Интеграция искусственного интеллекта в мультидисциплинарную диагностику сердечно-сосудистых и неврологических заболеваний: обзор

Юсупов Ф. А.; Абдыкадыров М. Ш.

Статья

Интеграция искусственного интеллекта в мультидисциплинарную диагностику сердечно-сосудистых и неврологических заболеваний: обзор

Абдыкадыров М. Ш.

2026

https://doi.org/10.15829/1560-4071-2026-6646

Сердечно-сосудистые и неврологические заболевания представляют собой ведущие причины заболеваемости и смертности во всем мире, а их тесная патофизиологическая взаимосвязь, известная как «ось мозг-сердце», требует комплексного мультидисциплинарного подхода к диагностике. Настоящий обзор посвящен анализу и обобщению научных исследований преимущественно за последние пять лет, посвященных интеграции технологий искусственного интеллекта в диагностику данной группы заболеваний. В ходе обзора выявлено, что искусственный интеллект, в частности модели глубокого обучения, демонстрирует трансформационный потенциал в анализе электрокардиограмм, методов нейровизуализации и мультимодальных клинических данных, обеспечивая значительное повышение точности и раннее выявление патологий. Ключевые достижения включают способность алгоритмов искусственного интеллекта идентифицировать скрытые маркеры заболеваний, недоступные для человеческого восприятия, и прогнозировать риски развития таких состояний, как фибрилляция предсердий и ишемический инсульт. Однако широкое клиническое внедрение искусственного интеллекта сталкивается с серьезными проблемами, включая непрозрачность алгоритмов («черный ящик»), системную предвзятость в обучающих данных, недостаточную генерализацию моделей и острую нехватку доказательств, полученных в ходе крупномасштабных проспективных клинических испытаний. В заключение подчеркивается, что реализация потенциала искусственного интеллекта для создания персонализированной предиктивной медицины в области нейрокардиологии возможна только при условии преодоления существующих технических, этических и регуляторных барьеров через междисциплинарное сотрудничество.

Юсупов Ф. А., Абдыкадыров М. Ш. Интеграция искусственного интеллекта в мультидисциплинарную диагностику сердечно-сосудистых и неврологических заболеваний: обзор. Российский кардиологический журнал. 2026;31(2S):6646. https://doi.org/10.15829/1560-4071-2026-6646

Цитирование

Список литературы

1. Семенов В. Ю., Самородская И. В. Динамика мужской и женской смертности от болезней системы кровообращения в Российской Федерации (2013-2022гг.). Российский кардиологический журнал. 2025;30(5):6086. doi:10.15829/1560-40712025-6086. EDN: STSCBP.

2. Roth GA, Mensah GA, Johnson CO, et al. Global Burden of Cardiovascular Diseases and Risk Factors, 1990-2019: Update From the GBD 2019 Study. J Am Coll Cardiol. 2020;76(25):2982-3021. doi:10.1016/j.jacc.2020.11.010.

3. Юсупов Ф. А., Юлдашев А. А., Юсупов А. Ф. и др. Мочевой синдром у больных с острым нарушением мозгового кровообращения. The Scientific Heritage. 2022;(85-1):26-34. EDN: APPXQP.

4. Чуканова Е. И., Чуканова А. С., Андрианов Д. Д. Артериальная гипертензия — оксидативный стресс как патогенетическая мишень лечения хронической цереброваскулярной недостаточности. Журнал неврологии и психиатрии им. С. С. Корсакова. 2025;125(1):84-90. doi:10.17116/jnevro202512501184.

5. Юсупов Ф. А., Юлдашев А. А., Абдыкадыров М. Ш. и др. Влияние мочевой кислоты на прогрессирование болезни Паркинсона: миф или реальность? Журнал неврологии и психиатрии им. С. С. Корсакова. 2025;125(7):714. doi:10.17116/jnevro20251250717.

6. Юсупов Ф. А., Абдыкадыров М. Ш. Патофизиологические механизмы сердечнососудистых нарушений при болезни Паркинсона. Российский кардиологический журнал. 2025;30(9S):6401. doi:10.15829/1560-4071-2025-6401. EDN: HYYUQH.

7. Seligowski AV, Webber TK, Marvar PJ, et al. Involvement of the brain-heart axis in the link between PTSD and cardiovascular disease. Depress Anxiety. 2022;39(10-11):66374. doi:10.1002/da.23271.

