Сайт издательства «Медиа Сфера»
содержит материалы, предназначенные исключительно для работников здравоохранения. Закрывая это сообщение, Вы подтверждаете, что являетесь дипломированным медицинским работником или студентом медицинского образовательного учреждения.

Вход
RU
+7 (495) 482-4118
+7 (495) 482-0604
+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

  • © 1998-2025
+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: 146 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

ЭндоКард
 
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:
Фак­то­ры рос­та PDGF-AA, PDGF-BB и BDNF как по­тен­ци­аль­ные диф­фе­рен­ци­ру­ющие би­омар­ке­ры мо­но­по­ляр­ной и би­по­ляр­ной деп­рес­сии. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2024;(9):104-108
Ис­поль­зо­ва­ние ис­кусствен­но­го ин­тел­лек­та в сов­ре­мен­ной сто­ма­то­ло­гии в Рос­сий­ской Фе­де­ра­ции. Сто­ма­то­ло­гия. 2024;(5):42-45
При­ме­не­ние ме­то­дов ис­кусствен­но­го ин­тел­лек­та в ди­аг­нос­ти­ке и ле­че­нии за­бо­ле­ва­ния пер­вич­но­го зак­ры­тия уг­ла. Вес­тник оф­таль­мо­ло­гии. 2024;(5):130-136
Роль ис­кусствен­но­го ин­тел­лек­та в ультраз­ву­ко­вой ди­аг­нос­ти­ке уз­ло­вых об­ра­зо­ва­ний щи­то­вид­ной же­ле­зы. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2024;(12-2):109-116
Срав­не­ние мо­де­лей прог­но­зи­ро­ва­ния спон­тан­ных преж­дев­ре­мен­ных ро­дов. Ме­ди­цин­ские тех­но­ло­гии. Оцен­ка и вы­бор. 2024;(4):10-19
Ну­жен ли ис­кусствен­ный ин­тел­лект сис­те­ме здра­во­ох­ра­не­ния?. Ме­ди­цин­ские тех­но­ло­гии. Оцен­ка и вы­бор. 2024;(4):40-48
Воз­мож­нос­ти, проб­ле­мы и под­хо­ды к со­вер­шенство­ва­нию циф­ро­вых тех­но­ло­гий в здра­во­ох­ра­не­нии. Про­фи­лак­ти­чес­кая ме­ди­ци­на. 2024;(12):31-36
Об­зор сов­ре­мен­ных циф­ро­вых ме­то­дов иден­ти­фи­ка­ции лич­нос­ти с при­ме­не­ни­ем тех­но­ло­гии ис­кусствен­но­го ин­тел­лек­та в су­деб­ной сто­ма­то­ло­гии. Сто­ма­то­ло­гия. 2024;(6):79-82
Ана­лиз сос­та­ва вы­ды­ха­емо­го воз­ду­ха с ис­поль­зо­ва­ни­ем пор­та­тив­но­го «элек­трон­но­го но­са» как пер­спек­тив­ный ме­тод не­ин­ва­зив­ной экспресс-ди­аг­нос­ти­ки ту­бер­ку­ле­за лег­ких. Ла­бо­ра­тор­ная служ­ба. 2024;(4):12-20
Пер­со­на­ли­зи­ро­ван­ный под­ход к вы­бо­ру те­ра­пии че­рез циф­ро­вой пор­трет кар­ди­оло­ги­чес­ко­го боль­но­го. Воз­мож­нос­ти сер­ви­са под­дер­жки при­ня­тия вра­чеб­ных ре­ше­ний. Кар­ди­оло­ги­чес­кий вес­тник. 2024;(4-2):105-112
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.