кардиология

Исследование посвящено изучению восприятия врачами методов объяснимого ИИ (XAI) в сценариях раннего предупреждения о декомпенсации сердечной недостаточности. Результаты показывают, что метод SHAP наиболее интуитивен для клиницистов, однако для полного доверия требуется комбинированный подход к визуализации данных.

Исследование анализирует барьеры при внедрении систем ИИ-телемониторинга для пациентов с сердечной недостаточностью. Авторы предлагают практические рекомендации по разработке надежных и регулируемых решений, используя методологию CRISP-DM для оптимизации жизненного цикла разработки.

В исследовании представлена новая архитектура Ac-AI, объединяющая автоэнкодеры для извлечения скрытых признаков и адаптивные пороги принятия решений. Предложенный метод демонстрирует высокую точность и стабильность в прогнозировании сердечно-сосудистых рисков, сопоставимую или превосходящую классические модели вроде XGBoost и SVM.

Исследование посвящено изучению молекулярных механизмов того, как старение и биологический пол взаимодействуют в контексте сердечно-сосудистых заболеваний (ССЗ). Авторы провели комплексный мультиомиксный анализ данных 981 донора и 17 типов тканей, интегрируя профили экспрессии генов с регуляторной, генетической и сетевой информацией для 1176 кандидатных генов ССЗ. В ходе двухэтапного анализа было выявлено 4404 гена с выраженной возрастной динамикой экспрессии, из которых 2718 генов демонстрировали специфические тренды для мужчин, а 202 — для женщин. Были выделены 35 высоконадежных половых диморфных генов, включая REN, APOE и GUCY1A2. Интеграция с базой Open Targets позволила идентифицировать 289 генов, связанных с одобренными препаратами, и 48 из 50 лучших биомаркеров, подтвержденных данными GWAS-eQTL. Итогом работы стал список из 19 потенциально применимых биомаркеров, при этом гены GUCY1A2 и PDE5A были выделены как ключевые кандидаты для стратифицированной по полу персонализированной медицины через ось сигнализации оксида азота-цГМФ. Данная работа создает основу для разработки таргетной терапии ССЗ с учетом половой специфики пациента.

Федеральное учреждение «Цифровые индустриальные технологии» (ЦИТ) инициировало конкурс на проведение НИОКР по совершенствованию программно-аппаратного комплекса на базе искусственного интеллекта. Основная цель проекта — модернизация системы интеллектуального анализа аудиозаписей сердечной и легочной деятельности. Технология предназначена для работы с данными, полученными через цифровой стетофонендоскоп, что позволяет автоматизировать интерпретацию шумов и звуков дыхания. Начальная максимальная цена контракта на данные разработки составляет 19,7 млн рублей. Реализация проекта направлена на повышение точности дистанционного мониторинга состояния пациентов и автоматизацию первичной диагностики в кардиологии и пульмонологии. Это важный шаг в развитии носимых медицинских устройств с поддержкой ИИ для клинической практики.

Исследование изучает взаимосвязь между физической, когнитивной и эмоциональной усталостью и физиологическими показателями (ЭКГ, сатурация, ЧСС) у пациентов после COVID-19. Результаты показывают, что комбинация различных видов усталости сильнее коррелирует с изменениями вегетативной нервной системы, особенно во время сна.

Компания Neko Health получила крупное финансирование для экспансии на рынок США, предлагая комплексную систему превентивной диагностики. Сервис объединяет ИИ-сканирование всего тела, анализ крови и специализированные датчики для раннего выявления рака кожи, сердечно-сосудистых заболеваний и диабета.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель Transformer-DAPT, предназначенная для динамической оценки рисков у пациентов, получающих двойную антиагрегантную терапию (DAPT) после чрескожного коронарного вмешательства (ЧКВ). В отличие от статических шкал, данный ИИ-инструмент использует архитектуру трансформеров для анализа временных рядов клинических данных, что позволяет прогнозировать вероятность ишемических событий и кровотечений в режиме реального времени. Методология опирается на глубокое обучение для обработки динамически меняющихся показателей состояния пациента, обеспечивая персонализированный подход к выбору продолжительности терапии. Ключевые результаты демонстрируют превосходство модели над традиционными клиническими инструментами оценки риска, обеспечивая более высокую точность прогнозирования осложнений. Внедрение Transformer-DAPT в клиническую практику позволит кардиологам оптимизировать протоколы антиагрегантной терапии, минимизируя риск фатальных кровотечений при сохранении эффективной профилактики тромбозов. Данная разработка является значимым шагом в сторону прецизионной кардиологии и автоматизации принятия клинических решений.

