ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В СФЕРЕ ПЕРВИЧНОЙ ПРОФИЛАКТИКИ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ

Основные положения

В обзоре проанализированы исследования, посвященные возможности использования методов машинного обучения для прогнозирования возникновения фибрилляции предсердий, кардиоваскулярных факторов риска, каротидного атеросклероза, суммарного сердечно-сосудистого риска. Значительные перспективы имеет сочетание методов машинного обучения с мобильными, облачными и телемедицинскими технологиями. В ближайшем будущем ожидается использование таких технологий для скрининга фибрилляции предсердий, а также стратификации риска с использованием данных кардиовизуализации. На основе методов машинного обучения развиваются мобильные профилактические технологии, направленные в частности на управление пищевым поведением.

Резюме

В статье рассмотрены основные направления применения технологий машинного обучения (МО) в сфере первичной профилактики сердечно-сосудистых заболеваний (ССЗ), показаны примеры решения с их помощью научных и практических задач. В настоящее время изучается возможность использования МО для прогнозирования суммарного сердечно-сосудистого риска, риска возникновения фибрилляции предсердий, факторов риска (ФР) ССЗ, каротидного атеросклероза и др. Кроме традиционных ФР в моделях МО применяются данные опросников, врачебного осмотра, лабораторных показателей, электрокардиографии, кардиовизуализации, сведения о принимаемом лечении, геномные и протеомные признаки. Обращает внимание разнообразие методов, применяемых при МО. Наиболее часто прибегают к таким классификаторам, как Random Forest, метод опорных векторов, искусственные нейронные сети. Многие алгоритмы МО демонстрируют прирост точности прогноза по отношению к действующим шкалам риска, но на текущий момент ни одна из методик однозначно не признана. На ранних стадиях развития находятся технологии глубокого МО. Мобильные, облачные и телемедицинские технологи открывают новые возможности для сбора, хранения и полезного применения медицинских данных и могут вывести профилактику ССЗ на новый уровень. В ближайшем будущем ожидается использование таких технологий для скрининга фибрилляции предсердий, а также стратификации сердечно-сосудистого риска с использованием данных кардиовизуализации, добавление которых к традиционным ФР позволяет получить наиболее стабильные оценки риска. Есть примеры использования мобильных технологий МО для управления ФР, в частности пищевым поведением. Авторы обращают внимание на такие аспекты, как недопустимость переоценки роли искусственного интеллекта в технологиях здравоохранения, предвзятость алгоритмов, кибербезопасность, этические вопросы сбора и использования медицинских данных. Практическая применимость моделей МО и их влияние на конечные точки на текущий момент изучены недостаточно. Значительным препятствием к внедрению технологий МО в сфере здравоохранения являются недостаточный опыт и отсутствие законодательной базы.

1. Концевая А.В., Драпкина О.М., Баланова Ю.А., Имаева А.Э., Суворова Е.И., Худяков М.Б. . Экономический ущерб сердечно-сосудистых заболеваний в Российской Федерации в 2016 году. Рациональная фармакотерапия в кардиологии. 2018; 14(2): 156–166. doi: 10.20996/1819–6446–201814–2–156–166.

2. Nakamura T., Sasano T. Artificial intelligence and cardiology: Current status and perspective. J. Cardiol. 2022; 79(3): 326–333. doi: 10.1016/j.jjcc.2021.11.017.

3. Hykin S.S. Neural Networks: A Comprehensive Foundation, 2nd Ed. USA:Prentice Hall; 1999. P. 842. ISBN: 0132733501.

4. Cho S.Y., Kim S.H., Kang S.H., Lee K.J., Choi D., Kang S., Park S.J., Kim T., Yoon C.H., Youn T.J, Chae IH.Pre-existing and machine learning-based models for cardiovascular risk prediction. Sci. Rep. 2021; 11(1): 8886. doi: 10.1038/s41598–021–88257-w.

5. Char D.S., Shah N.H., Magnus D. Implementing Machine Learning in Health Care – Addressing Ethical Challenges. N. Engl. J. Med. 2018; 378(11): 981–983. doi: 10.1056/NEJMp1714229.

6. Wegner F.K., Plagwitz L., Doldi F., Ellermann C., et al. Machine learning in the detection and management of atrial fibrillation. Clin. Res. Cardiol. 2022; 111(9): 1010–1017. doi: 10.1007/s00392–022–02012–3.

