inovmedИнновационная медицина КубаниInnovative Medicine of Kuban2541-9897Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 110.35401/2541-9897-2026-11-1-16-23inovmed-1461Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESИспользование искусственного интеллекта для оценки степени митральной регургитацииUse of Artificial Intelligence to Assess the Severity of Mitral Regurgitationhttps://orcid.org/0000-0003-3310-5207ГолощаповаЮ. В.GoloshchapovaYu. V.

Голощапова Юлия Владимировна - врач ультразвуковой диагностики, отделение ультразвуковой диагностики, НИИ – ККБ № 1 им. проф. С.В. Очаповского.

350086, Краснодар, ул. 1 Мая, 167

Yulia V. Goloshchapova - Diagnostic Ultrasound Physician, Department of Diagnostic Ultrasound, Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1.

167 1 Maya St., Krasnodar, 350086

goloshhapova.82@bk.ruhttps://orcid.org/0009-0004-7650-4915ЛукьяненкоД. В.LukyanenkoD. V.

Лукьяненко Дарья Владимировна - врач ультразвуковой диагностики, отделение ультразвуковой диагностики, НИИ – ККБ № 1 им. проф. С.В. Очаповского.

Краснодар

Daria V. Lukyanenko - Diagnostic Ultrasound Physician, Department of Diagnostic Ultrasound, Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1.

Krasnodar

https://orcid.org/0000-0002-9863-1243МещеряковаО. М.MeshcheryakovaO. M.

Мещерякова Ольга Михайловна - врач ультразвуковой диагностики, отделение ультразвуковой диагностики, НИИ – ККБ № 1 им. проф. С.В. Очаповского.

Краснодар

Olga M. Meshcheryakova - Diagnostic Ultrasound Physician, Department of Diagnostic Ultrasound, Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1.

Krasnodar

https://orcid.org/0000-0003-1508-203XКатричА. Н.KatrichA. N.

Катрич Алексей Николаевич - д. м. н., заведующий отделением ультразвуковой диагностики, НИИ – ККБ № 1 им. проф. С.В. Очаповского.

Краснодар

Aleksey N. Katrich - Dr. Sci. (Med.), Head of the Department of Diagnostic Ultrasound, Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1.

Krasnodar

https://orcid.org/0000-0003-2324-3649ХалафянА. А.KhalafyanA. A.

Халафян Алексан Альбертович - д. т. н., профессор кафедры анализа данных и искусственного интеллекта.

Краснодар

Alexan A. Khalafyan - Dr. Sci. (Tech), Professor, Department of Data Analysis and Artificial Intelligence, Kuban State University.

Krasnodar

https://orcid.org/0000-0003-4136-4313АкиньшинаВ. А.AkinshinaV. A.

Акиньшина Вера Александровна - к. п. н., доцент кафедры анализа данных и искусственного интеллекта.

Краснодар

Vera A. Akinshina - Cand. Sci. (Ped.), Associate Professor, Department of Data Analysis and Artificial Intelligence, Kuban State University.

Krasnodar

https://orcid.org/0000-0001-8195-5930АстафьеваО. В.AstafevaO. V.

Астафьева Ольга Викторовна - д. м. н., профессор кафедры лучевой диагностики № 1.

Краснодар

Olga V. Astafeva - Dr. Sci (Med.), Professor of the Department of Radiation Diagnostics No. 1, Kuban State Medical University.

Krasnodar

Научно-исследовательский институт – Краевая клиническая больница № 1 им. проф. С.В. ОчаповскогоРоссияScientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1Russian FederationНаучно-исследовательский институт – Краевая клиническая больница № 1 им. проф. С.В. Очаповского; Кубанский государственный медицинский университетРоссияScientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1; Kuban State Medical UniversityRussian FederationКубанский государственный университетРоссияKuban State UniversityRussian FederationКубанский государственный медицинский университетРоссияKuban State Medical UniversityRussian Federation2026300320261111623Copyright © Голощапова Ю.В., Лукьяненко Д.В., Мещерякова О.М., Катрич А.Н., Халафян А.А., Акиньшина В.А., Астафьева О.В., 20262026Голощапова Ю.В., Лукьяненко Д.В., Мещерякова О.М., Катрич А.Н., Халафян А.А., Акиньшина В.А., Астафьева О.В.Goloshchapova Y.V., Lukyanenko D.V., Meshcheryakova O.M., Katrich A.N., Khalafyan A.A., Akinshina V.A., Astafeva O.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.innovmedkub.ru/jour/article/view/1461Цель исследования

Цель исследования: Разработка нейросетевой модели с высоким уровнем точности для диагностики и прогнозирования степени митральной недостаточности, определяемой при помощи эхокардиографии.

