РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ, ЛЕЧЕНИИ И ПРОГНОЗИРОВАНИИ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ
Мария Алексеевна Соболева,
Олег Германович Каргаев,
Марта Аркадьевна Чекуришвили,
Милана Валентиновна Тедеева,
Игорь Викторович Гопанцов,
Норайр Гургенович Закарян,
Арсен Арменович Бабаян,
Дзерасса Артуровна Цогоева,
Алан Батразович Цагараев,
Виктория Эдуардовна Юзбашева,
Лана Анзоровна Валиева,
Камила Амировна Егамова,
София Андреевна Николаенко,
Анастасия Сергеевна Гришина Аннотация
Основные положения
- Искусственный интеллект трансформирует кардиологическую практику, обеспечивая более точную диагностику, персонализированное лечение и прогнозирование сердечно-сосудистых осложнений.
- Впервые систематизированы современные подходы к применению машинного обучения, нейросетевых моделей и аналитики больших данных в клинической кардиологии.
- Подчеркнуты ключевые направления интеграции ИИ в российское здравоохранение с учетом этических, правовых и организационных аспектов.
Резюме
Современная кардиология переживает этап стремительной цифровой трансформации, в центре которой находится искусственный интеллект (ИИ). Применение алгоритмов машинного и глубокого обучения обеспечивает новые возможности для диагностики, мониторинга и прогнозирования сердечно-сосудистых заболеваний. В обзоре систематизированы данные о внедрении ИИ в ключевые направления кардиологической практики – от сбора и анализа данных до персонализированного выбора терапии. Рассматриваются примеры успешного использования интеллектуальных алгоритмов для интерпретации ЭКГ, визуализации, оценки гемодинамических параметров и прогнозирования осложнений сердечной недостаточности. Отдельное внимание уделено этическим, правовым и организационным аспектам применения ИИ, включая вопросы прозрачности алгоритмов, защиты персональных данных и клинической ответственности. Подчеркивается значение международных и российских нормативных инициатив, направленных на обеспечение безопасного и справедливого использования ИИ в медицине. Особое внимание уделено ситуации в Российской Федерации, где цифровизация здравоохранения становится приоритетом государственной политики. В заключение обсуждаются перспективы развития – квантовые вычисления, эмоциональный ИИ и внедрение технологий в систему медицинского образования. Искусственный интеллект рассматривается как инструмент повышения точности диагностики, эффективности лечения и качества профилактики сердечно-сосудистых заболеваний, при этом ключевым условием его успеха остаются клиническая валидация и ответственный человеческий контроль.
Ключевые слова
Искусственный интеллект,
Кардиология,
Машинное обучение,
Глубокое обучение,
Сердечно-сосудистые заболевания,
Прогнозирование,
Персонализированная медицина,
Этические аспекты,
Цифровое здравоохранение
При поддержке: Авторы заявляют об отсутствии финансирования.
Об авторах
Мария Алексеевна Соболева
Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса института материнства и детства Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации, Москва, Российская Федерация
Олег Германович Каргаев
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса педиатрического факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Марта Аркадьевна Чекуришвили
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Милана Валентиновна Тедеева
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Игорь Викторович Гопанцов
Федеральное государственное бюджетное образовательное учреждение высшего образования «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» Министерства здравоохранения Российской Федерации, Красноярск, Российская Федерация
Норайр Гургенович Закарян
Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса института клинической медицины Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации, Москва, Российская Федерация
Арсен Арменович Бабаян
Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса института клинической медицины Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации, Москва, Российская Федерация
Дзерасса Артуровна Цогоева
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Алан Батразович Цагараев
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Виктория Эдуардовна Юзбашева
Федеральное государственное бюджетное образовательное учреждение высшего образования «Ставропольский государственный медицинский университет» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса педиатрического факультета федерального государственного бюджетного образовательного учреждения высшего образования «Ставропольский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Ставрополь, Российская Федерация
