Введение

Аускультация легких — один из старейших и наиболее доступных методов физикального обследования в клинической пульмонологии — существует более двух столетий. Со времени изобретения стетоскопа Р.-Т.Г. Лаэннеком в 1816 г. метод претерпел значительную эволюцию, однако базовый принцип — восприятие врачом акустических колебаний, генерируемых дыхательной системой, — оставался неизменным вплоть до недавнего времени.

Несмотря на клиническую значимость и доступность, традиционная аускультация с использованием акустического стетоскопа характеризуется рядом принципиальных ограничений. По данным крупных исследований, межнаблюдательная согласованность при интерпретации дыхательных шумов остается умеренной: коэффициент каппа (Κ) варьирует в диапазоне 0,4—0,6, что указывает на значительную субъективность метода. Диагностическая точность в значительной мере определяется клиническим опытом специалиста, а результаты не поддаются воспроизведению и документированию [1—4]. Дополнительную сложность представляет необходимость использования средств индивидуальной защиты (СИЗ), что приобрело особую актуальность в период пандемии новой коронавирусной инфекции (COVID-19) и существенно снижало качество акустической передачи [4].

В последние годы активное развитие технологий цифровой обработки сигналов и искусственного интеллекта (ИИ) создало предпосылки для качественного преобразования метода аускультации. Электронные стетоскопы обеспечивают оцифровку, усиление, фильтрацию и архивирование акустического сигнала в широком частотном диапазоне (20—2000 Гц), трансформируя субъективный клинический навык в воспроизводимый цифровой биосигнал. Интеграция с алгоритмами глубокого обучения открывает перспективы автоматической классификации дыхательных шумов с диагностической точностью, сопоставимой с экспертным уровнем [5—8].

Актуальность систематического анализа данной области определяется стремительным ростом числа публикаций, появлением новых открытых баз данных акустических записей — ICBHI 2017 (база данных Международной конференции по биомедицинской информатике), HF_Lung_V2, SPRSound [6, 7] — выходом на рынок коммерческих решений и формированием нормативной базы медицинских изделий класса ИИ. Одновременно в Российской Федерации (РФ) реализуются программы цифровой трансформации здравоохранения, в рамках которых электронная аускультация рассматривается как перспективное направление дистанционного мониторинга пациентов с хронической патологией органов дыхания.

Цель настоящего систематического обзора — обобщить и критически оценить данные о технологиях электронной аускультации легких, их клиническом потенциале и ограничениях, включая применение алгоритмов ИИ и аспекты дистанционной медицины, а также определить приоритетные направления развития в контексте цифровой пульмонологии.

Задачи обзора:

— систематизировать классификацию дыхательных шумов с учетом акустических и патофизиологических характеристик;

— охарактеризовать технологическую основу электронных стетоскопов и провести сравнительный анализ устройств, зарегистрированных в Российской Федерации;

— проанализировать открытые звуковые базы данных дыхательных шумов и алгоритмы машинного и глубокого обучения для классификации аускультативных феноменов;

— оценить потенциал цифровой аускультации в дистанционном ведении пациентов с хронической обструктивной болезнью легких (ХОБЛ) и бронхиальной астмой (БА);

— определить ключевые ограничения и барьеры внедрения технологии в клиническую практику;

— описать проект формирования стандартизированного отечественного звукового банка данных и перспективы развития цифровой пульмонологии.

Материал и методы

Стратегия поиска

Поиск литературы осуществляли в базах данных PubMed/MEDLINE, Embase, Cochrane Library, IEEE Xplore (Институт инженеров электротехники и электроники), Web of Science и eLIBRARY.RU за период с января 2000 по апрель 2025 г. Использовались следующие поисковые запросы на английском и русском языках:

— electronic stethoscope or digital stethoscope and lung sounds or respiratory sounds (электронный стетоскоп или цифровой стетоскоп и дыхательные шумы);

— lung sound classification and machine learning or deep learning or artificial intelligence (классификация дыхательных шумов и машинное обучение или глубокое обучение или искусственный интеллект);

— auscultation and COPD or asthma and telemedicine or remote monitoring (аускультация и ХОБЛ или астма и дистанционная медицина или удаленный мониторинг);

— respiratory sound database or ICBHI and neural network (база данных дыхательных шумов или ICBHI и нейронная сеть);

— электронная аускультация и цифровой стетоскоп и пульмонология.

