Системы искусственного интеллекта в профилактике и диагностике сердечно-сосудистой патологии в России (систематический обзор)

Цель исследования: анализ работ, проводимых в России за последние 5 лет, по выявлению рисков развития сердечно-сосудистых заболеваний (ССЗ) с использованием методов и технологий искусственного интеллекта (ИИ).

Материал и методы. Систематический обзор доступной литературы за последние 5 лет по использованию методов машинного обучения и представления знаний в прогнозировании развития и исходов ССЗ в России был выполнен на основе методологии Prisma. Была проанализирована 221 статья.

Обсуждение. Результат систематического обзора представляет собой анализ представленных методов построения моделей, какие чаще всего используются, и с помощью каких метрик исследователи оценивают качество полученной модели. Чаще всего применяются методы машинного обучения в сравнении с методами, основанными на знаниях (экспертными системами), 22 статьи и 7 статей соответственно. Анализируя использованные методы машинного обучения, можно отметить, что первые 5 мест среди применяемых в России методов занимают нейронные сети, регрессия, дерево решений, бустинг и случайный лес. Среди моделей представления знаний наиболее распространенными оказались онтология и семантические сети, которые часто применяются для структурирования и анализа сложных данных в различных областях знаний. Практически все исследователи в своих работах оценивали созданную модель на тестовой выборке и рассматривали численные метрики: accuracy (точность измерения), precision (точность средства измерения), полнота (recall), specificity (специфичность), sensitivity (чувствительность), AUC (площадь под ROC-кривой), F-measure (F-мера). Обсуждение представляет собой рассуждение об использовании различных метрик для оценки разных вариантов моделей.

Заключение. Обобщены итоги анализа работ, использующих ИИ для профилактики и диагностики ССЗ, дана оценка их дальнейшего применения.

1. Кобринский Б.А. Интеллектуальные рекомендательные системы для медицины: особенности и ограничения. Искусственный интеллект и принятие решений. 2022;3:51–62. https://doi.org/10.14357/20718594220304.

2. Кобринский Б.А. Системы искусственного интеллекта в медицинской практике: состояние и перспективы. Вестник Росздравнадзора. 2020;3:37–43. https://doi.org/10.35576/2070-7940-2020-3-37-43

3. Acosta-García H., Ferrer-López I., Ruano-Ruiz J., Santos-Ramos B., Molina-López T. Computerized clinical decision support systems for prescribing in primary care: main characteristics and implementation impact – protocol of an evidence and gap map. Syst. Rev. 2022;11(1):283. https://doi.org/10.1186/s13643-022-02161-6

4. Alowais S.A., Alghamdi S.S., Alsuhebany N., Alqahtani T., Alshaya A.I., Almohareb S.N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med. Educ. 2023;23:689. https://doi.org/10.1186/s12909-023-04698-z

5. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019;3:41–47. URL: https://www.vit-j.ru/upload/iblock/14f/gfw1lvkmrwgssdxfjcm9c56pdx1h0460/vit_2019_03_05.pdf (07.08.2024).

6. Гусев А.В, Корсаков И.Н., Гаврилов Д.В., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. и др. WEBIOMED. Модель прогнозирования развития сердечно-сосудистых заболеваний в течение 10 лет. URL: https://webiomed.ru/media/predict_models_pdf_path/WML.CVD.FRS_-Passport_GCJRncw.pdf (08.08.2024).

7. Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. и др. Предсказание сердечнососудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020;31(5):41–46. https://doi.org/10.29296/25877305-2020-05-08

8. Пушкин А.С., Шулькин Д., Борисова Л.В., Ахмедов Т.А., Рукавишникова С.А. Алгоритм стратификации риска развития инфаркта миокарда у пациентов с острым коронарным при первичном обследовании. Клиническая лабораторная диагностика. 2020;65(6):394–400. http://dx.doi.org/10.18821/0869-2084-2020-65-6-394-400

9. Белозерова Е.В., Данилов А.В., Исаенкова Е.А., Калинина Л.Б., Манерова О.А., Усов Ю.И. Прогнозирование развития гипертонической болезни с использованием моделей машинного обучения в подсистеме дистанционного кардиомониторинга. Менеджер здравоохранения. 2022;2:76–84. https://doi.org/10.21045/1811-0185-2022-2-76-84

