось с 64 до 84 (RR=1,31; 95% ДИ 0,95-1,82; p=0,118). Суммарное число повторных вмешательств увеличилось с 20 до 35 (RR=1,75; 95% ДИ 1,01-3,03; p=0,058).

Заключение. Применение нейросетей на этапе разработки позволило врачам РСЦ быстро создать и внедрить веб-программу по клиническим рекомендациям для организационной маршрутизации пациентов на консультацию по вопросу катетерной абляции. Приложение принципиально не позиционировалось как полноценная система поддержки принятия врачебных решений и не заменяет клинического решения специалиста; его роль – повторная проверка по критериям рекомендаций и стандартизация результата для внесения в Единую информационную систему здравоохранения Пермского края.

Цель. Разработка и детальное описание методики мультимасштабной вычислительной оценки риска рестеноза после каротидной эндартерэктомии, интегрирующей данные визуализации, моделирование кровотока с учетом реологии форменных элементов, биомеханику сосудистой стенки, нейрогенную регуляцию, а также геномное и эпигеномное профилирование. Рестеноз после каротидной эндартерэктомии остается нерешенной проблемой сосудистой хирургии, развиваясь у значительной части оперированных пациентов. Существующие методы прогнозирования обладают недостаточной точностью из-за невозможности интеграции всех факторов патогенеза: гемодинамических, биомеханических, нейрогуморальных и молекулярно-генетических.

Материал и методы.  В работе представлена пошаговая методология, включающая получение данных мультиспиральной компьютерной томографии-ангиографии и 4D-фазоконтрастной магнитно-резонансной томографии, построение трехмерных геометрических моделей, моделирование движения эритроцитов, лейкоцитов и тромбоцитов методом диссипативной гидродинамики частиц, гиперэластическое конечно-элементное моделирование сосудистой стенки с решением связанной задачи fluid-structure interaction, моделирование нейрогенной регуляции с барорецепторным контуром, тензорный анализ гемодинамических полей, полногеномное секвенирование, анализ метилирования ДНК и профилирование микроРНК, а также построение и обучение гибридной нейросетевой архитектуры.

Результаты. Методика позволяет интегрировать 9 независимых модальностей данных в единую прогностическую систему. Достигнута высокая точность прогнозирования рестеноза (AUC 0,995). Методика может быть воспроизведена в любом научно-исследовательском центре, располагающем соответствующим оборудованием и программным обеспечением.

Заключение. Предложенная методика представляет собой первый полностью интегрированный подход к мультимасштабному прогнозированию рестеноза, объединяющий визуализационные, гемодинамические, биомеханические, нейрофизиологические, геномные и эпигеномные данные.

Цель. Оценить частоту применения и уровень доверия к методам физикального обследования (ФО), а также степень интеграции инструментов искусственного интеллекта (ИИ) в повседневную практику специалистов, оказывающих помощь пациентам с нарушениями ритма сердца.

Материал и методы. Проведен анонимный онлайн-опрос 143 респондентов (врачи и ординаторы кардиологического и хирургического профилей). Анкета включала вопросы о профессионально-демографических данных, частоте использования и доверии к 9 методикам ФО, а также о применении ИИ-инструментов. Статистическая обработка выполнена в RStudio с использованием точного теста Фишера, критерия χ² Пирсона, корреляционного анализа (Спирмена/Пирсона) и методом кластеризации (PAM, Partitioning Around Medoids) (расстояние Говера).

Результаты. В анализ включено 127 полностью заполненных анкет (88% врачи, 12% ординаторы). Наиболее часто используемыми методами ФО были аускультация сердца/легких и измерение АД, наиболее редкими –перкуссия сердца и пальпация грудной клетки. Частота применения коррелировала с профилем деятельности: кардиологи использовали более широкий спектр методик, тогда как у специалистов, выполняющих инвазивные вмешательства (рентген-хирурги, сердечно-сосудистые хирурги), объем ФО был избирательным. Основными причинами отказа от ФО являлись наличие инструментальных методов (41,7%) и дефицит времени (44,9%). Лишь 40% респондентов применяют ИИ в работе, преимущественно для поиска информации и написания текстов. Кластерный анализ выявил три фенотипа специалистов: «консервативный» (широкое ФО, нет ИИ), «технологически-ориентированный» (избирательное ФО, активный ИИ) и «хирургический» (узко-избирательное ФО).

