кардиология

Исследователи представили CardioChrom — специализированную вычислительную платформу на базе искусственного интеллекта, предназначенную для реконструкции данных об эпигеноме сердца (хроматинная доступность и модификации гистонов H3K27ac и H3K27me3) исключительно на основе данных одноядерного транскриптома (RNA-seq). Методология разработки включала обучение моделей на совмещенных наборах данных, где у одних и тех же ядер измерялись и РНК, и эпигеномные маркеры, с последующей строгой валидацией на внешних когортах из 10 доноров и 23 образцов. Результаты показывают, что CardioChrom превосходит базовые контрольные значения и конкурирует с архитектурой Transformer по 6 предопределенным метрикам качества реконструкции, демонстрируя статистически значимое улучшение площади под кривой точности-полноты (AUPRC) на 0.0109 и площади под ROC-кривой на 0.0179 по сравнению со случайным перемешиванием данных. Применение метода к когорте из 43 доноров с сердечной недостаточностью с сохраненной фракцией выброса (HFpEF) позволило выявить 3581 ассоциацию на уровне путей, устойчивую к поправкам на пол и метод leave-one-donor-out. Особое внимание уделено эндотелиальным клеткам, где реконструированные эпигеномные изменения указывают на активацию коагуляции, воспаления, гипоксии и профибротической сигнализации, при этом экспрессия фактора фон Виллебранда и ее регуляторные состояния были последовательно снижены. Генерация гипотез о взаимодействии транскрипционных факторов с регуляторными элементами (TF-cCRE-gene) в эндотелии и фибробластах открывает новые возможности для понимания молекулярных механизмов сердечной недостаточности без необходимости дорогостоящего и трудоемкого эпигеномного профилирования каждого образца. Данный подход демонстрирует высокую значимость для персонализированной медицины и фундаментальных исследований, позволяя извлекать многомерную эпигеномную информацию из уже существующих транскриптомных баз данных.

Исследование, опубликованное в npj Digital Medicine 8 сентября 2026 года, посвящено проблеме рецидивов фибрилляции предсердий (ФП) после катетерной аблации. У 20-30% пациентов с персистирующей ФП аритмия возвращается из-за триггеров, расположенных вне легочных вен, которые сложно обнаружить стандартными методами. Авторы разработали подход, сочетающий цифровые двойники сердца и модели глубокого обучения для неинвазивного выявления таких триггеров. Методология включала создание персонализированных электромеханических моделей предсердий на основе данных МРТ и электрокардиограмм пациентов, после чего симулировали активацию в различных точках для генерации обучающего набора данных. Сверточная нейронная сеть обучалась на синтетических картах активации для классификации локализации триггеров. В валидации на клинических данных 47 пациентов модель достигла точности 89% в определении наличия непульмональных триггеров и 82% в их локализации. Предложенный метод может улучшить планирование аблации, сократить время процедуры и повысить долгосрочную эффективность лечения, открывая путь к персонализированной терапии ФП.

В исследовании, опубликованном в npj Digital Medicine 8 сентября 2026 года, представлена модель искусственного интеллекта для оценки уязвимости атеросклеротических бляшек сонных артерий по данным ультразвукового исследования в B-режиме. Целью работы было улучшение стратификации риска цереброваскулярных событий (инсультов и транзиторных ишемических атак) у пациентов с каротидным атеросклерозом. Авторы разработали и валидировали алгоритм глубокого обучения на многоцентровой когорте пациентов, используя аннотированные изображения B-режима ультразвука для автоматического определения признаков уязвимости бляшки, таких как гетерогенная эхогенность, изъязвление поверхности и наличие гипоэхогенных зон. Модель продемонстрировала высокую прогностическую точность в идентификации пациентов с высоким риском цереброваскулярных событий, превосходя традиционные клинические и ультразвуковые критерии. Результаты показывают, что ИИ-анализ стандартных ультразвуковых изображений может служить неинвазивным и доступным инструментом для скрининга и раннего выявления пациентов, нуждающихся в более агрессивной профилактической терапии. Исследование подчеркивает потенциал ИИ в повышении точности диагностики и персонализации лечения сердечно-сосудистых заболеваний в рутинной клинической практике.