8. Абдыкадыров М. Ш. Мерцательная аритмия и ишемический инсульт: вопросы диагностики. Сборник научных трудов XIV международного форума кардиологов и терапевтов: Материалы форума, Москва, 25-27 марта 2025 года. Москва: Фонд содействия развитию кардиологии "Кардиопрогресс", 2025. с. 4. EDN: YTRFAX.

9. Lip GYH, Fauchier L, Freedman SB, et al. Atrial fibrillation. Nature Reviews Disease Primers. 2016;2:16016. doi:10.1038/nrdp.2016.16.

10. Scheitz JF, Nolte CH, Doehner W, et al. Stroke-heart syndrome: clinical presentation and underlying mechanisms. Lancet Neurol. 2018;17(12):1109-20. doi:10.1016/S14744422(18)30336-3.

11. Мелдо А. А., Уткин Л. В., Трофимова Т. Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики. Лучевая диагностика и терапия. 2020;11(1):9-17. doi:10.22328/2079-5343-2020-11-1-9-17.

12. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.

13. McClellan M, Brown N, Califf RM, et al. Call to Action: Urgent Challenges in Cardiovascular Disease: A Presidential Advisory From the American Heart Association. Circulation. 2019;139(9):e44-e54. doi:10.1161/CIR.0000000000000652.

14. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019; 380(14):1347-58. doi:10.1056/NEJMra1814259.

15. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-9. doi:10.1038/s41591-018-0268-3.

16. 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. Lancet. 2019;394(10201):861-7. doi:10.1016/S0140-6736(19)31721-0.

17. Perez MV, Mahaffey KW, Hedlin H, et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 2019;381(20):1909-17. doi:10.1056/NEJMoa1901183.

18. Barry T, Farina JM, Chao CJ, et al. The Role of Artificial Intelligence in Echocardiography. J Imaging. 2023;9(2):50. doi:10.3390/jimaging9020050.

19. Long A, Haggerty CM, Finer J, et al. Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR). Circulation. 2024;150(12):91122. doi:10.1161/circulationaha.124.068996.

20. Fujiki G, Kodera S, Setoguchi N, et al. Deep Learning-Based Identification of Echocardiographic Abnormalities From Electrocardiograms. JACC: Asia. 2025;5(1):88-98. doi:10.1016/j.jacasi.2024.10.012.

21. Chen C, Qin C, Qiu H, et al. Deep Learning for Cardiac Image Segmentation: A Review. Front Cardiovasc Med. 2020;7:25. doi:10.3389/fcvm.2020.00025.

22. Kim HE, Cosa-Linan A, Santhanam N, et al. Transfer learning for medical image classification: a literature review. BMC Medical Imaging. 2022;22(1). doi:10.1186/s12880022-00793-7.

23. Minic A, Jovanovic L, Bacanin N, et al. Applying Recurrent Neural Networks for Anomaly Detection in Electrocardiogram Sensor Data. Sensors (Basel). 2023;23(24):9878. doi:10.3390/s23249878.

24. Ebrahimi Z, Loni M, Daneshtalab M, et al. A review on deep learning methods for ECG arrhythmia classification. Expert Systems with Applications: X. 2020;7:100033. doi:10.1016/j.eswax.2020.100033.

25. Handelman GS, Kok HK, Chandra RV, et al. Peering Into the Black Box of Artificial Intelligence: Evaluation Metrics of Machine Learning Methods. AJR Am J Roentgenol. 2019;212(1):38-43. doi:10.2214/AJR.18.20224.

26. Kang J, Ullah Z, Gwak J. MRI-Based Brain Tumor Classification Using Ensemble of Deep Features and Machine Learning Classifiers. Sensors (Basel). 2021;21(6):2222. doi:10.3390/s21062222.

27. Polat Ö, Güngen C. Classification of brain tumors from MR images using deep transfer learning. The Journal of Supercomputing. 2021;77(7):7236-52. doi:10.1007/s11227020-03572-9.

28. Saba T, Sameh Mohamed A, El-Affendi M, et al. Brain tumor detection using fusion of hand crafted and deep learning features. Cognitive Systems Research. 2020;59:22130. doi:10.1016/j.cogsys.2019.09.007.

