Системы искусственного интеллекта для прогнозирования исходов при хронической ишемической болезни сердца у пациентов, перенёсших кардиохирургическое вмешательство, в зависимости от наличия анемического синдрома: обзор литературы
- Авторы: Калюта Т.Ю.1, Емельянова И.П.1, Суворов В.В.1, Федонников А.С.1
-
Учреждения:
- Саратовский государственный медицинский университет имени В.И. Разумовского
- Выпуск: Том 30, № 5 (2024)
- Страницы: 486-493
- Раздел: Обзоры
- URL: https://journal-vniispk.ru/0869-2106/article/view/277126
- DOI: https://doi.org/10.17816/medjrf635256
- ID: 277126
Цитировать
Аннотация
Обоснование. Ежегодно в России число лиц, перенёсших кардиохирургические вмешательства, превышает 600 тыс. Среди них анемия встречается у 30–70% человек, что в 4 раза повышает риск летального исхода в течение года, в 5 раз — риск тромбоза стента, в 1,3 раза — риск рецидивов острых коронарных событий и в 2 раза — риск кровотечений. Однако среди разработанных систем прогнозирования с применением технологий искусственного интеллекта (ИИ) лишь немногие учитывают наличие анемического синдрома. Имеющиеся цифровые платформы не сфокусированы на поддержке принятия врачебных решений.
Цель обзора — анализ существующих платформ ИИ для прогнозирования течения ишемической болезни сердца (ИБС) и систем, учитывающих наличие анемического синдрома.
Материалы и методы. Проанализированы базы данных PubMed и «Российский индекс научного цитирования» с 2000 по январь 2024 года. По ключевым словам «искусственный интеллект», «анемия», «ИБС», «гемоглобин», «кардиохирургические вмешательства» найдено 906 статей, из них критериям включения в анализ соответствовало 38.
Результаты. В ряде стран мира в настоящее время созданы платформы ИИ для прогнозирования течения ИБС. В настоящем обзоре представлен анализ опубликованных данных о разработанных и используемых цифровых продуктах на основе ИИ для ведения пациентов с ИБС, в том числе учитывающих основные гематологические показатели.
Заключение. Анализ существующих разработок показал нацеленность на решение прогностических вопросов. При этом, на наш взгляд, недостаточно широк спектр анализируемых параметров. В частности, не развит учёт наличия или отсутствия анемии, играющей ключевую роль в модификации риска неблагоприятных исходов при ИБС.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Татьяна Юрьевна Калюта
Саратовский государственный медицинский университет имени В.И. Разумовского
Автор, ответственный за переписку.
Email: tatianakaluta@yandex.ru
ORCID iD: 0000-0003-3172-0804
SPIN-код: 4982-7861
канд. мед. наук
Россия, СаратовИрина Павловна Емельянова
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: irisha-9966@mail.ru
ORCID iD: 0000-0002-4178-9437
SPIN-код: 1766-8528
Россия, Саратов
Валерий Владимирович Суворов
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: valeriy_s@inbox.ru
ORCID iD: 0000-0002-4181-9034
SPIN-код: 4757-5250
канд. ист. наук
Россия, СаратовАлександр Сергеевич Федонников
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: fedonnikov@mail.ru
ORCID iD: 0000-0003-0344-4419
SPIN-код: 2248-5246
д-р мед. наук
Россия, СаратовСписок литературы
- Концевая А.В., Драпкина О.М., Баланова Ю.А., и др. Экономический ущерб сердечно-сосудистых заболеваний в Российской Федерации в 2016 году // Рациональная фармакотерапия в кардиологии. 2018. Т. 14, № 2. P. 156–166. EDN: XNSQUP doi: 10.20996/1819-6446-201814-2-156-166
- Lanser L., Fuchs D., Scharnagl H., et al. Anemia of chronic disease in patients with cardiovascular disease // Front Cardiovasc Med. 2021. Vol. 8. P. 666638. doi: 10.3389/fcvm.2021.666638
- Калюта Т.Ю., Глушакова В.Д., Глушаков И.А., и др. Анемия и острые коронарные синдромы: эпидемиология, этиология, прогностическое значение и риски кровотечений // Актуальные проблемы медицины. 2022. Т. 45, № 4. С. 325–342. EDN: UNCZUF doi: 10.52575/2687-0940-2022-45-4-325-342
- Wang H., Zu Q., Chen J., et al. Application of artificial intelligence in acute coronary syndrome: a brief literature review // Adv Ther. 2021. Vol. 38, N 10. P. 5078–5086. doi: 10.1007/s12325-021-01908-2
- Kulkarni H., Amin A.P. Artificial intelligence in percutaneous coronary intervention: improved prediction of PCI-related complications using an artificial neural network // medRxiv. 2020. doi: 10.1101/2020.08.17.20177055
