Digital technologies and artificial intelligence in the diagnosis of cardiovascular complications in pregnancy: a review

Full Text

ВВЕДЕНИЕ

Беременность у женщин с сердечно-сосудистыми заболеваниями (ССЗ) рассматривают как одно из наиболее сложных направлений акушерства высокого риска. По данным мировой статистики, кардиальная патология осложняет до 4% всех беременностей [1] и остаётся ведущей причиной косвенной материнской смертности. В 2019 году в Российской Федерации болезни системы кровообращения преобладали среди причин материнской смертности от экстрагенитальных заболеваний и составили 57,6% [2]. Рост распространённости данной проблемы обусловлен как увеличением числа женщин с врождёнными пороками сердца, доживающих до репродуктивного возраста, так и тенденцией к более позднему материнству, что сопряжено с высокой частотой артериальной гипертензии, ожирения, сахарного диабета и других сопутствующих заболеваний [3]. Современные эпидемиологические исследования подчёркивают существенный вклад приобретённых пороков сердца в показатели материнской смертности [2].

Спектр ССЗ у беременных чрезвычайно разнообразен. В свою очередь, у части пациенток сердечная патология впервые манифестирует именно во время беременности или в послеродовом периоде. Так, в России значительная часть случаев материнской смертности от ССЗ приходится на женщин, у которых патология не выявлена до наступления беременности и манифестировала только в родах или в послеродовом периоде [4]. Трудности диагностики обусловлены схожестью симптомов с физиологическими изменениями гестационного периода, а также слабой корреляцией клинической картины с тяжестью заболевания. В исследовании перипартальной кардиомиопатии 1/4 пациенток с фракцией выброса левого желудочка < 25% отмечали лишь лёгкие жалобы [5]. Вместе с тем своевременное выявление имеет решающее значение: ретроспективный анализ случаев материнской смертности во Франции показал, что почти половина (47%) таких исходов могла бы быть предотвращена при более ранней диагностике [6]. В настоящее время универсальных протоколов скрининга не существует, и решение о дальнейшем обследовании чаще всего основывается на насторожённости врача и жалобах пациентки. Ключевыми инструментами диагностики остаются электрокардиография, эхокардиография, а при необходимости — магнитно-резонансная томография [1].

Эффективное ведение беременных с заболеваниями сердца требует участия мультидисциплинарной команды, включающей кардиологов, акушеров-гинекологов, анестезиологов и смежных специалистов [1]. По нашему мнению, особая роль принадлежит анестезиологу-реаниматологу, который обеспечивает оценку перипартального риска, выбор оптимальной тактики обезболивания и поддержание стабильной гемодинамики во время родов или хирургических вмешательств.

Отдельного внимания заслуживает внедрение технологий искусственного интеллекта (ИИ), которые в последние годы находят всё большее применение в клинической медицине. Системы на основе методов машинного обучения и глубокого анализа позволяют интегрировать и интерпретировать большие массивы клинических и визуализационных данных, что открывает новые возможности для ранней диагностики, стратификации риска и прогнозирования исходов [7, 8]. Следует подчеркнуть, что ИИ не подменяет клиническое мышление, а расширяет его возможности, обеспечивая поддержку в принятии решений. Учитывая значимость визуализационных методов и диагностики в кардиологии, перспективы применения ИИ в акушерстве высокого риска у пациенток с ССЗ представляются особенно актуальными [4, 6, 9].

В настоящем обзоре рассмотрены современные подходы к ведению беременности у женщин с ССЗ и перспективные возможности интеграции ИИ в данную область.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СТРАТИФИКАЦИИ РИСКОВ

Оценка риска сердечно-сосудистых осложнений у беременных является фундаментальной частью дородового консультирования, а также важным инструментом планирования наблюдения в антенатальном, интранатальном и послеродовом периодах. Для пациенток с заболеваниями сердца разработано несколько систем прогнозирования, позволяющих стратифицировать риск осложнений. Так, модели CARPREG (Cardiac Disease in Pregnancy Study) I и II [10, 11], основанные на клинических данных, результатах обследования и визуализации, позволяют предсказать вероятность кардиальных осложнений во время беременности. Шкала ZAHARA (Zwangerschap bij Aangeboren Hartafwijking) [12] акцентирует внимание преимущественно на женщинах с врождёнными пороками сердца. В последние годы широкое распространение получила модифицированная классификация Всемирной организации здравоохранения, разделяющая женщин на пять категорий риска в зависимости от характера патологии сердца, каждая из которых ассоциирована с определённой вероятностью осложнений [13]. Применение этой системы обеспечивает более точное консультирование, помогает определить допустимость беременности и позволяет разработать оптимальную тактику ведения.

Традиционные прогностические модели, несмотря на свою клиническую значимость, ограничены в выявлении нелинейных взаимосвязей между факторами риска [11, 12]. В отличие от них, алгоритмы ИИ способны анализировать большие массивы мультимодальных данных, учитывать динамику изменений и выявлять сложные закономерности, недоступные при использовании классических методов многомерного анализа [2, 14, 15]. Благодаря этому ИИ рассматривают как перспективный инструмент для динамической стратификации риска и раннего выявления осложнений у беременных с ССЗ [2, 6, 9].

N. Shara и соавт. [7] представили модель машинного обучения, созданную на основе анализа более чем 6000 электронных медицинских карт, включая 604 случая сердечно-сосудистых осложнений у беременных. Наиболее частыми из них были преэклампсия (90,6%), тромбоэмболические события (2,7%), а также острое заболевание почек или почечная недостаточность (2,2%). Алгоритм учитывал как статические (анамнестические и демографические данные), так и переменные факторы (клинические симптомы и текущие наблюдения). Валидация показала, что модель способна прогнозировать развитие преэклампсии в среднем за 62 дня, инфаркта миокарда — за 66 дней, а кардиомиопатии и сердечной недостаточности — за 13 дней до постановки диагноза в медицинской документации. Несмотря на обнадёживающий потенциал, клиническая применимость заявленных временных интервалов пока остаётся под вопросом. Вероятно, данная модель наиболее полезна в качестве динамического инструмента «раннего предупреждения», используемого в течение всей беременности.

