кардиология

В данном материале рассматривается потенциал носимых устройств и технологий искусственного интеллекта для улучшения здоровья сердечно-сосудистой системы у женщин. Автор поднимает вопрос о том, способен ли огромный объем данных, генерируемых современными гаджетами, реально трансформировать качество медицинской помощи. Обсуждаются ключевые аспекты того, как превратить сырую информацию в измеримые и позитивные клинические исходы. Особое внимание уделяется специфике женского организма и тому, как ИИ может помочь в более точной диагностике и мониторинге сердечных патологий, которые часто проявляются иначе, чем у мужчин. Материал анализирует разрыв между сбором данных и их практическим применением в клинической практике. Подчеркивается важность интеграции технологий ИИ в повседневный мониторинг для раннего выявления рисков. Рассматриваются барьеры, препятствующие эффективному использованию этих данных врачами и пациентами. В целом, статья посвящена организации здравоохранения и внедрению цифровых инструментов, что соответствует теме ИИ в медицине.

В исследовании представлена разработка и валидация модели глубокого обучения на основе архитектуры 2D U-NET для автоматизированной сегментации и количественной оценки атеросклеротических поражений на гистологических срезах аортального корня мышей. Традиционный метод ручного измерения размеров поражений на окрашенных маслом красным О срезах является трудоемким и занимает около 5 минут на одно изображение, что создает узкое место в экспериментальных исследованиях. Для обучения модели использовался набор из 2553 микроскопических изображений, полученных от генетически разнообразных мышей линии F2 с нокаутом гена Apoe, находившихся на западной диете в течение 12 недель. Данные были разделены на обучающую (1533 изображения), валидационную (510 изображений) и тестовую (510 изображений) выборки, при этом ручная сегментация проводилась экспертом с использованием программного обеспечения Zeiss AxioVision. Разработанная модель продемонстрировала высокую точность: коэффициент F1 составил 0.82, индекс Джаккара — 0.72, чувствительность (Recall) — 0.80, точность (Precision) — 0.87, а коэффициент корреляции с ручными измерениями достиг 0.98. Ключевым практическим преимуществом является радикальное сокращение времени обработки: модель выполняет задачу за ~3.35 секунды, что снижает время измерения на 98.9% по сравнению с ручным трудом. Данный инструмент предоставляет новую платформу для быстрой и точной количественной оценки атеросклеротических бляшек, что существенно ускоряет доклинические исследования и анализ эффективности потенциальных терапий.

Исследование применяет глубокое обучение (1D CNN и CNN-BiLSTM) к данным ЭКГ для автоматического обнаружения усталости и сонливости. Модели обучались на базе DROZY и тестировались на независимом наборе FatiQData, показав умеренную, но значимую способность к обобщению между разными условиями эксперимента.

Российская компания «Хилби» представила свое медицинское решение «БИОТ Аритмика», предназначенное для скрининга аритмии, которое было удостоено победы в номинации «Медицина» ежегодной российской премии «IT-лидер». Церемония награждения победителей нового сезона премии, отмечающей лучшие цифровые решения и проекты для различных отраслей экономики и государственного управления, состоялась 30 октября 2026 года в Казани в рамках международного форума Kazan Digital Week. Данное решение позиционируется как инновационный цифровой инструмент, применяющий технологии искусственного интеллекта или машинного обучения для автоматизированного анализа данных и выявления нарушений сердечного ритма, что позволяет повысить эффективность ранней диагностики кардиологических заболеваний. Победа в престижной IT-премии подтверждает высокую технологическую значимость разработки и ее соответствие современным стандартам цифровизации здравоохранения. Проект демонстрирует успешную интеграцию передовых алгоритмов обработки медицинских данных в клиническую практику, способствуя улучшению качества скрининга и снижению нагрузки на медицинских специалистов. Успех «БИОТ Аритмики» указывает на растущий интерес рынка к решениям на базе ИИ в области кардиологии и подтверждает востребованность таких технологий среди профессионального сообщества и регуляторов. Это событие способствует дальнейшему развитию экосистемы медицинских ИИ-продуктов в России и стимулирует внедрение инновационных подходов в профилактическую медицину.

