Цель. Систематический обзор литературных данных об эффективности применения технологий искусственного интеллекта (ИИ) для скрининга, диагностики и мониторинга болезней системы кровообращения.Материал и методы. Проведен поиск научных публикаций в базах данных PubMed, Web of Science, Scopus, CyberLeninka, eLibrary и Google Scholar. Стратегия поиска включала использование ключевых слов на русском и английском языках: «circulatory system diseases», «cardiovascular diseases», «artificial intelligence», «machine learning», «deep learning», «patient monitoring», «remote monitoring», «болезни системы кровообращения», «сердечно-сосудистые заболевания», «искусственный интеллект», «машинное обучение», «глубокое обучение», «наблюдение за пациентами», «мониторинг». Включение оригинальных исследований в период 2015-2025 гг. основано на независимой оценке авторами.Результаты. Из 594 публикаций после скрининга в окончательный анализ включено 8 исследований, отвечающих критериям включения. Заключение. ИИ представляет собой инструмент, меняющий современные методы мониторинга, диагностики и прогнозирования исходов БСК. Разработанные на основе ИИ решения демонстрируют высокую диагностическую и прогностическую эффективность, зачастую превосходящую традиционные клинические шкалы, и составляют основу интеллектуальных систем поддержки принятия врачебных решений.
1. Альмухаметов А. А., Петров И. В., Абашев А. Р. и др. Применение рекуррентных нейронных сетей для предсказания событий, связанных с болезнями системы кровообращения. ОРГЗДРАВ: Новости. Мнения. Обучение. Вестник ВШОУЗ. 2025;11(3):120-32. doi:10.33029/2411-8621-2025-11-3-120-132.
2. Гельцер Б. И., Циванюк М. М., Шахгельдян К. И. и др. Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца. Российский кардиологический журнал. 2020;(12):3999. doi:10.15829/1560-4071-2020-3999.
3. Гусев А. В., Кузнецова Т. Ю., Корсаков И. Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний. Журнал телемедицины и электронного здравоохранения. 2018;(3):85-90.
4. Кутелев Г. Г., Парфенов С. А., Сапожников К. В. и др. Применение технологий искусственного интеллекта для выявления и лечения сердечно-сосудистых заболеваний. Трансляционная медицина. 2024;11(6):562-76. doi:10.18705/2311-4495-2024-11-6-562-576.
5. Kresoja KP, Unterhuber M, Wachter R, et al. A cardiologist’s guide to machine learning in cardiovascular disease prognosis prediction. Basic Res Cardiol. 2023;118(1):10. doi:10.1007/s00395-023-00982-7.
6. Leclercq C, Witt H, Hindricks G, et al. Wearables, telemedicine, and artificial intelligence in arrhythmias and heart failure: Proceedings of the European Society of Cardiology Cardiovascular Round Table. EP Europace. 2022;24(9):1372-83. doi:10.1093/europace/euac052.
7. Alaa AM, Bolton T, Di Angelantonio E, et al. Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLoS One. 2019;14(5): e0213653. doi:10.1371/journal.pone.0213653.
8. Nancy AA, Ravindran D, Raj Vincent PMD, et al. IoT-Cloud-Based Smart Healthcare Monitoring System for Heart Disease Prediction via Deep Learning. Electronics. 2022; 11(15):2292. doi:10.3390/electronics11152292.
9. Fiorina L, Chemaly P, Cellier J, et al. Artificial intelligence-based electrocardiogram analysis improves atrial arrhythmia detection from a smartwatch electrocardiogram. Eur Heart J Digit Health. 2024;5(5):535-41. doi:10.1093/ehjdh/ztae047.
10. Zainab H, Khan AH, Khan R, et al. Integration of AI and wearable devices for continuous cardiac health monitoring. International Journal of Multidisciplinary Sciences and Arts. 2024;3(4):123-39. doi:10.47709/ijmdsa.v3i4.4956.
11. Cikes M, Sanchez-Martinez S, Claggett B, et al. Machine learning-based phenogrouping in heart failure to identify responders to cardiac resynchronization therapy. European journal of heart failure. 2019;21(1):74-85. doi:10.1002/ejhf.1333.
12. Tsai DJ, Lin C, Liu WT, et al. Artificial intelligence-assisted diagnosis and prognostication in low ejection fraction using electrocardiograms in inpatient department: a pragmatic randomized controlled trial. BMC medicine. 2025;23:342. doi:10.1186/s12916-025-04190-z.
13. Невзорова В. А., Плехова Н. Г., Присеко Л. Г. 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):3751. doi:10.15829/1560-4071-2020-3-3751.
14. McBane II RD, Murphree DH, Liedl D, et al. Artificial Intelligence of Arterial Doppler Waveforms to Predict Major Adverse Outcomes Among Patients Evaluated for Peripheral Artery Disease. J Am Heart Assoc. 2024;13(3): e031880. doi:10.1161/JAHA.123.031880.
15. Pérez-Solé N, de Dios E, Gavara J, et al. NT-proBNP to guide risk stratification after cardiac rehabilitation in patients with ST-segment elevation myocardial infarction. European Journal of Internal Medicine. 2025;137:83-9. doi:10.1016/j.ejim.2025.04.027.
16. Lu Q, Deng J, YuY, et al. Machine learning models for stroke detection by observing the eye-movement features under five-color visual stimuli in traditional Chinese medicine. Journal of Traditional Chinese Medical Sciences. 2023;10(3):321-30. doi:10.1016/j. jtcms.2023.06.003.
17. Van Beek EJR, Ahn JS, Kim MJ, et al. Validation study of machine-learning chest radiograph software in primary and emergency medicine. Clinical Radiology. 2023;78(1):1-7. doi:10.1016/j.crad.2022.08.129.
18. Gupta P, Fletcher DR, Durfee J, et al. Enhancing Cardiac Rehabilitation Adherence Through Home-Based Rehabilitation and Behavioral Nudges: The ERA Nudge Study Design and Rationale. Am Heart J. 2025;290:17-28. doi:10.1016/j.ahj.2025.05.010.
19. Ламоткин А. И., Корабельников Д. И., Ламоткин И. А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024;17(2):243-50. doi:10.17749/2070-4909/farmakoekonomika.2024.254.
20. Аликперова Н. В. Искусственный интеллект в здравоохранении: риски и возможности. Здоровье мегаполиса. 2023;4(3):41-9. doi:10.47619/27132617.zm.2023.v.4i3;41-49.
21. Изуткин Д. А. Искусственный интеллект в системе "врач-больной": антропоцентризм vs техноцентризм. Гуманитарный вектор. 2024;19(1):149-57. doi:10.21209/1996-7853-202419-1-149-157.
22. Мишина Н. В. Право искусственного интеллекта как новая сфера правового регулирования или новая отрасль права. Евразийский Союз Ученых. 2020;3-5(72):62-5. EDN: FEXOSJ.