Заключение. Выявлен существенный разрыв в подходах к диагностике: снижение объема физикальных навыков у молодых и узкоспециализированных врачей сочетается с преимущественно «техническим» использованием ИИ. Полученные данные обосновывают необходимость интеграции гипотезо-ориентированного подхода к ФО и обучения работе с ИИ в программы медицинского образования для сохранения клинической компетентности.

Цель. Провести сравнительную оценку эффективности и методологического качества моделей машинного обучения (machine learning, ML) для прогнозирования исходов у пациентов с хронической сердечной недостаточностью с сохраненной (ХСНсФВ) и сниженной (ХСНнФВ) фракцией выброса.

Материал и методы. Проведен систематический поиск оригинальных работ в базах данных PubMed и eLibrary (2015-2025гг). В обзор было включено 20 исследований. Методологическое качество оценивалось по PROBAST.

Результаты. Эффективность ML-моделей была сопоставимой для ХСНсФВ и ХСНнФВ (медиана AUC 0,812 в обеих группах, p=0,48). 70% исследований имели высокий риск смещения, преимущественно из-за отсутствия внешней валидации. Модели кластеризации демонстрировали клинически значимую стратификацию, выявляя фенотипы со статистически значимым повышенным риском (например, отношение рисков 2,99 (95% доверительный интервал 2,41-3,7, p<0,001)).

Заключение. ML-модели показывают умеренно-высокую эффективность, однако отсутствие внешней валидации ограничивает их готовность к клиническому применению. Необходимы стандартизация методологии для будущих исследований и проспективная валидация.

Проанализированы современные научные данные о возможностях применения технологий искусственного интеллекта (ИИ) в диагностике, стратификации сердечно-сосудистого риска и персонализированном лечении пациентов с артериальной гипертензией (АГ). Проведен аналитический обзор публикаций, посвящённых использованию ИИ и методов машинного обучения при АГ. Поиск литературы осуществлялся в базах данных PubMed, Scopus, Web of Science, ScienceDirect и Google Scholar. В обзор включались публикации на русском и английском языках за период 2020-2026гг с использованием ключевых слов: artificial intelligence, machine learning, arterial hypertension, risk stratification, prediction, diagnosis. Алгоритмы ИИ демонстрируют высокий потенциал в диагностике и мониторинге АГ за счёт анализа данных электронных медицинских карт, суточного мониторирования артериального давления, электрокардиографии, изображений сетчатки и информации с носимых устройств. Использование ИИ открывает новые перспективы в управлении АГ, включая раннюю диагностику, более точную стратификацию риска и персонализацию терапии. ИИ не является заменой клинического мышления врача, но становится мощным инструментом поддержки принятия решений. Для широкого внедрения данных технологий необходимы дальнейшие клинические исследования, внешняя валидация алгоритмов и стандартизация медицинских данных.

Внедрение технологий искусственного интеллекта (ИИ) открывает новые горизонты в кардиохирургии, однако для безопасной клинической практики требуется систематизация данных о его возможностях и ограничениях. Целью работы является систематизация современных данных о применении ИИ в кардиохирургии и определение перспективных направлений его клинического внедрения. В данном систематическом обзоре, выполненном по базам PubMed, Scopus, Cochrane Library, Google Scholar и Web of Science за период 2000-2025гг в соответствии с критериями PRISMA, проанализированы исследования, посвященные применению ИИ на всех этапах кардиохирургического лечения. Согласно результатам анализа 179 исследований, модели машинного обучения демонстрируют более высокую чувствительность по сравнению с традиционными методами диагностики и шкалами риска при прогнозировании послеоперационных исходов и осложнений. Роботизированные системы на основе ИИ и компьютерное зрение способны повысить точность оперативных вмешательств, а использование ИИ для послеоперационного мониторинга способствует улучшению исходов и результатов реабилитации пациентов. Основными барьерами для масштабирования технологий остаются недостаточность данных, этические аспекты и сложность интеграции в клинические процессы. Таким образом, ИИ способен улучшить качество кардиохирургической помощи, однако для реализации этого потенциала необходимы валидация алгоритмов, устранение системных ошибок и разработка прозрачных этических и правовых норм.

