Digital Technologies and Artificial Intelligence in the Diagnosis of Cardiovascular Complications of Pregnancy

Abstract

Keywords

ВВЕДЕНИЕ

Беременность у женщин с сердечно-сосудистыми заболеваниями рассматривается 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 г. 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 (ВПС), 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 сердечно-сосудистых заболеваний у беременных чрезвычайно разнообразен. По данным крупнейшего международного регистра ROPAC, наиболее часто встречаются ишемическая болезнь сердца (57%), клапанные пороки (29%), кардиомиопатии (7,6%), аортопатии (3,8%), ИБС (1,6%) и лёгочная артериальная гипертензия (0,8%) [4]. Кроме структурных и приобретённых патологий сердца, значительное значение имеют осложнения беременности, оказывающие прямое влияние на сердечно-сосудистую систему. Так, тяжёлая преэклампсия, сопровождающаяся отёком лёгких или острой почечной недостаточностью, напрямую повышает риск сердечных осложнений и формирует долгосрочные кардиоваскулярные последствия.

Женщины с известными сердечно-сосудистыми заболеваниями требуют обязательного дородового консультирования, включающего оценку функционального состояния сердца, коррекцию терапии с исключением потенциально тератогенных препаратов и разработку индивидуальных рекомендаций по ведению беременности. Однако у части пациенток сердечная патология впервые манифестирует именно во время беременности или в послеродовом периоде. Так, в России значительная часть случаев материнской смертности от сердечно-сосудистых заболеваний приходится на женщин, у которых патология не была выявлена до наступления беременности и манифестировала только в родах или в послеродовом периоде [5]. Трудности диагностики обусловлены схожестью симптомов с физиологическими изменениями гестационного периода, а также слабой корреляцией клинической картины с тяжестью заболевания. В исследовании перипартальной кардиомиопатии четверть пациенток с фракцией выброса левого желудочка <25% отмечали лишь лёгкие жалобы [6]. Между 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 [7]. В настоящее время универсальных протоколов скрининга не существует, и решение о дальнейшем обследовании чаще всего основывается на настороженности врача и жалобах пациентки. Ключевыми инструментами диагностики остаются ЭКГ, эхокардиография, а при необходимости — МРТ.

Эффективное ведение беременных с заболеваниями сердца требует участия мультидисциплинарной команды, включающей кардиологов, акушеров-гинекологов, анестезиологов и смежных специалистов. 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. Следует подчеркнуть, что ИИ не подменяет клиническое мышление, а дополняет его, обеспечивая дополнительный инструмент поддержки принятия решений. Учитывая значимость визуализационных методов и диагностики в кардиологии, перспективы применения ИИ в акушерстве высокого риска у пациенток с сердечно-сосудистыми заболеваниями представляются особенно актуальными.

В настоящем обзоре рассматриваются современные подходы к ведению беременности у женщин с сердечно-сосудистыми заболеваниями и перспективные возможности интеграции искусственного интеллекта в данную область.

Искусственный интеллект в стратификации рисков

Оценка риска сердечно-сосудистых осложнений у беременных женщин является фундаментальной частью дородового консультирования, а также важным инструментом планирования наблюдения в антенатальном, интранатальном и послеродовом периодах. Для пациенток с уже существующими заболеваниями сердца разработано несколько систем прогнозирования, позволяющих стратифицировать риск осложнений. Так, модели CARPREG I и II [8, 9], основанные на клинических данных, результатах обследования и визуализации, позволяют предсказать вероятность кардиальных осложнений во время беременности. Шкала ZAHARA [10] акцентирует внимание преимущественно на женщинах с врождёнными пороками сердца. В последние годы широкое распространение получила модифицированная классификация ВОЗ, разделяющая женщин на пять категорий риска в зависимости от характера патологии сердца, каждая из которых ассоциирована с определённой вероятностью осложнений [11]. 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. В отличие от них, алгоритмы искусственного интеллекта способны анализировать большие массивы мультимодальных данных, учитывать динамику изменений и выявлять сложные закономерности, недоступные при использовании классических методов многомерного анализа. Благодаря этому ИИ рассматривается как перспективный инструмент для динамической стратификации риска и раннего выявления осложнений у беременных с сердечно-сосудистыми заболеваниями.