В исследовании использованы данные 23 122 пациентов из больницы Санта-Мария в Лиссабоне для разработки моделей машинного обучения (логистическая регрессия, KNN, случайный лес, наивный Байес) для раннего выявления тахикардии и брадикардии у критически больных. Логистическая регрессия показала наилучшие результаты (AUROC 0,81, полнота 91,7% при клинических порогах), а также был продемонстрирован прототип автоматической системы email-оповещений. Авторы подчеркивают необходимость проспективной внешней валидации в нескольких центрах.

Ишемическая болезнь сердца (ИБС) остается одной из ведущих причин смертности в мире, что требует точной оценки стеноза коронарных артерий и ангиографических признаков, связанных с бляшками, по данным коронарной ангиографии. Хотя модели глубокого обучения показали высокую прогностическую способность, их развертывание на встраиваемых платформах с ограниченными ресурсами затруднено из-за вычислительной сложности и требований к памяти. Для решения этих проблем предложена аппаратно-ориентированная структура на основе дистилляции знаний, которая переносит дискриминативные знания от высокопроизводительной сети-учителя к легковесной сверточной нейронной сети (CNN). Предложенная структура интегрирует программную локализацию ангиографических признаков бляшек с оптимизацией под FPGA. При разделении данных 90% на обучение и 10% на тестирование модель достигла точности 98,64%, полноты 97,82%, PPV 0,99, NPV 0,98, MCC 0,96 и AUC 0,9940. При 10-кратной перекрестной проверке средняя точность составила 97,53% ± 0,27%, полнота 96,94%, PPV 0,98, NPV 0,97, MCC 0,95 и средний AUC 0,9897, что подтверждает высокую устойчивость модели. Для аппаратной реализации оптимизированная CNN была развернута на FPGA Xilinx Zynq UltraScale+ MPSoC с использованием инструментария Vitis High-Level Synthesis (HLS). Реализованный ускоритель достиг задержки вывода на уровне ядра 10,6 мкс и пиковой пропускной способности около 94 339 выводов в секунду при сбалансированном использовании аппаратных ресурсов и низком энергопотреблении. В целом предложенная структура демонстрирует точную классификацию ангиографических признаков бляшек с эффективным развертыванием на FPGA, что открывает возможности для диагностики в реальном времени в клинических условиях.

В статье представлена модель DiffCAS — диффузионный подход для коррекции затухания (attenuation correction) в однофотонной эмиссионной компьютерной томографии (SPECT) сердца, который не требует отдельного КТ-сканирования на этапе вывода. Традиционно для коррекции затухания в SPECT необходима КТ-карта ослабления, что увеличивает дозу облучения пациента и стоимость процедуры. DiffCAS использует диффузионную модель, обученную на парах SPECT-изображений и соответствующих КТ-картах, и генерирует синтетические карты затухания непосредственно из SPECT-данных. Ключевая особенность — физически-осведомлённый подход: модель учитывает физику ослабления гамма-излучения в тканях, что повышает точность коррекции. В экспериментах на клинических данных модель показала улучшение качества изображений: средняя абсолютная ошибка (MAE) снизилась на 18% по сравнению с базовыми методами, а коэффициент корреляции с эталонными КТ-картами достиг 0.94. Метод также продемонстрировал устойчивость к шуму и артефактам движения. Авторы отмечают, что DiffCAS может быть интегрирован в существующие клинические протоколы SPECT без изменения оборудования, что делает его перспективным для широкого внедрения в кардиологическую диагностику. Работа опубликована в журнале Artificial Intelligence in Medicine (Volume 181, ноябрь 2026 года).

В обзоре проанализированы цифровые вмешательства (цифровая терапия, мобильные приложения, телемониторинг) для профилактики сердечно-сосудистых заболеваний. Наиболее сильные доказательства эффективности получены для цифрового управления артериальным давлением с интеграцией домашнего мониторинга, телемониторинга и поддержки приверженности лечению, тогда как цифровые инструменты для дислипидемии пока находятся на стадии вспомогательных mHealth-решений. Успешное внедрение требует интеграции в клинические рабочие процессы, регулирования, возмещения затрат и оценки клинической и экономической ценности.