Исследование применяет методы машинного обучения (Random Forest, XGBoost и др.) для прогнозирования артериального давления после сеанса гемодиализа на основе данных первых трех часов процедуры. Оптимизированная модель Random Forest показала наилучшую точность, что подтверждает возможность использования ИИ для профилактики осложнений у пациентов в условиях ограниченных ресурсов.

В исследовании, опубликованном в журнале npj Digital Medicine 28 октября 2026 года, представлена новая методология создания цифровых двойников для персонализированной оценки жесткости артериальной стенки. Авторы применяют подход physics-informed machine learning (PIML), который объединяет физические законы гемодинамики с алгоритмами машинного обучения для повышения точности и интерпретируемости моделей. Вместо использования «черного ящика», нейросеть обучается с учетом дифференциальных уравнений, описывающих кровоток и свойства сосудистой стенки, что позволяет эффективно оценивать жесткость артерий на основе периферических измерений. Методология предполагает использование данных о пульсовой волне и других гемодинамических параметрах для калибровки индивидуальной модели пациента. Ключевым преимуществом подхода является способность адаптироваться к индивидуальным анатомическим и физиологическим особенностям без необходимости инвазивных процедур или сложной визуализации всей сосудистой сети. Результаты демонстрируют высокую корреляцию между оцененными значениями жесткости артерий и клиническими золотыми стандартами, что подтверждает валидность метода. Данное исследование открывает перспективы для неинвазивного скрининга сердечно-сосудистых рисков и мониторинга эффективности терапии у пациентов с гипертонией и атеросклерозом. Интеграция физических моделей в ИИ-архитектуры представляет собой значимый шаг к созданию надежных клинических инструментов для персонализированной медицины.

В данном обзорном исследовании анализируется, как в научных работах освещаются этические аспекты при оценке технологий удаленного мониторинга пациентов (RPM) для лечения рака и сердечно-сосудистых заболеваний. Авторы выявили, что хотя этические проблемы часто упоминаются, глубокий нормативный анализ и критическая рефлексия в публикациях недостаточны, особенно в вопросах справедливости и конфиденциальности данных.

Авторы предлагают метод KDLight — легковесную архитектуру на основе дистиллирования знаний и состязательных атак для сегментации коронарных сосудов. Метод демонстрирует высокую точность при значительно меньших вычислительных затратах и лучшую обобщающую способность по сравнению с существующими подходами.

GE HealthCare представила новую ультразвуковую систему LOGIQ Focus, оснащенную архитектурой cSound и инструментами на базе ИИ. Ключевые функции включают автоматическое определение анатомии (Auto Preset Assistant) для сокращения времени на подготовку и автоматический расчет фракции выброса (AutoEF) для оценки функции сердца.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена и верифицирована модель машинного обучения, предназначенная для прогнозирования трехлетней смертности от всех причин у пациентов с кардио-рено-метаболическим синдромом (КРМС) стадий 2–4. Анализ охватил масштабную когорту из 219 561 пациента, собранных из 29 медицинских центров Китая в рамках базы данных China Renal Data System. Выборка была строго разделена на обучающую подгруппу (132 404 человека), внутреннюю валидационную (56 744 пациента) и внешнюю валидационную по центрам (30 413 человек) для обеспечения надежности результатов. Средний возраст участников составил 62,9 года, при этом 59,5% приходилось на мужчин. Наиболее распространенными компонентами синдрома в выборке были гипертония, низкий уровень холестерина липопротеинов высокой плотности (ЛПВП), сахарный диабет, предиабет и ишемическая болезнь сердца. Модель использует всего восемь клинических показателей, что делает её легкой в интеграции в рутинную клиническую практику без необходимости сложного оборудования или дорогостоящих дополнительных тестов. Высокая прогностическая точность модели позволяет врачам своевременно выявлять пациентов группы высокого риска и корректировать тактику ведения, что критически важно для снижения смертности при сложных коморбидных состояниях. Данное исследование демонстрирует практическую применимость ИИ-алгоритмов в нефрологии и кардиологии для персонализированной медицины и управления рисками.

