17 Казанцев А. Н. Шенгелия Н. Г. Бушланов П. С. Эмбрехт Д. Ю. Мультимасштабная интеграция геномных, эпигеномных и гемодинамических данных для прогнозирования риска рестеноза после каротидной эндартерэктомии на основе гибридной архитектуры VAE-GAN-трансформер: эволюция идеи компьютерного моделирования геометрии и численного исследования гемодинамики каротидная эндартерэктомия рестеноз вычислительная гидродинамика диссипативная гидродинамика частиц fluid-structure interaction барорецепторы полногеномное секвенирование метилирование ДНК микроРНК искусственный интеллект компьютерное моделирование численное исследование гемодинамики 2026 2026-04-25 10.15829/1560-4071-2026-6922 Российский кардиологический журнал Цель. Разработка и детальное описание методики мультимасштабной вычислительной оценки риска рестеноза после каротидной эндартерэктомии, интегрирующей данные визуализации, моделирование кровотока с учетом реологии форменных элементов, биомеханику сосудистой стенки, нейрогенную регуляцию, а также геномное и эпигеномное профилирование. Рестеноз после каротидной эндартерэктомии остается нерешенной проблемой сосудистой хирургии, развиваясь у значительной части оперированных пациентов. Существующие методы прогнозирования обладают недостаточной точностью из-за невозможности интеграции всех факторов патогенеза: гемодинамических, биомеханических, нейрогуморальных и молекулярно-генетических.Материал и методы.  В работе представлена пошаговая методология, включающая получение данных мультиспиральной компьютерной томографии-ангиографии и 4D-фазоконтрастной магнитно-резонансной томографии, построение трехмерных геометрических моделей, моделирование движения эритроцитов, лейкоцитов и тромбоцитов методом диссипативной гидродинамики частиц, гиперэластическое конечно-элементное моделирование сосудистой стенки с решением связанной задачи fluid-structure interaction, моделирование нейрогенной регуляции с барорецепторным контуром, тензорный анализ гемодинамических полей, полногеномное секвенирование, анализ метилирования ДНК и профилирование микроРНК, а также построение и обучение гибридной нейросетевой архитектуры.Результаты. Методика позволяет интегрировать 9 независимых модальностей данных в единую прогностическую систему. Достигнута высокая точность прогнозирования рестеноза (AUC 0,995). Методика может быть воспроизведена в любом научно-исследовательском центре, располагающем соответствующим оборудованием и программным обеспечением.Заключение. Предложенная методика представляет собой первый полностью интегрированный подход к мультимасштабному прогнозированию рестеноза, объединяющий визуализационные, гемодинамические, биомеханические, нейрофизиологические, геномные и эпигеномные данные. https://www.cardiojournal.online/publication/14256 https://www.cardiojournal.online/files/14660