References

transmed

Трансляционная медицина

Translational Medicine

2311-44952410-5155

Almazov National Medical Research Centre, Saint Petersburg, Russia

10.18705/2311-4495-2024-11-6-562-576

TVFHTK

transmed-1025

Research Article

БИОИНЖЕНЕРНЫЕ И БИОИНФОРМАТИЧЕСКИЕ ТЕХНОЛОГИИ

BIOENGINEERING AND BIOINFORMATICS

Применение технологий искусственного интеллекта для выявления и лечения сердечно-сосудистых заболеваний

Application of artificial intelligence technologies in cardiovascular disease detection and management authors

Кутелев

Г. Г.

Kutelev

G. G.

Кутелев Геннадий Геннадьевич - д.м.н., профессор кафедры военно-морской терапии ФГБВОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

ул. Академика Лебедева, д. 6, СанктПетербург, 194044

Gennady G. Kutelev - Doctor of Medical Sciences, Professor at the Department of Naval Therapy, Military Medical Academy named after S.M. Kirov.

Akademika Lebedeva str., 6, Saint Petersburg, 194044

Gena08@yandex.ru

Парфенов

С. А.

Parfenov

S. A.

Парфенов Сергей Александрович - к.м.н., докторант при кафедре общей и военной эпидемиологии ФГБВОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

Санкт-Петербург

Sergei A. Parfenov - Ph.D. of Medical Sciences, Doctoral Candidate at the Department of General and Military Epidemiology, Military Medical Academy named after S.M. Kirov.

Saint Petersburg

Сапожников

К. В.

Sapozhnikov

K. V.

Сапожников Кирилл Викторович - к.м.н., преподаватель кафедры автоматизации управления медицинской службой с военно-медицинской статистикой ФГБВОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

Санкт-Петербург

Kirill V. Sapozhnikov - Ph.D. of Medical Sciences, Lecturer at the Department of automation of medical service management with military medical statistics, Military Medical Academy named after S.M. Kirov.

Saint Petersburg

Лазарев

А. A.

Lazarev

A. A.

Лазарев Андрей Анатольевич - аспирант ФГБОУ ВО «СПбГУТ им. проф. М.А. Бонч-Бруевича».

Санкт-Петербург

Andrey A. Lazarev - Postgraduate student, The Bonch-Bruevich Saint Petersburg State University of Telecommunications.

Saint Petersburg

Кузин

А. А.

Kuzin

A. A.

Кузин Александр Александрович - д.м.н., профессор, начальник кафедры общей и военной эпидемиологии ФГБВОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

Санкт-Петербург

Aleksandr A. Kuzin - Doctor of Medical Sciences, Professor, Head of the Department of Common and Military Epidemiology, Military Medical Academy named after S.M. Kirov.

Saint Petersburg

Глушаков

Р. И.

Glushakov

R. I.

Глушаков Руслан Иванович - д.м.н., начальник научно-исследовательского отдела (медико-биологических исследований) научно-исследовательского центра ФГБВОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

Санкт-Петербург

Ruslan I. Glushakov - Doctor of Medical Sciences, Head of the Research Department (Medical and Biological Research) of the Research Center, Military Medical Academy named after S.M. Kirov.

Saint Petersburg

Самохин

С. О.

Samokhin

S. O.

Самохин Семен Олегович - слушатель ординатуры по специальности «терапия» ФГБОУ ВО «ВМедА им. С.М. Кирова» Минобороны России.

Санкт-Петербург

Simon O. Samokhin - Resident in the specialty “Therapy”, Military Medical Academy named after S.M. Kirov.

Saint Petersburg

Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Военно-медицинская академия имени С.М. Кирова» Министерства обороны Российской ФедерацииРоссияFederal state budgetary military educational institution of higher education “Military Medical Academy named after S.M. Kirov” of the Ministry of defence of the Russian FederationRussian Federation

Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» имени В.И. Ульянова (Ленина)»РоссияSaint Petersburg Electrotechnical University “LETI”Russian Federation

2024

26012025

116562576

2025

Кутелев Г.Г., Парфенов С.А., Сапожников К.В., Лазарев А.A., Кузин А.А., Глушаков Р.И., Самохин С.О.

Kutelev G.G., Parfenov S.A., Sapozhnikov K.V., Lazarev A.A., Kuzin A.A., Glushakov R.I., Samokhin S.O.

Данная работа распространяется под лицензией Creative Commons Attribution 4.0.

