Вход
RU
+7 (495) 482-4118
+7 (495) 482-4329
+8 800 250-18-12
  • (бесплатный номер по вопросам подписки)
    пн-пт с 10 до 18
  • Издательство «Медиа Сфера»
    а/я 54, Москва, Россия, 127238
  • info@mediasphera.ru

  • © 1998-2026
+7 (495) 482-43-29
RU
Все журналы
Журнал
Год
Год
Результаты поиска: 0

Тимофеева О.Ю.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Акатов Д.С.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Глазунов А.Ю.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Ким А.И.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло

Авторы:

Тимофеева О.Ю., Акатов Д.С., Глазунов А.Ю., Ким А.И.

Подробнее об авторах

Журнал: Кардиология и сердечно-сосудистая хирургия. 2025;18(5): 560‑565

DOI: 10.17116/kardio202518051560

Прочитано: 496 раз

Купить за 300₽
Связаться с автором
Оглавление

ARTIFICIAL INTELLIGENCE CAPABILITIES IN CHOOSING SURGICAL TREATMENT FOR TETRALOGY OF FALLOT
ARTIFICIAL INTELLIGENCE CAPABILITIES IN CHOOSING SURGICAL TREATMENT FOR TETRALOGY OF FALLOT

Как цитировать:

Тимофеева О.Ю., Акатов Д.С., Глазунов А.Ю., Ким А.И. Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло. Кардиология и сердечно-сосудистая хирургия. 2025;18(5):560‑565.
Timofeeva OYu, Akatov DS, Glazunov AYu, Kim AI. Artificial intelligence capabilities in choosing surgical treatment for tetralogy of Fallot. Russian Journal of Cardiology and Cardiovascular Surgery. 2025;18(5):560‑565. (In Russ.)
https://doi.org/10.17116/kardio202518051560

Подписка 2026 Кардиология и сердечно-сосудистая хирургия (Russian Journal of Cardiology and Cardiovascular Surgery)
МСФ на ЯМ
Использование инфографики авторами научных работ
Рекомендуем статьи по данной теме:
На пу­ти к пер­со­на­ли­зи­ро­ван­ной кар­ди­оло­гии: пер­спек­ти­вы пре­ци­зи­он­ной оцен­ки сер­деч­но-со­су­дис­тых рис­ков и пре­дик­тив­но-прог­нос­ти­чес­кой ди­аг­нос­ти­ки. Кар­ди­оло­гия и сер­деч­но-со­су­дис­тая хи­рур­гия. 2025;(2):206-215
Ис­кусствен­ный ин­тел­лект в сто­ма­то­ло­гии как ве­ле­ние вре­ме­ни. Сто­ма­то­ло­гия. 2025;(1):87-92
Раз­ра­бот­ка прог­рам­мно­го обес­пе­че­ния на ос­но­ве ис­кусствен­но­го ин­тел­лек­та для циф­ро­вой оцен­ки ре­па­ра­тив­ной ре­ге­не­ра­ции кос­тной тка­ни. Вос­ста­но­ви­тель­ные би­отех­но­ло­гии, про­фи­лак­ти­чес­кая, циф­ро­вая и пре­дик­тив­ная ме­ди­ци­на. 2025;(1):19-24
Ис­поль­зо­ва­ние ис­кусствен­но­го ин­тел­лек­та для оцен­ки омо­ла­жи­ва­юще­го эф­фек­та эн­дос­ко­пи­чес­ких опе­ра­ций в пе­ри­ор­би­таль­ной об­лас­ти. Плас­ти­чес­кая хи­рур­гия и эс­те­ти­чес­кая ме­ди­ци­на. 2025;(2):42-51
По­доз­ре­ние на пер­вич­ное зак­ры­тие уг­ла пе­ред­ней ка­ме­ры: при­ме­не­ние ме­то­да ма­шин­но­го обу­че­ния в обос­но­ва­нии це­ле­со­об­раз­нос­ти прис­таль­но­го мо­ни­то­рин­га. Вес­тник оф­таль­мо­ло­гии. 2025;(2):67-74
Ис­кусствен­ный ин­тел­лект в оп­ре­де­ле­нии ин­ди­ви­ду­аль­ных рис­ков прог­рес­си­ро­ва­ния воз­рас­тной ма­ку­ляр­ной де­ге­не­ра­ции. Вес­тник оф­таль­мо­ло­гии. 2025;(2):123-128
Прог­нос­ти­чес­кая мо­дель и каль­ку­ля­тор оцен­ки рис­ка за­тяж­но­го плев­раль­но­го вы­по­та пос­ле ло­бэк­то­мии. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2025;(6):26-34
Воз­мож­нос­ти ис­кусствен­но­го ин­тел­лек­та при рас­се­ян­ном скле­ро­зе. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2025;(5):14-21
Вы­со­ко­точ­ная де­тек­ция эози­но­фи­лов на гис­то­ло­ги­чес­ких изоб­ра­же­ни­ях при эози­но­филь­ном эзо­фа­ги­те с ис­поль­зо­ва­ни­ем мо­де­ли ма­шин­но­го обу­че­ния YOLO11. До­ка­за­тель­ная гас­тро­эн­те­ро­ло­гия. 2025;(2):19-29
Ис­кусствен­ный ин­тел­лект в хи­рур­гии. Сни­же­ние рис­ков, свя­зан­ных с по­ли­фар­ма­ко­те­ра­пи­ей, в пе­ри­опе­ра­ци­он­ном пе­ри­оде. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2025;(7):59-66
Резюме / Abstract:

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 / Keywords:

врожденный порок сердца
тетрада Фалло
искусственный интеллект
машинное обучение
рекомендательная система

Авторы / Authors:

Тимофеева О.Ю.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Акатов Д.С.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Глазунов А.Ю.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Ким А.И.

ФГБУ «Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева»

Дата поступления:

02.06.2024

Дата принятия в печать:

14.07.2024

Закрыть метаданные

Литература / References:

  1. 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
  2. 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
  3. 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
  4. 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
  5. Buchanan BG. Can machine learning offer anything to expert systems? Machine Learning 1989;4(3-4):251-254.  https://doi.org/10.1007/bf00130712
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
Связаться с автором
Email
Сообщение
Издательство "Медиа Сфера" не оказывает услуги по лечению, не дает рекомендации по обращению в медицинские учреждения и к конкретным специалистам, по назначению лекарственных средств и БАДов.

Подтверждение e-mail

На test@yandex.ru отправлено письмо со ссылкой для подтверждения e-mail. Перейдите по ссылке из письма, чтобы завершить регистрацию на сайте.

Подтверждение e-mail

Обратная связь
Если у вас возникли вопросы, жалобы или предложения, — воспользуйтесь формой обратной связи.
Email
Сообщение
Издательство "Медиа Сфера" не оказывает услуги по лечению, не дает рекомендации по обращению в медицинские учреждения и к конкретным специалистам, по назначению лекарственных средств и БАДов.
Подать заявку

Вы можете стать автором одного из наших журналов, отправьте заявку и мы рассмотрим ее в течении дня.

Имя
Телефон
E-mail
Сообщение
Вход
Регистрация
E-mail
Пароль
Забыли пароль?

Войдите на сайт, используя вашу учетную запись в одном из сервисов

Восстановление пароля
E-mail
Войти
Зарегистрироваться

Мы используем файлы cооkies для улучшения работы сайта. Оставаясь на нашем сайте, вы соглашаетесь с условиями использования файлов cооkies. Чтобы ознакомиться с нашими Положениями о конфиденциальности и об использовании файлов cookie, нажмите здесь.