Цель. Оценить частоту применения и уровень доверия к методам физикального обследования (ФО), а также степень интеграции инструментов искусственного интеллекта (ИИ) в повседневную практику специалистов, оказывающих помощь пациентам с нарушениями ритма сердца.Материал и методы. Проведен анонимный онлайн-опрос 143 респондентов (врачи и ординаторы кардиологического и хирургического профилей). Анкета включала вопросы о профессионально-демографических данных, частоте использования и доверии к 9 методикам ФО, а также о применении ИИ-инструментов. Статистическая обработка выполнена в RStudio с использованием точного теста Фишера, критерия χ² Пирсона, корреляционного анализа (Спирмена/Пирсона) и методом кластеризации (PAM, Partitioning Around Medoids) (расстояние Говера).Результаты. В анализ включено 127 полностью заполненных анкет (88% врачи, 12% ординаторы). Наиболее часто используемыми методами ФО были аускультация сердца/легких и измерение АД, наиболее редкими –перкуссия сердца и пальпация грудной клетки. Частота применения коррелировала с профилем деятельности: кардиологи использовали более широкий спектр методик, тогда как у специалистов, выполняющих инвазивные вмешательства (рентген-хирурги, сердечно-сосудистые хирурги), объем ФО был избирательным. Основными причинами отказа от ФО являлись наличие инструментальных методов (41,7%) и дефицит времени (44,9%). Лишь 40% респондентов применяют ИИ в работе, преимущественно для поиска информации и написания текстов. Кластерный анализ выявил три фенотипа специалистов: «консервативный» (широкое ФО, нет ИИ), «технологически-ориентированный» (избирательное ФО, активный ИИ) и «хирургический» (узко-избирательное ФО).Заключение. Выявлен существенный разрыв в подходах к диагностике: снижение объема физикальных навыков у молодых и узкоспециализированных врачей сочетается с преимущественно «техническим» использованием ИИ. Полученные данные обосновывают необходимость интеграции гипотезо-ориентированного подхода к ФО и обучения работе с ИИ в программы медицинского образования для сохранения клинической компетентности.
1. Mangione S, Nieman LZ. Pulmonary auscultatory skills during training in internal medicine and family practice. Am J Respir Crit Care Med. 1999;159(4 Pt 1):1119-24. doi:10.1164/ajrccm.159.4.9806083.
2. Mangione S, Nieman LZ. Cardiac auscultatory skills of internal medicine and family practice trainees. A comparison of diagnostic proficiency. JAMA. 1997;278(9):717-22.
3. Vukanovic-Criley JM, Criley S, Warde CM, et al. Competency in cardiac examination skills in medical students, trainees, physicians, and faculty: a multicenter study. Arch Intern Med. 2006;166(6):610-6. doi:10.1001/archinte.166.6.610.
4. Koshmaganbetova G, Kurmangalieva S, Bazargaliyev Y, et al. The Effectiveness of Training on Auscultation of Heart with a Simulator of Cardiology in Medical Students. Open Access Maced J Med Sci. 2021;9(B):1055-60. doi:10.3889/oamjms.2021.7247.
5. Poterucha TJ, Jing L, Ricart RP, et al. Detecting structural heart disease from electrocardiograms using AI. Nature. 2025;644:221-30. doi:10.1038/s41586-025-09227-0.
6. Соловьёв И. А., Курочкина О. Н. Приложения искусственного интеллекта в кардиологии: обзор. Российский кардиологический журнал. 2024;29(11S):5673. doi:10.15829/1560-4071-2024-5673.
7. Shroyer S, Mehta S, Thukral N, et al. Accuracy of cath lab activation decisions for STEMIequivalent and mimic ECGs: Physicians vs. AI (Queen of Hearts by PMcardio). The American Journal of Emergency Medicine. 2025;97:193-9. doi:10.1016/j.ajem.2025.07.061.
8. Maw AM, Huebschmann AG, Mould-Millman N-K, et al. Point-of-Care Ultrasound and Modernization of the Bedside Assessment. J Grad Med Educ. 2020;12:661-5. doi:10.4300/JGME-D-20-00216.1.
9. Корнеев А. Б. Анализ гемодинамических особенностей у пациентов с постоянной фибрилляцией предсердий при разных диапазонах частоты сердечных сокращений и фракции выброса левого желудочка с помощью непрерывного неинвазивного мониторинга артериального давления. Вестник аритмологии. 2025;32(4):22-9. doi:10.35336/VA-1523. EDN: EGMYJJ.
10. Trong Tuyen N, Thi Yen H, Manh Cuong N, et al. Atrial fibrillation detection using machine learning algorithm from single lead electrocardiograms. Journal of Arrhythmology. 2025;32(2):27-32. doi:10.35336/VA-1493.
11. Нестерова Т. М., Кабак В. Ю., Лебедев Д. С. и др. Математические модели и искусственный интеллект для исследования проблемы диссинхронии желудочков и улучшения эффективности сердечной ресинхронизирующей терапии. Российский кардиологический журнал. 2024;29(4S):6194. doi:10.15829/15604071-2024-6194.
12. Кофейникова О. А., Чуева К. А., Костарева А. А. и др. Аритмогенная кардиомиопатия у детей: генетические основы и фенотипические проявления. Опыт одного центра. Вестник аритмологии. 2025;32(2):42-51. doi:10.35336/VA-1515.
13. Steven McGee. McGee`s Evidence-Based Physical Diagnosis 6th edition. Elsevier Science, 2025. p. 816. ISBN: 978-0443250132.
14. Garibaldi BT, Olson APJ. The Hypothesis-Driven Physical Examination. Med Clin North Am. 2018;102(3):433-42. doi:10.1016/j.mcna.2017.12.005.