S. Zahid и соавт. [8] проанализировали данные более 2 млн беременных, из которых у 7% развились острые сердечно-сосудистые осложнения (преэклампсия/ эклампсия, перипартальная кардиомиопатия, острая сердечная недостаточность, острый коронарный синдром, аритмии, острое повреждение почек, отёк лёгких, венозная тромбоэмболия). На основе 14 переменных (демографические характеристики, анамнез, лабораторные показатели) авторы разработали прогностическую модель со 100-балльной системой оценки риска. Результаты валидации показали значение площади под ROC-кривой (Area Under the Receiver Operating Characteristic Curve, ROC-AUC) — 0,68, что указывает на умеренную предсказательную ценность и необходимость дальнейшего совершенствования модели перед внедрением в практику. Несмотря на ограниченную прогностическую точность, данное исследование продемонстрировало возможности ИИ в обработке больших массивов данных и быстрой стратификации риска при оказании помощи в послеродовом периоде.

Таким образом, использование технологий ИИ в стратификации рисков у беременных с ССЗ представляет перспективное направление. Однако для их широкого внедрения необходимы более высокая точность прогнозов, стандартизация моделей и подтверждение их клинической эффективности в проспективных исследованиях.

НАРУШЕНИЯ СЕРДЕЧНОГО РИТМА ВО ВРЕМЯ БЕРЕМЕННОСТИ И РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОЦЕНКЕ РИТМА

Физиологические изменения во время беременности оказывают значительную нагрузку на сердечно-сосудистую систему и могут провоцировать как дебют аритмий, так и обострение существующих нарушений ритма. Наибольшему риску подвержены женщины с врождёнными пороками сердца, кардиомиопатиями и ранее диагностированными аритмиями. Наиболее часто у беременных встречают наджелудочковые тахикардии, реже — желудочковые аритмии. По данным регистра ROPAC (Registry of Pregnancy and Cardiac Disease), их частота в период беременности у женщин с ССЗ составляет 1,7 и 1,6% соответственно [9].

Ведение аритмий у беременных имеет свои особенности и несколько отличается от стандартных протоколов, используемых у небеременных. Основное внимание уделяют безопасности как матери, так и плода, что ограничивает использование определённых антиаритмических препаратов вследствие их потенциальных тератогенных эффектов. В случае резистентных аритмий кардиоверсия и катетерная абляция остаются эффективными и относительно безопасными методами лечения [1, 16].

Диагностика аритмий у беременных традиционно основана на записи стандартной электрокардиограммы (ЭКГ) или проведении холтеровского мониторирования. Эти методы просты, доступны и неинвазивны, однако их интерпретация может варьировать в зависимости от опыта и квалификации врача [17]. Именно на этом этапе значимым представляется потенциал применения ИИ для стандартизации и повышения точности анализа электрокардиографических данных.

Несмотря на то, что исследований по применению технологий ИИ в диагностике аритмий у беременных практически нет, многочисленные работы в популяции небеременных демонстрируют многообещающие результаты [14, 18–21]. Так, нейронные сети показали способность выявлять аритмии на ЭКГ (как в 12 стандартных отведениях, так и в одном отведении) с точностью, сопоставимой или даже превосходящей опытных кардиологов [14]. Более того, разработаны модели, способные прогнозировать развитие фибрилляции предсердий на основании стандартной ЭКГ в покое при сохранённом синусовом ритме [14, 18, 19]. Эти возможности подтверждены как при анализе рутинных 12-канальных ЭКГ, так и при кратковременном амбулаторном мониторинге или использовании домашних устройств для регистрации одномерной ЭКГ [20, 21]. Таким образом, ИИ способен выявлять пациентов с высоким риском развития клинически значимых аритмий даже при отсутствии их явных проявлений.

Перспективы расширяются вследствие активного внедрения носимых устройств (Wearables), регистрирующих сердечный ритм с помощью фотоплетизмографии. Результаты масштабных проектов, таких как Huawei Heart Study [22] и Apple Heart Study [23], показали, что носимые устройства способны эффективно выявлять фибрилляцию предсердий, открывая новые подходы к дистанционному скринингу и мониторингу. Применение моделей ИИ к данным, полученным с носимых устройств, позволяет повысить чувствительность и специфичность диагностики, обеспечивая более надёжный долгосрочный мониторинг.

Хотя исследования по использованию ИИ для выявления аритмий у беременных пока отсутствуют, результаты, полученные в общей популяции, позволяют рассматривать данное направление как перспективное (табл. 1). В будущем интеграция ИИ с носимыми устройствами и стандартными методами диагностики может стать важным шагом к персонализированному мониторингу беременных с высоким риском аритмий и улучшению исходов как для матери, так и для плода.

 

Таблица 1. Нарушения сердечного ритма при беременности и возможности применения искусственного интеллекта

Патология/технология	Частота/характеристика	Методы диагностики	Потенциал искусственного интеллекта	Ссылка
Наджелудочковые тахикардии	~ 1,7% у беременных с сердечно-сосудистыми заболеваниями	Стандартная электрокардиография, холтеровское мониторирование	Способен автоматизировать интерпретацию электрокардиограмм и выявлять скрытые формы аритмии	[9]
Желудочковые аритмии	~ 1,6% у беременных с сердечно-сосудистыми заболеваниями	Электрокардиография, наблюдение в условиях стационара	Модели машинного обучения позволяют прогнозировать развитие угрожающих аритмий	[9]
Электрокардиография (12 отведений)	Базовый метод, доступный и неинвазивный	Интерпретация варьирует между специалистами	Нейросети распознают аритмии с точностью, сопоставимой или выше кардиологов	[14, 17]
Прогнозирование фибрилляции предсердий	Даже при нормальной электрокардиограмме в синусовом ритме возможно выявление риска	Алгоритмы глубокого обучения анализируют скрытые паттерны	Ранняя стратификация риска развития фибрилляции предсердий	[14, 18 19]
Амбулаторное и домашнее мониторирование электрокардиограммы (I отведение)	Применяется для длительного наблюдения	Накопители электрокардиограмм, портативные устройства	Выявляет пациентов с высоким риском скрытой фибрилляции предсердий	[20, 21]
Носимые устройства (Wearables) с фотоплетизмографией	Массовое использование, удобный метод самоконтроля	Контроль частоты сердечных сокращений и ритма через смарт-часы и браслеты	Повышает чувствительность и специфичность диагностики фибрилляции предсердий	[22, 23]