Материалы и методы

Материалы и методы: Обследованные 80 пациентов разделены на две группы: в 1-ю группу вошли 42 пациента с эксцентричной струей митральной регургитации; во 2-ю группу – 37 пациентов с центральной струей митральной регургитации. Всем пациентам выполнена трансторакальная эхокардиография с оценкой степени митральной регургитации по процентному отношению площади струи регургитации к площади левого предсердия. Измерены vena contracta, радиус проксимальной зоны регургитации, величина горизонтального артефакта расширения цветного допплера. Вычислены эффективная площадь отверстия митральной регургитации и объём регургитации на митральном клапане.

Результаты

Результаты. Построена нейросетевая модель, которая по показателям эхокардиографии с максимально возможной достоверностью (100%) прогнозирует «умеренную» и «тяжелую» формы митральной недостаточности; несколько ниже достоверность предсказания «легкой» формы (83,33%).

Objective

Objective: To develop high-accuracy neural network model for the diagnosis and prediction of the severity of mitral regurgitation as assessed by echocardiography.

Materials and methods

Materials and methods: A total of 80 patients were divided into two groups: Group 1 included 42 patients with an eccentric mitral regurgitation jet, and Group 2 included 37 patients with a central mitral regurgitation jet. All patients underwent transthoracic echocardiography with assessment of mitral regurgitation severity based on the percentage ratio of the regurgitation jet area to the left atrial area. The vena contracta, proximal isovelocity surface area radius, and the magnitude of the horizontal color Doppler expansion artifact were measured. The effective regurgitant orifice area and mitral regurgitant volume were calculated.

Results

Results. A neural network model was developed that predicts “moderate” and “severe” forms of mitral regurgitation based on echocardiography data with highest possible accuracy (100%). The accuracy for predicting the “mild” form was slightly lower (83.33%).