Лана Анзоровна Валиева
Федеральное государственное бюджетное образовательное учреждение высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса лечебного факультета федерального государственного бюджетного образовательного учреждения высшего образования «Северо-Осетинская государственная медицинская академия» Министерства здравоохранения Российской Федерации, Владикавказ, Российская Федерация
Камила Амировна Егамова
Федеральное государственное автономное образовательное учреждение высшего образования «Казанский (Приволжский) федеральный университет»
Россия
Россия
студент 6 курса лечебного факультета Федеральное государственное автономное образовательное учреждение высшего образования «Казанский (Приволжский) федеральный университет», Казань, Российская Федерация
София Андреевна Николаенко
Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации
Россия
Россия
студент 6 курса института клинической медицины Федеральное государственное автономное образовательное учреждение высшего образования «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации, Москва, Российская Федерация
Анастасия Сергеевна Гришина
Федеральное государственное бюджетное образовательное учреждение высшего образования «Тихоокеанский государственный медицинский университет» Министерства здравоохранения Российской Федерации
Россия
Россия
студент федерального государственного бюджетного образовательного учреждения высшего образования «Тихоокеанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Владивосток, Российская Федерация
Список литературы
1. Samorodskaya I.V., Starinskaya M.A., Boytsov S.A. Changes of regional mortality rates from cardiovascular diseases and cognitive disorders in Russia over 2019-2021. Russian Journal of Cardiology. 2023;28(4):5256. (In Russ.) doi:10.15829/1560-4071-2023-5256
2. Vaduganathan M, Mensah GA, Turco JV, et al. The Global Burden of Cardiovascular Diseases and Risk: A Compass for Future Health. J Am Coll Cardiol. 2022;80(25):2361-2371. doi: 10.1016/j.jacc.2022.11.005.
3. Koulaouzidis G, Jadczyk T, Iakovidis DK, et al. Artificial Intelligence in Cardiology-A Narrative Review of Current Status. J Clin Med. 2022;11(13):3910. doi: 10.3390/jcm11133910.
4. Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
5. Lehmann DH, Gomes B, Vetter N, et al. Prediction of diagnosis and diastolic filling pressure by AI-enhanced cardiac MRI: a modelling study of hospital data. Lancet Digit Health. 2024;6(6):e407-e417. doi: 10.1016/S2589-7500(24)00063-3.
6. Krittanawong C, Rogers AJ, Aydar M, et al. Integrating blockchain technology with artificial intelligence for cardiovascular medicine. Nat Rev Cardiol. 2020;17(1):1-3. doi: 10.1038/s41569-019-0294-y.
7. van de Leur RR, Bos MN, Taha K, et al. Improving explainability of deep neural network-based electrocardiogram interpretation using variational auto-encoders. Eur Heart J Digit Health. 2022;3(3):390-404. doi: 10.1093/ehjdh/ztac038
8. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. 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.
9. Ko WY, Siontis KC, Attia ZI, et al. 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.
10. Goto S, Mahara K, Beussink-Nelson L, et al. Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nat Commun. 2021;12(1):2726. doi: 10.1038/s41467-021-22877-8.
11. Galloway CD, Valys AV, Shreibati JB, et al. Development and Validation of a Deep-Learning Model to Screen for Hyperkalemia From the Electrocardiogram. JAMA Cardiol. 2019;4(5):428-436. doi: 10.1001/jamacardio.2019.0640.
12. Soloviev I.A. I.A., Kurochkina O.N. Artificial intelligence applications in cardiology: a review. Russian Journal of Cardiology. 2024;29(11S):5673. (In Russ.) https://doi.org/10.15829/1560-4071-2024-5673
13. Attia ZI, Kapa S, Lopez-Jimenez F, et al.. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25(1):70-74. doi: 10.1038/s41591-018-0240-2.
14. Hughes A, Shandhi MMH, Master H, et al. Wearable devices in cardiovascular medicine. Circ Res. 2023;132(5):652-670. doi:10.1161/CIRCRESAHA.122.322389.
15. Mannhart D, Lefebvre B, Gardella C, et al. Clinical validation of an artificial intelligence algorithm offering cross-platform detection of atrial fibrillation using smart device electrocardiograms. Arch Cardiovasc Dis. 2023;116(4):249-257. doi:10.1016/j.acvd.2023.04.003.
16. Maksakova A.Yu., Kim S.A., Ashurova M.A., et al. Identification of atrial fibrillation predictors on an electrocardiogram using a neural network. Russian Journal of Cardiology. 2024;29(11S):5907. (In Russ.) https://doi.org/10.15829/1560-4071-2024-5907
17. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-69. doi:10.1038/s41591-018-0268-3.