 

СЕРДЕЧНАЯ НЕДОСТАТОЧНОСТЬ ВО ВРЕМЯ БЕРЕМЕННОСТИ И ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Сердечная недостаточность во время беременности является одним из наиболее серьёзных осложнений акушерской практики. Её развитие обусловлено сочетанием врождённых и приобретённых заболеваний сердца, а также уникальными физиологическими изменениями периода гестации. У некоторых женщин сердечная недостаточность манифестирует впервые именно во время беременности, что часто связано с недиагностированными ранее кардиомиопатиями. У других пациенток физиологическая нагрузка, включающая увеличение объёма циркулирующей крови и сердечного выброса, а также гормональные и иммунные изменения, приводит к декомпенсации существующих ССЗ [24].

Особое место занимают две формы сердечной недостаточности, встречающиеся преимущественно в акушерской практике.

• Перипартальная кардиомиопатия — систолическая сердечная недостаточность, связанная с дисфункцией левого желудочка и снижением его фракции выброса (< 45%), которая развивается в последний месяц беременности или в течение пяти месяцев после родов. Заболевание часто имеет тяжёлое течение и сопровождается высоким риском жизнеугрожающих аритмий, тромбоэмболий и прогрессирования сердечной недостаточности [25].
• Сердечная недостаточность с сохранённой фракцией выброса, при которой характерную симптоматику сердечной недостаточности наблюдают при нормальной или близкой к нормальной фракции выброса левого желудочка. Чаще всего она ассоциирована с артериальной гипертензией, ожирением и преэклампсией [24, 26].

Клиническое ведение пациенток с сердечной недостаточностью во время беременности осложняется ограниченностью терапевтического арсенала вследствие возможного тератогенного действия препаратов. Основу терапии составляют диуретики для устранения гиперволемии, β-адреноблокаторы для контроля частоты сердечных сокращений и снижения потребности миокарда в кислороде, дигоксин при систолической дисфункции, а также гидралазин и нитраты для уменьшения постнагрузки в тяжёлых случаях [27]. Несмотря на наличие этих подходов, ключевым фактором остаётся своевременная диагностика, позволяющая выявить перипартальную кардиомиопатию и начать лечение до развития необратимых осложнений [1, 2, 5].

Традиционная диагностика сердечной недостаточности включает клиническую оценку, проведение эхокардиографии и определение концентраций натрийуретических пептидов [1, 28]. Однако симптомы — одышка, усталость, отёки — часто имитируют нормальные проявления беременности, а лабораторные маркёры и эхокардиография не всегда доступны, особенно в регионах с ограниченными ресурсами [1, 4, 28]. Это определяет интерес к использованию технологий ИИ, которые способны выявлять скрытые закономерности в электрокардиографических данных и прогнозировать снижение сократительной функции миокарда [2, 5, 6].

В некоторых исследованиях последних лет показали высокую эффективность ИИ в диагностике перипартальной кардиомиопатии [29, 30]. Так, D.A. Adedinsewo и соавт. [29] проанализировали ЭКГ 1807 женщин и сопоставили их с результатами эхокардиографии. Модель глубокого обучения позволила диагностировать снижение фракции выброса левого желудочка ≤ 35% (ROC-AUC = 0,92), продемонстрировав более высокую точность по сравнению с моделью, основанной на данных о концентрации натрийуретического пептида, и многофакторной моделью, включающей демографические и клинические параметры (ROC-AUC = 0,85). Кроме того, модель предсказывала умеренное снижение фракции выброса левого желудочка < 45 и < 50% (ROC-AUC составила 0,89 и 0,87 соответственно). В исследовании Y. Lee и соавт. [30], авторы использовали более 58 тыс. пар ЭКГ и результатов эхокардиографии для обучения модели, которая показала ROC-AUC = 0,87 при внешней валидации среди 157 беременных и родильниц.

Интерес представляют работы, где проверяли применимость упрощённых методов регистрации [31, 32]. Так, Y.M. Jung и соавт. [31] оценивали эффективность программного обеспечения на основе ИИ для анализа как 12-канальной ЭКГ, так и в одном отведении (I отведение) для скрининга перипартальной кардиомиопатии. У 204 женщин модель продемонстрировала высокую диагностическую точность: ROC-AUC составила 0,979 и 0,944 соответственно, что свидетельствует о перспективности применения подобных технологий в носимых устройствах. I. Karabayir и соавт. [32] разработали модель на основе данных, извлечённых из ЭКГ небеременных, и проверили её на двух когортах беременных. Несмотря на различия в выборках, модель показала сопоставимую точность (ROC-AUC от 0,73 до 0,94), что подтверждает универсальность подхода.

Отдельного внимания заслуживает инновационный метод, предложенный D.A. Adedinsewo и соавт. [33]. Авторы применили цифровой стетоскоп для одновременной записи одномерной ЭКГ и фонокардиограммы у 100 женщин в течение беременности и в послеродовом периоде. Модель ИИ достигла ROC-AUC = 1,0 при анализе ЭКГ в 12 отведениях и ROC-AUC = 0,987 при анализе одномерной ЭКГ в сочетании с фонокардиограммой. Этот подход позволяет проводить диагностику у постели пациентки без использования сложного оборудования.

Значимым достижением стало первое рандомизированное клиническое исследование, проведённое в Нигерии [34]. В него включены 1232 женщины, рандомизированные на две группы: 1-я группа — стандартная акушерская помощь; 2-я группа — стандартная помощь с дополнительным применением технологии ИИ (анализ ЭКГ, цифровой стетоскоп, эхокардиография при необходимости). Использование технологий ИИ позволило почти вдвое чаще выявлять перипартальную кардиомиопатию, чем в случае стандартной практики, однако различия между интерпретацией ЭКГ с ИИ и обычной клинической оценкой не достигли статистической значимости.

