Перспективы применения искусственного интеллекта в кардиохирургии: систематический обзор

Шацкий А. С.; Масютина С. Е.; Мамалыга М. Л.

Статья

Перспективы применения искусственного интеллекта в кардиохирургии: систематический обзор

Шацкий А. С.,

Масютина С. Е.,

Мамалыга М. Л.

2026

https://doi.org/10.15829/1560-4071-2026-6878

Внедрение технологий искусственного интеллекта (ИИ) открывает новые горизонты в кардиохирургии, однако для безопасной клинической практики требуется систематизация данных о его возможностях и ограничениях. Целью работы является систематизация современных данных о применении ИИ в кардиохирургии и определение перспективных направлений его клинического внедрения. В данном систематическом обзоре, выполненном по базам PubMed, Scopus, Cochrane Library, Google Scholar и Web of Science за период 2000-2025гг в соответствии с критериями PRISMA, проанализированы исследования, посвященные применению ИИ на всех этапах кардиохирургического лечения. Согласно результатам анализа 179 исследований, модели машинного обучения демонстрируют более высокую чувствительность по сравнению с традиционными методами диагностики и шкалами риска при прогнозировании послеоперационных исходов и осложнений. Роботизированные системы на основе ИИ и компьютерное зрение способны повысить точность оперативных вмешательств, а использование ИИ для послеоперационного мониторинга способствует улучшению исходов и результатов реабилитации пациентов. Основными барьерами для масштабирования технологий остаются недостаточность данных, этические аспекты и сложность интеграции в клинические процессы. Таким образом, ИИ способен улучшить качество кардиохирургической помощи, однако для реализации этого потенциала необходимы валидация алгоритмов, устранение системных ошибок и разработка прозрачных этических и правовых норм.

Шацкий А. С., Масютина С. Е., Мамалыга М. Л. Перспективы применения искусственного интеллекта в кардиохирургии: систематический обзор. Российский кардиологический журнал. 2026;31(2S):6878. https://doi.org/10.15829/1560-4071-2026-6878

Цитирование

Список литературы

1. Cuocolo R, Perillo T, De Rosa E, et al. Current applications of big data and machine learning in cardiology. J Geriatr Cardiol. 2019;16(8):601-7. doi:10.11909/j.issn.16715411.2019.08.002.

2. Seetharam K, Balla S, Bianco C, et al. Applications of machine learning in cardiology. Cardiology and Therapy. 2022;11(3):355-68. doi:10.1007/s40119-022-00273-7.

3. Fjelland R. Why General Artificial Intelligence will not be realized. Humanities and Social Sciences Communications. 2020;7(1). doi:10.1057/s41599-020-0494-4.

4. Sarraju A, Ouyang D, Itchhaporia D. The Opportunities and Challenges of Large Language Models in Cardiology. JACC: Advances. 2023;2(7):100438. doi:10.1016/j.jacadv. 2023.100438.

5. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388:1233-9. doi:10.1056/NEJMsr2214184.

6. Wu E, Wu K, Daneshjou R, et al. How medical AI devices are evaluated: limitations and recommendations from an analysis of FDA approvals. Nat Med. 2021;27:582-4. doi:10.1038/s41591-021-01312-x.

7. Skalidis I, Cagnina A, Fournier S. Use of large language models for evidence-based cardiovascular medicine. Eur Heart J Digit Health. 2023;4(5):368-9. doi:10.1093/ehjdh/ztad041.

8. Klang E, Cohen-Shelly M, Lopez-Jimenez F. Leveraging Large Language Models to Enhance Digital Health in Cardiology: A Preview of a Cutting-Edge Language Generation Model. Mayo Clin Proc: Digital Health. 2023;1(2):105-8. doi:10.1016/j.mcpdig.2023.03.003.

9. Smith M, Sattler A, Hong G, Lin S. From code to bedside: implementing artificial intelligence using quality improvement methods. Journal of General Internal Medicine. 2021;36(4):10616. doi:10.1007/s11606-020-06394-w.

10. Petersson L, Larsson I, Nygren JM, et al. Challenges to implementing artificial intelligence in healthcare: a qualitative interview study with healthcare leaders in Sweden. BMC Health Services Research. 2022;22(1):850. doi:10.1186/s12913-022-08215-8.

11. van Stekelenborg J, Ellenius J, Maskell S, et al. Recommendations for the Use of Social Media in Pharmacovigilance: Lessons from IMI WEB-RADR. Drug Safety. 2019; 42(12):1393407. doi:10.1007/s40264-019-00858-7.