Критерии включения и исключения

Критериями включения являлись оригинальные исследования, систематические обзоры, метаанализы и технические отчеты, посвященные электронной аускультации, классификации дыхательных шумов с применением ИИ, дистанционному использованию цифрового стетоскопа; публикации на английском или русском языке.

Критериями исключения служили публикации, посвященные исключительно кардиальной аускультации без анализа дыхательных шумов; работы без оригинальных данных или методологического вклада; тезисы конференций без полного текста.

Результаты

Классификация дыхательных шумов

В последние годы произошел концептуальный переход от традиционного описательного подхода (сухие/влажные хрипы) к строгой акустико-патофизиологической классификации, что является необходимым условием для стандартизации алгоритмов ИИ-анализа. Современная номенклатура дыхательных шумов, принятая международным консенсусом — Компьютеризированным анализом дыхательных звуков (CORSA, от англ. Computerized Respiratory Sound Analysis) и Международной энциклопедией дыхательных шумов (RALE, от англ. Respiratory Auscultation Lung Encyclopedia), — выделяет основные и дополнительные (адвентивные) феномены (табл. 1).

Таблица 1. Современная классификация адвентивных дыхательных шумов [1, 2]

Примечание. ИЗЛ — интерстициальные заболевания легких. В боковике таблицы «Тип шума» в скобках приведены международные эквиваленты с пояснением. Указанные типы шумов классифицированы по стандарту CORSA/RALE (Европейское респираторное общество).

Патофизиологические механизмы

Формирование аускультативных феноменов определяется несколькими ключевыми механизмами. Турбулентный поток воздуха в суженных бронхах порождает свистящие хрипы, частота которых прямо пропорциональна степени обструкции и скорости воздушного потока. Прерывистое открытие спавшихся альвеол и мелких бронхов в конце вдоха обусловливает появление мелкопузырчатой крепитации, характерной для интерстициальных заболеваний легких (ИЗЛ). Наличие вязкого секрета в просвете дыхательных путей формирует грубую крепитацию [1, 2]. Консолидация легочной паренхимы изменяет акустическую проводимость ткани, что проявляется бронхиальным дыханием.

Указанные механизмы образуют устойчивые диагностические сочетания, лежащие в основе как традиционной, так и цифровой аускультации. Ключевое значение для разработки алгоритмов ИИ имеет формализация этих сочетаний в виде размеченных звуковых баз данных с верифицированными клиническими диагнозами [1, 2].

Технология электронной аускультации

Принципы работы

Электронный стетоскоп функционирует на основе преобразования акустических колебаний в электрический сигнал с последующей его цифровой обработкой. Аппаратная архитектура устройства включает несколько ключевых компонентов: высокочувствительный датчик (электретный микрофон или микроэлектромеханический сенсор — МЭМС), аналоговый предусилитель, систему цифровой фильтрации (подавление фоновых шумов, артефактов трения и кардиальных звуков), аналого-цифровой преобразователь (АЦП) и модуль беспроводной или проводной передачи данных.

Диапазон частот регистрируемого сигнала является критическим параметром клинической применимости. Традиционный акустический стетоскоп эффективно работает в диапазоне 20—500 Гц. Современные электронные устройства расширяют его до 20—2000 Гц, что принципиально важно для регистрации высокочастотных компонентов крепитации (400—2000 Гц) при ИЗЛ и стридора (>500 Гц). Межприборная вариабельность амплитудно-частотных характеристик (АЧХ), выявленная при сравнении стетоскопов Littmann 3200, Eko Core и Thinklabs One, подчеркивает необходимость публикации полных технических спецификаций производителями и стандартизации АЧХ [8—10].