Исследование оценивает влияние количества временных фаз и размера обучающей выборки на точность глубокого обучения для сегментации структур сердца в кинематографической КТ-ангиографии. Показано, что обучение на полном цикле (cine) дает более высокую точность и стабильность по сравнению с однофазным подходом, а использование двух фаз может быть эффективным компромиссом для снижения затрат на аннотирование.

В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена новая модель машинного обучения, способная прогнозировать риск трехлетней смертности у пациентов с кардиометаболическим синдромом почек (CKM). Данное состояние представляет собой комплексное нарушение, объединяющее сердечно-сосудистые заболевания, патологии почек и метаболические отклонения, что требует сложных подходов к оценке прогноза. Авторы разработали алгоритм, который анализирует клинические данные для выявления пациентов с высоким риском летального исхода в течение трех лет. Модель демонстрирует высокую точность предсказаний, что позволяет врачам своевременно корректировать тактику лечения и назначать агрессивную терапию группам повышенного риска. Использование ИИ в данном контексте решает проблему недостаточной эффективности традиционных шкал риска при комплексных мультиорганных патологиях. Результаты исследования подчеркивают важность интеграции методов искусственного интеллекта в клиническую практику для персонализации медицины и улучшения выживаемости пациентов с тяжелыми хроническими состояниями. Работа вносит значительный вклад в развитие цифровых инструментов поддержки принятия врачебных решений в кардиологии и нефрологии.

Разработана вероятностная модель на основе гауссовой смеси (GMM) с подходом «один против одного» для определения подтипа лёгочной гипертензии по неинвазивным сигналам (фотоплетизмография, ортогональный градиент напряжения) у пациентов с положительным результатом ранее валидированного ML-диагностического теста. Модель позволяет оценить вероятность прекапиллярного подтипа и поддержать исключение тяжёлой формы заболевания, что помогает в принятии решения о направлении к специалисту.

В статье представлена новая архитектура глубокого обучения DMNet-E, специально разработанная для задачи автоматической сегментации атеросклеротических бляшек на изображениях внутрисосудистой оптической когерентной томографии (IVOCT). IVOCT является высокодетализированным методом визуализации, позволяющим оценивать морфологию бляшек, однако ручная разметка таких данных требует значительных временных затрат и подвержена субъективности. Авторы предлагают двухэтапную стратегию сегментации, использующую множественные декодеры для одновременного выделения ключевых структур: липидных кил, фиброзной ткани и кальцификации. Методология включает предварительную обработку изображений для снижения шума и улучшения контрастности, за которой следует многопоточная нейросетевая обработка, оптимизированная для учета гетерогенности тканей сосудов. Исследование демонстрирует высокую точность алгоритма, превосходящую существующие методы сегментации по метрикам Dice Similarity Coefficient (DSC) и Hausdorff Distance. Результаты показывают, что DMNet-E способен надежно идентифицировать сложные структуры бляшек, что критически важно для оценки риска разрыва и планирования интервенционных процедур. Внедрение данной системы может существенно ускорить клинический анализ IVOCT-данных, обеспечивая стандартизированную и объективную оценку риска сердечно-сосудистых событий. Работа опубликована в ведущем журнале по медицинскому ИИ, что подтверждает ее научную значимость и потенциал для интеграции в клиническую практику.