Таким образом, накопленные данные свидетельствуют, что модели ИИ демонстрируют высокую диагностическую точность (ROC-AUC > 0,9) при выявлении перипартальной кардиомиопатии и дисфункции левого желудочка [31, 34]. Их применение особенно перспективно в условиях ограниченных ресурсов и при использовании упрощённых технологий (одномерная ЭКГ, цифровой стетоскоп, носимые устройства) (табл. 2). В то же время для интеграции ИИ в клинические алгоритмы необходимы крупные многоцентровые исследования, стандартизация методик и оценка их влияния на исходы для матери и ребёнка.

 

Таблица 2. Сердечная недостаточность во время беременности и применение искусственного интеллекта

Авторы	Год	Дизайн	Выборка	Метод	Основные результаты	ROC-AUC
D.A. Adedinsewo и соавт. [29]	2021	Ретроспективное исследование	1807 женщин, ЭКГ + ЭхоКГ	Глубокое обучение на ЭКГ (12 отведений)	Определение ФВЛЖ ≤ 35%	0,92
Y. Lee и соавт. [30]	2022	Ретроспективное исследование	58 350 пар ЭКГ + ЭхоКГ, валидация на 157 женщинах	Нейросеть для прогнозирования ФВЛЖ	Диагностика ППКМ	0,87
Y. M. Jung и соавт. [31]	2023	Ретроспективное исследование	204 женщины	ЭКГ (12 и 1 отведение) + ИИ	Выявление ППКМ	0,979/0,944
I. Karabayir и соавт. [32]	2024	Одноцентровое ретроспективное исследование	2 когорты беременных, модель обучена на небеременных	ЭКГ (12 отведений)	Диагностика ППКМ	0,73–0,94
D.A. Adedinsewo и соавт. [33]	2024	Проспективное исследование	100 женщин	ЭКГ (12 и 1 отведение), цифровой стетоскоп	Выявление ФВЛЖ < 50%	1,0/0,987
D.A. Adedinsewo и соавт. [34]	2024	Рандомизированное клиническое исследование	1232 женщины	ЭКГ (12 отведений), цифровой стетоскоп	Диагностика ППКМ выше по сравнению со стандартной практикой	> 0,9

Примечание. ППКМ — перипартальная кардиомиопатия; ФВЛЖ — фракция выброса левого желудочка; ЭКГ — электрокардиограмма; ЭхоКГ — эхокардиография; ИИ — искусственный интеллект; ROC-AUC (Area the Under Curve) — площадь под ROC-кривой, показатель диагностической или прогностической точности модели.

 

ПОРОКИ КЛАПАНОВ СЕРДЦА И ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Клапанные пороки сердца составляют значительную часть сердечно-сосудистой патологии у беременных, на их долю приходится около 27% всех случаев заболеваний сердца у матерей [35]. Этиология варьирует в зависимости от региона: в странах с высоким уровнем дохода преобладают врождённые аномалии развития клапанов [3, 10], тогда как в странах с низким и средним уровнем дохода ведущую роль сохраняют ревматические поражения сердца [1, 3, 10].

Тяжёлые клапанные пороки ассоциированы с высоким риском как материнских, так и перинатальных осложнений. При стенозирующих поражениях (митральный или аортальный стеноз) фиксированное препятствие кровотоку ограничивает возможность увеличения сердечного выброса, что приводит к повышенному давлению в предсердиях, лёгочной гипертензии, отёку лёгких и аритмиям уже во II триместре беременности. При регургитирующих пороках (митральная или аортальная недостаточность) клиническое течение часто более благоприятное вследствие снижения постнагрузки во время беременности, однако тяжёлая регургитация может провоцировать декомпенсацию сердечной деятельности на поздних сроках [28].

Тактика ведения беременных с клапанными пороками во многом зависит от степени их выраженности. В большинстве случаев возможно проведение медикаментозной терапии (диуретики, β-адреноблокаторы, антиаритмические препараты), однако при жизнеугрожающих состояниях может потребоваться вмешательство: баллонная вальвулопластика или транскатетерная имплантация аортального клапана во время беременности либо хирургическая коррекция в послеродовом периоде [1, 28].

В последние годы активно изучают роль ИИ в диагностике и лечении клапанных пороках сердца [36, 37]. В общей популяции ИИ уже продемонстрировал значительные преимущества: интерпретация фонокардиограмм, полученных с помощью цифровых стетоскопов, оказалась более чем в два раза чувствительнее в выявлении клапанной патологии по сравнению с врачами первичного звена [36]. Кроме того, ИИ показал высокую эффективность в анализе результатов эхокардиографии. G. Holste и соавт. [37] разработали модель, способную диагностировать тяжёлый аортальный стеноз на основании двухмерных эхокардиографических изображений без необходимости применения допплеровского режима.

Хотя подобные разработки ещё не были системно апробированы у беременных, они открывают значительные перспективы для акушерской практики (табл. 3). По нашему мнению, использование технологий ИИ для анализа аускультации и эхокардиографических данных у беременных позволит стандартизировать интерпретацию, повысить точность диагностики и обеспечить раннее выявление критических пороков. Это, в свою очередь, может улучшить стратификацию риска и оптимизировать выбор тактики ведения, включая своевременное направление пациентки в специализированный центр.

