кардиология

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.

В статье представлена новая архитектура нейронной сети MSHAN, сочетающая многомасштабную абстракцию признаков и иерархические механизмы внимания для классификации аритмий по данным ЭКГ. Модель достигла точности 96,25% на базе данных MIT-BIH, превзойдя традиционные методы, и использует визуализацию SHAP для обеспечения интерпретируемости решений, что помогает кардиологам проверять правильность предсказаний.

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.