Shara и соавт. [12] 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%) и острое повреждение почек (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. Вероятнее всего, данная модель наиболее полезна в качестве динамического инструмента «раннего предупреждения», используемого в течение всей беременности.

Zahid и соавт. [13] проанализировали данные более 2 млн беременных женщин, 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) была разработана прогностическая модель с 100-балльной системой оценки риска. Результаты валидации показали 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 в условиях перипартальной помощи.

Таким образом, использование технологий искусственного интеллекта в стратификации рисков у беременных с сердечно-сосудистыми заболеваниями представляет собой перспективное направление. Однако для их широкого внедрения требуется 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 уже существующих нарушений ритма. Наибольшему риску подвержены женщины с врождёнными пороками сердца, кардиомиопатиями и ранее диагностированными аритмиями. Наиболее часто у беременных встречаются наджелудочковые тахикардии (НЖТ), реже — желудочковые аритмии. По данным регистра ROPAC, частота НЖТ и желудочковых аритмий в период беременности у женщин с сердечно-сосудистыми заболеваниями составляет 1,7% и 1,6% соответственно [5].

Ведение аритмий у беременных имеет свои особенности и несколько отличается от стандартных протоколов, используемых у небеременных. Основное внимание уделяется безопасности как матери, так и плода, что ограничивает использование ряда антиаритмических препаратов из-за их потенциальных тератогенных эффектов. В случае резистентных аритмий кардиоверсия и катетерная абляция остаются эффективными и относительно безопасными методами лечения.

Диагностика аритмий у беременных традиционно основана на записи стандартной ЭКГ или холтеровского мониторирования. Эти методы просты, доступны и неинвазивны, однако их интерпретация может варьировать в зависимости от опыта и квалификации врача [14]. Именно на этом этапе значимым представляется потенциал применения искусственного интеллекта (ИИ) для стандартизации и повышения точности анализа электрокардиографических данных.

Несмотря на то что исследований по применению ИИ в диагностике аритмий у беременных практически нет, многочисленные работы в популяции небеременных пациентов демонстрируют многообещающие результаты. 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 [15]. Более того, разработаны алгоритмы, способные прогнозировать развитие фибрилляции предсердий на основании стандартной ЭКГ в покое при сохранённом синусовом ритме [15, 16, 17]. Эти возможности были подтверждены как при анализе рутинных 12-канальных ЭКГ, так и при кратковременном амбулаторном мониторинге или использовании домашних устройств для регистрации одномерной ЭКГ [18, 19]. Таким образом, ИИ способен выявлять пациентов с высоким риском развития клинически значимых аритмий даже при отсутствии их явных проявлений.

Перспективы расширяются благодаря широкому внедрению носимых технологий (wearables), регистрирующих сердечный ритм с помощью фотоплетизмографии. Результаты масштабных проектов, таких как Apple Heart Study и HuaweiHeart Study, показали, что носимые устройства способны эффективно выявлять фибрилляцию предсердий, открывая новые подходы к дистанционному скринингу и мониторингу [20, 21]. Применение алгоритмов ИИ к данным, полученным с носимых гаджетов, 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 (Таблица 1). В будущем интеграция ИИ с носимыми технологиями 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.

Сердечная недостаточность во время беременности и возможности применения искусственного интеллекта

Сердечная недостаточность (СН) 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 ряда 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, рост сердечного выброса, гормональные и иммунные изменения, приводит к декомпенсации уже существующей сердечно-сосудистой патологии [22].

Особое место занимают две формы сердечной недостаточности, встречающиеся преимущественно в акушерской практике. Перипартальная кардиомиопатия (ППКМ) определяется как систолическая сердечная недостаточность, связанная с дисфункцией левого желудочка и снижением фракции выброса (ФВЛЖ <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 СН [23]. Другая форма — сердечная недостаточность с сохранённой фракцией выброса (СНсФВ), при которой характерная симптоматика СН наблюдается при нормальной или близкой к нормальной ФВЛЖ. Чаще всего она ассоциирована с артериальной гипертензией, ожирением и преэклампсией.

