Системы искусственного интеллекта для прогнозирования исходов при хронической ишемической болезни сердца у пациентов, перенёсших кардиохирургическое вмешательство, в зависимости от наличия анемического синдрома: обзор литературы

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

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.

Об 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, Саратов

Ирина 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, Саратов

Александр 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, Саратов

Список литературы

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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
  26. 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
  27. 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
  28. 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
  29. 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
  30. 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
  31. 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
  32. 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
  33. 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
  34. 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
  35. 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
  36. 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
  37. 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
  38. 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
  39. 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
  40. 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
  41. 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

Доп. файлы
Действие
1. JATS XML
Скачать
2. Приложение 1. Анализ интерпретируемых и прогнозируемых параметров в публикациях о разработанных системах искусственного интеллекта
Скачать (30KB)
Метаданные
3. Приложение 2. Частота использования показателей, вошедших в интерпретируемые авторами статей данные.
Скачать (20KB)
Метаданные

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».