This work is licensed under a Creative Commons Attribution 4.0 License.

https://transmed.almazovcentre.ru/jour/article/view/1025

Сердечно-сосудистые заболевания остаются ведущей причиной смертности во всем мире, в том числе и в Российской Федерации. Раннее выявление и постоянный мониторинг имеют решающее значение для снижения смертности и улучшения результатов лечения пациентов. В данной статье рассматривается применение технологий искусственного интеллекта в выявлении и лечении сердечно-сосудистых заболеваний, подчеркивается их потенциал для развития сферы кардиологии. Проведен всесторонний поиск литературы с акцентом на исследования, в которых искусственный интеллект использовался для диагностики, лечения и мониторинга сердечно-сосудистых заболеваний. Обзор содержит анализ различных методов искусственного интеллекта, включая машинное обучение и нейронные сети, и их эффективности в выявлении нарушений сердечного ритма с помощью беспроводных датчиков и носимых устройств. В обзоре освещаются перспективные решения с использованием искусственного интеллекта, разработанные как на международном уровне, так и в Российской Федерации, и даются практические рекомендации по их внедрению. Устраняя существующие пробелы в исследованиях и предлагая направления на будущее, статья направлена на улучшение понимания и применения искусственного интеллекта в кардиологии, что в конечном счете способствует оптимизации ухода за пациентами и результатов лечения.

Cardiovascular diseases (CVD) remain the leading cause of death worldwide, including in the Russian Federation. Early detection and continuous monitoring are crucial to reduce mortality and improve patient outcomes. This article examines the use of artificial intelligence technologies in the detection and treatment of cardiovascular diseases, emphasizing their potential for the development of the field of cardiology. A comprehensive literature search was conducted using, focusing on studies in which artificial intelligence was used to diagnose, treat, and monitor cardiovascular diseases. The review includes an analysis of various artificial intelligence methods, including machine learning and neural networks, and their effectiveness in detecting heart rhythm disorders using wireless sensors and wearable devices. The review highlights promising solutions using artificial intelligence developed both internationally and in the Russian Federation, and provides practical recommendations for their implementation. By addressing existing research gaps and offering directions for the future, the article aims to improve the understanding and application of artificial intelligence in cardiology, which ultimately contributes to improved patient care and treatment outcomes.

биомедицинские сигналыискусственный интеллектмашинное обучениенейронная сетьнепрерывный мониторингсердечно-сосудистые заболевания

artificial intelligencebiomedical signalscardiovascular diseasecontinuous monitoringmachine learningneural network

References1

Шальнова С.А., Конради А.О., Карпов Ю.А. и др. Анализ смертности от сердечно-сосудистых заболеваний в 12 регионах Российской Федерации, участвующих в исследовании «Эпидемиология сердечно-сосудистых заболеваний в различных регионах России». Российский кардиологический журнал. 2012; (5):6–11.

Shalnova SA, Konradi AO, Karpov YuA, et al. Cardiovascular mortality in 12 Russian Federation regions — participants of the “Cardiovascular disease epidemiology in Russian regions” study. Russian Journal of Cardiology. 2012; (5):6–11. In Russian.

ВОЗ публикует статистику о ведущих причинах смертности и инвалидности во всем мире за период 2000–2019 гг. [Электронный ресурс] / Всемирная организация здравоохранения. URL: https://www.who.int/ru/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019 (дата обращения: 10.05.2024)

WHO reveals leading causes of death and disability worldwide: 2000–2019 [Internet] / World Health Organization. Available from: https://www.who.int/ru/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019 (Accessed 10 May 2024). In Russian.

Голухова Е.З. Заболевания сердечно-сосудистой системы — пандемия современной эпохи. Социальное значение и последствия [Электронный ресурс] / Ассоциация сердечно-сосудистых хирургов России. Секция «Кардиология и визуализация в кардиохирургии». 2010. URL: http://heart-master.com/clinic/cardiovascular_disease/ (дата обращения: 10.05.2024)

Golukhova EZ. Diseases of the cardiovascular system are a pandemic of the modern era. social significance and consequences [Internet] / Association of Cardiovascular Surgeons of Russia. Section “Cardiology and Imaging in cardiac surgery”. Available from: http://heart-master.com/clinic/cardiovascular_disease/ (Accessed 10 May 2024). In Russian.

Balogh EP, Miller BT, Ball JR. Improving diagnosis in health care. 2015. DOI: 10.17226/21794.

Gala D, Behl H, Shah M, et al. The Role of Artificial Intelligence in Improving Patient Outcomes and Future of Healthcare Delivery in Cardiology: A Narrative Review of the Literature. Healthcare. 2024: 12(4): 481. DOI: 10.3390/healthcare12040481.

Johnson KW, Soto JS, Glicksberg BS, et al. Artificial intelligence in cardiology. Journal of the American College of Cardiology. 2018; 71(23):2668–2679. DOI: 10.1016/j.jacc.2018.03.521.