В данной исследовательской работе представлена инновационная архитектура нейронной сети GLF-Net, предназначенная для высокоточной сегментации волновых форм на электрокардиограммах (ЭКГ). Основная научная новизна заключается в интеграции квазипериодического априорного руководства (quasi-periodic prior-guided), что позволяет модели учитывать естественную ритмическую структуру сердечного цикла при обработке сигналов. Методология исследования фокусируется на автоматическом выделении ключевых компонентов ЭКГ, что критически важно для последующего анализа вариабельности сердечного ритма и диагностики аритмий. Разработанная сеть демонстрирует превосходство над существующими методами сегментации, обеспечивая более высокую точность границ волн P, QRS-комплекса и T. Практическая значимость работы заключается в возможности автоматизации рутинного анализа ЭКГ, снижении нагрузки на врачей-кардиологов и минимизации человеческого фактора при интерпретации сложных паттернов сердечного ритма. Использование GLF-Net позволяет создавать более надежные системы поддержки принятия врачебных решений в кардиологии.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено интеграции искусственного интеллекта в процессы раннего скрининга структурных заболеваний сердца. Работа рассматривает синергию двух методов: анализа электрокардиограмм (ЭКГ) с помощью алгоритмов машинного обучения и использования портативного ультразвукового оборудования (фокусного эхокардиографического исследования), где ИИ выступает в роли навигатора для менее опытных специалистов. Основная цель заключается в повышении точности выявления патологий сердца в условиях ограниченного доступа к экспертной кардиологической помощи. Методология исследования направлена на оценку того, насколько ИИ-подсказки помогают новичкам правильно позиционировать датчик и интерпретировать визуальные данные. Ключевые результаты демонстрируют значительное сокращение диагностических ошибок и повышение чувствительности скрининга при использовании ИИ-ассистированных протоколов. Данная технология имеет критическое значение для первичного звена здравоохранения и телемедицины, позволяя проводить качественную диагностику сердечных патологий вне специализированных кардиологических центров.

Данный обзорный труд посвящен анализу применения методов глубокого обучения (Deep Learning) для прогнозирования результатов различных кардиологических вмешательств. Исследование систематизирует последние достижения в области нейросетевых архитектур, которые используются для оценки рисков и исходов процедур, таких как ангиопластика, стентирование и другие операции на сердце. Авторы рассматривают методологические подходы, включая использование рекуррентных нейронных сетей и сверточных архитектур для анализа временных рядов и медицинских изображений. В работе подчеркивается, что использование ИИ позволяет значительно повысить точность прогнозирования по сравнению с традиционными клиническими шкалами риска. Ключевым аспектом является интеграция данных из электронных медицинских карт и физиологических мониторов для создания предиктивных моделей в реальном времени. Результаты обзора указывают на огромный потенциал автоматизации принятия клинических решений в кардиологии, несмотря на существующие вызовы в области интерпретируемости моделей.

Исследование оценивает способность ведущих LLM (включая Gemini и Grok) отвечать на вопросы пациентов о заболеваниях сердца. Результаты показали высокую точность и низкий уровень галлюцинаций, при этом Gemini была признана наиболее качественной моделью по совокупности факторов.

Систематический обзор посвящен использованию цифрового моделирования на основе данных пациента для планирования процедуры TAVR. Исследование показывает, как симуляция взаимодействия устройства с тканями и гемодинамики может помочь снизить риск осложнений, таких как паравальвулярная утечка и повреждение аорты.

Данный систематический обзор исследует пересечение объяснимого искусственного интеллекта (XAI) и моделей сердечной электрофизиологии в контексте предотвращения внезапной сердечной смерти (ВСС) среди подростков и молодых людей, занимающихся спортом. Исследование фокусируется на выявлении механизмов, с помощью которых алгоритмы машинного обучения могут интерпретировать сложные электрофизиологические данные для прогнозирования критических состояний. Авторы анализируют текущие модели, которые позволяют не только предсказывать риск остановки сердца, но и предоставлять врачам клинически значимые обоснования принятых решений, что критически важно для доверия к ИИ в кардиологии. В работе рассматривается эффективность интеграции XAI в диагностические системы для выявления скрытых патологий, которые могут привести к летальному исходу во время физических нагрузок. Основное внимание уделяется переходу от «черных ящиков» нейросетей к прозрачным моделям, способным учитывать индивидуальные электрофизиологические особенности пациента. Результаты подчеркивают потенциал использования таких систем для раннего скрининга спортсменов и персонализированного управления рисками в спортивной медицине.

