Использование искусственного интеллекта для оценки степени митральной регургитации

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

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. 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%).

1. Di 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/jcm13041033

2. Аликперова 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;41-49

3. Zhou 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/s12947-021-00261-2

4. Шевченко 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.

5. 2021 Рекомендации ESC/EACTS по ведению пациентов с клапанной болезнью сердца. Российский кардиологический журнал. 2022;27(7):5160. https://doi.org/10.15829/1560-4071-2022-5160

6. Голухова Е.З., Шанаурина Н.В. Роль изучения проксимальной зоны регургитации в количественной оценке недостаточности митрального клапана. Креативная кардиология. 2007;1(1-2):243-255.

7. 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.2021.114.12.005

8. Lang 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.2014.10.003

9. Халафян А.А. Методы машинного обучения в Data Mining пакета STATISTICA. М.: Горячая линия – Телеком; 2022. 260 с.

10. Халафян А.А. Методы искусственного интеллекта в медицинских задачах классификации и регрессии. М.: Горячая линия – Телеком; 2023. 352 с.

11. 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/10.24835/1607-0771-2023-4-9-21

12. Халафян 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/10.14357/20718594250202

13. Свидетельство 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.

14. Толстихина А.А., Левин В.И. Анализ параметров оценки митральной недостаточности: клиническое применение. Медицинский алфавит. 2018;4(37):51-56.

15. 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/10.1101/2024.11.16.24317431