ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 482-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Искусственный интеллект как инфраструктурный компонент современной кардиологии: обзор перспективных решений и клинической эффективности

Искусственный интеллект как инфраструктурный компонент современной кардиологии: обзор перспективных решений и клинической эффективности

Авторы:
Игорь Юрьевич Гринштейн

Журнал: Профилактическая медицина. 2026;29(10):122-129.

DOI: 10.17116/profmed202629101122

Прочитано: 106 раз

Резюме

Технологии на базе искусственного интеллекта (ИИ) все чаще используются в кардиологической практике. Последовательное и безопасное внедрение ИИ в кардиологию связано с необходимостью непрерывной систематизации и анализа эффективности принимаемых решений для своевременной коррекции вероятных рисков.

ЦЕЛЬ ОБЗОРА

Определить ключевые направления применения ИИ в кардиологии и охарактеризовать наиболее перспективные российские и зарубежные решения в этой области.

МАТЕРИАЛЫ И МЕТОДЫ

Проведен анализ отечественной и зарубежной литературы за период с 2020 по 2026 г. в базах данных PubMed, Cochrane Library, eLibrary.ru.

РЕЗУЛЬТАТЫ

В настоящее время происходит повсеместное внедрение ИИ-инструментов в кардиологическую практику. В качестве ключевых направлений применения ИИ в кардиологии можно выделить: технологии на базе ИИ, повышающие точность методов диагностики, включая компьютерную и магнитно-резонансную томографию, эхокардиографию, электрокардиографию; системы поддержки принятия врачебных решений; ИИ-модели для прогнозирования неблагоприятных сердечно-сосудистых событий; системы телемониторинга с поддержкой ИИ. Однако значительная часть ИИ-инструментов на текущий момент имеет ряд существенных ограничений, поэтому необходимы дальнейшее изучение и строгий контроль при внедрении в клиническую практику.

ЗАКЛЮЧЕНИЕ

Искусственный интеллект обладает колоссальным потенциалом для трансформации медицинской помощи при сердечно-сосудистых заболеваниях. Однако на текущем этапе для безопасного и эффективного внедрения ИИ в кардиологию необходимы масштабные рандомизированные исследования, внешняя валидация моделей, разработка стандартов применения технологий ИИ и оценки их эффективности.

Ключевые слова

  • искусственный интеллект
  • системы поддержки принятия врачебных решений
  • сердечно-сосудистые заболевания
  • машинное обучение
  • глубокое обучение
  • сердечно-сосудистая визуализация
  • стратификация риска

Конфликт интересов

Автор заявляет об отсутствии конфликта интересов.

