Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло
Журнал: Кардиология и сердечно-сосудистая хирургия. 2025;18(5):560-565.
DOI: 10.17116/kardio202518051560
Прочитано: 1062 раза
Резюме
ЦЕЛЬ
Разработать модель машинного обучения (МО), рекомендующую хирургическую тактику при тетраде Фалло (ТФ).
МАТЕРИАЛ И МЕТОДЫ
Проведено одноцентовое когортное исследование, и сформирован датасет, включивший ретроспективный пул медицинских данных 300 больных с ТФ, прооперированных в 2019—2022 гг. Целевым признаком были 4 типа операции, которые применяли у детей с ТФ. Критерии включения: первично прооперированные дети. Пациенты были разделены на 4 группы (целевые переменные) в зависимости от типа операции: 1-ю — радикальная коррекция ТФ, 2-ю — реконструкция путей оттока из правого желудочка, 3-ю — наложение системно-легочного анастомоза, 4-ю — стентирование/баллонирование выводного отдела правого желудочка.
РЕЗУЛЬТАТЫ
Наилучшими метриками качества обладала модель LGBMClassifier (Light Gradient Boosted Machine). С помощью LogiscticRegression (Logistic Regression in Machine Learning), RandomForestClassifier, XGBClassifier (eXtreme gradient boosting), CatBoostClassifier также были получены удовлетворительные результаты.
ВЫВОД
Интеграция алгоритмов ИИ в лечение пациентов с ТФ открывает значительные перспективы для улучшения ухода за пациентами.
Ключевые слова
- врожденный порок сердца
- тетрада Фалло
- искусственный интеллект
- машинное обучение
- рекомендательная система
Дата поступления: 02.06.2024
Дата принятия в печать: 14.07.2024
Дата публикации: 20.10.2025
- Villafañe J, et al. Hot topics in tetralogy of Fallot. Journal of the American College of Cardiology 2013;62(23):2155-2166. https://doi.org/10.1016/j.jacc.2013.07.100
- Singh R, et al. Artificial Intelligence in image reconstruction: The change is here. Physica Medica 2020;79:113-125. https://doi.org/10.1016/j.ejmp.2020.11.012
- Wang C, et al. Artificial Intelligence in radiotherapy treatment planning: Present and future. Technology in Cancer Research & Treatment. 2019;18:15330338198739. https://doi.org/10.1177/1533033819873922
- Holman JG, Cookson MJ. Expert systems for medical applications. Journal of Medical Engineering & Technology. 1987;11(4):151-159. https://doi.org/10.3109/03091908709008986
- Buchanan BG. Can machine learning offer anything to expert systems? Machine Learning 1989;4(3-4):251-254. https://doi.org/10.1007/bf00130712
- Manlhiot C, et al. A primer on the present state and future prospects for machine learning and artificial intelligence applications in Cardiology. Canadian Journal of Cardiology. 2022;38(2):169-184. https://doi.org/10.1016/j.cjca.2021.11.009
- Van den Eynde J, et al. Artificial Intelligence in Pediatric Cardiology: Taking baby steps in the Big World of Data. Current Opinion in Cardiology. 2021;37(1):130-136. https://doi.org/10.1097/hco.0000000000000927
- Nurmaini S, et al. Deep learning for improving the effectiveness of routine prenatal screening for major congenital heart diseases. Journal of Clinical Medicine. 2022;11(21):6454. https://doi.org/10.3390/jcm11216454
- Liu J, et al. Deep learning-based computer-aided heart sound analysis in children with left-to-right shunt congenital heart disease’. International Journal of Cardiology. 2022;348:58-64. https://doi.org/10.1016/j.ijcard.2021.12.012
- Thompson WR, et al. Artificial Intelligence-assisted auscultation of Heart murmurs: Validation by virtual clinical trial. Pediatric Cardiology. 2018;40(3):623-629. https://doi.org/10.1007/s00246-018-2036-z
- Faerber JA, et al. Identifying risk factors for complicated post-operative course in tetralogy of Fallot using a machine learning approach. Frontiers in Cardiovascular Medicine. 2021;8. https://doi.org/10.3389/fcvm.2021.685855
- Xi L, et al. Adverse events after repair of tetralogy of fallot: Prediction models by machine learning of a retrospective cohort study in Western China. Translational Pediatrics. 2023;12(2):125-136. https://doi.org/10.21037/tp-22-246
Рекомендуем статьи по данной теме:
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26
Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173
Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114
Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.Профилактическая медицина. 2025;28(12):21-30
Интервенционная кардиология в эпоху искусственного интеллекта: технологии, инновации и сложности.Медицинские технологии. Оценка и выбор. 2025;47(4):20-27
Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта.Российская ринология. 2025;33(4):38-43
Использование модели помощи принятия врачебных решений «PathVision.ai» в морфологической диагностике рака предстательной железы в биопсийном материале.Архив патологии. 2025;87(6):34-41
Проблемы и решения в применении алгоритмов машинного обучения для анализа данных в кардиологии.Профилактическая медицина. 2025;28(10):16-22
Искусственный интеллект в репродуктивной медицине и хирургии.Проблемы репродукции. 2025;31(4):10-25