10. Богданов Л.А., Комосский Е.А., Воронкова В.В., Толстошеев Д.Е., Марценюк Г.В., Агиенко А.С. и др. Нейросетевые подходы к разработке прогностического модуля для оценки вероятности неблагоприятного сердечно-сосудистого исхода в общей популяции. Фундаментальная и клиническая медицина. 2021;6(4):67–81. https://doi.org/10.23946/2500-0764-2021-6-4-67-81

11. Болодурина И.П., Назаров А.М., Кича Д.И., Забродина Л.С., Жигалов А.Ю. Разработка модели управления потоком пациентов с сердечно-сосудистыми заболеваниями методами интеллектуального анализа данных. Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2020;20(2):105–115. https://doi.org/10.14529/ctcr200210

12. Гельцер Б.И., Шахгельдян К.И., Назаров Д.А., Ветрова О.О., Котельников В.Н., Карпов Р.С. Методы машинного обучения в оценке рисков поражения органов-мишеней при «маскированной» артериальной гипертензии. Кардиология. 2020;60(5):107–114. https://doi.org/10.18087/cardio.2020.5.n883

13. Никонорова М.Л., Алдохина Ю.А., Пичугин Ю.А. Применение методов Data Mining для диагностики артериальной гипертензии в прикладной среде Rapid Miner. Региональная информатика (РИ2020). 2020;2:131–133.

14. Голухова Е.З., Керен М.А., Завалихина Т.В., Булаева Н.И., Акатов Д.С., Сигаев И.Ю. и др. Возможности методов машинного обучения в стратификации операционного риска у больных ишемической болезнью сердца, направляемых на коронарное шунтирование. Российский кардиологический журнал. 2023;28(2):5211. https://doi.org/10.15829/1560-4071-2023-5211

15. Горбаченко В.И., Потапов В.В., Зенин О.К., Милтых И.С., Грибков Д.Н. Нейросетевая модель для ранней диагностики хронической сердечной недостаточности. Искусственный интеллект и принятие решений. 2021;3:88–97. https://doi.org/10.14357/20718594220309

16. Демченко М.В., Фирюлина М.А., Каширина И.Л. Разработка медицинской информационной системы с элементами поддержки принятия решений в кардиологии. Международный научноисследовательский журнал 2021;(8(110)):69–76. https://doi.org/10.23670/IRJ.2021.110.8.010

17. Дружилов М.А., Кузнецова Т.Ю., Гаврилов Д.В., Гусев А.В. Верификация субклинического каротидного атеросклероза в рамках риск-стратификации при избыточном весе и ожирении: роль методов машинного обучения в формировании диагностического алгоритма. Кардиоваскулярная терапия и профилактика, 2022,21(7):3222. https://doi.org/10.15829/1728-8800-2022-3222

18. Каширина И.Л., Фирюлина М.А., Бондаренко Ю.В., Десятирикова Е.Н., Ефимова О.Е., Черненькая Л.В. Идентификация факторов риска смертности после инфаркта миокарда с использованием методов машинного обучения. Сборник докладов XXIV Международной конференции по мягким вычислениям и измерениям. 2021:316–320.

19. Леонов Ю.А., Царева Г.В., Терехов М.В., Гришина В.В. Использование методов интеллектуального анализа данных для выявления ишемической болезни сердца. Системный анализ, управление и обработка информации Известия Тульского государственного университета. Технические науки. 2022;7:171–178. https://doi.org/10.24412/2071-6168-2022-7-171-179

20. Макарихин А.В., Немков А.Г., Рейтблат О.М., Егоров Д.Б. Разработка прогностической модели наступления инфаркта миокарда на основе технологий машинного обучения. Вестник новых медицинских технологий. 2021;28(4):103–106. https://doi.org/10.24412/1609-2163-2021-4-103-106

21. Мишкин И.А., Сахаров А.А. Изучение использования алгоритмов машинного обучения в оценке риска развития сердечнососудистых заболеваний. Кардиология. 2021;60(7):15–24. https://doi.org/10.14357/20718594220702

22. Невзорова В.А., Бродская Т.А., Шахгельдян К.И., Гельцер Б.И., Костерин В.В., Присеко Л.Г. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае). Кардиоваскулярная терапия и профилактика. 2022;21(1): 34–42. https://doi.org/10.15829/1728-8800-2022-2908