Дата поступления: 29.03.2026

Дата принятия в печать: 29.07.2026

Дата публикации: 09.11.2026

Литература / References
  1. 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
  2. Asselbergs FW, Lüscher TF. Trustworthy implementation of artificial intelligence in cardiology: a roadmap of the European Society of Cardiology. European Heart Journal. 2025;46:677-679. https://doi.org/10.1093/eurheartj/ehae748
  3. 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. https://doi.org/10.3390/diagnostics14111103
  4. Hussain A, Guni A, Gandhewar R, et al. Is the FDA regulation of cardiology AI devices supporting cardiovascular innovation: a scoping review. Heart. 2026;112(6):300-306. https://doi.org/10.1136/heartjnl-2025-326307
  5. Liao J, Huang L, Qu M, et al. Artificial Intelligence in Coronary CT Angiography: Current Status and Future Prospects. Frontiers in Cardiovascular Medicine. 2022;9:896366. https://doi.org/10.3389/fcvm.2022.896366
  6. Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison with Quantitative Coronary Angiography and Fractional Flow Reserve. JACC: Cardiovascular Imaging. 2023;16(2):193-205. https://doi.org/10.1016/j.jcmg.2021.10.020
  7. Faulder TI, Prematunga K, Moloi SB, et al. Agreement of Fractional Flow Reserve Estimated by Computed Tomography With Invasively Measured Fractional Flow Reserve: A Systematic Review and Meta-Analysis. Journal of the American Heart Association. 2024;13(10):e034552. https://doi.org/10.1161/JAHA.124.034552
  8. Yang J, Shan D, Wang X, et al. On-Site Computed Tomography–Derived Fractional Flow Reserve to Guide Management of Patients With Stable Coronary Artery Disease: The TARGET Randomized Trial. Circulation. 2023;147(18):1369-1381. https://doi.org/10.1161/CIRCULATIONAHA.123.063996
  9. Li Z, Xu T, Wang Z, et al. Prognostic Significance of Computed Tomography-Derived Fractional Flow Reserve for Long-Term Outcomes in Individuals With Coronary Artery Disease. Journal of the American Heart Association. 2025;14(2):e037988. https://doi.org/10.1161/JAHA.124.037988
  10. Wang YR, Yang K, Wen Y, et al. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging. Nature Medicine. 2024;30(5):1471-1480. https://doi.org/10.1038/s41591-024-02971-2
  11. Alabed S, Alandejani F, Dwivedi K, et al. Validation of Artificial Intelligence Cardiac MRI Measurements: Relationship to Heart Catheterization and Mortality Prediction. Radiology. 2022;305(1):68-79. https://doi.org/10.1148/radiol.212929
  12. Sahashi Y, Ieki H, Yuan V, et al. Artificial Intelligence Automation of Echocardiographic Measurements. JACC. 2025;86(13):964-978. https://doi.org/10.1016/j.jacc.2025.07.053
  13. Olaisen S, Smistad E, Espeland T, et al. Automatic measurements of left ventricular volumes and ejection fraction by artificial intelligence: clinical validation in real time and large databases. European Heart Journal: Cardiovascular Imaging. 2024;25(3):383-395. https://doi.org/10.1093/ehjci/jead280
  14. Hirata Y, Nomura Y, Saijo Y, et al. Reducing echocardiographic examination time through routine use of fully automated software: a comparative study of measurement and report creation time. Journal of Echocardiography. 2024;22(3):162-170. https://doi.org/10.1007/s12574-023-00636-6
  15. Mor-Avi V, Khandheria B, Klempfner R, et al. Real-Time Artificial Intelligence–Based Guidance of Echocardiographic Imaging by Novices: Image Quality and Suitability for Diagnostic Interpretation and Quantitative Analysis. Circulation: Cardiovascular Imaging. 2023;16(11):015569. https://doi.org/10.1161/CIRCIMAGING.123.015569
  16. Lin WY, Lin C, Liu WC, et al. Development of an Artificial Intelligence-Enabled Electrocardiography to Detect 23 Cardiac Arrhythmias and Predict Cardiovascular Outcomes. Journal of Medical Systems. 2025;49(1):51. https://doi.org/10.1007/s10916-025-02177-0
  17. Santala OE, Halonen J, Martikainen S, et al. Automatic Mobile Health Arrhythmia Monitoring for the Detection of Atrial Fibrillation: Prospective Feasibility, Accuracy, and User Experience Study. JMIR mHealth and uHealth. 2021;9(10):e29933. https://doi.org/10.2196/29933
  18. Lin CS, Liu WT, Tsai DJ, et al. AI-enabled electrocardiography alert intervention and all-cause mortality: a pragmatic randomized clinical trial. Nature Medicine. 2024;30(5):1461-1470. https://doi.org/10.1038/s41591-024-02961-4
  19. Bachtiger P, Petri CF, Scott FE, et al. Point-of-care screening for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled stethoscope examination in London, UK: a prospective, observational, multicentre study. Lancet Digital Health. 2022;4(2):e117-e125. https://doi.org/10.1016/S2589-7500(21)00256-9
  20. Crespin E, Rosier A, Ibnouhsein I, et al. Improved diagnostic performance of insertable cardiac monitors by an artificial intelligence-based algorithm. Europace. 2023;26(1):euad375. https://doi.org/10.1093/europace/euad375
  21. Takita H, Kabata D, Walston SL, et al. A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians. NPJ Digital Medicine. 2025;8(1):175. https://doi.org/10.1038/s41746-025-01543-z
  22. Alvarez-Estape M, Cano I, Pino R, et al. Evaluation of the Clinical Utility of DxGPT, a GPT-4 Based Large Language Model, through an Analysis of Diagnostic Accuracy and User Experience. Health Informatics. Preprint posted online July 26, 2024. https://doi.org/10.1101/2024.07.23.24310847
