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

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.

1. 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.

2. 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)

3. 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)

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

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

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

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. 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.

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

33. 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.

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

35. 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.

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

37. 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.

38. 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.

39. 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.

40. 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.

41. 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.

42. 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.

43. 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.