Дополнительные функции современных устройств включают запись и архивирование аудиосигналов, визуализацию спектрограмм и фонограмм, передачу данных в медицинские информационные системы (МИС), а в перспективных моделях — встроенные модули ИИ-анализа. Совокупность этих возможностей трансформирует электронный стетоскоп из инструмента усиления звука в полноценный диагностический компонент цифрового рабочего места врача.

Сравнительный анализ устройств, зарегистрированных в России

Согласно данным Государственного реестра медицинских изделий, на территории Российской Федерации зарегистрированы электронные стетоскопы класса риска 2а (код 292270). В рамках настоящего обзора проведен сравнительный анализ наиболее представленных на российском рынке моделей (табл. 2).

Таблица 2. Сравнительная характеристика электронных стетоскопов, зарегистрированных в России

Примечание. МИС — медицинская информационная система (программный комплекс для ведения электронных медицинских записей и управления потоком пациентов в медицинской организации); HL7 — Health Level 7, международный стандарт обмена, интеграции и совместного использования электронных медицинских данных; FHIR (Fast Healthcare Interoperability Resources) — современный стандарт интероперабельности в здравоохранении на основе веб-технологий; в скобках: «Быстрые ресурсы для обеспечения совместимости в здравоохранении»; PWA (Progressive Web Application) — прогрессивное веб-приложение, обеспечивающее работу программы в браузере на любой операционной системе; ИИ — искусственный интеллект. Прочерк («Нет») означает отсутствие соответствующей функции в текущей версии устройства согласно публично доступной технической и иной документации.

Особенности частотного диапазона регистрации и воспроизведения в системе Phonendo

Устройство Phonendo обеспечивает запись и цифровую визуализацию акустических сигналов в диапазоне 20—1500 Гц, однако диапазон звукового воспроизведения, подаваемого на наушники врача, ограничен полосой 50—1500 Гц. Такое техническое решение обусловлено рядом психоакустических и эргономических факторов. Во-первых, большинство серийно выпускаемых наушников не способны линейно воспроизводить частоты ниже 20—40 Гц, что при попытке их воспроизведения порождает нежелательные артефакты, искажающие клиническую картину звука. Во-вторых, для обеспечения субъективно воспринимаемой громкости в области 20 Гц, сопоставимой с громкостью на средних частотах, требуется усиление сигнала свыше 80 дБ — уровень, превышающий допустимые нормы воздействия шума на орган слуха согласно действующим санитарно-эпидемиологическим правилам и нормативам (СанПиН). Данная закономерность описывается кривыми равной громкости (кривые Флетчера—Мансона), отражающими нелинейную частотно-зависимую чувствительность слуховой системы человека: порог слышимости на частотах ниже 50 Гц существенно возрастает, тогда как в диапазоне 1—4 кГц достигается максимальная чувствительность. С учетом изложенного нижняя граница воспроизведения была установлена на уровне 50 Гц как компромисс между клинической информативностью и безопасностью для слуха врача. Для объективной оценки индивидуальных особенностей слухового восприятия пользователя в приложении Phonendo реализован встроенный психоакустический тест, позволяющий определить актуальный порог слышимости конкретного специалиста в области низких частот (рисунок).

Частотный диапазон Phonendo.

Ключевые выводы сравнительного анализа

Стетоскоп eKuore Pro предлагает решение для дистанционной медицины с передачей данных по беспроводной локальной сети, однако ограниченный частотный диапазон (40—600 Гц) снижает диагностическую чувствительность для высокочастотных феноменов. Phonendo является наиболее технологически развитым решением: расширенный частотный диапазон, запись исходного акустического сигнала, визуализация спектрограмм, поддержка стандартов HL7/FHIR и межплатформенная совместимость на основе прогрессивных веб-приложений обеспечивают наилучшие перспективы для интеграции с алгоритмами ИИ. Устройство СберЗдоровье выделяется максимальным частотным диапазоном (20—2000 Гц) и компактностью, однако его аналитические возможности ограничены отсутствием инструментов визуализации аускультативных данных (спектрограмм и осциллограмм), а также каких-либо средств автоматизированной интерпретации: согласно официальной инструкции функционал прибора сводится исключительно к записи звука для последующего субъективного прослушивания врачом. Казахстанский фонендоскоп представляет базовое решение для домашнего мониторинга без расширенных аналитических инструментов.