7. Javaid A., Zghyer F., Kim C., Spaulding E.M., Isakadze N., Ding J., Kargillis D., Gao Y., Rahman F., Brown D.E., Saria S., Martin S.S., Kramer C.M., Blumenthal R.S., Marvel F.A. Medicine 2032: The future of cardiovascular disease prevention with machine learning and digital health technology. Am. J. Prev. Cardiol. 2022; 12: 100379. doi: 10.1016/j.ajpc.2022.100379.

8. Kononenko I. Machine learning for medical diagnosis: history, state of the art and perspective. Artif. Intell. Med. 2001; 23(1): 89–109. doi: 10.1016/s0933–3657(01)00077-x.

9. Suri J.S., Bhagawati M., Paul S., Protogerou A.D., Sfikakis P.P., Kitas G.D., Khanna N.N., Ruzsa Z., Sharma A.M., Saxena S., Faa G., Laird J.R., Johri A.M., Kalra M.K., Paraskevas K.I., Saba L. A Powerful Paradigm for Cardiovascular Risk Stratification Using Multiclass, Multi-Label, and Ensemble-Based Machine Learning Paradigms: A Narrative Review. Diagnostics. (Basel). 2022; 12(3): 722. doi: 10.3390/diagnostics12030722.

10. Vilne B., Ķibilds J., Siksna I., Lazda I., Valciņa O., Krūmiņa A. Could Artificial Intelligence/Machine Learning and Inclusion of Diet-Gut Microbiome Interactions Improve Disease Risk Prediction? Case Study: Coronary Artery Disease. Front. Microbiol. 2022; 13: 627892. doi: 10.3389/fmicb.2022.627892.

11. Patel S.A., Winkel M., Ali M.K., Narayan K.M. Cardiovascular mortality associated with 5 leading risk factors: national and state preventable fractions estimated from survey data. Ann. Intern. Med. 2015; 163(4): 245–53. doi: 10.7326/M14–1753.

12. Liu W., Laranjo L., Klimis H., Chiang J., Yue J., Marschner S., Quiroz J.C., Jorm L., Chow C.K. Machine-learning versus traditional approaches for atherosclerotic cardiovascular risk prognostication in primary prevention cohorts: a systematic review and meta-analysis. Eur. Heart. J. Qual. Care Machine-learning versus traditional approaches for atherosclerotic cardiovascular risk prognostication in primary prevention cohorts: a systematic review and meta-analysis. Eur. Heart. J. Qual. Care. Clin. Outcomes. 2023; 9(4): 310–322. doi: 10.1093/ehjqcco/qcad017.

13. Жданова Е.В., Рубцова Е.В. Опыт внедрения пилотного проекта "искусственный интеллект" в работе участкового терапевта на территории ямало-ненецкого автономного округа: пилотное одномоментное скрининговое обсервационное исследование. Кубанский научный медицинский вестник. 2022; 29(4): 14–31. doi: 10.25207/1608–6228–2022–29–4–14–31.

14. Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Петряева М.В., Шалфеева Е.А., Костерин В.В. Гибридная технология оценки рисков и прогнозирования в кардиологии. Врач и информационные технологии. 2022; 3: 24–35. doi: 10.25881/18110193_2022_3_24.

15. Alaa A.M., Bolton T., Di Angelantonio E., Rudd J.H.F. Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLoS. One. 2019; 14(5): e0213653. doi: 10.1371/journal.pone.0213653.

16. Weng S.F., Reps J., Kai J., Garibaldi J.M. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS. One. 2017; 12(4): e0174944. doi: 10.1371/journal.pone.0174944.

17. Matheson M.B., Kato Y., Baba S., Cox C., Lima J.A.C., Ambale-Venkatesh B. Cardiovascular Risk Prediction Using Machine Learning in a Large Japanese Cohort. Circ. Rep. 2022; 4(12): 595–603. doi: 10.1253/circrep.CR-22–0101.

18. Schrempf M., Kramer D., Jauk S., Veeranki S.P.K., Leodolter W., Rainer P.P. Machine Learning Based Risk Prediction for Major Adverse Cardiovascular Events. Stud. Health. Technol. Inform. 2021; 279: 136–143. doi: 10.3233/SHTI210100.