Компания Tempus AI объявила о получении разрешения 510(k) от Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) на использование своего алгоритма искусственного интеллекта ECG-MR. Данный продукт предназначен для выявления недиагностированной митральной регургитации — состояния, при котором клапан сердца не закрывается плотно, что приводит к обратному току крови. ECG-MR стал четвертым продуктом Tempus, получившим одобрение FDA в области кардиологии, расширяя портфель решений компании, которые охватывают аритмии, функцию сердца, легочную гипертензию и заболевания клапанов. Использование электрокардиограммы (ЭКГ) в сочетании с глубоким обучением позволяет выявлять патологические изменения, которые могут оставаться незамеченными при стандартном анализе, что открывает новые возможности для ранней диагностики и профилактики сердечной недостаточности. Получение одобрения FDA подтверждает клиническую валидность и безопасность алгоритма, что является важным шагом для внедрения ИИ-решений в рутинную клиническую практику. Этот продукт демонстрирует растущий тренд на интеграцию машинного обучения в кардиологию для повышения точности диагностики на основе широко доступных данных ЭКГ. Внедрение таких технологий может значительно сократить время до постановки диагноза и улучшить исходы лечения пациентов с заболеваниями клапанов сердца.

В статье представлен VMamba-QAG-net — новая архитектура глубокого обучения на основе модели VMamba с квантовыми вентильными внимательными механизмами (Quantum Attention Gate), предназначенная для автоматизированного вычисления индекса SYNTAX по изображениям рентгеновской коронарной ангиографии (XCA). Индекс SYNTAX является критически важным инструментом для оценки тяжести ишемической болезни сердца и выбора стратегии реваскуляризации, однако его ручной подсчет трудоемок и подвержен межэкспертной вариабельности. Разработанный пятиэтапный конвейер включает бинарную сегментацию сосудов с применением фильтров и блоков EfficientSS2D, многоклассовую анатомическую маркировку 27 сегментов коронарных артерий с использованием банка прототипов сосудов и метрического обучения, а также извлечение центральных линий сосудов и оценку степени стеноза с помощью оптимизатора Aquila. Модель была протестирована на наборе данных ARCADE, показав коэффициент Dice 0,9070 и точность 0,9841 для бинарной сегментации, а также Dice 0,7512 и точность 0,9514 для 27-классовой сегментации. Результаты демонстрируют высокую эффективность системы в сохранении дальних сосудистых связей и точном выявлении тонких дистальных структур, что позволяет значительно снизить время анализа и повысить объективность клинических решений. Данный подход решает проблему дисбаланса классов и сложной топологии коронарного русла, предлагая надежное решение для поддержки кардиологов в рутинной практике.

В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, представлена и валидирована новая модель искусственного интеллекта для прогнозирования риска смертности у пациентов с сердечной недостаточностью. Ключевой особенностью разработки является концепция «parsimonious» (экономичной/парсимониозной) модели, которая стремится максимизировать предсказательную точность при минимальном количестве необходимых входных переменных, что критически важно для внедрения в рутинную клиническую практику. Авторы применили алгоритмы машинного обучения для анализа клинических данных, отбирая наиболее информативные предикторы и формируя итоговый шкальный показатель риска. Модель прошла строгую процедуру валидации на независимых когортах пациентов, демонстрируя высокую дискриминационную способность и калибровку прогнозов по сравнению со стандартными клиническими шкалами. Результаты исследования подтверждают, что предложенный ИИ-инструмент способен эффективно стратифицировать пациентов по уровню риска, позволяя врачам своевременно корректировать тактику лечения и распределять ресурсы здравоохранения. Значимость работы заключается в создании простого, интерпретируемого и надежного инструмента поддержки принятия врачебных решений, который не требует сложных вычислительных мощностей или обширных наборов данных для работы. Это способствует преодолению барьеров внедрения сложных ИИ-моделей в условиях ограниченных ресурсов и различных клинических сред.

В статье представлен метод ортогонально-полиномиального изображения (OPI), который преобразует 12-канальные ЭКГ в двумерные изображения для использования в моделях компьютерного зрения. Метод демонстрирует высокую эффективность классификации на данных PhysioNet, сохраняя диагностически важную информацию без потерь.