Все рассматриваемые устройства в настоящее время обеспечивают лишь регистрацию и передачу звука, не предоставляя встроенных инструментов клинической интерпретации аускультативных сочетаний. Это формирует концептуальный разрыв между технологическими возможностями и клиническими потребностями, определяя вектор дальнейшего развития отрасли.

Открытые базы данных и алгоритмы искусственного интеллекта

Открытые базы данных дыхательных звуков

Развитие алгоритмов ИИ для классификации дыхательных шумов в значительной мере определяется доступностью открытых аннотированных звуковых баз данных. Ключевые публично доступные ресурсы представлены в табл. 3.

Таблица 3. Открытые базы данных дыхательных звуков и российский банк данных НМИЦ

Примечание. ICBHI 2017 — база данных Международной конференции по биомедицинской и медицинской информатике 2017 г. (International Conference on Biomedical and Health Informatics, ICBHI), содержащая 920 аннотированных аудиозаписей от 126 пациентов с верификацией диагнозов; ХОБЛ — хроническая обструктивная болезнь легких; НАЗ — непрерывные адвентивные звуки (свистящие и жужжащие хрипы); ПАЗ — прерывистые адвентивные звуки (крепитация, шум трения плевры); НМИЦ — Национальный медицинский исследовательский центр; ИИ — искусственный интеллект. Записи базы ICBHI 2017 получены в двух учреждениях: Университете Авейру (Португалия) и Аристотелевском университете Фессалоники (Греция) с использованием стетоскопов Meditron, Littmann 3200 и LittC2SE.

База данных ICBHI 2017 является наиболее широко используемым эталонным ресурсом: она содержит 920 аннотированных аудиозаписей от 126 пациентов с применением нескольких типов электронных стетоскопов в двух странах. Данные аннотированы по типу дыхательных шумов (крепитация, хрипы) и клиническому диагнозу (ХОБЛ, астма, пневмония и др.). Существенным ограничением является выраженный дисбаланс классов: 81,8% записей относятся к пациентам с ХОБЛ, что может приводить к переобучению моделей и снижению их чувствительности к редким нозологиям. Для повышения обобщаемости алгоритмов необходимы многоцентровые базы данных с репрезентативным распределением диагнозов и стандартизированными протоколами записи, или применение методов расширения обучающей выборки при построении алгоритмов ИИ [6—8].

Алгоритмы машинного и глубокого обучения

За последнее десятилетие в области ИИ-анализа дыхательных шумов достигнут значительный прогресс. Классические методы — метод опорных векторов (МОВ) с мел-частотными кепстральными коэффициентами (МЧКК) в качестве признаков — демонстрируют высокую точность при бинарной классификации (норма/патология, ~99%), однако уступают глубоким нейронным сетям при многоклассовых задачах. Архитектуры сверточных нейронных сетей (СНС) и гибридные модели СНС-РДКП (рекуррентная сеть с долгой кратковременной памятью) работают преимущественно с мел-спектрограммами и вейвлет-преобразованиями, извлекая временны́е и частотные признаки сигнала [7, 8] (табл. 4).

Таблица 4. Сравнительная эффективность методов ИИ для классификации дыхательных шумов