12. Basile AO, Yahi A, Tatonetti NP. Artificial Intelligence for Drug Toxicity and Safety. Trends in Pharmacological Sciences. 2019;40(9):624-35. doi:10.1016/j.tips.2019.07.005.

13. Barreda M, Cantarero-Prieto D, Coca D, et al. Transforming healthcare with chatbots: Uses and applications-A scoping review. Digit Health. 2025;11. doi:10.1177/20552076251319174.

14. Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-79. doi:10.1016/j.jacc.2018.03.521.

15. Murcia VM, Aggarwal V, Pesaldinne N, et al. Automating clinical trial matches via natural language processing of synthetic electronic health records and clinical trial eligibility criteria. AMIA Jt Summits Transl Sci Proc. 2024;2024:125-34.

16. Bowdish ME, D’Agostino RS, Thourani VH, et al. STS Adult Cardiac Surgery Database: 2021 Update on Outcomes, Quality, and Research. Ann Thorac Surg. 2021;111(6):177080. doi:10.1016/j.athoracsur.2021.03.043.

17. Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. 2021;18(7):46578. doi:10.1038/s41569-020-00503-2.

18. Yao X, Rushlow DR, Inselman JW, et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat Med. 2021;27(5):815-9. doi:10.1038/s41591-021-01335-4.

19. Mamalakis M, Garg P, Nelson T, et al. Artificial Intelligence framework with traditional computer vision and deep learning approaches for optimal automatic segmentation of left ventricle with scar. Artificial Intelligence in Medicine. 2023:102610. doi:10.1016/j.artmed.2023.102610.

20. Ouyang D, He B, Ghorbani A, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020;580(7802):252-6. doi:10.1038/s41586-020-2145-8.

21. Bustin A, Fuin N, Botnar RM, Prieto C. From Compressed-Sensing to Artificial Intelligence Based Cardiac MRI Reconstruction. Front Cardiovasc Med. 2020;(7):17. doi:10.3389/fcvm.2020.00017.

22. Monti CB, Codari M, van Assen M, et al. Machine Learning and Deep Neural Networks Applications in Computed Tomography for Coronary Artery Disease and Myocardial Perfusion. J Thorac Imaging. 2020;35 Suppl 1: S58-S65. doi:10.1097/rti.0000000000000490.

23. Cau R, Flanders A, Mannelli L, et al. Artificial intelligence in computed tomography plaque characterization: A review. Eur J Radiol. 2021;140:109767. doi:10.1016/j.ejrad.2021.109767.

24. Muscogiuri G, Chiesa M, Baggiano A, et al. Diagnostic performance of deep learning algorithm for analysis of computed tomography myocardial perfusion. Eur J Nucl Med Mol Imaging. 2022;49(9):3119-28. doi:10.1007/s00259-022-05732-w.

25. Seo JW, Park S, Kim YJ, et al. Artificial intelligence-based iliofemoral deep venous thrombosis detection using a clinical approach. Sci Rep. 2023;13:967. doi:10.1038/s41598022-25849-0.

26. Popescu C, Laudicella R, Baldari S, et al. PET-based artificial intelligence applications in cardiac nuclear medicine. Swiss Med Wkly. 2022;152:w30123. doi:10.4414/smw.2022.w30123.

27. Dundas J, Leipsic JA, Sellers S, et al. Artificial intelligence-based coronary stenosis quantification at coronary CT angiography versus quantitative coronary angiography. Radiol Cardiothorac Imaging. 2023;5(6):e230124. doi:10.1148/ryct.230124.

28. Kruzhilov I, Mazanov G, Ponomarchuk A, et al. Coronary Dominance: Angiogram dataset for coronary dominance classification. Sci Data. 2025;12(1):341. doi:10.1038/s41597025-04676-8.

29. Kruzhilov I, Ikryannikov E, Shadrin A, et al. Neural Network-Based Coronary Dominance Classification of RCA Angiograms. Dokl Math. 2024;110(Suppl 1): S212-S222. doi:10.1134/S1064562424602026.

30. Saka E, Öztürk E, Yüksel AE, Kocabaş NS. Comparison of EuroSCORE II and STS Risk Scoring Systems in Patients who Underwent Open-heart Surgery. Turk J Anaesthesiol Reanim. 2025;53(4):163-9. doi:10.4274/TJAR.2025.241778.

