Персонализированная оценка сердечно-сосудистого риска на основе методов машинного обучения у пациентов пожилого и старческого возраста с артериальной гипертензией: ретроспективное исследование (первый этап)

Рис. 1. Технологии искусственного интеллекта

Таблица 1. Общая характеристика пациентов

Таблица 2. Сравнительный анализ характеристик пациентов в зависимости от наступления исхода

Рис. 2. ROC-кривая прогностической модели сердечно-сосудистого риска

Введение

Сердечно-сосудистые заболевания представляют собой глобальную проблему здравоохранения, являясь основной причиной инвалидизации и смертности населения [1]. Современная кардиология характеризуется экспоненциальным ростом объема и сложности данных, получаемых из электронных медицинских карт (ЭМК), результатов визуализации, геномных исследований и носимых устройств [2]. Традиционные методы анализа зачастую не справляются с обработкой таких массивов информации, что создает предпосылки для внедрения технологий искусственного интеллекта (ИИ).

Исторически кардиология была одной из самых технологически ориентированных медицинских дисциплин, начиная с изобретения электрокардиографии в конце XIX в. [3]. Эта открытость к инновациям подготовила почву для новой эры – эры прецизионной кардиологии, где решения основываются на данных. ИИ, и в частности машинное обучение (МО), предлагает инструменты для автоматизации рутинных задач, выявления сложных, неочевидных для человеческого восприятия паттернов и создания точных прогностических моделей [4]. Без когнитивных вычислений кардиология сталкивается с практическими проблемами, связанными с избыточным использованием ресурсов и неадекватной помощью пациентам, что влияет на показатели повторной госпитализации и смертности [5].

Цель данной работы – разработка и первичная оценка прогностической модели тотального сердечно-сосудистого риска у амбулаторных пациентов пожилого и старческого возраста с артериальной гипертензией (АГ) на основе методов машинного обучения.

Основные технологии искусственного интеллекта

Для корректного понимания терминов отметим, что понятия «искусственный интеллект», «машинное обучение» и «глубокое обучение» часто используют как синонимы, но они образуют иерархическую структуру [3, 6].

Искусственный интеллект и машинное обучение

ИИ – это общая концепция, обозначающая способность машин выполнять задачи, требующие человеческого интеллекта: распознавание образов, принятие решений и решение проблем [7]. МО – это подраздел ИИ, который использует статистические методы, позволяющие компьютерам «учиться» на данных, выявлять в них закономерности и принимать решения без явного программирования на выполнение конкретной задачи [3, 8]. Основные направления технологий ИИ, включая типы МО, представлены на рис. 1.

Можно выделить три основных типа обучения.

1. Обучение с учителем (Supervised Learning). Применяется для классификации и регрессии на размеченных данных. Пример – диагностика инфаркта миокарда по электрокардиограмме (ЭКГ) [9].
2. Обучение без учителя (Unsupervised Learning). Выявляет скрытые структуры в данных без меток. Используется для открытия новых фенотипов заболеваний, например, стратификации пациентов с сердечной недостаточностью с сохраненной фракцией выброса [10].
3. Обучение с подкреплением (Reinforcement Learning). Модель учится методом проб и ошибок, получая «вознаграждение» за правильные действия. Перспективно для подбора оптимальной лекарственной терапии [11].

Глубокое обучение

Глубокое обучение (ГО) является подразделом МО, основанным на использовании искусственных нейронных сетей со множеством слоев (отсюда и «глубокое»), которые имитируют работу человеческого мозга [12]. Благодаря развитию вычислительных мощностей и доступности больших данных ГО стало двигателем современных прорывов в развитии ИИ [3]. Его ключевые преимущества – возможность работать с необработанными данными (например, пикселями изображения) и высокая точность в задачах распознавания образов.

Сверточные нейронные сети (Convolutional Neural Networks, CNN) – это класс алгоритмов ГО, оптимизированный для анализа визуальных образов. Они нашли широкое применение в интерпретации эхокардиограмм, ангиограмм, компьютерных томограмм и других видов медицинской визуализации [13, 14].

Несмотря на мощь, ГО не является универсальным средством в решении сложных задач. Для хорошо структурированных данных традиционные алгоритмы МО, такие как логистическая регрессия или случайные леса, могут быть более эффективными и менее требовательными к ресурсам [15]. Главным вызовом остается «черный ящик» – сложность интерпретации решений, принимаемых многослойными нейронными сетями [16].

Обработка естественного языка и когнитивные вычисления

Обработка естественного языка (Natural Language Processing, NLP) позволяет машинам понимать и генерировать речь. В кардиологии NLP извлекает структурированную информацию из текстов ЭМК (врачебные записи, протоколы), обогащая данные для моделей МО [17]. NLP успешно применяется для выявления аневризм из радиологических отчетов и оценки качества помощи при сердечной недостаточности [18, 19].