- Noh Y.K., Park J.Y., Choi B.G., et al. A machine learning-based approach for the prediction of acute coronary syndrome requiring revascularization // J Med Syst. 2019. Vol. 43, N 8. P. 253. doi: 10.1007/s10916-019-1359-5
- Zack C.J., Senecal S., Kinar Y., et al. Leveraging machine learning techniques to forecast patient prognosis after percutaneous coronary intervention // JACC Cardiovasc Interv. 2019. Vol. 12, N 14. P. 1304–1311. doi: 10.1016/j.jcin.2019.02.035
- Pinaire J., Chabert E., Azé J., et al. Sequential pattern mining to predict medical in-hospital mortality from administrative data: application to acute coronary syndrome // J Healthc Eng. 2021. Vol. 2021. P. 5531807. doi: 10.1155/2021/5531807
- Berikol G.B., Yildiz O., Özcan İ.T. Diagnosis of acute coronary syndrome with a support vector machine // J Med Syst. 2016. Vol. 40, N 4. P. 84. doi: 10.1007/s10916-016-0432-6
- Than M.P., Pickering J.W., Sandoval Y., et al. Machine learning to predict the likelihood of acute myocardial infarction // Circulation. 2019. Vol. 140, N 11. P. 899–909. doi: 10.1161/CIRCULATIONAHA.119.041980
- Wu C.C., Hsu W.D., Islam M.M., et al. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain // Comput Methods Programs Biomed. 2019. Vol. 173. P. 109–117. doi: 10.1016/j.cmpb.2019.01.013
- Baxt W.G., Shofer F.S., Sites F.D., Hollander J.E. A neural network aid for the early diagnosis of cardiac ischemia in patients presenting to the emergency department with chest pain // Ann Emerg Med. 2002. Vol. 40, N 6. P. 575–583. doi: 10.1067/mem.2002.129171
- Hadanny A., Shouval R., Wu J., et al. Predicting 30-day mortality after ST elevation myocardial infarction: Machine learning- based random forest and its external validation using two independent nationwide datasets // J Cardiol. 2021. Vol. 78, N 5. P. 439–446. doi: 10.1016/j.jjcc.2021.06.002
- Sherazi S.W.A., Bae J.W., Lee J.Y. A soft voting ensemble classifier for early prediction and diagnosis of occurrences of major adverse cardiovascular events for STEMI and NSTEMI during 2-year follow-up in patients with acute coronary syndrome // PLoS One. 2021. Vol. 16, N 6. P. e0249338. doi: 10.1371/journal.pone.0249338
- Zeron R.M.C., Serrano Junior C.V. Artificial intelligence in the diagnosis of cardiovascular disease // Rev Assoc Med Bras (1992). 2019. Vol. 65, N 12. P. 1438–1441. doi: 10.1590/1806-9282.65.12.1438
- Gruson D., Bernardini S., Dabla P.K., et al. Collaborative AI and laboratory medicine integration in precision cardiovascular medicine // Clin Chim Acta. 2020. Vol. 509. P. 67–71. doi: 10.1016/j.cca.2020.06.001
- Фоминых А.М. Комплекс автоматической диагностики сердечно-сосудистой деятельности на базе системы искусственного интеллекта // Фундаментальные и прикладные исследования: проблемы и результаты. 2013. № 3. С. 54–58. EDN: RDMQSX
- Гельцер Б.И., Рублев В.Ю., Циванюк М.М., Шахгельдян К.И. Машинное обучение в прогнозировании ближайших и отдаленных результатов реваскуляризации миокарда: систематический обзор // Российский кардиологический журнал. 2021. Т. 26, № 8. С. 115–124. EDN: PVUHFE doi: 10.15829/1560-4071-2021-4505
- Johnson K.W., Torres S.J., Glicksberg B.S., et al. Artificial intelligence in cardiology // J Am Coll Cardiol. 2018. Vol. 71, N 23. P. 2668–2679. doi: 10.1016/j.jacc.2018.03.521
- Johnson A.E., Brewer L.C., Echols M.R., Mazimba S., et al. Utilizing artificial intelligence to enhance health equity among patients with heart failure // Heart Fail Clin. 2022. Vol. 18, N 2. P. 259–273. doi: 10.1016/j.hfc.2021.11.001
- Pieszko K., Hiczkiewicz J., Budzianowski P., et al. Machine-learned models using hematological inflammation markers in the prediction of short-term acute coronary syndrome outcomes // J Transl Med. 2018. Vol. 16, N 1. P. 334. doi: 10.1186/s12967-018-1702-5
- Duan H., Sun Z., Dong W., Huang Z. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome // BMC Med Inform Decis Mak. 2019. Vol. 19, N 1. P. 5. doi: 10.1186/s12911-018-0730-7
- Ma M., Hao X., Zhao J., et al. Predicting heart failure in-hospital mortality by integrating longitudinal and category data in electronic health records // Med Biol Eng Comput. 2023. Vol. 61, N 7. P. 1857–1873. doi: 10.1007/s11517-023-02816-z
- Ohara T., Ikeda H., Sugitani Y., et al. Artificial intelligence supported anemia control system (AISACS) to prevent anemia in maintenance hemodialysis patients // Int J Med Sci. 2021. Vol. 18, N 8. P. 1831–1839. doi: 10.7150/ijms.53298