18. Levy J, Álvarez D, Del Campo F, et al. Deep learning for obstructive sleep apnea diagnosis based on single channel oximetry. Nat Commun. 2023;14:4881. doi:10.1038/s41467-023-40604-3.
19. Shahar E, Whitney CW, Redline S, et al. Sleep-disordered breathing and cardiovascular disease: cross-sectional results of the Sleep Heart Health Study. Am J Respir Crit Care Med. 2001;163(1):19-25. doi:10.1164/ajrccm.163.1.2001008.
20. Hatib F, Jian Z, Buddi S, et al. Machine-learning algorithm to predict hypotension based on high-fidelity arterial pressure waveform analysis. Anesthesiology. 2018;129(4):663-674. doi:10.1097/ALN.0000000000002300.
21. Isaeva AV, Demkina AE, Vladzymyrskyy AV, et al. Remote monitoring of patients with chronic heart failure: A prospective randomized study. Digital Diagnostics. 2024;5(2):203-218. (In Russ.). doi: 10.17816/DD568897
22. Garcia R, Gras D, Mansourati J, et al. Pre-emptive treatment of heart failure exacerbations in patients managed with the HeartLogic™ algorithm. ESC Heart Fail. 2024;11(4):1228-1235. doi:10.1002/ehf2.14624.
23. Brugts JJ, Radhoe SP, Clephas PRD, et al. Remote haemodynamic monitoring of pulmonary artery pressures in patients with chronic heart failure (MONITOR-HF): a randomised clinical trial. Lancet. 2023;401(10391):2113-2123. doi:10.1016/S0140-6736(23)00923-6.
24. Narang A, Bae R, Hong H, et al. Utility of a deep-learning algorithm to guide novices to acquire echocardiograms for limited diagnostic use. JAMA Cardiol. 2021;6(6):624-632. doi:10.1001/jamacardio.2021.0185.
25. Howard JP, Fisher L, Shun-Shin MJ, et al. Cardiac rhythm device identification using neural networks. JACC Clin Electrophysiol. 2019;5(5):576-586. doi:10.1016/j.jacep.2019.02.003.
26. Betancur J, Commandeur F, Motlagh M, et al. Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study. JACC Cardiovasc Imaging. 2018;11(11):1654-1663. doi:10.1016/j.jcmg.2018.01.020.
27. Juarez-Orozco LE, Martinez-Manzanera O, van der Zant FM, et al. Deep learning in quantitative PET myocardial perfusion imaging: a study on cardiovascular event prediction. JACC Cardiovasc Imaging. 2020;13(1 Pt 1):180-182. doi:10.1016/j.jcmg.2019.08.009.
28. Gherardini M, Mazomenos E, Menciassi A, et al. Catheter segmentation in X-ray fluoroscopy using synthetic data and transfer learning with light U-nets. Comput Methods Programs Biomed. 2020;192:105420. doi:10.1016/j.cmpb.2020.105420.
29. Seetharam K, Brito D, Farjo PD, et al. The role of artificial intelligence in cardiovascular imaging: state of the art review. Front Cardiovasc Med. 2020;7:618849. doi:10.3389/fcvm.2020.618849.
30. Nolan MT, Thavendiranathan P. Automated quantification in echocardiography. JACC Cardiovasc Imaging. 2019;12(6):1073-1092. doi:10.1016/j.jcmg.2018.11.038.
31. Zhang J, Gajjala S, Agrawal P, et al. Fully automated echocardiogram interpretation in clinical practice. Circulation. 2018;138(16):1623-1635. doi:10.1161/CIRCULATIONAHA.118.034338.
32. Weikert T, Francone M, Abbara S, et al. Machine learning in cardiovascular radiology: ESCR position statement on design requirements, quality assessment, current applications, opportunities, and challenges. Eur Radiol. 2021;31(6):3909-3922. doi:10.1007/s00330-020-07417-0.