Примечание. СНС — сверточная нейронная сеть (архитектура глубокого обучения, работающая с двумерными представлениями сигнала — спектрограммами); F1-мера — гармоническое среднее точности и полноты классификатора; значение от 0 до 1, чем выше — тем лучше; РДКП — рекуррентная нейронная сеть с долгой кратковременной памятью (от англ. Long Short-Term Memory, LSTM), предназначена для обработки последовательностей и временны́х рядов. Мел-спектрограмма — визуальное представление спектра сигнала в мел-шкале, имитирующей частотное восприятие человеческого слуха; НВП — непрерывное вейвлет-преобразование (математический инструмент разложения сигнала по масштабу и времени); ViT-S1 (Vision Transformer Small, version 1) — трансформер изображений малого размера, адаптированный для анализа спектрограмм дыхательных звуков; ХОБЛ — хроническая обструктивная болезнь легких; ВАК — вариационный автоэнкодер (генеративная модель для создания синтетических обучающих примеров с целью устранения дисбаланса классов); АПК — площадь под ROC-кривой (характеристической кривой ошибок); значение 1,0 соответствует идеальному классификатору, 0,5 — случайному угадыванию; МОВ — метод опорных векторов (классический алгоритм машинного обучения для задач классификации); МЧКК — мел-частотные кепстральные коэффициенты (набор признаков, имитирующих частотное восприятие слуховой системы человека); ResNet — сверточная нейронная сеть (архитектура глубокого обучения с пропускными соединениями, позволяющими обучать очень глубокие модели); АСТ — аудио-спектрограммный трансформер (адаптация архитектуры трансформера для задач анализа звука). ICBHI 2017 — см. примечание к табл. 3. KAUH — King Abdullah University Hospital (Университетская больница короля Абдаллы, Иордания). LD-DF RSdb — база данных дыхательных звуков Восточной больницы университета Тунцзи (Шанхай, Китай).

Гибридная модель с параллельной обработкой непрерывного вейвлет-преобразования (НВП) и мел-спектрограммы с последующей классификацией посредством рекуррентной сети с долгой кратковременной памятью (РДКП) достигает точности 94,16% и чувствительности 89,56% при 8-классовой задаче на базе данных ICBHI 2017 [8]. Трансформер изображений (ViT-S1) с расширением обучающей выборки вариационным автоэнкодером (ВАК) демонстрирует высокую точность в дифференциации ХОБЛ от других патологий и здоровых лиц [9—11]. Компактные архитектуры — MobileNetV2 и сжатые аудио-спектрограммные трансформеры (АСТ) с оптимизацией числа параметров — обеспечивают снижение вычислительной нагрузки на 90% при сохранении клинически приемлемой точности, что критически важно для встраивания в портативные устройства [10—12].

Ключевым методологическим ограничением остается проблема обобщаемости: большинство моделей обучены и проверены на одной базе данных, не проходили проспективной клинической оценки и характеризуются сниженной воспроизводимостью при смене типа стетоскопа или условий записи. Разрыв между лабораторными показателями (точность 94—99%) и реальной клинической применимостью требует многоцентровых исследований с привлечением внешних баз данных [6, 7—9].

Применение алгоритмов ИИ в клинической диагностике требует учета этических аспектов: интерпретируемость моделей, ответственность за ошибочные рекомендации, риск смещения в обучающих данных. В Российской Федерации программное обеспечение класса ИИ подлежит регистрации как медицинское изделие с обязательным прохождением клинических испытаний и оценкой соотношения польза/риск в соответствии с требованиями Росздравнадзора.

Дистанционная медицина и электронная аускультация

Дистанционный мониторинг при хронической обструктивной болезни легких и бронхиальной астме

ХОБЛ и БА являются основными нозологиями, при которых внедрение дистанционного мониторинга с использованием электронной аускультации обладает наибольшим клиническим и экономическим потенциалом. Обе патологии характеризуются вариабельным течением (в большей степени — БА), риском обострений и необходимостью регулярного динамического контроля [12—16].

Систематические обзоры и метаанализы свидетельствуют о том, что программы дистанционного ведения пациентов с ХОБЛ ассоциированы со снижением числа незапланированных госпитализаций, улучшением показателей качества жизни и повышением приверженности терапии [14—16]. Интеграция электронной аускультации в протоколы дистанционного наблюдения позволяет объективизировать клиническую картину: регистрация появления или усиления свистящих хрипов, изменения паттерна дыхания и нарастания крепитации являются ранними предикторами обострения, предшествующими субъективным симптомам [14—16].