Клиническое ведение пациенток с сердечной недостаточностью во время беременности осложняется ограниченностью терапевтического арсенала из-за 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 [24]. Несмотря на наличие этих подходов, ключевым фактором остаётся своевременная диагностика, позволяющая выявить перипартальную кардиомиопатию и инициировать лечение до развития необратимых осложнений.

Традиционная диагностика сердечной недостаточности основана на клинической оценке, эхокардиографии и измерении натрийуретических пептидов. Однако симптомы — одышка, усталость, отёки — часто имитируют нормальные проявления беременности, а лабораторные маркёры и эхокардиография не всегда доступны, особенно в регионах с ограниченными ресурсами. Это определяет интерес к использованию технологий ИИ, которые способны выявлять скрытые закономерности в электрокардиографических данных и прогнозировать снижение сократительной функции миокарда.

Ряд исследований последних лет показал высокую эффективность ИИ в диагностике перипартальной кардиомиопатии. Так, Adedinsewo и соавт. (2021) [25] проанализировали ЭКГ 1807 женщин и сопоставили их с результатами эхокардиографии. Модель глубокого обучения позволила диагностировать снижение ФВЛЖ ≤35% с AUC = 0,92, что превысило точность натрийуретических пептидов и многомерных моделей (AUC = 0,85). Кроме того, алгоритм предсказывал умеренное снижение ФВЛЖ <45% и <50% с AUC = 0,89 и 0,87 соответственно. В исследовании Lee и соавт. [26], использовавшем более 58 000 пар ЭКГ–ЭхоКГ для обучения, модель показала AUC = 0,87 при валидации на 157 женщинах в перипартальном периоде.

Интерес представляют работы, где проверялась применимость упрощённых методов регистрации. В исследовании Jung и соавт. [27] анализ ЭКГ как в 12 стандартных, так и в одном отведении у 204 женщин показал AUC = 0,979 и 0,944 соответственно, что открывает возможности для использования носимых устройств. Karabayir и соавт. [28] разработали алгоритм на основе ЭКГ небеременных женщин и проверили его на двух когортах беременных. Несмотря на различия в выборках, модель показала сопоставимую точность (AUC от 0,73 до 0,94), что подтверждает универсальность подхода.

Отдельного внимания заслуживает инновационный метод, предложенный Adedinsewo и соавт. (2023) [29]. Авторы применили цифровой стетоскоп для одновременной записи одномерной ЭКГ и фонокардиограммы у 100 женщин в течение беременности и в послеродовом периоде. Модель ИИ достигла AUC = 1,0 при анализе ЭКГ в 12 отведениях и AUC = 0,987 при анализе одномерной ЭКГ в сочетании с фонокардиограммой. Этот подход позволяет проводить диагностику у постели больной без необходимости в сложном оборудовании.

Прорывным событием стало первое рандомизированное клиническое исследование (РКИ), выполненное Adedinsewo и соавт. (2024) [30] в Нигерии. В него были включены 1232 женщины, которые были рандомизированы в группу стандартной акушерской помощи и группу, где дополнительно применялись технологии ИИ (ЭКГ, цифровой стетоскоп, эхокардиография при необходимости). Вмешательство позволило почти вдвое чаще выявлять перипартальную кардиомиопатию, чем стандартная практика, хотя различия между интерпретацией ЭКГ с ИИ и обычной клинической оценкой не достигли статистической значимости.

Таким образом, накопленные данные свидетельствуют, что модели искусственного интеллекта демонстрируют высокую диагностическую точность (AUC >0,9) при выявлении перипартальной кардиомиопатии и дисфункции левого желудочка. Их применение особенно перспективно в условиях ограниченных ресурсов и при использовании упрощённых технологий (одномерная ЭКГ, цифровой стетоскоп, носимые устройства) (Таблица 2). В то же время для интеграции ИИ в клинические алгоритмы требуется проведение крупных многоцентровых исследований, стандартизация методик и оценка их влияния на исходы для матери и ребёнка.

Пороки клапанов сердца и возможности применения искусственного интеллекта

Клапанные пороки сердца (КПС) составляют значительную часть сердечно-сосудистой патологии у беременных, на их долю приходится около 27% всех случаев сердечных заболеваний у матерей [31]. Этиология варьирует в зависимости от региона: в странах с высоким уровнем дохода преобладают врождённые аномалии развития клапанов, тогда как в странах с низким и средним уровнем дохода ведущую роль сохраняют ревматические поражения сердца.