- D'Ascenzo F., De Filippo O., Gallone G., et al. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets // Lancet. 2021. Vol. 397, N 10270. P. 199–207. doi: 10.1016/S0140-6736(20)32519-8
- Laumer F., Di Vece D., Cammann V.L., et al. Assessment of artificial intelligence in echocardiography diagnostics in differentiating takotsubo syndrome from myocardial infarction // JAMA Cardiol. 2022. Vol. 7, N 5. P. 494–503. doi: 10.1001/jamacardio.2022.0183
- Chan P.Z., Ramli M.A.I.B., Chew H.S.J. Diagnostic test accuracy of artificial intelligence-assisted detection of acute coronary syndrome: a systematic review and meta-analysis // Comput Biol Med. 2023. Vol. 167. P. 107636. doi: 10.1016/j.compbiomed.2023.107636
- Kumar S., Chu M., Tu S., et al. Physiologic and compositional coronary artery disease extension in patients with takotsubo syndrome assessed using artificial intelligence: an optical coherence tomography study // Coron Artery Dis. 2022. Vol. 33, N 5. P. 349–353. doi: 10.1097/MCA.0000000000001130
- Hong H., Jia H., Zeng M., et al. Risk stratification in acute coronary syndrome by comprehensive morphofunctional assessment with optical coherence tomography // JACC Asia. 2022. Vol. 2, N 4. P. 460–472. doi: 10.1016/j.jacasi.2022.03.004
- Thießen N., Schnabel R. Diagnose des akuten Koronarsyndroms // Dtsch Med Wochenschr. 2024. Vol. 149, N 9. P. 488–495. doi: 10.1055/a-2163-2586
- Emakhu J., Monplaisir L., Aguwa C., et al. Acute coronary syndrome prediction in emergency care: A machine learning approach // Comput Methods Programs Biomed. 2022. Vol. 225. P. 107080. doi: 10.1016/j.cmpb.2022.107080
- Glessgen C.G., Boulougouri M., Vallée J.P., et al. Artificial intelligence-based opportunistic detection of coronary artery stenosis on aortic computed tomography angiography in emergency department patients with acute chest pain // Eur Heart J Open. 2023. Vol. 3, N 5. P. oead088. doi: 10.1093/ehjopen/oead088
- Chopannejad S., Sadoughi F., Bagherzadeh R., Shekarchi S. Predicting major adverse cardiovascular events in acute coronary syndrome: a scoping review of machine learning approaches // Appl Clin Inform. 2022. Vol. 13, N 3. P. 720–740. doi: 10.1055/a-1863-1589
- Kayvanpour E., Gi W.T., Sedaghat-Hamedani F., et al. microRNA neural networks improve diagnosis of acute coronary syndrome (ACS) // J Mol Cell Cardiol. 2021. Vol. 151. P. 155–162. doi: 10.1016/j.yjmcc.2020.04.014
- Park J., Yoon Y., Cho Y., Kim J. Feasibility of artificial intelligence-based electrocardiography analysis for the prediction of obstructive coronary artery disease in patients with stable angina: validation study // JMIR Cardio. 2023. Vol. 7. P. e44791. doi: 10.2196/44791
- Kumar S., Chu M., Sans-Roselló J., et al. In-hospital heart failure in patients with takotsubo cardiomyopathy due to coronary artery disease: an artificial intelligence and optical coherence tomography study // Cardiovasc Revasc Med. 2023. Vol. 47. P. 40–45. doi: 10.1016/j.carrev.2022.09.010
- Wang Y., Chen H., Sun T., et al. Risk predicting for acute coronary syndrome based on machine learning model with kinetic plaque features from serial coronary computed tomography angiography // Eur Heart J Cardiovasc Imaging. 2022. Vol. 23, N 6. P. 800–810. doi: 10.1093/ehjci/jeab101
- Li R., Shen L., Ma W., et al. Use of machine learning models to predict in-hospital mortality in patients with acute coronary syndrome // Clin Cardiol. 2023. Vol. 46, N 2. P. 184–194. doi: 10.1002/clc.23957
- Boeddinghaus J., Doudesis D., Lopez-Ayala P., et al. Machine learning for myocardial infarction compared with guideline-recommended diagnostic pathways // Circulation. 2024. Vol. 149, N 14. P. 1090–1101. doi: 10.1161/CIRCULATIONAHA.123.066917
- Jing M., Xi H., Sun J., et al. Differentiation of acute coronary syndrome with radiomics of pericoronary adipose tissue // Br J Radiol. 2024. Vol. 97, N 1156. P. 850–858. doi: 10.1093/bjr/tqae032
- Herman R., Meyers H.P., Smith S.W., et al. International evaluation of an artificial intelligence-powered electrocardiogram model detecting acute coronary occlusion myocardial infarction // Eur Heart J Digit Health. 2023. Vol. 5, N 2. P. 123–133. doi: 10.1093/ehjdh/ztad074
Дополнительные файлы