Технологические и организационные требования

Для эффективного функционирования системы дистанционной аускультации необходима реализация ряда условий: стандартизация протоколов записи (число точек аускультации, продолжительность записи, условия окружающей среды), обеспечение качества передачи данных в реальном времени, интеграция с МИС и Единой государственной информационной системой здравоохранения (ЕГИСЗ) посредством стандартов HL7 и FHIR, соответствие требованиям Федерального закона от 27.07.2006 № 152-ФЗ «О персональных данных» и национального стандарта ГОСТ Р 57580.1-2017 в части защиты медицинских данных, а также обучение медицинского персонала.

Мультипараметрический подход, при котором аускультативные данные интегрируются с показателями пульсоксиметрии, пикфлоуметрии, спирометрии и данными носимых сенсоров (частота сердечных сокращений — ЧСС; частота дыхания — ЧД; физическая активность), соответствует современной концепции персонализированной медицины и позволяет более точно стратифицировать риск обострений по сравнению с изолированным использованием любого из этих методов [17—19].

Отечественная база данных и перспективы развития

Проект формирования банка данных в Национальном медицинском исследовательском центре по профилю «пульмонология»

В Национальном медицинском исследовательском центре (НМИЦ) по профилю «пульмонология» реализуется проект создания стандартизированного отечественного звукового банка данных дыхательных шумов, ориентированного на последующее обучение российских алгоритмов ИИ. Протокол формирования банка данных предусматривает включение датасетов на каждый тип аускультативного феномена, запись в стандартизированных точках с фиксированной продолжительностью записи в каждой точке, верификацию диагнозов на основании клинических, инструментальных и лабораторных данных. Создаваемый банк данных позволит восполнить дефицит клинически верифицированных отечественных материалов и сформировать основу для разработки и валидации алгоритмов ИИ в российских условиях.

Ключевые ограничения и пути их преодоления

Ключевые ограничения и пути их преодоления метода электронной аускультации представлены в табл. 5.

Таблица 5. Ключевые ограничения электронной аускультации и пути их преодоления

Примечание. ИИ — искусственный интеллект; AAMI EC11 — стандарт Американской ассоциации разработчиков медицинских приборов (American Association for the Advancement of Medical Instrumentation), регламентирующий требования к акустическим характеристикам стетоскопов, используется как прототип для разработки стандартов хранения аудиоданных; WAV (Waveform Audio File Format) — несжатый аудиоформат с сохранением полного качества сигнала; FLAC (Free Lossless Audio Codec) — свободный аудиоформат сжатия без потерь, рекомендуемый для архивирования медицинских аудиозаписей; HL7 — см. примечание к табл. 2; FHIR (стандарты обмена медицинскими данными HL7 и FHIR) (Fast Healthcare Interoperability Resources) — см. примечание к табл. 2; МИС — медицинская информационная система; ЕГИСЗ — Единая государственная информационная система здравоохранения Российской Федерации; АЧХ — амплитудно-частотная характеристика; ВАК — вариационный автоэнкодер (генеративная модель для расширения обучающей выборки); ГАС — генеративно-адверсарная сеть (пара нейронных сетей «генератор — дискриминатор» для синтеза реалистичных звуковых примеров); РКИ — рандомизированное контролируемое исследование; Федеральный закон от 27.07.2006 №152-ФЗ «О персональных данных» — основной нормативный акт Российской Федерации, регулирующий обработку персональных данных, включая медицинские. Аугментация данных — искусственное расширение обучающей выборки.

Стратегические направления развития

Анализ современного состояния технологий и клинических потребностей позволяет выделить четыре стратегических направления развития электронной аускультации в пульмонологии:

1. Стандартизация данных. Принятие единых форматов хранения аудиозаписей — WAV и FLAC с метаданными по стандарту HL7, — стандартизация протоколов записи и разработка критериев контроля качества сигнала являются необходимыми условиями для создания совместимых баз данных и воспроизводимых алгоритмов ИИ.

2. Интеграция с цифровой инфраструктурой. Обязательная поддержка стандарта FHIR R4 в электронных стетоскопах, интеграция с региональными МИС и ЕГИСЗ, а также стандартизация программных интерфейсов для платформ дистанционной медицины позволят обеспечить непрерывный информационный поток от пациента к лечащему врачу.