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 втором триместре беременности. При регургитирующих пороках (митральная или аортальная недостаточность) клиническое течение часто более благоприятное из-за снижения постнагрузки во время беременности, однако тяжёлая регургитация может провоцировать декомпенсацию сердечной деятельности на поздних сроках [32].

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

В последние годы активно изучается роль ИИ в диагностике и лечении КПС. 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 [33]. Кроме того, ИИ показал высокую эффективность в анализе эхокардиографии. Holste и соавт. разработали модель, способную диагностировать тяжёлый аортальный стеноз на основании двухмерных эхокардиографических изображений без необходимости применения допплеровского режима [34].

Хотя подобные разработки ещё не были системно апробированы у беременных, они открывают значительные перспективы для акушерской практики (Таблица 3). Использование 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.

Таким образом, в будущем технологии искусственного интеллекта 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 (ГРВБ) являются одной из наиболее значимых причин материнской и перинатальной заболеваемости и смертности, встречаясь у 6–8% всех беременностей [35]. К ним относятся хроническая артериальная гипертензия, гестационная гипертензия, преэклампсия, эклампсия и HELLP-синдром. Эти состояния имеют различные патофизиологические механизмы, однако объединяются высоким риском неблагоприятных исходов для матери и плода. Для матери ГРВБ связаны с сердечно-сосудистой декомпенсацией, инсультом, полиорганной недостаточностью, а для плода — с задержкой внутриутробного развития, преждевременными родами и антенатальной гибелью.

Традиционная диагностика основана на измерении артериального давления с помощью сфигмоманометра, лабораторных тестах и ультразвуковых показателях. Однако эти методы имеют ограниченную прогностическую ценность. Искусственный интеллект открыл новые перспективы в мониторинге и прогнозировании ГРВБ. Продемонстрирована возможность прогнозирования артериального давления с использованием суррогатных сигналов — фотоплетизмограммы и одномерной ЭКГ, которые могут быть интегрированы в носимые устройства, обеспечивая непрерывный мониторинг [36, 37]. Кроме того, разработаны модели, позволяющие предсказать индивидуальную реакцию на антигипертензивную терапию, что открывает путь к персонализированному лечению [38, 39].

Отдельный интерес представляют исследования по диагностике преэклампсии с использованием ЭКГ. Butler и соавт. [40] обучили нейронную сеть на коротких ЭКГ в 12 отведениях (904 записи), протестировав её на независимой когорте (817 ЭКГ). Алгоритм показал высокую точность (AUC = 0,85 и 0,81 соответственно), включая анализ записей за 30–90 дней до постановки диагноза и при ранней преэклампсии (<34 недель). Этот результат объясняется тем, что преэклампсия сопровождается изменениями электрической активности сердца — удлинением интервалов QT/QTc, увеличением их дисперсии и изменением зубца Р, что отражает реполяризационные нарушения и электрическое ремоделирование на фоне эндотелиальной дисфункции [41, 42].

Другой подход — интеграция демографических характеристик и биомаркеров в прогнозные модели. Gil и соавт. [43] использовали данные более 30 тыс. беременных, включающие индекс пульсации маточных артерий, среднее артериальное давление, плацентарный фактор роста и PAPP-A. При уровне ложноположительных результатов 10% модель выявляла преждевременную преэклампсию в 75,3% случаев (AUC = 0,909). Валидация в испанском исследовании PREVAL (10 110 женщин) показала сопоставимую эффективность: выявление ранней преэклампсии (<34 недель) — 84,4% (AUC = 0,920), преждевременной (<37 недель) — 77,8% (AUC = 0,913), всех случаев — 55,7% (AUC = 0,846). Эти результаты оказались сравнимы с моделью конкурирующих рисков Фонда фетальной медицины, но в отношении ранних форм преэклампсии ИИ продемонстрировал более высокую точность.

Таким образом, ИИ обладает значительным потенциалом в прогнозировании и диагностике ГРВБ:

  •           выявление субклинических изменений по ЭКГ задолго до клинической манифестации;

  •           интеграция демографических и биохимических данных для стратификации риска;

  •           использование носимых технологий 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.