33. Schneider M, Bartko P, Geller W, et al. A machine learning algorithm supports ultrasound-naïve novices in the acquisition of diagnostic echocardiography loops and provides accurate estimation of LVEF. Int J Cardiovasc Imaging. 2021;37(2):577-586. doi:10.1007/s10554-020-02046-6.
34. Brown K, Roshanitabrizi P, Rwebembera J, et al. Using artificial intelligence for rheumatic heart disease detection by echocardiography: focus on mitral regurgitation. J Am Heart Assoc. 2024;13(9):e031257. doi:10.1161/JAHA.123.031257.
35. Dey D, Slomka PJ, Leeson P, et al. Artificial intelligence in cardiovascular imaging: JACC state-of-the-art review. J Am Coll Cardiol. 2019;73(11):1317-1335. doi:10.1016/j.jacc.2018.12.054.
36. Prakosa A, Arevalo HJ, Deng D, et al. Personalized virtual-heart technology for guiding the ablation of infarct-related ventricular tachycardia. Nat Biomed Eng. 2018;2(10):732-740. doi:10.1038/s41551-018-0282-2.
37. Williams MC, Kwiecinski J, Doris M, et al. Low-attenuation noncalcified plaque on coronary computed tomography angiography predicts myocardial infarction: results from the Multicenter SCOT-HEART Trial. Circulation. 2020;141(18):1452-1462. doi:10.1161/CIRCULATIONAHA.119.044720.
38. Zhang L, Sun J, Jiang B, et al. Development of artificial intelligence in epicardial and pericoronary adipose tissue imaging: a systematic review. Eur J Hybrid Imaging. 2021;5:14. doi:10.1186/s41824-021-00107-0.
39. Tzolos E, Williams MC, McElhinney P, et al. Pericoronary adipose tissue attenuation, low-attenuation plaque burden, and 5-year risk of myocardial infarction. JACC Cardiovasc Imaging. 2022;15(6):1078-1088. doi:10.1016/j.jcmg.2022.02.004.
40. Chan K, Wahome E, Tsiachristas A, et al. Inflammatory risk and cardiovascular events in patients without obstructive coronary artery disease: the ORFAN multicentre, longitudinal cohort study. Lancet. 2024;403(10398):2606-2618. doi:10.1016/S0140-6736(24)00596-8.
41. Chen Q, Pan T, Wang YN, et al. A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events. Radiology. 2023;307(3):e221693. doi:10.1148/radiol.221693.
42. Xu P, Xue Y, Schoepf UJ, et al. Radiomics: the next frontier of cardiac computed tomography. Circ Cardiovasc Imaging. 2021;14(1):e011747. doi:10.1161/CIRCIMAGING.120.011747.
43. Lamotkin A.I., Korabelnikov D.I., Lamotkin I.A., et al. Artificial intelligence in healthcare and medicine: the history of key events, its significance for doctors, the level of development in different countries. FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology. 2024;17(2):243-250. (In Russ.) https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254
44. Khera AV, Chaffin M, Aragam KG, et al. Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations. Nat Genet. 2018;50(9):1219-1224. doi:10.1038/s41588-018-0183-z.
45. Singh M, Kumar A, Khanna NN, et al. Artificial intelligence for cardiovascular disease risk assessment in personalised framework: a scoping review. eClinicalMedicine. 2024;73:102660. doi:10.1016/j.eclinm.2024.102660.
46. Mustafa A, Wei C, Grovu R, et al. Using novel machine learning tools to predict optimal discharge following transcatheter aortic valve replacement. Arch Cardiovasc Dis. 2025;118(1):26-34. doi:10.1016/j.acvd.2024.08.008.
47. Friedrich S, Groß S, König IR, et al. Applications of artificial intelligence/machine learning approaches in cardiovascular medicine: a systematic review with recommendations. Eur Heart J Digit Health. 2021;2(4):424-436. doi:10.1093/ehjdh/ztab054.
48. Shangina AM, Benimetskaya KS, Efremova YuE, et al. Personalized approach to treatment choice using a digital profile of patient with cardiovascular diseases: the features of clinical decision-making support service. Russian Cardiology Bulletin. 2024;19(4 2):105 112. (In Russ.) https://doi.org/10.17116/Cardiobulletin202419042105
49. Jalepalli SK, Gupta P, Dekker ALAJ, et al. Development and validation of multicentre study on novel Artificial Intelligence-based Cardiovascular Risk Score (AICVD). Fam Med Community Health. 2024;12:e002340. doi:10.1136/fmch-2023-002340.