19. Quesada J.A., Lopez-Pineda A., Gil-Guillén V.F., Durazo-Arvizu R., Orozco-Beltrán D., López-Domenech A., Carratalá-Munuera C. Machine learning to predict cardiovascular risk. Int. J. Clin. Pract. 2019; 73(10): e13389. doi: 10.1111/ijcp.13389.

20. Kakadiaris I.A., Vrigkas M., Yen A.A., Kuznetsova T., Budoff M., Naghavi M. Machine Learning Outperforms ACC / AHA CVD Risk Calculator in MESA. J. Am. Heart. Assoc. 2018; 7(22): e009476. doi: 10.1161/JAHA.118.009476.

21. Mehrabani-Zeinabad K., Feizi A., Sadeghi M., Roohafza H., Talaei M., Sarrafzadegan N. Cardiovascular disease incidence prediction by machine learning and statistical techniques: a 16-year cohort study from eastern Mediterranean region. BMC. Med. Inform. Decis. Mak. 2023; 23(1): 72. doi: 10.1186/s12911–023–02169–5.

22. Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020; 31(5): 41–46. doi: 10.29296/25877305–2020–08.

23. Tsarapatsani K., Sakellarios A.I., Pezoulas V.C., Tsakanikas V.D., Kleber M.E., Marz W., Michalis L.K., Fotiadis D.I. Machine Learning Models for Cardiovascular Disease Events Prediction. Annu. Int. Conf. IEEE. Eng. Med. Biol. Soc. 2022; 2022: 1066–1069. doi: 10.1109/EMBC48229.2022.9871121.

24. Невзорова В.А., Бродская Т.А., Шахгельдян К.И., Гельцер Б.И., Костерин В.В., Присеко Л.Г. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в приморском крае). Кардиоваскулярная терапия и профилактика. 2022; 21(1): 34–42. doi: 10.15829/1728–8800–2022–2908.

25. Gola D., Erdmann J., Müller-Myhsok B., Schunkert H. Polygenic risk scores outperform machine learning methods in predicting coronary artery disease status. Genet. Epidemiol. 2020; 44(2): 125–138. doi: 10.1002/gepi.22279.

26. Westerlund A.M., Hawe J.S., Heinig M., Schunkert H. Risk Prediction of Cardiovascular Events by Exploration of Molecular Data with Explainable Artificial Intelligence. Int. J. Mol. Sci. 2021; 22(19): 10291. doi: 10.3390/ijms221910291.

27. Steinfeldt J., Buergel T., Loock L., Kittner P., Ruyoga G., Zu Belzen J.U., Sasse S., Strangalies H., Christmann L., Hollmann N., Wolf B., Ference B., Deanfield J., Landmesser U., Eils R. Neural network-based integration of polygenic and clinical information: development and validation of a prediction model for 10-year risk of major adverse cardiac events in the UK Biobank cohort. Lancet Digit Health. 2022; 4(2): e84-e94. doi: 10.1016/S2589–7500(21)00249–1.

28. Rigdon J., Basu S. Machine learning with sparse nutrition data to improve cardiovascular mortality risk prediction in the USA using nationally randomly sampled data. BMJ. Open. 2019; 9(11): e032703. doi: 10.1136/bmjopen-2019–032703.

29. Гаврилов Д.В., Кузнецова Т.Ю., Дружилов М.А., Корсаков И.Н. Прогнозирование наличия субклинического каротидного атеросклероза у пациентов с избыточным весом и ожирением при помощи модели машинного обучения. Российский кардиологический журнал. 2022; 27(4): 40–47. doi: 10.15829/1560–4071–2022–4871.

30. Sánchez-Cabo F., Rossello X., Fuster V., Benito F., Manzano J.P., Silla J.C., Fernández-Alvira J.M., Oliva B., Fernández-Friera L., López-Melgar B., Mendiguren J.M., Sanz J., Ordovás J.M., Andrés V., Fernández-Ortiz A., Bueno H., Ibáñez B., García-Ruiz J.M., Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J. Am. Coll. Cardiol. 2020; 76(14): 1674–1685. doi: 10.1016/j.jacc.2020.08.017.

31. Fan J., Chen M., Luo J., Yang S., Shi J., Yao Q., Zhang X., Du S., Qu H., Cheng Y., Ma S., Zhang M., Xu X., Wang Q., Zhan S. The prediction of asymptomatic carotid atherosclerosis with electronic health records: a comparative study of six machine learning models. BMC. Med. Inform. Decis. Mak. 2021; 21(1): 115. doi: 10.1186/s12911–021–01480–3.

32. Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., Peng L., Webster D.R. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat. Biomed. Eng. 2018; 2(3): 158–164. doi: 10.1038/s41551–018–0195–0.

33. Kanegae H., Suzuki K., Fukatani K., Ito T., Harada N., Kario K. Highly precise risk prediction model for new-onset hypertension using artificial intelligence techniques. J. Clin. Hypertens. (Greenwich). 2020; 22(3): 445–450. doi: 10.1111/jch.13759.

34. Ye C., Fu T., Hao S., Zhang Y., Wang O., Jin B., Xia M., Liu M., Zhou X., Wu Q., Guo Y., Zhu C., Li Y.M., Culver D.S., Alfreds S.T., Stearns F., Sylvester K.G., Widen E., McElhinney D., Ling X. Prediction of Incident Hypertension Within the Next Year: Prospective Study Using Statewide Electronic Health Records and Machine Learning. J. Med. Internet. Res. 2018; 20(1): e22. doi: 10.2196/jmir.9268.

35. Sakr S., Elshawi R., Ahmed A., Qureshi W.T., Brawner C., Keteyian S., Blaha M.J., Al-Mallah M.H. Using machine learning on cardiorespiratory fitness data for predicting hypertension: The Henry Ford ExercIse Testing (FIT) Project. PLoS. One. 2018; 13(4): e0195344. doi: 10.1371/journal.pone.0195344.

36. Huang S., Xu Y., Yue L., Wei S., Liu L., Gan X., Zhou S., Nie S. Evaluating the risk of hypertension using an artificial neural network method in rural residents over the age of 35 years in a Chinese area. Hypertens. Res. 2010; 33(7): 722–6. doi: 10.1038/hr.2010.73.

37. Held E., Cape J., Tintle N. Comparing machine learning and logistic regression methods for predicting hypertension using a combination of gene expression and next-generation sequencing data. BMC. Proc. 2016; 10(Suppl 7): 141–145. doi: 10.1186/s12919–016–0020–2.

38. Pei Z., Liu J., Liu M., Zhou W., Yan P., Wen S., Chen Y. Risk-Predicting Model for Incident of Essential Hypertension Based on Environmental and Genetic Factors with Support Vector Machine. Interdiscip. Sci. 2018; 10(1): 126–130. doi: 10.1007/s12539–017–0271–2.

39. Li C., Sun D., Liu J., Li M., Zhang B., Liu Y., Wang Z., Wen S., Zhou J. A Prediction Model of Essential Hypertension Based on Genetic and Environmental Risk Factors in Northern Han Chinese. Int. J. Med. Sci. 2019; 16(6): 793–799. doi: 10.7150/ijms.33967.

40. Myers K.D., Knowles J.W., Staszak D., Shapiro M.D., Howard W., Yadava M., Zuzick D., Williamson L., Shah N.H., Banda J.M., Leader J., Cromwell W.C., Trautman E., Murray M.F., Baum S.J., Myers S., Gidding S.S., Wilemon K., Rader D.J. Precision screening for familial hypercholesterolaemia: a machine learning study applied to electronic health encounter data. Lancet. Digit. Health. 2019; 1(8): e393-e402. doi: 10.1016/S2589–7500(19)30150–5.

41. Zhang S., Tjortjis C., Zeng,X. Qiao H., Buchan I., Keane J. Comparing data mining methods with logistic regression in childhood obesity prediction. Inf Syst Front 11, 449–460 (2009). doi:10.1007/s10796-009-9157-0

42. Dugan T.M., Mukhopadhyay S., Carroll A., Downs S. Machine Learning Techniques for Prediction of Early Childhood Obesity. Appl. Clin. Inform. 2015; 6(3): 506–20. doi: 10.4338/ACI-2015–03-RA-0036.

43. Hammond R., Athanasiadou R., Curado S., Aphinyanaphongs Y., Abrams C., Messito M.J., Gross R., Katzow M., Jay M., Razavian N., Elbel B. Predicting childhood obesity using electronic health records and publicly available data. PLoS. One. 2019; 14(4): e0215571. doi: 10.1371/journal.pone.0215571.