 

Таблица 3. Пороки клапанов сердца у беременных и применение искусственного интеллекта

Тип порока	Гемодинамические изменения при беременности	Риск осложнений	Клиническая тактика	Потенциал применения искусственного интеллекта
Митральный стеноз	Фиксированное препятствие кровотоку, повышение давления в левом предсердии, риск лёгочной гипертензии	Отёк лёгких, аритмии, сердечная недостаточность уже во II триместре	диуретики, β-адреноблокаторы; при тяжёлых формах — баллонная вальвулопластика	Интерпретация фонокардиограмм для раннего выявления стеноза; анализ результатов ЭхоКГ для оценки тяжести
Аортальный стеноз	Ограничение увеличения сердечного выброса, повышение нагрузки на левый желудочек	Сердечная недостаточность, синкопальные состояния, риск внезапной смерти	медикаментозная терапия; при критических формах — транскатетерная имплантация аортального клапана	Анализ результатов ЭхоКГ для автоматической диагностики тяжёлого аортального стеноза
Митральная регургитация	Объёмная перегрузка левого желудочка, частично компенсируется снижением постнагрузки	Декомпенсация на поздних сроках, аритмии	консервативное лечение; хирургическая коррекция чаще в послеродовом периоде	Анализ результатов ЭхоКГ для динамического контроля прогрессирования
Аортальная регургитация	Перегрузка объёмом левого желудочка, обычно лучше переносится за счёт снижения постнагрузки	При тяжёлой форме — сердечная недостаточность, неблагоприятные перинатальные исходы	медикаментозное лечение; хирургическое вмешательство после родов	Стандартизация интерпретации результатов ЭхоКГ и выявление скрытой дисфункции

Примечание. ЭхоКГ — эхокардиография.

 

Таким образом, в будущем технологии ИИ могут стать важным дополнением к традиционным методам диагностики клапанных пороков сердца у беременных, способствуя повышению качества оказания медицинской помощи и снижению риска неблагоприятных исходов как для матери, так и для плода.

ГИПЕРТЕНЗИВНЫЕ РАССТРОЙСТВА ВО ВРЕМЯ БЕРЕМЕННОСТИ И ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Гипертензивные расстройства во время беременности являются одной из наиболее значимых причин материнской и перинатальной заболеваемости и смертности, встречаясь в 6–8% случаев всех беременностей [26]. К ним относят хроническую артериальную гипертензию, гестационную гипертензию, преэклампсию, эклампсию и HELLP-синдром. Эти состояния имеют различные патофизиологические механизмы, однако объединены высоким риском неблагоприятных исходов для матери и плода [1, 4]. Для матери гипертензивные расстройства во время беременности связаны с сердечно-сосудистой декомпенсацией, инсультом, полиорганной недостаточностью, а для плода — с задержкой внутриутробного развития, преждевременными родами и антенатальной гибелью [6, 26].

Традиционная диагностика включает измерение артериального давления с помощью сфигмоманометра, лабораторные тесты и ультразвуковое исследование. Однако эти методы имеют ограниченную прогностическую ценность. ИИ открыл новые перспективы в мониторинге и прогнозировании гипертензивных расстройств во время беременности. Продемонстрирована возможность прогнозирования артериального давления с использованием суррогатных сигналов — фотоплетизмограммы и одномерной ЭКГ, которые могут быть интегрированы в носимые устройства, обеспечивая непрерывный мониторинг [38, 39]. Кроме того, разработаны модели, позволяющие предсказать индивидуальную реакцию на антигипертензивную терапию, что открывает путь к персонализированному лечению [40, 41].

Отдельный интерес представляют исследования, посвящённые диагностике преэклампсии с использованием ЭКГ. Так, L. Butler и соавт. [42] обучили нейронную сеть с использованием данных, извлечённых из коротких ЭКГ в 12 отведениях (904 записи), протестировав её на независимой когорте (817 записей ЭКГ). Модель показала высокую точность (ROC-AUC — 0,85 и 0,81 соответственно), включая анализ записей за 30–90 дней до постановки диагноза и при ранней преэклампсии (< 34 нед.). Этот результат обусловлен изменениями электрической активности сердца во время преэклампсии — удлинением интервалов Q–T/Q–Tc, увеличением их дисперсии и изменением зубца Р, что отражает реполяризационные нарушения и электрическое ремоделирование на фоне эндотелиальной дисфункции [43, 44].

Другой подход — интеграция демографических характеристик и биомаркёров в прогностические модели. Так, M.M. Gil и соавт. [45] использовали данные более 30 тыс. беременных, включающие индекс пульсации маточных артерий, среднее артериальное давление, плацентарный фактор роста и ассоциированный с беременностью протеин-А плазмы. При уровне ложноположительных результатов 10% модель выявляла раннюю преэклампсию в 75,3% случаев (ROC-AUC = 0,909). Валидация в испанском исследовании PREVAL (10 110 женщин) показала сопоставимую эффективность: выявление ранней преэклампсии (< 34 нед.) — 84,4% (ROC-AUC = 0,920), преждевременной (< 37 нед.) — 77,8% (ROC-AUC = 0,913), всех случаев — 55,7% (ROC-AUC = 0,846). Эти результаты оказались сравнимы с моделью конкурирующих рисков Фонда фетальной медицины, но в отношении ранней преэклампсии ИИ продемонстрировал более высокую точность.

Таким образом, ИИ обладает значительным потенциалом в прогнозировании и диагностике гипертензивных расстройств во время беременности:

• выявление субклинических изменений по ЭКГ задолго до клинической манифестации;
• интеграция демографических и биохимических данных для стратификации риска;
• использование носимых устройств для динамического наблюдения;
• прогнозирование индивидуальной реакции на терапию.

Несмотря на то, что большинство моделей пока находятся на стадии валидации, полученные результаты демонстрируют перспективность внедрения ИИ в алгоритмы раннего скрининга и наблюдения за беременными высокого риска [9, 43, 44].

ОСТРЫЙ КОРОНАРНЫЙ СИНДРОМ ВО ВРЕМЯ БЕРЕМЕННОСТИ И РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Острый коронарный синдром у беременных встречают относительно редко, он составляет менее 2% всех сердечно-сосудистых осложнений в этой группе [46]. В отличие от общей популяции, где основной причиной острого коронарного синдрома является атеросклероз, у беременных и женщин в послеродовом периоде ведущим фактором становится спонтанное расслоение коронарных артерий (СРКА), на долю которого приходится более 40% случаев [47]. Повышенная уязвимость сосудистой стенки в этот период ассоциирована с гормонально обусловленными изменениями соединительной ткани под влиянием эстрогенов и прогестерона, а также с возросшей гемодинамической нагрузкой [48]. Известными факторами риска СРКА являются заболевания соединительной ткани и перенесённое расслоение в анамнезе, однако у значительной части пациенток заболевание развивается при отсутствии традиционных предикторов [49].