50. Mamedov M.N., Savchuk E.A., Karimov A.K. Artificial intelligence in cardiology. International Journal of Heart and Vascular Diseases. 2024. 12(43): 5-11. (In Russ.). Doi: 10.24412/2311-1623-2024-43-5-11
51. Olawade DB, Aderinto N, Olatunji G, et al. Advancements and applications of artificial intelligence in cardiology: current trends and future prospects. J Med Surg Public Health. 2024;3:100109. doi:10.1016/j.glmedi.2024.100109.
52. Ning Y, Teixayavong S, Shang Y, et al. Generative artificial intelligence and ethical considerations in health care: a scoping review and ethics checklist. Lancet Digit Health. 2024;6(8):e598-e611. doi:10.1016/S2589-7500(24)00143-2.
53. Bajwa J, Munir U, Nori A, et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(3):e188. doi:10.7861/fhj.2021-0095.
54. Khera R, Oikonomou EK, Nadkarni GN, et al. Transforming cardiovascular care with artificial intelligence: from discovery to practice. J Am Coll Cardiol. 2024;84(2):97-114. doi:10.1016/j.jacc.2024.05.003.
55. Armoundas AA, Narayan SM, Arnett DK, et al. Use of artificial intelligence in improving outcomes in heart disease: a scientific statement from the American Heart Association. Circulation. 2024;149(11):e1028-e1050. doi:10.1161/CIR.0000000000001201.
56. Glover B, Badawi A. Development of an AI co-pilot for decision support in oral anticoagulation management for atrial fibrillation using simulated patients. Heart. 2024;110(Suppl 1):A30. doi:10.1136/heartjnl-2024-ICS.31.
57. Thangaraj PM, Benson SH, Oikonomou EK, et al. Cardiovascular care with digital twin technology in the era of generative artificial intelligence. Eur Heart J. 2024;45(5):ehae619. doi:10.1093/eurheartj/ehae619.
58. Strange G, Stewart S, Watts A, et al. Enhanced detection of severe aortic stenosis via artificial intelligence: a clinical cohort study. Open Heart. 2023;10(1):e002265. doi:10.1136/openhrt-2023-002265.
59. Stamate E, Piraianu AI, Ciobotaru OR, et al. Revolutionizing cardiology through artificial intelligence–big data from proactive prevention to precise diagnostics and cutting-edge treatment: a comprehensive review of the past 5 years. Diagnostics (Basel). 2024;14(11):1103. doi:10.3390/diagnostics14111103.
60. Engelhardt S, Dar SUH, Sharan L, et al. Artificial intelligence in cardiovascular imaging and intervention. Herz. 2024;49(4):327-334. doi:10.1007/s00059-024-05264-z.
61. Jain SS, Elias P, Poterucha T, et al. Artificial intelligence in cardiovascular care–part 2: applications: JACC Review Topic of the Week. J Am Coll Cardiol. 2024;83(21):2487-2496. doi:10.1016/j.jacc.2024.03.401.
62. Angoulvant D, Granjeon-Noriot S, Amarenco P, et al. In-silico trial emulation to predict the cardiovascular protection of new lipid-lowering drugs: an illustration through the design of the SIRIUS programme. Eur J Prev Cardiol. 2024;31(15):1820-1830. doi:10.1093/eurjpc/zwae254.
63. Sardar P, Abbott JD, Kundu A, et al. Impact of artificial intelligence on interventional cardiology: from decision-making aid to advanced interventional procedure assistance. JACC Cardiovasc Interv. 2019;12(13):1293-1303. doi:10.1016/j.jcin.2019.04.048.
64. Danilov A, Aronow WS. Artificial intelligence in cardiology: applications and obstacles. Curr Probl Cardiol. 2023;48:101750. doi:10.1016/j.cpcardiol.2023.101750.
65. Nedadur R, Wang B, Tsang W. Artificial intelligence for the echocardiographic assessment of valvular heart disease. Heart. 2022;108(20):1592-1599. doi:10.1136/heartjnl-2021-319725.