Обзор литературы посвящен систематизации и критическому анализу инструментов искусственного интеллекта (ИИ), применяемых в экспериментальной и трансляционной кардиологии, оценке перспектив их практического использования и соответствующим ограничениям. На текущем этапе ИИ-инструменты наиболее активно применяются с целью автоматизации поиска, систематизации и анализа научной информации, а также выполнения математических расчетов на этапе планирования экспериментальной работы. Выполняемые исследования по разработке ИИ-алгоритмов для автоматизированного анализа массивов текстовых и графических данных на основе машинного обучения направлены на уменьшение времени проведения доклинических исследований для ускорения трансляции кардиопротективных, антиатеросклеротических, эндотелиопротективных и антикальцификационных фармакологических вмешательств в клиническую практику. В частности, ИИ-алгоритмы способны автоматически идентифицировать морфологические структуры и проводить их морфометрическую оценку при анализе биологических тканей и клеточных культур. ИИ-инструменты обладают высоким потенциалом для выявления скрытых и сложных закономерностей в табличных данных омиксных исследований, что позволяет выявлять межмолекулярные взаимодействия и объективно реконструировать развитие типовых патологических процессов. Активное использование ИИ-генераторов кода для создания специализированных программ ЭВМ устраняет необходимость междисциплинарного взаимодействия при автоматизации обработки экспериментальных данных.

Сердечно-сосудистые и неврологические заболевания представляют собой ведущие причины заболеваемости и смертности во всем мире, а их тесная патофизиологическая взаимосвязь, известная как «ось мозг-сердце», требует комплексного мультидисциплинарного подхода к диагностике. Настоящий обзор посвящен анализу и обобщению научных исследований преимущественно за последние пять лет, посвященных интеграции технологий искусственного интеллекта в диагностику данной группы заболеваний. В ходе обзора выявлено, что искусственный интеллект, в частности модели глубокого обучения, демонстрирует трансформационный потенциал в анализе электрокардиограмм, методов нейровизуализации и мультимодальных клинических данных, обеспечивая значительное повышение точности и раннее выявление патологий. Ключевые достижения включают способность алгоритмов искусственного интеллекта идентифицировать скрытые маркеры заболеваний, недоступные для человеческого восприятия, и прогнозировать риски развития таких состояний, как фибрилляция предсердий и ишемический инсульт. Однако широкое клиническое внедрение искусственного интеллекта сталкивается с серьезными проблемами, включая непрозрачность алгоритмов («черный ящик»), системную предвзятость в обучающих данных, недостаточную генерализацию моделей и острую нехватку доказательств, полученных в ходе крупномасштабных проспективных клинических испытаний. В заключение подчеркивается, что реализация потенциала искусственного интеллекта для создания персонализированной предиктивной медицины в области нейрокардиологии возможна только при условии преодоления существующих технических, этических и регуляторных барьеров через междисциплинарное сотрудничество.

Цель. Систематический обзор литературных данных об эффективности применения технологий искусственного интеллекта (ИИ) для скрининга, диагностики и мониторинга болезней системы кровообращения.

Материал и методы. Проведен поиск научных публикаций в базах данных PubMed, Web of Science, Scopus, CyberLeninka, eLibrary и Google Scholar. Стратегия поиска включала использование ключевых слов на русском и английском языках: «circulatory system diseases», «cardiovascular diseases», «artificial intelligence», «machine learning», «deep learning», «patient monitoring», «remote monitoring», «болезни системы кровообращения», «сердечно-сосудистые заболевания», «искусственный интеллект», «машинное обучение», «глубокое обучение», «наблюдение за пациентами», «мониторинг». Включение оригинальных исследований в период 2015-2025 гг. основано на независимой оценке авторами.