В статье представлен обзор применения ИИ для автоматической оценки коронарного кальция (AI-CAC) на компьютерной томографии грудной клетки с целью стратификации сердечно-сосудистого риска. Показано, что AI-CAC последовательно ассоциируется с общей и сердечно-сосудистой смертностью, а также с неблагоприятными сердечно-сосудистыми событиями, при этом радиомика может улучшить прогностическую точность. Авторы подчеркивают необходимость проспективных исследований внедрения, стандартизации и оценки экономической эффективности для реализации клинического потенциала.

В исследовании на основе данных французского регистра FAST-MI 2015 (4947 пациентов) с помощью иерархической агломеративной кластеризации (метод Уорда) выделены четыре клинически значимых фенотипа острого инфаркта миокарда, различающихся по характеристикам, тактике лечения и прогнозу. Выявленные кластеры демонстрируют гетерогенность пациентов и могут дополнить традиционную классификацию STEMI/NSTEMI для улучшения стратификации риска.

В ретроспективном перекрестном исследовании с участием 1461 взрослого оценивалась осуществимость и клиническая значимость ИИ-оценки риска сердечно-сосудистых заболеваний по изображениям сетчатки (Reti-CVD) в гибридной модели оказания помощи. Более высокий риск по Reti-CVD был связан с возрастом, мужским полом, диабетом, гипертонией и другими кардиометаболическими факторами, однако категориальное согласие с калькулятором PREVENT оказалось слабым (κ = 0.144). Результаты требуют проспективной валидации для подтверждения прогностической ценности.

В статье представлен FACTMx — вариационный фреймворк для совместного моделирования структурированных и простых видов данных с целью обучения интерпретируемых представлений пациентов. Метод решает проблему интеграции мультимодальных данных (например, секвенирование РНК отдельных клеток, пространственная транскриптомика, протеомика, гистология), где каждый пациент имеет множество поднаблюдений — отдельных клеток, пространственных точек или патчей. В отличие от существующих подходов, которые полагаются на отдельно предвычисленные сводки и теряют информацию из структурированных представлений, FACTMx связывает латентные факторы пациентов с кластеризацией поднаблюдений и пропорциями компонентов для каждого пациента, что обеспечивает прямую интерпретацию и последующий анализ ассоциаций. Фреймворк поддерживает различные предположения о смесях для структурированных представлений, включая тематические и гауссовы структуры, сохраняя модульные параметризации кодера-декодера. В симуляциях, охватывающих разреженные и плотные зависимости и несколько режимов шума, FACTMx улучшил реконструкцию, интеграцию и восстановление структурированных компонентов по сравнению с предыдущими методами. При применении к когортам немелкоклеточного рака легкого FACTMx выявил связанные с выживаемостью латентные сигналы, связанные с иммунным микроокружением, путями экспрессии генов и пространственно когерентными гистологическими паттернами. В продольной когорте коронарного синдрома FACTMx выделил ось, связанную с исходами, сопряженную с изменением фракции выброса, состояниями иммунных клеток, растворимыми медиаторами и маркерами повреждения сердца. Результаты подтверждают ценность совместного структурированно-простого моделирования для интерпретируемой мультимодальной стратификации пациентов.

В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

Представлен фреймворк TeleZK-FL для приватного федеративного обучения диагностических ИИ-моделей в телемедицине с использованием квантования и zero-knowledge доказательств непосредственно на граничных устройствах. Система ускоряет генерацию криптографических доказательств в 25 раз, сокращает объём передаваемых данных на 75% при сохранении диагностической точности (AUC 0.877 для рентгена грудной клетки, 0.891 для ЭКГ).

В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.

Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.