66. Al’Aref SJ, Anchouche K, Singh G, et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging. Eur Heart J. 2019;40(24):1975-1986. doi:10.1093/eurheartj/ehy404.
67. Burnam M, Develle R, Polosajian L, et al. Safety and efficacy of adaptive atrial pacing regulated by blood pressure during low-level exercise: a proof-of-concept study. ESC Heart Fail. 2024;11(11):2460-2463. doi:10.1002/ehf2.14854.
68. Gala D, Makaryus AN. The utility of language models in cardiology: a narrative review of the benefits and concerns of ChatGPT-4. Int J Environ Res Public Health. 2023;20(15):6438. doi:10.3390/ijerph20156438.
69. Madaudo C, Parlati ALM, Di Lisi D, et al. Artificial intelligence in cardiology: a peek at the future and the role of ChatGPT in cardiology practice. J Cardiovasc Med (Hagerstown). 2024;25(10):766-771. doi:10.2459/JCM.0000000000001664.
70. Elias P, Jain SS, Poterucha T, et al. Artificial intelligence for cardiovascular care–part 1: advances: JACC Review Topic of the Week. J Am Coll Cardiol. 2024;83(21):2472-2486. doi:10.1016/j.jacc.2024.03.400.
71. Aliferis C, Simon G. Overfitting, underfitting and general model overconfidence and under-performance pitfalls and best practices in machine learning and AI. In: Simon GJ, Aliferis C, eds. Artificial Intelligence and Machine Learning in Health Care and Medical Sciences: Best Practices and Pitfalls. Springer; 2024.
72. Geneş M, Çelik M. Assessment of ChatGPT’s compliance with ESC acute coronary syndrome management guidelines at 30-day intervals. Life (Basel). 2024;14(10):1235. doi:10.3390/life14101235.
73. Hatem R, Simmons B, Thornton JE. A call to address AI “hallucinations” and how healthcare professionals can mitigate their risks. Cureus. 2023;15(8):e44720. doi:10.7759/cureus.44720.
74. Makimoto H, Kohro T. Adopting artificial intelligence in cardiovascular medicine: a scoping review. Hypertens Res. 2024;47(7):685-699. doi:10.1038/s41440-023-01469-7.
75. Scholte NTB, van der Boon RMA. Eco-conscious healthcare: merging clinical efficacy with sustainability. Eur Heart J Digit Health. 2025;6(3):313-314. doi:10.1093/ehjdh/ztaf017.
76. Babu SV, Ramya P, Gracewell J. Revolutionizing heart disease prediction with quantum-enhanced machine learning. Sci Rep. 2024;14:7453. doi:10.1038/s41598-024-55991-w.
77. Itchhaporia D. Artificial intelligence in cardiology. Trends Cardiovasc Med. 2022;32(1):34-41. doi:10.1016/j.tcm.2020.11.007.
78. Quer G, Arnaout R, Henne M, et al. Machine learning and the future of cardiovascular care: JACC state-of-the-art review. J Am Coll Cardiol. 2021;77(3):300-313. doi:10.1016/j.jacc.2020.11.030.
Рецензия
Для цитирования:
Соболева М.А., Каргаев О.Г., Чекуришвили М.А., Тедеева М.В., Гопанцов И.В., Закарян Н.Г., Бабаян А.А., Цогоева Д.А., Цагараев А.Б., Юзбашева В.Э., Валиева Л.А., Егамова К.А., Николаенко С.А., Гришина А.С. РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ, ЛЕЧЕНИИ И ПРОГНОЗИРОВАНИИ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ. Комплексные проблемы сердечно-сосудистых заболеваний.
For citation:
Soboleva M.A., Kargaev O.G., Chekurishvili M.A., Tedeeva M.V., Gopantsov I.V., Zakaryan N.G., Babayan A.A., Tsogoeva D.A., Tsagaraev A.B., Yuzbasheva V.E., Valieva L.A., Egamova K.A., Nikolaenko S.A., Grishina A.S. ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS, TREATMENT AND PROGNOSIS OF CARDIOVASCULAR DISEASES. Complex Issues of Cardiovascular Diseases. (In Russ.)
Просмотров:
453
JATS XML