Результаты. Из 594 публикаций после скрининга в окончательный анализ включено 8 исследований, отвечающих критериям включения.

Заключение. ИИ представляет собой инструмент, меняющий современные методы мониторинга, диагностики и прогнозирования исходов БСК. Разработанные на основе ИИ решения демонстрируют высокую диагностическую и прогностическую эффективность, зачастую превосходящую традиционные клинические шкалы, и составляют основу интеллектуальных систем поддержки принятия врачебных решений.

Несмотря на то, что коронарография является общепризнанным "золотым стандартом" диагностики стенозирующих поражений коронарного русла, оценка их гемодинамической значимости в большинстве случаев остается операторзависимой. В настоящее время для объективизации измерений рекомендовано применение методов, позволяющих анализировать показатели внутрикоронарной физиологии. На фоне активного развития технологий искусственного интеллекта (ИИ) появляются новые решения для неинвазивной оценки параметров гемодинамики, ряд из которых уже был валидирован в рамках крупных исследований. Целью обзора является анализ и систематизация опубликованных данных о применяемых методах ИИ в неинвазивной оценке параметров гемодинамики коронарных артерий. При подготовке обзора использованы публикации, индексируемые в базах PubMed, Google Scholar, Web of Science, Cyberleninka и E-Library. Глубина поиска составила 10 лет, начиная с 2016г. В основу обзора включены обобщенные данные из наиболее актуальных клинических исследований и систематических обзоров. Проведенный анализ литературы позволил сделать заключение о том, что результаты применения технологий ИИ для оценки параметров гемодинамики коронарных артерий сопоставимы с результатами классических инвазивных методик. Тем не менее дальнейшие разработка и совершенствование данного направления остаются актуальной исследовательской задачей.

Тенденция последнего десятилетия – использование технологий искусственного интеллекта (ИИ), направленных на развитие превентивной медицины путем оптимизации использовании ресурсов здравоохранения, в том числе снижения нагрузки на медицинский персонал, повышения точности анализа медицинских данных. В обзоре освещаются инструменты на базе технологий ИИ, современные тренды и перспективы их применения в интерпретации паттернов электрокардиограмм для выявления изменений, зачастую упускаемых при стандартном рутинном анализе. Аккумулированные данные ряда исследований указывают на прогностическую ценность моделей, использующих технологии ИИ, обученных на электрокардиограммах с синусовым ритмом в диагностике пароксизма фибрилляции предсердий, гипертрофической кардиомиопатии, сердечной недостаточности.

Цель. Оценить данные литературы по цифровой аускультации, сравнив эффективность слухового аппарата человека и машинного анализа.

Материал и методы. Поиск публикаций проведен в PubMed, eLibrary и Google Scholar по ключевым словам: "digital auscultation", "digital phonocardiography", "sound analysis during auscultation", "neural network", "artificial intelligence", "machine learning", «цифровая аускультация», «цифровая фонокардиография», «анализ звука при аускультации», «нейросеть», «искусственный интеллект», «машинное обучение».

Результаты. Из 64 публикаций после скрининга в окончательный анализ включено 15 исследований, отвечающих критериям включения.

Заключение. Подтверждена эффективность цифровых технологий и искусственного интеллекта для автоматической диагностики сердечных шумов. Дальнейшее развитие связано с совершенствованием анализа фонокардиографических сигналов, развитие телемедицины и создание универсальных платформ для популяционного скрининга.

Острый ишемический инсульт остается причиной высокой смертности и инвалидности. Существующие методы лечения ограничены узким терапевтическим окном. Финголимод показал нейропротекторный потенциал, но его применение сдерживается кардиоваскулярными рисками (брадикардия) из-за активации S1PR3. Сипонимод – селективный модулятор S1PR1/S1PR5 без действия на S1PR3. Анализ механизмов действия, клинических данных и фармакоэкономическое моделирование показывают, что сипонимод может быть эффективнее и безопаснее финголимода при ишемическом инсульте. Моделирование клинического исследования с помощью искусственного интеллекта показывает, что применение сипонимода у 1000 пациентов может предотвратить инвалидность у 510 человек и сэкономить более 1,6 млрд рублей. ICER составляет 11 765 руб./QALY. Таким образом, сипонимод представляет перспективный кандидат для репурпозинга с благоприятным кардиологическим профилем.