Его ранняя и точная диагностика имеет критическое значение для выбора тактики лечения. Несмотря на то что коронарография остаётся «золотым стандартом», её двухмерные изображения не всегда позволяют выявить интрамуральную гематому или атипичные формы расслоения, что может приводить к ошибкам. В свою очередь, внутрисосудистое ультразвуковое исследование и оптическая когерентная томография обладают более высокой чувствительностью, однако их применение ограничено вследствие инвазивности, технических трудностей и повышенного риска при беременности [50]. Эти ограничения подчёркивают необходимость совершенствования интерпретации коронарографии.

В последние годы активно разрабатывают технологии количественной коронарографии на основе ИИ, позволяющие автоматизировать анализ изображений. Модель DeepDiscern, представленная J. Chae и соавт. [51], продемонстрировала точность 87,6% при выявлении коронарных патологий, включая расслоения. Y. Kim и соавт. [52] показали, что количественная коронарография на основе ИИ не уступает чрескожному коронарному вмешательству под контролем оптической когерентной томографии в оптимизации стентирования, что делает её потенциальной альтернативой в определённых клинических сценариях. Хотя эти подходы ещё не апробированы специально для диагностики СРКА у беременных, по нашему мнению, они представляют перспективное направление для повышения точности диагностики и своевременного вмешательства.

ИИ также полезен в прогнозировании риска неблагоприятных исходов. В ретроспективном исследовании C. Krittanawong и соавт. [53], включавшем 375 пациентов с СРКА (средний возраст 52,2 года, женщины — 64,3%), смертность составила 11,5%. Модель глубокого обучения продемонстрировала значительно более высокую прогностическую точность (ROC-AUC = 0,98), чем традиционные методы, включая логистическую регрессию. Среди ключевых предикторов повышенной смертности были: высокая концентрация С-реактивного белка, фибрилляция предсердий, артериальная гипертензия и применение стероидов. Эти данные открывают возможности для разработки специализированных моделей риска у беременных с СРКА, где потенциальные факторы могут отличаться.

Таким образом, острый коронарный синдром во время беременности, несмотря на редкость, характеризуется высокой клинической значимостью и уникальными особенностями патогенеза. Внедрение технологий ИИ в анализ изображений коронарографии и прогнозирование исходов представляет перспективное направление, способное повысить точность диагностики, сократить риск пропуска СРКА и улучшить исходы как для матери, так и для ребёнка.

ЛЁГОЧНАЯ ГИПЕРТЕНЗИЯ ВО ВРЕМЯ БЕРЕМЕННОСТИ И ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Лёгочная гипертензия представляет тяжёлое, угрожающее жизни состояние, характеризующееся стойким повышением давления в лёгочных артериях, что приводит к перегрузке правого желудочка и прогрессирующей сердечной недостаточности. Беременность у женщин с лёгочной гипертензией классифицируется как IV класс риска по модифицированной классификации Всемирной организации здравоохранения и считается противопоказанной в связи с высокой материнской и перинатальной смертностью. По данным систематического обзора R. Ma и соавт. [54], средний уровень материнской летальности при лёгочной гипертензии средней и тяжёлой степени составляет около 9%.

Тем не менее в случае наступления и сохранения беременности терапевтические возможности ограничены вследствие тератогенного действия некоторых препаратов. Антагонисты рецепторов эндотелина и стимуляторы растворимой гуанилатциклазы не применяются во время беременности. Вместе с тем ингибиторы фосфодиэстеразы-5 можно использовать для снижения лёгочного давления, тогда как простагландины (эпопростенол¹, трепростинил¹), обладающие мощным вазодилатирующим эффектом, считают относительно безопасными и их применяют для контроля гемодинамики у беременных [13].

Вне беременности в диагностике и скрининге лёгочной гипертензии активно изучают роль технологий ИИ. Так, M. Elgendi и соавт. [55] показали возможность её высокоточной идентификации на основании анализа фонокардиограмм, записанных цифровым стетоскопом: модель глубокого обучения распознавала специфический акустический паттерн (сигнатуру), связанный с повышением давления в лёгочных артериях. J. Kwon и соавт. [56] продемонстрировали эффективность нейросетевой модели при анализе ЭКГ как в одном, так и в 12 отведениях, где ИИ позволял выявлять признаки лёгочной гипертензии, ускользающие от традиционной визуальной интерпретации. Кроме того, модели машинного обучения, применённые к данным эхокардиографии, показали способность автоматизировать оценку вероятности развития лёгочной гипертензии и превосходили по точности субъективную оценку врача [57]. Дополнительно, анализ рентгенограмм грудной клетки с помощью ИИ также продемонстрировал потенциал для раннего выявления структурных признаков, указывающих на лёгочную гипертензию [58].

Совокупность этих результатов подчёркивает широту спектра методов ИИ, которые могут быть интегрированы в клиническую практику для раннего выявления и мониторинга лёгочной гипертензии. В акушерстве эти подходы особенно перспективны, так как позволяют использовать неинвазивные и доступные методы (электрокардиографию, фонокардиографию, рентгенографию) для скрининга у женщин высокого риска [55–57].

Таким образом, несмотря на ограниченность терапевтических возможностей во время беременности, внедрение технологий ИИ в диагностику лёгочной гипертензии может повысить точность раннего выявления, ускорить принятие решений о тактике ведения и потенциально улучшить прогноз как для матери, так и для ребёнка.