Компания Tempus AI представила результаты успешной многоцентровой валидации своего программного обеспечения, использующего искусственный интеллект для анализа электрокардиограмм (ЭКГ). Основная цель разработки — высокоточное прогнозирование риска развития фибрилляции предсердий, одного из наиболее опасных нарушений сердечного ритма. Исследование, результаты которого были опубликованы в профильном научном издании Heart Rhythm, подтверждает клиническую эффективность модели при использовании в различных медицинских учреждениях. Технология позволяет выявлять скрытые паттерны в данных ЭКГ, которые недоступны для традиционного визуального анализа врачами. Внедрение данного ИИ-решения в клиническую практику может значительно улучшить раннюю диагностику и стратегии профилактики сердечно-сосудистых осложнений. Данная валидация является важным шагом на пути к широкому коммерческому и медицинскому применению продукта в рамках прецизионной медицины.

Исследователи разработали инновационную платформу пространственного ИИ, предназначенную для выявления общих закономерностей в организации тканей при различных патологиях. Методология объединила четыре публичных набора данных пространственной транскриптомики, охватывающих заживление ран, периодонтит, плоскоклеточный рак полости рта и ткани сердца. С помощью использования рекуррентного моделирования, графового обучения и тензорного разложения авторам удалось идентифицировать шесть консервативных «размытых» состояний тканей. Ключевые результаты показали доминирование процессов ремоделирования внеклеточного матрикса, активации фибробластов и эндотелиальной сигнализации во всех исследуемых доменах. Анализ выявил значительное сходство между травмами и патологиями полости рта, в то время как сердечно-сосудистая ткань продемонстрировала более компактную и когерентную пространственную структуру. Исследование подтвердило статистическую значимость выявленных паттернов через тестирование перестановок, показав повышенную модульность графов и снижение пространственной энтропии. Данная работа открывает новые возможности для использования пространственного ИИ в изучении системных воспалительных и стромальных процессов, связывающих локальные травмы с общим состоянием здоровья организма.

В исследовании представлен новый биоинформатический метод BootDA, предназначенный для точного определения дифференциальной распространенности (DA) таксонов микробиома. Авторы решают критическую проблему искажения данных, вызванную четырьмя факторами: потерей общей микробной нагрузки, различиями в эффективности измерения таксонов, необходимостью использования псевдоподсчетов для обработки нулевых значений и загрязнением образцов. В отличие от существующих методов (ANCOM-BC2, LinDA, MaAsLin 3), BootDA использует непараметрический бутстреп, что позволяет моделировать все источники смещения без предварительных трансформаций данных. Тестирование на симуляциях с высокой разреженностью (>70% нулей) показало, что BootDA обладает наивысшей чувствительностью при строгом контроле частоты ложноположительных результатов. Метод сохраняет эффективность даже в условиях низкой биомассы, когда загрязнение составляет около 50% от общего числа подсчетов. При применении к когорте пациентов с ишемической болезнью сердца (CAD) метод позволил уточнить патологический профиль, выделив два обогащенных рода — Klebsiella и Gemmiger, и исключив вероятные контаминанты. Инструмент доступен в виде R-пакета и применим для любых разреженных многомерных биологических данных.

Исследователи из Google представили инновационную систему пассивного мониторинга сердечного ритма (PHRM), которая позволяет измерять частоту сердечных сокращений (ЧСС) и рассчитывать пульс в состоянии покоя, используя только фронтальную камеру смартфона. В отличие от традиционных методов, требующих ношения смарт-часов или специализированных датчиков, данная технология опирается на возможности компьютерного зрения и анализа микроскопических изменений цвета кожи. Результаты исследования, опубликованные в престижном журнале Nature, подтверждают высокую точность метода, что делает его потенциально доступным инструментом для массового мониторинга сердечно-сосудистого здоровья. Технология может значительно расширить возможности дистанционной диагностики и регулярного контроля состояния пациентов без дополнительных затрат на носимую электронику. Внедрение PHRM в повседневное использование смартфонов открывает новые горизонты для телемедицины и превентивной кардиологии.

В исследовании представлена инновационная модель мультимодального глубокого обучения TabulaTime, предназначенная для раннего прогнозирования острого коронарного синдрома (ОКС). Уникальность подхода заключается в интеграции двух различных типов данных: клинических показателей пациентов и экологических факторов окружающей среды, которые ранее редко учитывались в единой предиктивной модели. Методология исследования базируется на использовании нейронных сетей, способных обрабатывать разнородные временные ряды для выявления скрытых паттернов развития сердечно-сосудистых катастроф. Результаты демонстрируют значительное превосходство модели над традиционными методами статистического анализа и стандартными алгоритмами машинного обучения. Внедрение TabulaTime в клиническую практику может существенно повысить точность стратификации рисков и позволить врачам принимать более своевременные превентивные меры. Данная разработка открывает новые горизонты в персонализированной кардиологии, связывая физиологическое состояние человека с внешними факторами среды.