Острый коронарный синдром во время беременности и роль искусственного интеллекта

Острый коронарный синдром (ОКС) у беременных встречается относительно редко, составляя менее 2% всех сердечно-сосудистых осложнений в этой группе [44]. В отличие от общей популяции, где основной причиной ОКС является атеросклероз, у беременных и женщин в послеродовом периоде ведущим фактором становится спонтанная диссекция коронарных артерий (SCAD), на долю которой приходится более 40% случаев [45]. Повышенная уязвимость сосудистой стенки в этот период связывается с гормонально обусловленными изменениями соединительной ткани под влиянием эстрогенов и прогестерона, а также с возросшей гемодинамической нагрузкой [46]. Известными факторами риска SCADявляются заболевания соединительной ткани и перенесённая диссекция в анамнезе, однако у значительной части пациенток заболевание развивается при отсутствии традиционных предикторов [47].

Ранняя и точная диагностика SCAD имеет критическое значение для выбора тактики лечения. Несмотря на то, что коронарная ангиография остаётся «золотым стандартом», её двухмерные изображения не всегда позволяют выявить интрамуральную гематому или атипичные формы расслоения, что может приводить к ошибкам. Внутрисосудистые методы, такие как внутрисосудистое ультразвуковое исследование (ВУС) и оптическая когерентная томография (ОКТ), обладают более высокой чувствительностью, однако их применение ограничено из-за инвазивности, технических трудностей и повышенного риска при беременности [48]. Эти ограничения подчёркивают необходимость совершенствования интерпретации коронарографии.

В последние годы активно разрабатываются технологии количественной коронарографии на основе искусственного интеллекта (AI-QCA), позволяющие автоматизировать анализ изображений. Модель DeepDiscern, представленная Chae и соавт. [49], продемонстрировала точность 87,6% при выявлении коронарных патологий, включая расслоения. Kim и соавт. [50] показали, что AI-QCA не уступает чрескожному коронарному вмешательству (ЧКВ) под контролем ОКТ в оптимизации стентирования, что делает её потенциальной альтернативой ОКТ в ряде клинических сценариев. Хотя эти подходы ещё не были апробированы специально для диагностики SCAD у беременных, они представляют собой перспективное направление для повышения точности диагностики и своевременного вмешательства.

ИИ также может быть полезен в прогнозировании риска неблагоприятных исходов. В ретроспективном исследовании Krittanawong и соавт. [51], включавшем 375 пациентов со SCAD (средний возраст 52,2 года, 64,3% женщины), смертность составила 11,5%. Модель глубокого обучения продемонстрировала значительно более высокую прогностическую точность (AUC = 0,98), чем традиционные методы, включая логистическую регрессию. Среди ключевых предикторов повышенной смертности были выявлены высокий уровень С-реактивного белка, фибрилляция предсердий, артериальная гипертензия и применение стероидов. Эти данные открывают возможности для разработки специализированных моделей риска у беременных с SCAD, 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 искусственного интеллекта в анализ коронарных изображений и прогнозирование исходов представляет собой перспективное направление, способное повысить точность диагностики, сократить риск пропуска SCAD и улучшить исходы как для матери, так и для ребёнка.

Лёгочная гипертензия во время беременности и возможности применения искусственного интеллекта

Лёгочная гипертензия (ЛГ) представляет собой 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 ЛГ классифицируется как IV класс риска по модифицированной классификации Всемирной организации здравоохранения (mWHO) и считается противопоказанной в связи с высокой материнской и перинатальной смертностью. По данным наблюдательных исследований, средний уровень материнской летальности при ЛГ средней и тяжёлой степени составляет около 9% [52].

Тем не менее, в случае наступления и сохранения беременности терапевтические возможности ограничены из-за тератогенного действия ряда препаратов. Антагонисты рецепторов эндотелина и стимуляторы растворимой гуанилатциклазы не применяются во время беременности. Вместе с тем ингибиторы фосфодиэстеразы-5 могут использоваться для снижения лёгочного давления, а простагландины (эпопростенол, трепростинил), обладающие мощным вазодилатирующим эффектом, считаются относительно безопасными и применяются для контроля гемодинамики у беременных.