Данная публикация представляет собой письмо-ответ, опубликованное в рецензируемом журнале npj Digital Medicine 1 августа 2026 года. Статья является реакцией на ранее опубликованное исследование о влиянии вовлечённости медицинских специалистов на эффективность систем искусственного интеллекта для скрининга электрокардиограмм (ЭКГ). Тема непосредственно касается применения машинного обучения в кардиологической диагностике — области, где ИИ-алгоритмы анализируют ЭКГ-сигналы для выявления аритмий, ишемии и других патологий сердца. Ключевой вопрос, поднимаемый в оригинальном исследовании и обсуждаемый в данном ответе, заключается в том, насколько активное участие врачей в процессе внедрения ИИ-инструментов влияет на клинические результаты и точность диагностики. Журнал npj Digital Medicine является авторитетным источником в области цифровой медицины и публикует исследования на стыке технологий и здравоохранения. Однако предоставленный фрагмент содержит только метаданные публикации без доступа к полному тексту ответа, поэтому конкретные аргументы авторов, методологические детали и количественные результаты недоступны для анализа. Для получения полной информации необходимо обратиться к оригинальной публикации по DOI: 10.1038/s41746-026-03096-1.

Исследование представляет MetaAMI — инновационную систему мета-обучения для прогнозирования внутрибольничной смертности у пациентов с острым инфарктом миокарда (ОИМ). Методология основана на случайных проекциях: данные пациентов с кодами МКБ-9 и МКБ-10 для ОИМ были отобраны из базы MIMIC-IV v3.1, признаки трансформированы через множественные случайные проекции, создающие различные низкоразмерные представления. На каждом представлении обучались базовые классификаторы, их прогнозы агрегировались в интегрированное представление для мета-обучателя, который уточнял границу решений. Результаты бенчмаркинга показали, что MetaAMI последовательно превосходит все базовые классификаторы по семи метрикам оценки: точность, AUC, F1-мера, G-мера, индекс Жаккара, Yоудена J и коэффициент корреляции Мэттьюса (MCC). Анализ важности признаков с помощью SHAP выявил клинически релевантные предикторы смертности, обеспечивая интерпретируемость модели. Анализ выживаемости дополнительно оценил клиническую полезность подхода. MetaAMI предлагает эффективное и надёжное решение для стратификации риска при ОИМ, позволяя клиницистам раньше выявлять пациентов высокого риска и персонализировать лечение.

Исследование посвящено решению проблемы гетерогенности данных транскриптомики при поиске биомаркеров сердечно-сосудистых заболеваний (ССЗ). Авторы разработали и протестировали пайплайн, объединяющий 25 независимых наборов данных (983 образца) из 23 различных фенотипов ССЗ, полученных с помощью платформ RNA-seq и микрочипов. В работе сравниваются три метода гармонизации данных (Shambhala-2, TDM и UPC), при этом метод Shambhala-2 показал наилучшие результаты в сохранении биологических сигналов. Исследователи протестировали 35 классификаторов машинного и глубокого обучения, включая архитектуры Transformer и ResNet. Для обеспечения клинической интерпретируемости были применены методы объяснимого ИИ (XAI), такие как SHAP и Integrated Gradients, а их надежность подтверждена метриками AOPC, Sensitivity и Infidelity. Результаты подтвердили, что подходы на основе значений Шепли обеспечивают максимальную стабильность при идентификации геномных признаков. Выявленные биомаркеры связаны с ключевыми процессами: воспалением, иммунной регуляцией и окислительным стрессом, что открывает путь к персонализированной кардиологии.

В данном исследовании проводится сравнительный анализ трех математических подходов для оценки биологического возраста (BA) на основе показателей вариабельности сердечного ритма (HRV). Исследователи проанализировали данные 343 участников (193 женщины и 150 мужчин в возрасте от 20 до 90 лет), используя девять временных и частотных индексов HRV, таких как lnSDNN, lnRMSSD и lnHF. Основная цель заключалась в сравнении точности метода множественной линейной регрессии (MLR), метода Дубины (коррекция MLR) и метода Клемера-Дубаля (KDM). Результаты показали, что метод KDM обеспечивает наиболее стабильную и точную оценку с минимальной средней абсолютной ошибкой (MAE) — 4,34 года для женщин и 3,67 года для мужчин. В то время как классическая регрессия MLR продемонстрировала наибольшую погрешность (до 7,47 лет), применение коррекции Дубины улучшило точность, однако этот метод ограничен зависимостью от хронологического возраста. Работа подчеркивает потенциал использования алгоритмов обработки биосигналов для неинвазивного мониторинга биологического старения организма.