  23. Терещенко С.Н., Жиров И.В., Шангина А.М. и др. Влияние сервиса поддержки принятия врачебных решений на соблюдение клинических рекомендаций при ведении пациентов с хронической сердечной недостаточностью (исследование SPHERA-HF). Кардиоваскулярная терапия и профилактика. 2025;24(7):4462. https://doi.org/10.15829/1728-8800-2025-4462
  24. Дупляков Д.В., Шебонкина Д.А., Уранов А.Е. и др. Оптимизация соблюдения клинических рекомендаций с использованием сервиса поддержки принятия врачебных решений у пациентов с артериальной гипертензией и фибрилляцией предсердий в реальной клинической практике: кластерное многоцентровое рандомизированное сравнительное исследование ИНТЕЛЛЕКТ-2. Российский кардиологический журнал. 2025;30(12):6365. https://doi.org/10.15829/1560-4071-2025-6365
  25. Gold R, Larson AE, Sperl-Hillen JM, et al. Effect of Clinical Decision Support at Community Health Centers on the Risk of Cardiovascular Disease: A Cluster Randomized Clinical Trial. JAMA Network Open. 2022;5(2):e2146519. https://doi.org/10.1001/jamanetworkopen.2021.46519
  26. Coorey G, Figtree GA, Fletcher DF, et al. The health digital twin to tackle cardiovascular disease—a review of an emerging interdisciplinary field. NPJ Digital Medicine. 2022;5(1):126. https://doi.org/10.1038/s41746-022-00640-7
  27. Krittanawong C, Virk HUH, Bangalore S, et al. Machine learning prediction in cardiovascular diseases: a meta-analysis. Scientific Reports. 2020;10(1):16057. https://doi.org/10.1038/s41598-020-72685-1
  28. Гаврилов Д.В., Серова Л.М., Корсаков И.Н. и др. Предсказание сердечно-сосудистых событий с помощью комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020;31(5):41-46. https://doi.org/10.29296/25877305-2020-05-08
  29. Dhingra LS, Aminorroaya A, Sangha V, et al. Heart failure risk stratification using artificial intelligence applied to electrocardiogram images: a multinational study. European Heart Journal. 2025;46(11):1044-1053. https://doi.org/10.1093/eurheartj/ehae914
  30. Khurshid S, Friedman S, Reeder C, et al. ECG-Based Deep Learning and Clinical Risk Factors to Predict Atrial Fibrillation. Circulation. 2022;145(2):122-133. https://doi.org/10.1161/CIRCULATIONAHA.121.057480
  31. Hinrichs N, Meyer A, Koehler K, et al. Artificial intelligence based real-time prediction of imminent heart failure hospitalisation in patients undergoing non-invasive telemedicine. Frontiers in Cardiovascular Medicine. 2024;11:1457995. https://doi.org/10.3389/fcvm.2024.1457995
  32. Kerexeta J, Larburu N, Escolar V, et al. Prediction and Analysis of Heart Failure Decompensation Events Based on Telemonitored Data and Artificial Intelligence Methods. Journal of Cardiovascular Development and Disease. 2023;10(2):48. https://doi.org/10.3390/jcdd10020048
  33. Aharon KB, Gershfeld-Litvin A, Amir O, et al. Improving cardiac rehabilitation patient adherence via personalized interventions. PLOS One. 2022;17(8):e0273815. https://doi.org/10.1371/journal.pone.0273815
  34. Nayak A, Vakili S, Nayak K, et al. Use of Voice-Based Conversational Artificial Intelligence for Basal Insulin Prescription Management Among Patients With Type 2 Diabetes: A Randomized Clinical Trial. JAMA Network Open. 2023;6(12):e234023. https://doi.org/10.1001/jamanetworkopen.2023.40232
  35. Беленков Ю.Н., Кожевникова М.В., Хабарова Н.В. и др. Роль искусственного интеллекта в кардиологии. Кардиология. 2025;65(2):3-16. https://doi.org/10.18087/cardio.2025.2.n2879
  36. Patel D, Chetarajupalli C, Khan S, et al. A narrative review on ethical considerations and challenges in AI-driven cardiology. Annals of Medicine and Surgery. 2025;87(7):4152-4164. https://doi.org/10.1097/MS9.0000000000003349
  37. Li MM, Reis BY, Rodman A, et al. Scaling medical AI across clinical contexts. Nature Medicine. Published online February 3, 2026. https://doi.org/10.1038/s41591-025-04184-7
  38. Moulaei K, Akhlaghpour S, Fatehi F. Patient consent for the secondary use of health data in artificial intelligence (AI) models: A scoping review. International Journal of Medical Informatics. 2025;198:105872. https://doi.org/10.1016/j.ijmedinf.2025.105872.
  39. El Arab RA, Al Moosa OA. Systematic review of cost effectiveness and budget impact of artificial intelligence in healthcare. NPJ Digital Medicine. 2025;8(1):548. https://doi.org/10.1038/s41746-025-01722-y
  40. Vithlani J, Hawksworth C, Elvidge J, et al. Economic evaluations of artificial intelligence-based healthcare interventions: a systematic literature review of best practices in their conduct and reporting. Frontiers in Pharmacology. 2023;14:1220950. https://doi.org/10.3389/fphar.2023.1220950
slide-cover
slide-cover
slide-cover

Рекомендуем статьи по данной теме:

Разработка методологических подходов к использованию машинного обучения в системе диспансерного наблюдения пациентов, перенесших инфаркт миокарда.Профилактическая медицина. 2026;29(8):106-112

Современные возможности диагностики голосовых расстройств с помощью компьютерного акустического анализа голоса и искусственного интеллекта. Обзор литературы.Вестник оториноларингологии. 2026;91(4):109-116

Облачная система автоматической диагностики дисфонии по акустическим параметрам с использованием моделей искусственного интеллекта.Вестник оториноларингологии. 2026;91(4):78-80

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

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

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29

  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12

  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru

  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026