Интервенционная кардиология в эпоху искусственного интеллекта: технологии, инновации и сложности
Журнал: Медицинские технологии. Оценка и выбор. 2025;47(4):20-27.
DOI: 10.17116/medtech20254704120
Прочитано: 1165 раз
Резюме
Представлен научный обзор, в котором обобщена и критически интерпретирована ранее опубликованная информация, размещенная в базах данных Scopus, Web of Science, PubMed, eLibrary.ru, CyberLeninka, о применении технологий искусственного интеллекта (ИИ) в процессе диагностики, лечения, прогнозирования сердечно-сосудистых заболеваний и оптимизации интервенционных процедур. Период поиска 8 лет. Рассмотрено реальное применение ИИ в клинической практике. Показано, что использование ИИ на основе алгоритмов машинного обучения и глубокого обучения открывает уникальные возможности для анализа больших объемов медицинских данных, интерпретации результатов инструментальных методов исследования (эхокардиографии, электрокардиографии, компьютерной томографической ангиографии, компьютерной томографии сердца, магнитно-резонансной томографии) и оценки риска развития неблагоприятных сердечно-сосудистых событий. Методы машинного обучения могут дополнять и расширять традиционные статистические методы алгоритмов ИИ. Глубокое обучение является подобластью машинного обучения и характеризуется алгоритмами, которые основаны на принципе работы человеческого мозга, включая класс алгоритмов, называемых нейронными сетями. В интервенционной кардиологии нашли применение искусственные, рекуррентные и сверточные нейронные сети. Искусственные нейронные сети могут использоваться в роботизированных системах и нейроинтерфейсах, обеспечивая энергоэффективную обработку сигналов в реальном времени. Сверточные сети применяются для обработки медицинских изображений, помогая в сегментации органов, детекции патологии и навигации во время операций, а рекуррентные сети — для анализа динамических показателей данных и прогнозирования осложнений. Вместе эти технологии повышают точность диагностики, снижают риск и оптимизируют ход интервенционных вмешательств. Таким образом, внедрение ИИ в интервенционную кардиологию открывает новые горизонты для диагностики, лечения и прогнозирования сердечно-сосудистых заболеваний. Показана высокая эффективность современных алгоритмов машинного обучения в анализе результатов инструментальных методов исследования, обработке больших объемов данных и выявлении генетических маркеров сердечно-сосудистых заболеваний. Однако, несмотря на значительные успехи, внедрение ИИ в интервенционную кардиологию сталкивается с рядом проблем. В перспективе ожидается, что ИИ станет неотъемлемой частью интервенционной кардиологии, сделав лечение более точным, безопасным и доступным.
Ключевые слова
- интервенционная кардиология
- искусственный интеллект
- глубокое обучение
- машинное обучение
- искусственные нейронные сети
- рекуррентные нейронные сети
- сверточные нейронные сети
- инновации в медицине
- ангиопластика
- стентирование
- предикция риска
- сердечно-сосудистая диагностика
Дата поступления: 10.04.2025
Дата принятия в печать: 07.07.2025
Дата публикации: 29.12.2025
- Цвык В.А., Цвык И.В. Социальные проблемы развития и применения искусственного интеллекта. Вестник Российского университета дружбы народов. Серия: Социология. 2022;22(1):58-69. https://doi.org/10.22363/2313-2272-2022-22-1-58-69
- Соловьёв И.А., Курочкина О.Н. Приложения искусственного интеллекта в кардиологии: обзор. Российский кардиологический журнал. 2024;29(11S):5673. https://doi.org/10.15829/1560-4071-2024-5673
- Намиот Д.Е., Ильюшин Е.А. Об оценке доверия к системам Искусственного интеллекта. International Journal of Open Information Technologies. 2025;13(3):75-90.