23. Невзорова В.А., Плехова Н.Г., Присеко Л.Г., Черненко И.Н., Богданов Д.Ю., Мокшина М.В. и др. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае). Российский кардиологический журнал. 2020;25(3);10–16. https://doi.org/10.15829/1560-4071-2020-3-3751

24. Овчаренко Е.А., Клышников К.Ю., Кутихин А.Г., Фролов А.В. Машинное обучение в задаче прогнозирования неблагоприятных сердечно-сосудистых событий у пациентов после коронарного шунтирования. Клиническая и экспериментальная хирургия. Журнал имени академика Б.В. Петровского. 2023,11(3):16–28. https://doi.org/10.33029/2308-1198-2023-11-3-16-28

25. Плехова Н.Г., Невзорова В.А., Черненко И.Н., Присеко Л.Г., Степанюгина А.К. Прогнозирование исходов и рисков сердечнососудистых заболеваний с применением машинного обучения. Сборник XXIV Международной конференции по мягким вычислениям и измерениям. 2020:305–309. EDN: PINICI

26. Рунова К.В., Юрин А.А. Классификация сердечно-сосудистых заболеваний с помощью инструментальных методов обработки информации на основе различных методов машинного обучения. Colloquium-journal. 2019;13-3(37):115–120.

27. 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

28. Kashirina I., Firyulina М. Building models for predicting mortality after myocardial infarction in conditions of unbalanced classes, including the influence of weather conditions. CEUR Workshop Proceedings. 2020;2790:188–197. URL: https://ceur-ws.org/Vol-2790/paper18.pdf (07.08.2024).

29. Demchenko M.V., Kashirina I.L. The development of the atherosclerosis diagnostic models under conditions of unbalanced classes. Journal of Physics Conference Series. 2020;1479(1):012026. https://doi.org/10.1088/1742-6596/1479/1/012026

30. Грибова В.В., Окунь Д.Б., Шалфеева Е.А. Семантические модели для оценки влияния комплекса факторов на развитие заболеваний. Онтология проектирования. 2021;11(4):464–477. https://doi.org/10.18287/2223-9537-2021-11-4-464-477

31. Григорьев О.Г., Кобринский Б.А., Благосклонов Н.А., Гинзбург Б.Г. Рекомендательная интеллектуальная система для управления рисками хронических заболеваний. Информационные технологии и вычислительные системы. 2023;2:27–37. https://doi.org/10.14357/20718632230203

32. Воробьев А.П., Воробьев П.А., Опарин И.С., Воробьев М.П. Выявление хронических неинфекционных заболеваний у пожилых больных с применением системы искусственного интеллекта MEDICASE. Проблемы стандартизации в здравоохранении. 2019;11– 12:42–49. https://doi.org/10.26347/1607-2502201911-12042-049

33. Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Шалфеева Е.А., Костерин В.В. Гибридная технология оценки рисков и прогнозирования в кардиологии. Врач и информационные технологии. 2022,3:24–35. https://doi.org/10.25881/18110193_2022_3_24

34. Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний Сибирский журнал клинической и экспериментальной медицины, 2020, №35(4), 32-38. DOI: 10.29001/2073-8552-2020-35-4-32-38.

35. Ковелькова М.Н. Интеллектуальная система для мониторинга риска артериальной гипертонии. Вестник новых медицинских технологий. 2020,27(4):92–97. https://doi.org/10.24411/1609-2163-2020-16720

36. Петряева М.В. Семантическое представление базы знаний о заболеваниях для сервиса поддержки принятия решений в кардиологии. Материалы XIV международной научной конференции «Системный анализ в медицине» (САМ 2020); под общ. ред. В.П. Колосова; Благовещенск, 2020:78–81. https://doi.org/10.12737/conferencearticle_5fe01d9be1fc59.34271723

37. Кобринский Б.А., Кадыков А.С., Полтавская М.Г., Благосклонов Н.А., Ковелькова М.Н. Принципы функционирования интеллектуальной системы динамического контроля факторов риска и формирования рекомендаций по здоровьесбережению. Профилактическая медицина. 2019;22(5):78–84. https://doi.org/10.17116/profmed20192205178

38. Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., Кузнецова Т.Ю., Бойцов С.А. Совершенствование возможностей оценки сердечнососудистого риска при помощи методов машинного обучения. Российский кардиологический журнал. 2021;26(12):4618. https://doi.org/10.15829/1560-4071-2021-4618