3. Разработка и клиническая валидация алгоритмов ИИ. Создание систем поддержки принятия клинических решений (СППКР) на основе верифицированных алгоритмов ИИ требует проведения многоцентровых проспективных исследований с участием пациентов различных нозологических групп, стандартизированной оценкой диагностической точности (площадь под характеристической кривой — АПК; чувствительность; специфичность; отношения правдоподобия LR+/LR−) и регуляторным одобрением в соответствии с требованиями к программному обеспечению класса IIa/IIb.

4. Трансформация роли врача. Внедрение аускультации с поддержкой ИИ меняет профессиональный профиль пульмонолога: от исполнителя мануального навыка — к интерпретатору алгоритмических рекомендаций и оператору цифровых диагностических инструментов. Это требует соответствующей корректировки программ додипломной и последипломной подготовки врачей, включая модули по цифровой грамотности, основам интерпретации спектрограмм и критической оценки рекомендаций СППВР. Рекомендуется интеграция симуляционных тренажеров с электронными стетоскопами в учебный процесс медицинских вузов.

Заключение

Электронная аускультация представляет собой ключевое направление цифровой трансформации пульмонологии, обеспечивая объективизацию и воспроизводимость традиционного физикального метода. Современные устройства способны регистрировать дыхательные шумы в расширенном частотном диапазоне, архивировать данные и передавать их в системы дистанционного медицинского наблюдения. Интеграция с алгоритмами глубокого обучения открывает перспективы автоматической классификации аускультативных феноменов с клинически значимой точностью.

Вместе с тем существует принципиальный разрыв между техническим потенциалом устройств и их реальной клинической применимостью. Большинство электронных стетоскопов на российском рынке обеспечивают регистрацию и передачу сигнала, но не располагают встроенными инструментами клинической интерпретации. Алгоритмы ИИ, разработанные на ограниченных публичных базах данных, требуют проспективной клинической валидации. Отсутствие стандартов хранения данных и интеграции с HL7/FHIR/ЕГИСЗ препятствует масштабному внедрению.

Для реализации клинического потенциала электронной аускультации необходимы согласованные усилия по нескольким направлениям: разработка регуляторных стандартов для медицинских изделий с функциями ИИ, создание и поддержание многоцентровых клинически верифицированных баз данных (в том числе отечественных), проведение рандомизированных клинических исследований (РКИ) по оценке влияния систем поддержки принятия клинических решений (СППКР) на клинические исходы, стандартизация интеграционных интерфейсов и протоколов дезинфекции устройств.

Электронная аускультация является не заменой, а расширением клинического мышления врача. В перспективе ближайшего десятилетия цифровые инструменты анализа дыхательных шумов займут место полноправного компонента диагностического арсенала пульмонолога при условии строгой клинической валидации и грамотной интеграции в рабочие процессы медицинских организаций.

Участие авторов:

Концепция и дизайн исследования — Никитина Л.Ю., Гуменюк М.Г.

Сбор и обработка материала — Айнетдинов Р.М., Богатырева Т.У., Атаман К.С.

Анализ данных — Никитина Л.Ю., Гуменюк М.Г., Айнетдинов Р.М., Богатырева Т.У., Атаман К.С.

Написание текста — Никитина Л.Ю., Гуменюк М.Г., Айнетдинов Р.М.

Редактирование — Авдеев С.Н., Кузоватова В.В., Фартушный Э.Н.

Authors contributions:

Concept and study design –Nikitina L.Yu., Gumenyuk M.G.

Data collection and processing — Aynetdinov R.M., Bogatyreva T.U., Ataman K.S.

Data analysis — Nikitina L.Yu., Gumenyuk M.G., Aynetdinov R.M., Bogatyreva T.U., Ataman K.S.

Manuscript writing — Nikitina L.Yu., Gumenyuk M.G., Aynetdinov R.M.

Scientific editing — Avdeev S.N., Kuzovatova V.V., Fartushny E.N.

Авторы заявляют об отсутствии конфликта интересов.