- Чулков В.С., Гаврилова Е.С., Чулков В.С., Панкова Е.Д., Ленец Е.А., Ткаченко П.Е. Первичная профилактика сердечно-сосудистых заболеваний: акцент на коррекцию поведенческих факторов риска. Российский кардиологический журнал. 2021;26(3S):4278. https://doi.org/10.15829/1560-4071-2021-4278
- Всемирная организация здравоохранения. Сердечно-сосудистые заболевания. Ссылка активна на 08.04.25. https://www.who.int/ru/health-topics/cardiovascular-diseases#tab=tab_1
- Романова Е.Ю., Мунина Е.А., Байрамукова А.М., Нагоева Б.К., Красникова А.С. Последние достижения интервенционной кардиологии: обзор литературы. Кардиология в Беларуси. 2024;16(5):535-551. https://doi.org/10.34883/PI.2024.16.5.010
- Драпкина О.М., Иванова А.А. Возможности персонализированной медицины в борьбе с хроническими неинфекционными заболеваниями: достижения и перспективы. Кардиология. 2021;61(11):98-103. https://doi.org/10.18087/cardio.2021.11.n1233
- Janiesch C, Zschech P, Heinrich K. Machine learning and deep learning. Electronic Markets. 2021;(31):685-695. https://doi.org/10.1007/s12525-021-00475-2
- Sardar P, Abbott D, Kundu A, Aronow H, Granada J, Giri J. Impact of Artificial Intelligence on Interventional Cardiology: From Decision-Making Aid to Advanced Interventional Procedure Assistance. JACC: Cardiovascular Interventions. 2019;12(14):1293-1303. https://doi.org/10.1016/j.jcin.2019.04.048
- Li B, Eisenberg N, Beaton D, Lee D, Al-Omran L, Wijeysundera N, et al. Using Machine Learning to Predict Outcomes Following Transfemoral Carotid Artery Stenting. Journal of the American Heart Association. 2024;13(17):e035425. https://doi.org/10.1161/JAHA.124.035425
- Li B, Eisenberg N, Beaton D, Lee D, Aljabri B, Al-Omran L, et al. Using Machine Learning to Predict Outcomes Following Thoracic and Complex Endovascular Aortic Aneurysm Repair. Journal of the American Heart Association. 2025;14(5):e039221. https://doi.org/10.1161/JAHA.124.039221
- Li B, Warren B, Eisenberg N, Beaton D, Lee D, Aljabri B, et al. Machine Learning to Predict Outcomes of Endovascular Intervention for Patients With PAD. JAMA Network Open. 2024;7(3):e242350. https://doi.org/10.1001/jamanetworkopen.2024.2350
- Rasheed A. Improving prediction efficiency by revolutionary machine learning models. Materials Today: Proceedings. 2023;81(2):577-583. https://doi.org/10.1016/j.matpr.2021.04.014
- Rudnicka Z, Pręgowska A, Glądys K, Perkins M, Proniewska K. Advancements in artificial intelligence-driven techniques for interventional cardiology. Cardiology Journal. 2024;31(2):321-341. https://doi.org/10.5603/cj.98650
- Yoneyama H, Nakajima K, Taki J, Wakabayashi H, Matsuo S, Konishi T, et al. Ability of artificial intelligence to diagnose coronary artery stenosis using hybrid images of coronary computed tomography angiography and myocardial perfusion SPECT. European Journal of Hybrid Imaging. 2019;3(1):4. https://doi.org/10.1186/s41824-019-0052-8
- Al Hinai G, Jammoul S, Vajihi Z, Afilalo J. Deep learning analysis of resting electrocardiograms for the detection of myocardial dysfunction, hypertrophy, and ischaemia: a systematic review. European Heart Journal. Digital Health. 2021;2(3):416-423. https://doi.org/10.1093/ehjdh/ztab048
- Klüner L, Chan K, Antoniades C. Using artificial intelligence to study atherosclerosis from computed tomography imaging: A state-of-the-art review of the current literature. Atherosclerosis. 2024;398:117580. https://doi.org/10.1016/j.atherosclerosis.2024.117580
- Wang X, Lin X, Dang X. Supervised learning in spiking neural networks: A review of algorithms and evaluations. Neural Networks. 2023;125:258-280. https://doi.org/10.1016/j.neunet.2020.02.011
- Chu H, Yan Y, Gan L, Jia H, Qian L, Huan Y, et al. A Neuromorphic Processing System with Spike-Driven SNN Processor for Wearable ECG Classification. IEEE Transactions on Biomedical Circuits and Systems. 2022;16(4):511-523. https://doi.org/10.1109/TBCAS.2022.3189364
- Kovács P, Kaveh S. Arrhythmia Detection Using Spiking Variable Projection Neural Networks. Computing in Cardiology. 2022;49: S31. https://doi.org/10.22489/CinC.2022.049
- Mao R, Li S, Zhang Z, Xia Z, Xiao J, Zhu Z, et al. An Ultra-Energy-Efficient and High Accuracy ECG Classification Processor with SNN Inference Assisted by On-Chip ANN Learning. IEEE Transactions on Biomedical Circuits and Systems. 2022;16(5):832-841. https://doi.org/10.1109/TBCAS.2022.3185720
- Nakamura T, Sasano T. Artificial intelligence and cardiology: Current status and perspective. Journal of Cardiology. 2022;79(3):326-333. https://doi.org/10.1016/j.jjcc.2021.11.017
- Warrick P, Lostanlen V, Eickenberg M, Nabhan Homsi M, Campoy Rodríguez A, Andén J. Arrhythmia classification of 12-lead and reduced-lead electrocardiograms via recurrent networks, scattering, and phase harmonic correlation. Physiological Measurement. 2022;43(9):10.1088/1361-6579/ac77d1. https://doi.org/10.1088/1361-6579/ac77d1
- Balakrishnan C, Ambeth Kumar V. IoT-Enabled Classification of Echocardiogram Images for Cardiovascular Disease Risk Prediction with Pre-Trained Recurrent Convolutional Neural Networks. Diagnostics (Basel). 2023;13(4):775. https://doi.org/10.3390/diagnostics13040775
- Malayeri A, Khodabakhshi M. Concatenated convolutional neural network model for cuffless blood pressure estimation using fuzzy recurrence properties of photoplethysmogram signals. Scientific Reports. 2022;12(1):6633. https://doi.org/10.1038/s41598-022-10244-6
- Diller G, Kempny A, Babu-Narayan S, Henrichs M, Brida M, Uebing A, et al. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. European Heart Journal. 2019;40(13):1069-1077. https://doi.org/10.1093/eurheartj/ehy915
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digital Medicine. 2018;1:6. https://doi.org/10.1038/s41746-017-0013-1
- Langlais É, Thériault-Lauzier P, Marquis-Gravel G, Merve K., Derek Y, Jean-François T, et al. Novel Artificial Intelligence Applications in Cardiology: Current Landscape, Limitations, and the Road to Real-World Applications. Journal of Cardiovascular Translational Research. 2023;16:513-525. https://doi.org/10.1007/s12265-022-10260-x
- Playford D, Bordin E, Talbot L, Mohamad R, Anderson B, Strange G. Analysis of Aortic Stenosis Using Artificial Intelligence. Heart, Lung and Circulation. 2018;27(2):0389. https://doi.org/10.1016/j.hlc.2018.06.390
- Kwon J, Lee Y, Lee Y, Lee S, Park J. An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest. Journal of the American Heart Association. 2018;7(13):e008678. https://doi.org/10.1161/JAHA.118.008678
- Kozma R, Alippi C, Choe Y, Morabito FC. Artificial Intelligence in the Age of Neural Networks and Brain Computing. 2nd ed. Academic Press; 2024.