трансторакальная эхокардиографиямитральная недостаточностьискусственный интеллектнейросетевая модельtransthoracic echocardiographymitral regurgitationartificial intelligenceneural network modelReferencesDi Costanzo A, Spaccarotella CAM, Esposito G, Indolfi C. An Artificial Intelligence Analysis of Electrocardiograms for the Clinical Diagnosis of Cardiovascular Diseases: A Narrative Review. J Clin Med. 2024;13(4):1033. PMID: 38398346. PMCID: PMC10889404. https://doi.org/10.3390/jcm13041033Di Costanzo A, Spaccarotella CAM, Esposito G, Indolfi C. An Artificial Intelligence Analysis of Electrocardiograms for the Clinical Diagnosis of Cardiovascular Diseases: A Narrative Review. J Clin Med. 2024;13(4):1033. PMID: 38398346. PMCID: PMC10889404. https://doi.org/10.3390/jcm13041033Аликперова Н.В. Искусственный интеллект в здравоохранении: риски и возможности. Здоровье мегаполиса. 2023;4(3):41-49. https://doi.org/10.47619/2713-2617.zm.2023.v.4i3;41-49Alikperova N.V. Artificial Intelligence in Healthcare: Risks and Opportunities. City Healthcare. 2023;4(3):41-49. (In Russ.) https://doi.org/10.47619/2713-2617.zm.2023.v.4i3;41-49Zhou J, Du M, Chang S, Chen Z. Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound. 2021;19(1):29. PMID: 34416899. PMCID: PMC8379752. https://doi.org/10.1186/s12947-021-00261-2Zhou J, Du M, Chang S, Chen Z. Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound. 2021;19(1):29. PMID: 34416899. PMCID: PMC8379752. https://doi.org/10.1186/s12947-021-00261-2Шевченко Ю.Л., Волкова Л.В., Гудымович В.Г. и др. Выраженная митральная недостаточность: оценка степени регургитации. Вестник Национального медико-хирургического Центра им. Н.И. Пирогова. 2016;11(3):93-98.Shevchenko YuL, Volkova LV, Gudymovich VG et al. Severe Mitral Insufficiency: Evaluation of the Degree of Regurgitation. Bulletin of Pirogov National Medical and surgical center. 2016;11(3):93-98. (In Russ.).2021 Рекомендации ESC/EACTS по ведению пациентов с клапанной болезнью сердца. Российский кардиологический журнал. 2022;27(7):5160. https://doi.org/10.15829/1560-4071-2022-51602021 ESC/EACTS Guidelines for the management of valvular heart disease. Russian Journal of Cardiology. 2022;27(7):5160. (In Russ.) https://doi.org/10.15829/1560-4071-2022-5160Голухова Е.З., Шанаурина Н.В. Роль изучения проксимальной зоны регургитации в количественной оценке недостаточности митрального клапана. Креативная кардиология. 2007;1(1-2):243-255.Golukhova EZ, Shanaurina NV The Role of Studying the Proximal Zone of Regurgitation in the Quantitative Assessment of Mitral Valve Insufficiency. Creative Cardiology. 2007;1(1-2):243-255. (In Russ.).Аббасов И.Б., Дешмух Р.Р. Применение искусственного интеллекта для медицинской визуализации. Международный научно-исследовательский журнал. 2021;12(114). https://doi.org/10.23670/IRJ.2021.114.12.005Abbasov I, Deshmukh R. Application of Application of artificial intelligence for medical imaging. International Research Journal. 2021;12(114). (In Russ.). https://doi.org/10.23670/IRJ.2021.114.12.005Lang RM, Badano LP, Mor-Avi V, et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging. J Am Soc Echocardiogr. 2015;28(1):1-39.e14. PMID: 25559473. https://doi.org/10.1016/j.echo.2014.10.003Lang RM, Badano LP, Mor-Avi V, et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging. J Am Soc Echocardiogr. 2015;28(1):1-39.e14. PMID: 25559473. https://doi.org/10.1016/j.echo.2014.10.003Халафян А.А. Методы машинного обучения в Data Mining пакета STATISTICA. М.: Горячая линия – Телеком; 2022. 260 с.Khalafyan AA Methods of Machine Learning in Data Mining Using the STATISTICA Package. Moscow: Goryachaya Liniya – Telekom; 2022. 260 p. (In Russ.).Халафян А.А. Методы искусственного интеллекта в медицинских задачах классификации и регрессии. М.: Горячая линия – Телеком; 2023. 352 с.Khalafyan AA Methods of Artificial Intelligence in Medical Classification and Regression Tasks. Moscow: Goryachaya Liniya – Telekom; 2023. 352 p. (In Russ.).Базылев В.В., Бабуков Р.М., Бартош Ф.Л., Лёвина А.В., Микуляк А.И. Факт или артефакт: проспективное исследование по изучению диагностических возможностей нового эхокардиографического показателя горизонтального артефакта расширения цветного допплера в оценке тяжести митральной регургитации. Ультразвуковая и функциональная диагностика. 2023;(4):9-21. https://doi.org/10.24835/1607-0771-2023-4-9-21Bazylev V.V., Babukov R.M., Bartosh F.L., Levina A.V., Mikulyak A.I. Fact or Artifact: A prospective study on diagnostic value of a new echocardiographic parameter of Color Doppler Horizontal Splay width in assessment of mitral regurgitation severity. Ultra-sound & Functional Diagnostics. 2023;(4):9-21. (In Russ.) https://doi.org/10.24835/1607-0771-2023-4-9-21Халафян А.А., Темердашев З.А., Абакумов А.Г. О влиянии кластерной структуры данных на прогностические свойства нейросетевой модели. Искусственный интеллект и принятие решений. 2025;2:19-31. https://doi.org/10.14357/20718594250202Khalafyan AA, Temerdashev ZA, Abakumov AG. On the Influence of the Cluster Data Structure on the Predictive Properties of a Neural Network Model. Artificial Intelligence and Decision Making. 2025;2:19-31. (In Russ.). https://doi.org/10.14357/20718594250202Свидетельство о государственной регистрации программы для ЭВМ. Прогнозирование итоговой формы состояния пациентов по результатам УЗИ нейронными сетями. / Акиньшина В.А., Голощапова Ю.В, Лукьяненко Д.В., Халафян А.А., правообладатель: ФГБОУ ВПО КубГУ (RU) – N2024666182, заявл. 12.07.2024, опубл. 23.07.2024.Certificate of State Registration of a Computer Program. Prediction of the final form of patients’ condition based on ultrasound results using neural networks. / Akinshina V.A., Goloshchapova Yu.V, Lukyanenko D.V., Khalafyan A.A., copyright holder: Kuban State University (RU) – N2024666182, applied for on 12.07.2024, published on 23.07.2024Толстихина А.А., Левин В.И. Анализ параметров оценки митральной недостаточности: клиническое применение. Медицинский алфавит. 2018;4(37):51-56.Tolstikhina AA, Levin VI Analysis of parameters of mitral valve insufficiency assessment: clinical application. Medical alphabet. 2018;4(37):51-56. (In Russ.)Holste G, Oikonomou EK, Tokodi M, Kovács A, Wang Z, Khera R. PanEcho: Complete AI-enabled echocardiography interpretation with multi-task deep learning. Preprint. med-Rxiv. 2025;2024.11.16.24317431. PMID: 40321248. PMCID: PMC12047937. https://doi.org/10.1101/2024.11.16.24317431Holste G, Oikonomou EK, Tokodi M, Kovács A, Wang Z, Khera R. PanEcho: Complete AI-enabled echocardiography interpretation with multi-task deep learning. Preprint. med-Rxiv. 2025;2024.11.16.24317431. PMID: 40321248. PMCID: PMC12047937. https://doi.org/10.1101/2024.11.16.24317431

The authors declare that there are no conflicts of interest present.