44. Shin H., Shim S., Oh S. Machine learning-based predictive model for prevention of metabolic syndrome. PLoS. One. 2023; 18(6): e0286635. doi: 10.1371/journal.pone.0286635.

45. Hosseini-Esfahani F., Alafchi B., Cheraghi Z., Doosti-Irani A., Mirmiran P., Khalili D., Azizi F. Using Machine Learning Techniques to Predict Factors Contributing to the Incidence of Metabolic Syndrome in Tehran: Cohort Study. JMIR. Public. Health. Surveill. 2021; 7(9): e27304. doi: 10.2196/27304.

46. Челебаева Ю.А. Разработка нейросетевой модели определения признаков мерцательной аритмии для подсистемы обработки сигналов кардиоритмограммы. Биомедицинская радиоэлектроника. 2021; 24(4): 97–106. doi: 10.18127/j15604136–202104–13.

47. Attia Z.I., Noseworthy P.A., Lopez-Jimenez F., Asirvatham S.J., Deshmukh A.J., Gersh B.J., Carter R.E., Yao X., Rabinstein A.A., Erickson B.J., Kapa S., Friedman P.A. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019; 394(10201): 861–867. doi: 10.1016/S0140–6736(19)31721–0.

48. Raghunath S., Pfeifer J.M., Ulloa-Cerna A.E., Nemani A., Carbonati T., Jing L., vanMaanen D.P., Hartzel D.N., Ruhl J.A., Lagerman B.F., Rocha D.B., Stoudt N.J., Schneider G., Johnson K.W., Zimmerman N., Leader J.B., Kirchner H.L., Griessenauer C.J., Hafez A., Good C.W., Fornwalt B.K., Haggerty C.M. Deep Neural Networks Can Predict New-Onset Atrial Fibrillation From the 12-Lead ECG and Help Identify Those at Risk of Atrial Fibrillation-Related Stroke. Circulation. 2021; 143(13): 1287–1298. doi: 10.1161/CIRCULATIONAHA.120.047829.

49. Yan B.P., Lai W.H.S., Chan C.K.Y., Chan S.C., Chan L.H., Lam K.M., Lau H.W., Ng C.M., Tai L.Y., Yip K.W., To O.T.L., Freedman B., Poh Y.C., Poh M.Z. Contact-Free Screening of Atrial Fibrillation by a Smartphone Using Facial Pulsatile Photoplethysmographic Signals. J. Am. Heart. Assoc. 2018; 7(8): e008585. doi: 10.1161/JAHA.118.008585.

50. Perez M.V., Mahaffey K.W., Hedlin H., Rumsfeld J.S., Garcia A., Ferris T., Balasubramanian V., Russo A.M., Rajmane A., Cheung L., Hung G., Lee J., Kowey P., Talati N., Nag D., Gummidipundi S.E., Beatty A., Hills M.T., Desai S., Granger C.B., Desai M., Turakhia M.P.; Apple Heart Study Investigators. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N. Engl. J. Med. 2019; 381(20): 1909–1917. doi: 10.1056/NEJMoa1901183.

51. Guo Y., Wang H., Zhang H., Liu T., Liang Z., Xia Y., Yan L., Xing Y., Shi H., Li S., Liu Y., Liu F., Feng M., Chen Y., Lip G.Y.H.; MAFA II Investigators.Mobile Photoplethysmographic Technology to Detect Atrial Fibrillation. J. Am. Coll. Cardiol. 2019; 74(19): 2365–2375. doi: 10.1016/j.jacc.2019.08.019.

52. Ramesh J., Solatidehkordi Z., Aburukba R., Sagahyroon A. Atrial Fibrillation Classification with Smart Wearables Using Short-Term Heart Rate Variability and Deep Convolutional Neural Networks. Sensors. (Basel). 2021; 21(21): 7233. doi: 10.3390/s21217233.

53. Sager S., Bernhardt F., Kehrle F., Merkert M., Potschka A., Meder B., Katus H., Scholz E. Expert-enhanced machine learning for cardiac arrhythmia classification. PLoS. One. 2021; 16(12): e0261571. doi: 10.1371/journal.pone.0261571.

54. Yao X., Rushlow D.R., Inselman J.W., McCoy R.G., Thacher T.D., Behnken E.M., Bernard M.E., Rosas S.L., Akfaly A., Misra A., Molling P.E., Krien J.S., Foss R.M., Barry B.A., Siontis K.C., Kapa S., Pellikka P.A., Lopez-Jimenez F., Attia Z.I., Shah N.D., Friedman P.A., Noseworthy P.A.

55. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat. Med. 2021; 27(5): 815–819. doi: 10.1038/s41591–021–01335–4.

56. Potter E.L., Rodrigues C.H.M., Ascher D.B., Abhayaratna W.P., Sengupta P.P., Marwick T.H. Machine Learning of ECG Waveforms to Improve Selection for Testing for Asymptomatic Left Ventricular Dysfunction. JACC. Cardiovasc. Imaging. 2021; 14(10): 1904–1915. doi: 10.1016/j.jcmg.2021.04.020.

57. Bos J.M., Attia Z.I., Albert D.E., Noseworthy P.A., Friedman P.A., Ackerman M.J. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA. Cardiol. 2021; 6(5): 532–538. doi: 10.1001/jamacardio.2020.7422.

58. Nakamura T., Nagata Y., Nitta G., Okata S., Nagase M., Mitsui K., Watanabe K., Miyazaki R., Kaneko M., Nagamine S., Hara N., Lee T., Nozato T., Ashikaga T., Goya M., Sasano T. Prediction of premature ventricular complex origins using artificial intelligence-enabled algorithms. Cardiovasc. Digit. Health. J. 2021; 2(1): 76–83. doi: 10.1016/j.cvdhj.2020.11.006.

59. Ko W.Y., Siontis K.C., Attia Z.I., Carter R.E., Kapa S., Ommen S.R., Demuth S.J., Ackerman M.J., Gersh B.J., Arruda-Olson A.M., Geske J.B., Asirvatham S.J., Lopez-Jimenez F., Nishimura R.A., Friedman P.A., Noseworthy P.A. Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. J. Am. Coll. Cardiol. 2020; 75(7): 722–733. doi: 10.1016/j.jacc.2019.12.030.

60. Attia Z.I., DeSimone C.V., Dillon J.J., Sapir Y., Somers V.K., Dugan J.L., Bruce C.J., Ackerman M.J., Asirvatham S.J., Striemer B.L., Bukartyk J., Scott C.G., Bennet K.E., Ladewig D.J., Gilles E.J., Sadot D., Geva A.B., Friedman P.A. Novel Bloodless Potassium Determination Using a Signal-Processed Single-Lead ECG. J. Am. Heart. Assoc. 2016; 5(1): e002746. doi: 10.1161/JAHA.115.002746.

61. Attia Z.I., Friedman P.A., Noseworthy P.A., Lopez-Jimenez F., Ladewig D.J., Satam G., Pellikka P.A., Munger T.M., Asirvatham S.J., Scott C.G., Carter R.E., Kapa S. Age and Sex Estimation Using Artificial Intelligence From Standard 12-Lead ECGs. Circ. Arrhythm. Electrophysiol. 2019; 12(9): e007284. doi: 10.1161/CIRCEP.119.007284.

62. Baek Y.S., Lee D.H., Jo Y., Lee S.C., Choi W., Kim D.H. Artificial intelligence-estimated biological heart age using a 12-lead electrocardiogram predicts mortality and cardiovascular outcomes. Front. Cardiovasc. Med. 2023; 10: 1137892. doi: 10.3389/fcvm.2023.1137892.

63. Рапаков Г.Г., Банщиков Г.Т., Горбунов В.А., Ударатин А.В. Использование методов машинного обучения при коррекции поведенческих факторов риска в профилактике сердечно-сосудистых заболеваний. Вестник череповецкого государственного университета. 2020; 4 (97): 54–68. doi: 10.23859/1994–0637–2020–4–97–5.

64. Weber I., Achananuparp P. Insights from machine-learned diet success prediction. Pac. Symp. Biocomput. 2016; 21: 540–51.

65. Лекторский В.А., Васильев С.Н., Макаров В.Л., Хабриева Т.Я., Кокошин А.А., Ушаков Д.В., Валуева Е.А., Дубровский Д.И., Черниговская Т.В., Семёнов А.Л., Зискин К.Е., Любимов А.П., Целищев В.В., Алексеев А.Ю.Человек и системы искусственного интеллекта / Под ред. акад. РАН В.А. Лекторского. СПб.: Издательство «Юридический центр»; 2022. 328 с. ISBN: 978-5-94201-835-1.