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.

Стремительное внедрение генеративных нейросетей в практику медицинских исследований создает беспрецедентный вызов системе научной аттестации. Возможность автоматической генерации связного наукообразного текста ставит под сомнение достоверность диссертационных работ и валидность ученых степеней как маркеров подлинной исследовательской компетенции. В настоящей статье анализируются эпистемологические риски «синтетических» диссертаций, включая фальсификацию данных, утрату методологической прозрачности и деградацию научных школ. Рассматриваются современные методы выявления ИИ-генерированных текстов — от стилометрического анализа до программных детекторов, а также обсуждаются их ограничения. В качестве системного ответа на кризис предложен комплекс мер: введение обязательного очного написания заключительной части диссертации в контролируемой среде с видеофиксацией; ужесточение количественных критериев допуска к защите (индекс Хирша, кратный рост числа публикаций, стажевый ценз); а также принципиально новая модель периодического подтверждения ученых степеней по типу аккредитации с возможностью лишения степени при недостаточной публикационной активности. Реализация данных мер позволит создать многоуровневую защиту корпуса медицинской науки от проникновения «синтетических» исследователей и сохранить ценность ученой степени как подлинного свидетельства научного вклада.

В статье дан обзор проблемы использования инструментов генеративного искусственного интеллекта при написании текстом научных статей. Рассмотрено движение статьи, созданной алгоритмом ИИ, внутри редакции научного рецензируемого журнала и меры противодействия нарушению академической этики, которые может предпринять редакция. Проведен анализ современных систем определения сгенерированного текста и нового инструмента для работы авторов, который сможет помочь редакции верифицировать рассматриваемую рукопись. В статье делается вывод о необходимости пересмотра подходов редакций журналов по подготовке текста научной рукописи к публикации.

Искусственный интеллект (ИИ) в кардиологии сегодня это не столько инструмент, сколько система, способная превосходить человека в анализе данных, диагностике, врачебных рекомендациях и даже в выполнении экзаменационных заданий. В этой связи возникает проблема: чему и как стоит учить будущих врачей, если многое из врачебных знаний и умений уже доступно машине? Становится очевидной необходимость изменения самих принципов обучения кардиологов с использованием новых образовательных технологий. Этим проблемам посвящен обзор. Данные литературы свидетельствуют: необходимо сместить акцент с механического запоминания фактов на развитие критического клинического мышления, обучению приемам логики, умению принимать решения в условиях неопределённости, способности работать в симбиозе с технологиями, сохраняя при этом человеческие качества – эмпатию и духовность. В обзоре анализируются изменения роли ИИ в преподавании и тестировании знаний. Рассматривается задача противодействия различным негативным влияниям ИИ. Авторы полагают, что, на фоне развития цифровизации, именно способность к сопереживанию и учёт культурно-религиозных особенностей пациента останутся теми сферами, где врач незаменим. В связи с очевидным появлением новых компетенций у кардиолога в ближайшем делается вывод о необходимости смены парадигмы медицинского образования.

В работе анализируются перспективы использования машинного обучения для оценки сердечно-сосудистого риска у пациентов с сахарным диабетом 2 типа. Показано, что современные алгоритмы, в частности нейронные сети, демонстрируют высокую эффективность в прогнозировании риска. Однако, несмотря на высокую точность моделей, их внедрение ограничено рядом проблем, таких как дефицитом внешней проверки на независимых выборках и сложностью интеграции в системы поддержки врачебных решений. Подчеркивают, необходимость в стандартизации дизайна исследований и обеспечении прозрачности работы алгоритмов для внедрения машинного обучения в широкую клиническую практику.