ОГРАНИЧЕНИЯ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЯХ ВО ВРЕМЯ БЕРЕМЕННОСТИ

Качество данных и предвзятость

Несмотря на значительный потенциал, внедрение ИИ в медицину сопровождается определёнными проблемами. Одним из ключевых барьеров остаётся качество исходных данных. Для построения надёжных моделей необходимы крупные репрезентативные базы, формируемые в основном на основе электронных медицинских карт. Однако такие данные часто бывают фрагментарными, неполными и неоднородными между различными системами здравоохранения, что снижает точность и воспроизводимость моделей. Более того, электронные медицинские карты отражают существующие системные неравенства — различия в доступе к помощи и в качестве лечения у разных социальных, этнических и демографических групп. Модели, обученные на подобных данных, рискуют не только воспроизводить эти искажения, но и усиливать их, что может приводить к несправедливым клиническим рекомендациям и неблагоприятно сказываться на уязвимых категориях пациентов [59].

Интерпретируемость, доверие и регулирование

Ещё одной серьёзной проблемой является интерпретируемость моделей. Большинство моделей ИИ функционируют как «чёрные ящики», где путь от исходных данных к прогнозу остаётся непрозрачным [59]. Это ограничивает доверие со стороны врачей, которые не готовы полагаться на рекомендации системы без чёткого понимания их обоснования. Недостаточная нормативная база также тормозит внедрение технологий: отсутствуют стандартизированные процедуры валидации, пострыночного контроля и правовые механизмы распределения ответственности в случае неблагоприятных исходов [1, 6].

Определённые опасения высказывают и пациенты — как в части участия ИИ в принятии клинических решений, так и в отношении использования их персональных данных для обучения моделей. Защита конфиденциальности и обеспечение прозрачных механизмов согласия остаются критически важными этическими задачами [1, 59].

ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ

Скрининг

На сегодняшний день отсутствуют унифицированные протоколы скрининга ССЗ у бессимптомных беременных. Используемый, например, в США алгоритм California Maternal CVD Screening Algorithm² представляет структурированный подход, но не учитывает возможности современных цифровых технологий. Вместе с тем исследования показывают, что ИИ способен выявлять кардиальную патологию по данным ЭКГ. Мы считаем, если эффективность будет подтверждена у беременных, то ИИ-анализ короткой ЭКГ может стать доступным и масштабируемым методом раннего скрининга. Особенно это важно для женщин, традиционно относимых к группе низкого риска, у которых всё же возникают тяжёлые осложнения, такие как перипартальная кардиомиопатия или СРКА.

Визуализация

Рентгенография и эхокардиография являются наиболее перспективными методами для применения ИИ, учитывая объём стандартизированных данных. Модели уже продемонстрировали эффективность в автоматической сегментации, распознавании структур и выявлении патологий по данным магнитно-резонансной томографии и эхокардиографии [60, 61]. Эти технологии легко адаптируют для беременных, поскольку протоколы визуализации у них не отличаются от таковых в общей популяции. По нашему мнению, внедрение ИИ может ускорить подготовку диагностических заключений и повысить точность интерпретации, что особенно значимо для своевременной диагностики осложнений у беременных.

Удалённый мониторинг

Носимые устройства с поддержкой ИИ открывают новые возможности для амбулаторного наблюдения. Установлено, что такие системы способны предсказывать декомпенсацию сердечной недостаточности [15] и выявлять фибрилляцию предсердий [62]. Для беременных эта возможность особенно ценна, поскольку аритмии часто протекают бессимптомно или эпизодически [16]. Мы считаем, что постоянный мониторинг ЭКГ с помощью ИИ может обеспечить раннее выявление нарушений ритма, снизить потребность в стационарном наблюдении и уменьшить нагрузку на систему здравоохранения.

В табл. 4 резюмированы проблемы и перспективы применения ИИ при ССЗ во время беременности.

 

Таблица 4. Проблемы и перспективы применения искусственного интеллекта при сердечно-сосудистых заболеваниях во время беременности

Клиническое значение	Барьеры	Возможные пути решения
Качество данных и предвзятость
Ошибки в диагностике и прогнозе, риск несправедливых рекомендаций	Фрагментарность электронных медицинских карт, социальные и этнические различия	Создание единых регистров, стандартизация данных, контроль качества
Интерпретируемость алгоритмов
Недоверие врачей, ограниченное внедрение в практику	Искусственный интеллект работает как «чёрный ящик»	Разработка методов интерпретируемого искусственного интеллекта, обучение врачей
Нормативное регулирование
Риски юридической ответственности и безопасности	Отсутствие стандартов валидации и пострыночного контроля	Создание правовой базы, международные стандарты оценки искусственного интеллекта
Этические и правовые аспекты
Снижение доверия пациентов, риск утечки данных	Вопросы конфиденциальности и согласия	Законы о защите данных, прозрачные механизмы согласия
Скрининг
Выявление женщин из группы скрытого риска	Отсутствие универсальных протоколов	Применение искусственного интеллекта для анализа электрокардиограмм и биомаркёров
Визуализация
Своевременная диагностика осложнений	Перегруженность специалистов, задержка в отчётности	Автоматическая сегментация и анализ изображений с помощью искусственного интеллекта
Удалённый мониторинг
Раннее выявление аритмий и сердечной недостаточности у беременных	Ограниченный доступ к стационарному наблюдению	Носимые устройства с поддержкой искусственного интеллекта, амбулаторное наблюдение

 

ЗАКЛЮЧЕНИЕ

ИИ открывает новые перспективы в области диагностики, стратификации риска и мониторинга ССЗ во время беременности. Появляющиеся данные демонстрируют его потенциал для повышения точности раннего выявления патологии и оптимизации маршрутизации пациенток. Вместе с тем для безопасного и справедливого внедрения этих технологий в клиническую практику необходимы дальнейшие исследования, строгая клиническая валидация и нормативное регулирование.

Интеграция технологий ИИ в акушерско-кардиологическую практику способна снизить заболеваемость и смертность, улучшить качество оказания помощи и при этом минимизировать экономические затраты. Реализация этого потенциала требует междисциплинарного взаимодействия специалистов в области кардиологии, акушерства и гинекологии, медицинской информатики, биоэтики и права.