Lopez-Jimenez F, Attia Z, Arruda-Olson AM, et al. Artificial intelligence in cardiology: present and future. Mayo Clinic Proceedings. 2020; 95(5):1015–1039. DOI: 10.1016/j.mayocp.2020.01.038.

Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC medical education. 2023; 23(1): 689. DOI: 10.1186/s12909-023-04698-z.

Al-Zaiti SS, Martin-Gill C, Zegre-Hemsey JK, et al. Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction. Nature Medicine. 2023; 29(7):1804–1813. DOI: 10.1038/s41591-023-02396-3.

Seetharam K, Balla S, Bianco C, et al. Applications of machine learning in cardiology. Cardiology and therapy. 2022; 11(3): 355–368. DOI: 10.1007/s40119-022-00273-7.

Ahuja AS. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ. 2019; 7:e7702. DOI: 10.7717/peerj.7702.

Федорович А.А., Горшков А.Ю., Королев А.И. и др. Смартфон в медицине — от справочника к диагностической системе. Обзор современного состояния вопроса. Кардиоваскулярная терапия и профилактика. 2022; 21(9); 66–74. DOI: 10.15829/1728-8800-2022-3298.

Fedorovich AA, Gorshkov AYu, Korolev AI, et al. Smartphone in medicine — from a reference book to a diagnostic system. Overview of the current state of the issue. Cardiovascular Therapy and Prevention. 2022; 21(9):66–74. In Russian. DOI: 10.15829/1728-8800-2022-3298.

Varma N., Cygankiewicz I., Turakhia M. Контроль аритмий с помощью технологий мобильного здравоохранения: цифровые медицинские технологии для специалистов по сердечному ритму. Консенсус экспертов 2021. Российский кардиологический журнал. 2021; 26(S1):87–148. DOI: 10.15829/1560-4071-2021-4420.

Varma N, Cygankiewicz I, Turakhia M. 2021 ISHNE/ HRS/EHRA/APHRS Collaborative Statement on mHealth in Arrhythmia Management: Digital Medical Tools for Heart Rhythm Professionals. Russian Journal of Cardiology. 2021; 26(1S):87–148. In Russian. DOI: 10.15829/1560-4071-2021-4420.

Cai Y, Cai YQ, Tan LY, et al. Artificial intelligence in the risk prediction models of cardiovascular disease and development of an independent validation screening tool: a systematic review. BMC medicine. 2024; 22(1):56. DOI: 10.1186/s12916-024-03273-7.

Oren O, Gersh BJ, Bhatt DL. Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints. The Lancet Digital Health. 2020; 2(9):e486–e488. DOI: 10.1016/S2589-7500(20)30160-6.

Tang X. The role of artificial intelligence in medical imaging research. BJR Open. 2019; 2(1):20190031. DOI: 10.1259/bjro.20190031.

Pinto-Coelho L. How Artificial Intelligence Is Shaping Medical Imaging Technology: A Survey of Innovations and Applications. Bioengineering. 2023; 10(12):1435. DOI: 10.3390/bioengineering10121435.

Mohsen F, Al-Saadi B, Abdi N, et al. Artificial Intelligence-Based Methods for Precision Cardiovascular Medicine. Journal of Personalized Medicine. 2023; 13(8): 1268. DOI: 10.3390/jpm13081268.

Krittanawong C, Zhang H, Wang Z, et al. Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology. 2017; 69(21): 2657–2664. DOI: 10.1016/j.jacc.2017.03.571.

Martínez-García M, Hernández-Lemus E. Data integration challenges for machine learning in precision medicine. Frontiers in medicine. 2022; 8: 784455. DOI: 10.3389/fmed.2021.784455.

Bajwa J, Munir U, Nori A, et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future healthcare journal. 2021; 8(2): e188. DOI: 10.7861/fhj.2021-0095.

Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature medicine. 2019; 25(1):65–69. DOI: 10.1038/s41591-018-0268-3.

Москаленко В.А., Никольский А.В., Золотых Н.Ю. и др. Программный комплекс Cyberheart-Diagnostics для автоматизированного анализа электрокардиограммы на основе методов машинного обучения. Современные технологии в медицине. 2019; 11(2):86–91. DOI:10.17691/stm2019.11.2.12.

Moskalenko VA, Nikolskiy AV, Zolotykh NY, et al. Cyberheart-diagnostics software package for automated electrocardiogram analysis based on machine learning techniques. Sovremennye tehnologii v medicine=Modern technologies in medicine. 2019; 11(2):86–91. In Russian. DOI:10.17691/stm2019.11.2.12.