Нейроинтерфейсы становятся одним из перспективных направлений развития современных медицинских технологий. Технологии интерфейсов "мозг-компьютер" (BCI) и систем нейромодуляции позволяют напрямую регистрировать и интерпретировать нейронную активность, обеспечивая новые возможности диагностики, реабилитации и восстановления утраченных функций. В научной литературе отмечается, что применение нейроинтерфейсов может существенно расширить возможности нейрореабилитации, коммуникации пациентов с тяжелыми двигательными нарушениями и восстановления моторных функций. Вместе с тем эффективность и безопасность их клинического внедрения во многом зависят от уровня технологической зрелости устройств, качества клинических данных, а также нормативно-правового регулирования и соблюдения этических принципов. В статье рассматриваются основные типы нейроинтерфейсов и ключевые направления их медицинского применения, включая восстановление коммуникации при тяжелых формах паралича, нейрореабилитацию после инсульта и восстановление двигательных функций при повреждениях нервной системы. Особое внимание уделено анализу клинической доказательности данных технологий, а также оценке социально-экономических, правовых и этических аспектов их внедрения в систему здравоохранения.

Модели искусственного интеллекта показывают многообещающие результаты в выявлении новых признаков окклюзирующего поражения коронарных артерий. Цель исследования – провести анализ и систематизацию данных научной литературы о применении искусственного интеллекта в диагностике и стратификации риска окклюзирующего инфаркта миокарда.

Хроническая сердечная недостаточность представляет собой глобальную проблему здравоохранения: несмотря на наличие эффективных схем лечения, лишь около 15% пациентов получают оптимальную, основанную на доказательствах, терапию. Ключевая причина – сложность принятия решений в условиях ограниченного во времени амбулаторного приема, что создает запрос на инструменты искусственного интеллекта (ИИ). В статье проанализированы современные разработки ИИ в трех направлениях ведения пациентов с хронической сердечной недостаточностью: диагностике, оптимизации терапии и прогнозировании исходов. Показано, что международные исследования подтверждают высокий потенциал алгоритмов, однако большинство из них находятся на стадии клинической валидации. В России сформирован солидный научный задел, однако отсутствуют масштабные проспективные исследования, регуляторные механизмы и интеграция решений в медицинские информационные системы. Выделены системные барьеры внедрения и предложены конкретные шаги по их преодолению: разработка и запуск российских аналогов международных исследований, развитие объяснимого ИИ, создание национальной платформы для тестирования алгоритмов и подготовка кадров. Реализация этих направлений позволит России не только заполнить существующий пробел, но и занять лидирующие позиции в цифровизации кардиологической помощи.

Цель. Изучить представления искусственного интеллекта (ИИ) о собственных возможностях в кардиологии в настоящее время, о перспективных направлениях эволюции и о возможных ограничениях его использования.

Материал и методы. Проведен опрос двух крупных языковых моделей на русском языке с использованием 12 структурированных промптов, разделенных на 4 тематических блока: текущие возможности, ограничения, перспективы развития, сравнительный анализ. Каждый промпт отправлялся трижды для повышения надежности результатов. Ответы моделей анализировались и сравнивались между собой.

Результаты. Обе модели продемонстрировали единое видение будущего ИИ в кардиологии как "цифрового напарника" врача, однако их подходы к самооценке существенно различаются. ГигаЧат демонстрирует самооценку своих технических и функциональных возможностей и ограничений как языковой модели. Алиса AI преимущественно описывает общие возможности и системные барьеры внедрения ИИ в медицине на основе использования внешних литературных данных.

Заключение. Эра ИИ в кардиологии уже наступила и будет развиваться в дальнейшем. Прогресс использования ИИ в кардиологии зависит в первую очередь от подготовки врачей к работе в новой цифровой экосистеме и решения юридических вопросов. Конечная цель с точки зрения ИИ — создание тандема человека и ИИ, где технологии уменьшают объем рутинной работы, позволяют быстро анализировать большие объемы данных и расширяют возможности врача, обеспечивая увеличение доступности и качества персонализированной медицинской помощи каждому пациенту.