кардиология

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено изучению эффективности различных методов промпт-инжиниринга при использовании больших языковых моделей (LLM) для поддержки принятия клинических решений в терапии гипертензии. Авторы анализируют, как вариации в формулировках запросов (multitype prompt engineering) влияют на точность рекомендаций по подбору антигипертензивной терапии. В работе исследуется способность моделей сопоставлять клинические данные пациента с международными протоколами лечения. Основной акцент сделан на минимизации галлюцинаций и повышении соответствия ответов ИИ доказательной медицине. Результаты демонстрируют, что структурированный подход к проектированию промптов существенно повышает клиническую релевантность ответов моделей. Исследование имеет высокую значимость для интеграции LLM в повседневную практику врачей-кардиологов и автоматизацию поддержки принятия решений.

В статье рассматривается потенциал внедрения новых инструментов искусственного интеллекта для ретроспективного анализа уже существующих компьютерных томограмм (КТ) с целью выявления рисков развития сердечно-сосудистых заболеваний. Основная идея заключается в использовании ИИ для автоматизированного скрининга огромных массивов данных, которые уже хранятся в медицинских архивах, что позволяет выявлять скрытые патологии без дополнительных инвазивных процедур. Однако авторы поднимают критически важные вопросы экономической эффективности и практического внедрения: кто возьмет на себя расходы по анализу архивных снимков и как это повлияет на конечные показатели здоровья населения. Исследование фокусируется на разрыве между технологической возможностью массового скрининга и существующими моделями медицинского страхования и оплаты медицинских услуг. Реализация такого подхода может радикально изменить кардиологическую диагностику, если будет решен вопрос финансовой модели и клинической доказанности улучшения исходов для пациентов.

Анонс ежегодного собрания Общества ядерной медицины и молекулярной визуализации (SNMMI), которое пройдет в мае-июне 2026 года. Программа охватывает новейшие исследования в области тераностики, онкологии, кардиологии и технологий визуализации.

В данном исследовании ученые решили проблему отсутствия экспериментально определенных структур рецептора уротензина II человека (hUT), что ранее ограничивало понимание механизмов его активации. Используя передовые методы мультистадийного предсказания AlphaFold, длительные симуляции молекулярной динамики (MD) и метод картирования карманов SILCS, авторы детально изучили взаимодействие пептидных лигандов hUII и URP с рецептором. Результаты показали, что лиганд hUII накладывает более сильные конформационные ограничения на трансмембранные домены TM5 и TM6 по сравнению с URP, что стабилизирует различные активные конфигурации рецептора. Исследование выявило уникальные ароматические и полярные сети взаимодействий, которые эксплуатирует каждый лиганд для модуляции наклона доменов. Полученные данные объясняют, как даже незначительные различия в структуре пептидов могут приводить к существенным изменениям в селективности сигналов и клинических исходах. Работа предоставляет валидированные 3D-модели и открывает новые возможности для разработки селективных препаратов, воздействующих на уротензин-ергическую систему.

Компания Novartis запускает инициативу Inclusive Health Accelerators для раннего выявления рака и расширяет программу Cardio4Cities. Программа Cardio4Cities использует искусственный интеллект и данные для профилактики и управления кардиометаболическими заболеваниями в глобальном масштабе.

Исследование, опубликованное в журнале npj Digital Medicine, посвящено разработке и внедрению интерпретируемых моделей машинного обучения для оценки риска развития инсульта у пациентов с недавно выявленной фибрилляцией предсердий. В отличие от традиционных «черных ящиков», предложенные алгоритмы позволяют врачам понимать, какие именно клинические факторы вносят наибольший вклад в прогноз для конкретного пациента. Методология исследования фокусируется на использовании структурированных медицинских данных для обучения моделей, обеспечивающих высокую точность предсказания при сохранении прозрачности принятия решений. Ключевым результатом является возможность персонализации стратегий профилактики инсульта на основе анализа специфических рисков, выявленных ИИ. Данная работа имеет высокую значимость для клинической практики, так как помогает интегрировать передовые технологии ИИ в повседневную кардиологическую помощь, повышая доверие врачей к автоматизированным системам поддержки принятия решений.

Стартап Pinnacle Medicines использует платформу на базе искусственного интеллекта и физического моделирования для проектирования пептидных молекул с улучшенной биодоступностью при пероральном приеме. Компания планирует применять свои технологии для разработки лекарств от ожирения, сердечно-сосудистых заболеваний и заболеваний дыхательных путей.

Исследование посвящено разработке персонализированной системы искусственного интеллекта для оценки фракции выброса левого желудочка (ФВЛЖ) и выявления систолической дисфункции сердца. Работа опубликована в журнале npj Digital Medicine издательства Nature, который специализируется на цифровых технологиях в медицине. Методология исследования включает применение алгоритмов машинного обучения для анализа медицинских изображений сердца, вероятно с использованием эхокардиографии или МРТ. Персонализация подхода предполагает адаптацию модели к индивидуальным особенностям каждого пациента, что повышает точность диагностики. Ключевая значимость работы заключается в потенциальном снижении вариабельности между разными врачами-кардиологами и ускорении процесса диагностики сердечной недостаточности. Применение ИИ в кардиологии особенно актуально в условиях нехватки квалифицированных специалистов и роста сердечно-сосудистых заболеваний в мире. Статья опубликована 8 апреля 2026 года, что делает её максимально актуальным материалом для специалистов в области цифровой медицины.

Статья представляет гибридную систему поддержки клинических решений для пациентов с гипертонией, объединяющую методы машинного обучения (K-Means кластеризация, PCA) с экспертными правилами. Система проанализировала 615 клинических записей и достигла 78.3% согласованности с экспертными оценками кардиологов. Подход позволяет генерировать персонализированные рекомендации по образу жизни на основе стратификации пациентов.

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.

Обзор систематизирует требования к надзору за программным обеспечением как медицинским устройством (SaMD) и сравнивает регуляторные ожидания в США, ЕС и Великобритании для кардиоваскулярного ИИ на протяжении всего клинического жизненного цикла. Статья предлагает практические инструменты внедрения: шаблоны документов прозрачности, протоколы тестирования, рабочие тетради для управления изменениями и фреймворк подотчётности. Приведены примеры использования в КТ-оценке функции, ЭКГ-скрининге и эхокардиографической количественной оценке.

Исследование применяет методы машинного обучения (иерархическая кластеризация) для выявления 4 различных клинических фенотипов кардиогенного шока на основе данных 1513 пациентов. Выделенные фенотипы демонстрируют значительную разницу в показателях смертности (от 22,4% до 78,4%) и предлагают новую систему стратификации рисков для персонализированной терапии.