31. Maier-Hein L, Eisenmann M, Sarikaya D, et al. Surgical data science — from concepts toward clinical translation. Med Image Anal. 2022;76:102306. doi:10.1016/j.media.2021.102306.

32. Liu Z, Zhang C, Ge S. Efficacy and safety of robotic-assisted versus median sternotomy for cardiac surgery: results from a university affiliated hospital. J Thorac Dis. 2023;15(4):1861-71. doi:10.21037/jtd-23-197.

33. Nedadur R, Bhatt N, Chung J, et al. Canadian Thoracic Aortic Collaborative. Machine learning and decision making in aortic arch repair. J Thorac Cardiovasc Surg. 2025;169(1):5967.e4. doi:10.1016/j.jtcvs.2023.11.032.

34. Li B., Peng P, Yue G, et al. Efficacy and Safety of a Novel Multi-Channel Vascular Interventional Robotic System: Animal Studies. CVIA. 2025;10(1). doi:10.15212/CVIA.2025.0018.

35. Sadeghi AH, Maat APWM, Taverne YJHJ, et al. Virtual reality and artificial intelligence for 3-dimensional planning of lung segmentectomies. JTCVS Tech. 2021;7:309-21. doi:10.1016/j.xjtc.2021.03.016.

36. Lo Muzio FP, Rozzi G, Rossi S, et al. Artificial Intelligence Supports Decision Making during Open-Chest Surgery of Rare Congenital Heart Defects. J Clin Med. 2021;10(22):5330. doi:10.3390/jcm10225330.

37. Hayıroğlu Mİ, Altay S. The Role of Artificial Intelligence in Coronary Artery Disease and Atrial Fibrillation. Balkan Med J. 2023;40(3):151-2. doi:10.4274/balkanmedj.galenos.2023.06042023.

38. Arpaia P, Crauso F, De Benedetto E, et al. Soft Transducer for Patient’s Vitals Telemonitoring with Deep Learning-Based Personalized Anomaly Detection. Sensors (Basel). 2022;22(2):536. doi:10.3390/s22020536.

39. Gentry A, Mongan WM, Lee B, et al. Activity Segmentation Using Wearable Sensors for DVT/PE Risk Detection. Proc COMPSAC. 2019;2019:477-83. doi:10.1109/compsac.2019.10252.

40. Nedadur R, Bhatt N, Liu T, et al. The Emerging and Important Role of Artificial Intelligence in Cardiac Surgery. Can J Cardiol. 2024;40(10):1865-79. doi:10.1016/j.cjca.2024.07.027.

41. Jeyaraman M, Balaji S, Jeyaraman N, Yadav S. Unraveling the Ethical Enigma: Artificial Intelligence in Healthcare. Cureus. 2023;15(8):e43262. doi:10.7759/cureus.43262.

42. Rasheed K, Qayyum A, Ghaly M, et al. Explainable, trustworthy, and ethical machine learning for healthcare: A survey. Comput Biol Med. 2022;149:106043. doi:10.1016/j.compbiomed.2022.106043.

43. Ferrarese A, Pozzi G, Borghi F, et al. Malfunctions of robotic system in surgery: role and responsibility of surgeon in legal point of view. Open Med (Wars). 2016;11(1):28691. doi:10.1515/med-2016-0055.

44. Ahsani-Estahbanati E, Gordeev V, Doshmangir L. Interventions to reduce the incidence of medical error and its financial burden in health care systems: A systematic review of systematic reviews. Front Med (Lausanne). 2022;9:875426. doi:10.3389/fmed.2022.875426.

45. Al Dihan FA, Alghamdi MA, Aldihan FA, et al. Knowledge, Attitude, Awareness, and Future Expectations of Robotic Surgery in Patients Attending Surgical Specialties Clinics. Cureus. 2024;16(3):e56523. doi:10.7759/cureus.56523.

Документы

Источник

Информация

Автор

Шацкий А. С. ФГБУ Научный медицинский исследовательский центр сердечно-сосудистой хирургии им. А. Н. Бакулева Минздрава России; МИП "Лаборатория передовых технологий" при Университете Иннополис
Масютина С. Е. МИП "Лаборатория передовых технологий" при Университете Иннополис; Миланский политехнический университет
Мамалыга М. Л. ФГБУ Научный медицинский исследовательский центр сердечно-сосудистой хирургии им. А. Н. Бакулева Минздрава России

Название журнала

Российский кардиологический журнал

Ключевые слова

Статья