Вне беременности в диагностике и скрининге ЛГ активно изучается роль технологий ИИ. Elgendi и соавт. [53] показали возможность высокоточной идентификации ЛГ на основании анализа фонокардиограмм, записанных цифровым стетоскопом: алгоритм глубокого обучения распознавал специфический акустический паттерн («сигнатуру»), связанный с повышением давления в лёгочных артериях. Другие исследования продемонстрировали эффективность нейросетевых моделей при анализе ЭКГ как в одном, так и в 12 отведениях, где ИИ позволял выявлять признаки лёгочной гипертензии, ускользающие от традиционной визуальной интерпретации [54]. Кроме того, алгоритмы машинного обучения, применённые к данным эхокардиографии, показали способность автоматизировать оценку вероятности ЛГ и превосходили по точности субъективную оценку врача [55]. Дополнительно, анализ рентгенограмм грудной клетки с помощью ИИ также продемонстрировал потенциал для раннего выявления структурных признаков, указывающих на лёгочную гипертензию [56].

Совокупность этих результатов подчёркивает широту спектра методов ИИ, которые могут быть интегрированы в клиническую практику для раннего выявления и мониторинга ЛГ. В акушерстве эти подходы особенно перспективны, так как позволяют использовать неинвазивные, доступные методы (ЭКГ, фонокардиография, рентгенография) для скрининга у женщин высокого риска.

Таким образом, несмотря на ограниченность терапевтических возможностей во время беременности, внедрение технологий искусственного интеллекта 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 рядом проблем. Одним из ключевых барьеров остаётся качество исходных данных. Для построения надёжных алгоритмов необходимы крупные репрезентативные базы, формируемые в основном на основе электронных медицинских карт (ЭМК). Однако такие данные часто бывают фрагментарными, неполными и разнородными в разных системах здравоохранения, что снижает точность и воспроизводимость моделей. Более того, ЭМК отражают существующие системные неравенства — различия в доступе к помощи и в качестве лечения у разных социальных, этнических и демографических групп. Алгоритмы, 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 [57].

Интерпретируемость, доверие и регулирование

Ещё одной серьёзной проблемой является интерпретируемость моделей. Большинство алгоритмов ИИ функционируют как «чёрные ящики», где путь от исходных данных к прогнозу остаётся непрозрачным. 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.

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.

Перспективные направления развития

Скрининг

На сегодняшний день отсутствуют унифицированные протоколы скрининга сердечно-сосудистых заболеваний у бессимптомных беременных. Используемый, например, в США алгоритм California Maternal CVD Screening Algorithm [58] представляет собой структурированный подход, но не учитывает возможности современных цифровых технологий. Между тем исследования показывают, что ИИ способен выявлять кардиальную патологию по данным ЭКГ. Если эффективность будет подтверждена у беременных, 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 спонтанная диссекция коронарных артерий.

Визуализация

Рентгенология и эхокардиография являются наиболее перспективными направлениями применения ИИ, учитывая объём стандартизированных данных. Алгоритмы уже продемонстрировали эффективность в автоматической сегментации, распознавании структур и выявлении патологий по данным МРТ и эхокардиографии [59, 60]. Эти технологии легко адаптируются для беременных, поскольку протоколы визуализации у них не отличаются от таковых в общей популяции. 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. Уже показано, что такие системы способны предсказывать декомпенсацию сердечной недостаточности [61] и выявлять фибрилляцию предсердий [62]. Для беременных эта возможность особенно ценна, поскольку аритмии часто протекают бессимптомно или эпизодически [63]. Постоянный мониторинг ЭКГ с помощью ИИ может обеспечить раннее выявление нарушений ритма, снизить потребность в стационарном наблюдении и уменьшить нагрузку на систему здравоохранения.

В таблице 4 суммированы проблемы и перспективы применения искусственного интеллекта при сердечно-сосудистых заболеваниях во время беременности.

Заключение

Искусственный интеллект открывает новые перспективы в области диагностики, стратификации риска и мониторинга сердечно-сосудистых заболеваний 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 ИИ-инструментов 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, искусственный интеллект 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.