Rahul J, Sharma LD. Artificial intelligence-based approach for atrial fibrillation detection using normalised and short-duration time-frequency ECG. Biomedical Signal Processing and Control. 2022; 71:103270. DOI:10.1016/j.bspc.2021.103270.

Lassoued H, Ketata R, Mahmoud HB. Optimal Neuro Fuzzy Classification for Arrhythmia Data Driven System. International Journal of Innovative Technology and Exploring Engineering. 2021; 11(1):70–80. DOI:10.35940/ijitee.a9628.1111121.

Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. The Lancet. 2019; 394(10201): 861–867. DOI: 10.1016/S0140-6736(19)31721-0.

Khera R, Haimovich J, Hurley NC, et al. Use of machine learning models to predict death after acute myocardial infarction. JAMA cardiology. 2021; 6(6): 633–641. DOI: 10.1001/jamacardio.2021.0122.

Antman EM, Cohen M, Bernink PJ, et al. The TIMI risk score for unstable angina/non-ST elevation MI: a method for prognostication and therapeutic decision making. JAMA. 2000; 284(7): 835–842. DOI:10.1001/jama.284.7.835.

Commandeur F, Goeller M, Betancur J, et al. Deep learning for quantification of epicardial and thoracic adipose tissue from non-contrast CT. IEEE transactions on medical imaging. 2018; 37(8): 1835–1846. DOI: 10.1109/TMI.2018.2804799.

Shah B, Kunal S, Bansal A, et al. Heart rate variability as a marker of cardiovascular dysautonomia in post-covid-19 syndrome using artificial intelligence. Indian Pacing and Electrophysiology Journal. 2022; 22(2):70–76. DOI:10.1016/j.ipej.2022.01.004.

Kumar PS, Sharma VK. Cardiac signals based methods for recognizing heart disease: A review. 2021 Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV). — IEEE. 2021; 1375–1377.

Fu Y, Zhao J, Dong Y, et al. Dry electrodes for human bioelectrical signal monitoring. Sensors. 2020; 20(13):3651. DOI: 10.3390/s20133651.

Li GL, Wu JT, Xia YH, et al. Review of semidry electrodes for EEG recording. Journal of Neural Engineering. 2020; 17(5):051004. DOI: 10.1088/1741-2552/abbd50.

Rosen T. Allergic Reaction to Conducting Gel Used Under ECG Electrodes. Rheumatology network. 2012.

Komosar M, Fiedler P, Haueisen J. Bad channel detection in EEG recordings. Current Directions in Biomedical Engineering. De Gruyter. 2022; 8(2):257–260. DOI: 10.1515/cdbme-2022-1066.

Tavrovskaya TV. Bicycle ergometry. A practical guide for doctors. St. Petersburg. 2007. In Russian [Тавровская Т.В. Велоэргометрия. Практическое пособие для врачей. СПб. 2007].

Wang Y, Zhong X, Wang W, Yu D. Flexible cellulose/polyvinyl alcohol/PEDOT:PSS electrodes for ECG monitoring. Cellulose. 2021; 28(8):4913–4926. DOI:10.1007/s10570-021-03818-6.

Chen Q, Kastratovic S, Eid M, Ha S. A non-contact compact portable ECG Monitoring System. Electronics. 2021; 10(18):2279. DOI:10.3390/electronics10182279.

Wang X, Liu S, Zhu M, et al. Flexible non-contact electrodes for wearable biosensors system on electrocardiogram monitoring in Motion. Frontiers in Neuroscience. 2022; 16. DOI:10.3389/fnins.2022.900146.

Martinez N, Bertran M, Sapiro G, Wu H-T. Non-contact photoplethysmogram and instantaneous heart rate estimation from Infrared Face Video. 2019 IEEE International Conference on Image Processing (ICIP). 2019. DOI:10.1109/icip.2019.8803109.

Ferreira NDP, Gehin C, Massot B. A review of methods for non-invasive heart rate measurement on wrist. Irbm. 2021; 42(1):4–18. DOI:10.1016/j.irbm.2020.04.001.

Vatanparvar K, Li J, Gwak M, et al. Enhanced Contactless Heart Rate Monitoring Using Camera with Motion Artifact Removal During Physical Activities. 2023 45th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE, 2023:1–5. DOI: 10.1109/EMBC40787.2023.10340279.

Lee Y, Park J-Y, Choi Y-W, et al. A novel non-contact heart rate monitor using impulse-radio ultra-wideband (IR-UWB) radar technology. Scientific Reports. 2018; 8(1):1–10. DOI:10.1038/s41598-018-31411-8.

The authors declare that there are no conflicts of interest present.