29. Puppala P, Majety S, Vivek K, et al. Classification of parkinson’s disease in brain MRI images using deep residual convolutional neural network. Applied Computer Science. 2023;19(2):125-46. doi:10.35784/acs-2023-19.

30. Zafeiropoulos N, Bitilis P, Tsekouras GE, et al. Graph Neural Networks for Parkinson’s Disease Monitoring and Alerting. Sensors (Basel). 2023;23(21):8936. doi:10.3390/s23218936.

31. Choi H, Jin KH. Alzheimer’s Disease Neuroimaging Initiative. Predicting cognitive decline with deep learning of brain metabolism and amyloid imaging. Behav Brain Res. 2018;344:103-9. doi:10.1016/j.bbr.2018.02.017.

32. Agarwal S. A Multimodal Machine Learning Approach to Diagnosis, Prognosis, and Treatment Prediction for Neurodegenerative Diseases and Cancer. 2022 IEEE 13th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON). 2022;0475-9. doi:10.1109/uemcon54665.2022.9965655.

33. Skaramagkas V, Pentari A, Kefalopoulou Z, et al. Multi-Modal Deep Learning Diagnosis of Parkinson’s Disease — A Systematic Review. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2023;31:2399-423. doi:10.1109/tnsre.2023.3277749.

34. Li W, Rao Q, Dong S, et al. PIDGN: An explainable multimodal deep learning framework for early prediction of Parkinson’s disease. J Neurosci Methods. 2025;415:110363. doi:10.1016/j.jneumeth.2025.110363.

35. Sebastiani M, Vacchi C, Manfredi A, et al. Personalized Medicine and Machine Learning: A Roadmap for the Future. J Clin Med. 2022;11(14):4110. doi:10.3390/jcm11144110.

36. Noseworthy PA, Attia ZI, Behnken EM, et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet. 2022;400(10359):1206-12. doi:10.1016/S0140-6736(22)01637-3.

37. Муркамилов И. Т., Айтбаев К. А., Фомин В. В. и др. Функциональное состояние почек у больных с различными типами цереброваскулярных заболеваний. Журнал неврологии и психиатрии им. С. С. Корсакова. 2025;125(1):10511. doi:10.17116/jnevro2025125011105.

38. Andreasen C, Gislason GH, Køber L, et al. Incidence of Ischemic Stroke in Individuals With and Without Aortic Valve Stenosis. Stroke. 2020;51(5):1364-71. doi:10.1161/strokeaha.119.028389.

39. Naser JA, Lee E, Pislaru SV, et al. Artificial intelligence-based classification of echocardiographic views. Eur Heart J Digit Health. 2024;5(3):260-9. doi:10.1093/ehjdh/ztae015.

40. Nadarajah R, Wu J, Frangi AF, et al. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021;11(11):e052887. doi:10.1136/bmjopen-2021-052887.

41. Murad NY, Hasan MH, Azam MH, et al. Unraveling the Black Box: A Review of Explainable Deep Learning Healthcare Techniques. IEEE Access. 2024;12:66556-68. doi:10.1109/access.2024.3398203.

42. Vimbi V, Shaffi N, Mahmud M. Interpreting artificial intelligence models: a systematic review on the application of LIME and SHAP in Alzheimer’s disease detection. Brain Informatics. 2024;11(1):10. doi:10.1186/s40708-024-00222-1.

43. Makowska A, Ananthakrishnan G, Christ M, et al. Screening for Left Ventricular Hypertrophy Using Artificial Intelligence Algorithms Based on 12 Leads of the ElectrocardiogramApplicable in Clinical Practice? Critical Literature Review with Meta-Analysis. Healthcare (Basel). 2025;13(4):408. doi:10.3390/healthcare13040408.

44. Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Scientific Data. 2023;10(1):1. doi: 10.1038/s41597-022-01899-x. Erratum in: Sci Data. 2023;10(1):31. doi:10.1038/s41597-023-01945-2. Erratum in: Sci Data. 2023;10(1):219. doi:10.1038/s41597-023-02136-9.

Документы

Источник

Информация

Автор

Юсупов Ф. А. Ошский государственный университет
Абдыкадыров М. Ш. Ошский государственный университет,

Название журнала

Российский кардиологический журнал

Ключевые слова

Статья