Таким образом, ИИ может стать важным инструментом в охране здоровья матери и ребёнка, однако его широкое применение должно сопровождаться ответственным научным обоснованием, этической экспертизой и созданием эффективной системы регулирования.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. Ю.А. Трусов — концепция работы, сбор литературных данных, написание текста рукописи, научное руководство; Х.Т. Шамсуева — концептуальное планирование структуры обзора, анализ литературных данных, подготовка графических материалов; М.З. Колхидова — сбор и анализ литературных данных, написание текста рукописи; А.Т. Индербиева — анализ литературных данных, написание текста рукописи; Е.Д. Барышникова, С.А. Санакоев — написание и редактирование текста рукописи; К.А. Хуснутдинова — сбор и анализ англоязычных литературных данных, написание текста рукописи; А.Е. Распономарёва, А.Р. Шабазгериева — написание текста рукописи; Х.К. Раджабов — проверка статистических данных, редактирование текста рукописи; В.Х. Кудзиева, А.В. Пономарева — подготовка графических материалов, редактирование текста рукописи; Н.К. Козырева — редактирование текста рукописи. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Неприменимо.

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима.

Генеративный искусственный интеллект. При подготовке рукописи использовали технологии генеративного искусственного интеллекта (модель ChatGPT 4.0, OpenAI). Применение искусственного интеллекта ограничивалось редактированием формулировок и выявлением стилистических и орфографических ошибок. Анализ и интерпретацию данных проводили авторы; научные выводы, изложенные в рукописи, полностью принадлежат авторам.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена в соответствии с процедурой fast-track. В рецензировании участвовали два внешних рецензента и член редакционной коллегии журнала.

ADDITIONAL INFORMATION

Author contributions: Yu.A. Trusov: conceptualization, data curation, writing — original draft, supervision; Kh.T. Shamsueva: conceptualization, data curation, visualization; M.Z. Kolkhidova: data curation, writing — original draft; A.T. Inderbieva: data curation, writing — original draft; E.D. Baryshnikova, S.A. Sanakoev: writing — original draft, writing — review & editing; K.A. Khusnutdinova: data curation (English), writing — original draft; A.E. Rasponomaryova, A.R. Shabazgerieva: writing — original draft; Kh.K. Radzhabov: formal analysis, writing — review & editing; V.Kh. Kudzieva, A.V. Ponomareva: visualization, writing — review & editing; N.K. Kozyreva: writing — review & editing. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding sources: No funding.

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: No previously published material (text, images, or data) was used in this study or article.

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

Generative AI: Generative artificial intelligence technologies (ChatGPT 4.0, OpenAI) were used during manuscript preparation. The use of artificial intelligence was limited to language editing and the identification of stylistic and spelling errors. Data analysis and interpretation were performed by the authors; all scientific conclusions presented in the manuscript are the sole responsibility of the authors.

Provenance and peer-review: This article was submitted unsolicited and reviewed following the fast-track procedure. The peer-review process involved two external reviewers and member of the Editorial Board.

¹ Лекарственное средство не зарегистрировано в Российской Федерации.

² CMQCC and California Department of Public Health Cardiovascular Disease Assessment in Pregnant and Postpartum Women [Internet]. Palo Alto: CMQCC and California Department of Public Health, 2017. Режим доступа: https://www.cmqcc.org/resource/cardiovascular-disease-assessment-pregnant-and-postpartum-women. Дата обращения: 21.11.2025.

About the authors

Yurii A. Trusov

Samara State Medical University

Email: yu.a.trusov@samsmu.ru
ORCID iD: 0000-0001-6407-3880
SPIN-code: 3203-5314
Russian Federation, Samara

Khadizhat T. Shamsueva

North-Ossetian State Medical Academy

Email: shamsuevakh1@gmail.com
ORCID iD: 0009-0003-7173-9072
Russian Federation, Vladikavkaz

Marianna Z. Kolkhidova

North-Ossetian State Medical Academy

Email: mari_kolxi@mail.ru
ORCID iD: 0009-0003-1301-8795
Russian Federation, Vladikavkaz

Albina T. Inderbieva

North-Ossetian State Medical Academy

Email: dr.inderbieva@mail.ru
ORCID iD: 0009-0007-8620-4790
Russian Federation, Vladikavkaz

Elizaveta D. Baryshnikova

The Russian National Research Medical University named after N.I. Pirogov (Pirogov University)

Email: mazhirinal2013@yandex.ru
ORCID iD: 0009-0007-6066-9354
Russian Federation, Moscow

Kamilya A. Khusnutdinova

The Russian National Research Medical University named after N.I. Pirogov (Pirogov University)

Email: Khusnutdinova.k@mail.ru
ORCID iD: 0009-0004-7935-9477
Russian Federation, Moscow

Aleksandra E. Rasponomareva

Professor V.F. Voino-Yasenetsky Krasnoyarsk State Medical University

Author for correspondence.
Email: aleksandrarasp@mail.ru
ORCID iD: 0009-0008-3382-1493
Russian Federation, Krasnoyarsk

Alina R. Shabazgerieva

North-Ossetian State Medical Academy

Email: alyashabazgerieva@gmail.com
ORCID iD: 0009-0003-5687-7098
Russian Federation, Vladikavkaz

Khadzhimurad K. Radzhabov

Penza State University

Email: khadzhimurad.radzhabov@mail.ru
ORCID iD: 0009-0004-3169-951X
Russian Federation, Penza

Stanislav A. Sanakoev

North-Ossetian State Medical Academy

Email: stas.sanakoev-2018@mail.ru
ORCID iD: 0009-0003-1058-9226
Russian Federation, Vladikavkaz

Valeria Kh. Kudzieva

Rostov State Medical University

Email: kudzievavaleria@mail.ru
ORCID iD: 0009-0006-6371-6112
Russian Federation, Rostov-on-Don

Alina V. Ponomareva

Kuban State Medical University

Email: alipon4@yandex.ru
ORCID iD: 0009-0004-3936-7982
Russian Federation, Krasnodar

Natalia K. Kozyreva

Kuban State Medical University

Email: Nata05042004@yandex.ru
ORCID iD: 0009-0003-1517-0539
Russian Federation, Krasnodar

References

Supplementary files