- Yang X, Zhang X, Yang M, Zhang L. 12-Lead ECG arrhythmia classification using cascaded convolutional neural network and expert feature. Journal of Electrocardiology. 2021;67:56-62. https://doi.org/10.1016/j.jelectrocard.2021.04.016
- Vaid A, Johnson K, Badgeley K, Somani S, Bicak M, Landi I, et al. Using Deep-Learning Algorithms to Simultaneously Identify Right and Left Ventricular Dysfunction from the Electrocardiogram. JACC: Cardiovascular Imaging. 2022;15(3):395-410. https://doi.org/10.1016/j.jcmg.2021.08.004
- Gavidia M, Zhu H, Montanari A, Fuentes J, Cheng C, Dubner S, et al. Early warning of atrial fibrillation using deep learning. Patterns (New York). 2024;5(6):100970. https://doi.org/10.1016/j.patter.2024.100970
- Raghu V, Moonsamy P, Sundt T, Ong C, Singh S, Cheng A, et al. Deep Learning to Predict Mortality After Cardiothoracic Surgery Using Preoperative Chest Radiographs. The Annals of Thoracic Surgery. 2023;115(1):257-264. https://doi.org/10.1016/j.athoracsur.2022.04.056
- Yu H, Yu W, Dong J, Lai Y, Wu Y, Zhao H, et al. Feasibility of the Anchor-Free Deep Learning Method in Coronary Stenosis Automatic Detection. Journal of Interventional Cardiology. 2024;606789. https://doi.org/10.1155/2024/2606789
- Абдуалимов Т.П., Обрезан А.Г. Выявление поражения коронарных артерий при помощи алгоритмов глубокого обучения. Кардиология: Новости. Мнения. Обучение. 2021;9(2):9-13. https://doi.org/10.33029/2309-1908-2021-9-2-9-13
- Ohta Y, Yunaga H, Kitao S, Fukuda T, Ogawa T. Detection and Classification of Myocardial Delayed Enhancement Patterns on MR Images with Deep Neural Networks: A Feasibility Study. Radiology. Artificial Intelligence. 2019;1(3):e180061. https://doi.org/10.1148/ryai.2019180061
- Itu L, Rapaka S, Passerini T, Georgescu B, Schwemmer C, Schoebinger M, et al. A machine-learning approach for computation of fractional flow reserve from coronary computed tomography. Journal of Applied Physiology. 2016;121(1):42-52. https://doi.org/10.1152/japplphysiol.00752.2015
- Oguz C, Sen S, Davis A, Fu Y, O’Donnell C, Gibbons G. Genotype-driven identification of a molecular network predictive of advanced coronary calcium in ClinSeq® and Framingham Heart Study cohorts. BMC Systems Biology. 2017;11(1):99. https://doi.org/10.1186/s12918-017-0474-5
- Burghardta T, Ajtaia K. Neural/Bayes network predictor for inheritable cardiac disease pathogenicity and phenotype. Journal of Molecular and Cellular Cardiology. 2018;119:19-27. https://doi.org/10.1016/j.yjmcc.2018.04.006
Рекомендуем статьи по данной теме:
Электронная аускультация легких в пульмонологии: от клинического навыка к цифровой диагностике.Респираторная медицина. 2026;2(2):47-55
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
Предиктивная эпилептология: формирование новой парадигмы управления эпилептическими приступами.Журнал неврологии и психиатрии им. С.С. Корсакова. 2026;126(5):14-20
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
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
Искусственный интеллект в стоматологии как веление времени.Стоматология. 2025;104(1):87-92