Когнитивные вычисления – более широкая концепция, описывающая ИИ-системы, синтезирующие информацию из разных источников. Пример – IBM Watson, помогающий в диагностике и выборе лечения [5, 20].

Клиническое применение искусственного интеллекта в кардиологии

Анализ электрокардиограммы

Электрокардиография – краеугольный камень диагностики в кардиологии, а анализ ЭКГ стал одной из самых развитых областей применения ИИ.

В своем исследовании 2025 г. A.I. Reshad и соавт. показали, что алгоритм глубокого обучения может обнаруживать и классифицировать широкий спектр аритмий (в первую очередь фибрилляции предсердий) по данным амбулаторных ЭКГ с точностью, не уступающей кардиологам-экспертам [21]. А врачи из Стэнфордского университета и программисты компании iRhythm разработали 34-слойную сверточную нейросеть (CNN), которая превзошла кардиологов по точности и полноте распознавания ЭКГ [22].

В скрининге бессимптомной дисфункции миокарда прорывным направлением является использование ИИ для выявления скрытых патологий. Модели, анализируя стандартную 12-канальную ЭКГ, демонстрируют способность предсказывать бессимптомную дисфункцию левого желудочка [23], фибрилляцию предсердий во время синусового ритма [24] и другие состояния, что открывает возможности для популяционного скрининга.

Интеграция алгоритмов МО в носимые устройства, такие как Apple Watch и AliveCor KardiaMobile, позволяет осуществлять непрерывный мониторинг ЭКГ и автоматическое выявление фибрилляции предсердий в реальном времени, перенося точку оказания помощи из клиники в дом пациента [25].

Визуализация сердца

Визуализация – это область, где ИИ демонстрирует особо впечатляющие результаты, автоматизируя трудоемкие процессы измерения и снижая субъективность интерпретации. Алгоритмы искусственного интеллекта способны автоматически определять границы камер сердца, рассчитывать фракцию выброса левого желудочка, его объемы и оценивать деформацию миокарда (strain).

В исследовании G. Holste и соавт. (2025) когнитивная вычислительная система успешно выполнила 18 задач диагностической классификации с медианой AUC 0,91 (0,88–0,93) и оценила 21 эхокардиографический параметр со средней нормализованной абсолютной ошибкой 0,13 (0,10–0,18) при внутренней валидации [26, 27]. C.D. Reddy и соавт. (2023) в исследовании, включавшем более 4467 эхокардиограмм, представили EchoNet-Peds, алгоритм глубокого обучения на основе видеоданных, который соответствует уровню экспертной оценки функции левого желудочка и фракции выброса у детей [28].

ИИ революционизирует анализ коронарного кальция и компьютерной томографии – ангиографии. Алгоритмы позволяют автоматически количественно определять кальциевый индекс, оценивать характеристики атеросклеротических бляшек (включая «уязвимые») и бесконтактно оценивать фракционный резерв кровотока (Fractional Flow Reserve from Anatomic CT, FFR-CT) [29, 30]. Модели ГО демонстрируют высокую точность в диагностике обструктивного поражения коронарных артерий [31].

В магнитно-резонансной томографии сердца ИИ применяют для автоматической сегментации камер сердца, количественной оценки функции правого желудочка, выявления фиброза миокарда и характеристики тканей при различных заболеваниях [32].

Предиктивная аналитика и поддержка клинических решений

Одной из самых значимых перспектив ИИ является переход от реактивной к проактивной, предиктивной медицине. Алгоритмы МО, анализируя данные ЭМК, визуализации и результаты лабораторных исследований, создают более точные модели индивидуального риска развития инфаркта, инсульта или смерти, чем традиционные шкалы (например, SCORE, Framingham Risk Score), которые учитывают лишь ограниченный набор факторов [33, 34]. В исследовании A.J. Steele и соавт. (2018) показано, что модель МО превзошла стандартные прогностические модели в предсказании смертности пациентов с ишемической болезнью сердца (ИБС) [35]. В отделениях реанимации и неотложной помощи модели ИИ в режиме реального времени анализируют поток данных для прогнозирования клинического ухудшения, например, развития кардиогенного шока, острого повреждения почек или сепсиса [36].

В интервенционной кардиологии алгоритмы помогают при планировании чрескожных коронарных вмешательств и транскатетерных процедур (например, транскатетерной имплантации аортального клапана – Transcatheter Aortic Valve Implantation, TAVI). В исследовании CEREBRIA-1 продемонстрировано, что алгоритм МО не уступал команде интервенционных кардиологов в принятии решений о стратегии реваскуляризации на основе данных о коронарном кровотоке [37].

Персонализированная (прецизионная) кардиология

ИИ позволяет перейти от подхода «один размер для всех» к полноценному персонализированному лечению. Путем интегрирования геномных, протеомных, метаболомных данных и данных ЭМК алгоритмы МО могут идентифицировать уникальные подтипы заболеваний (фенотипы) с различными патогенетическими механизмами и ответом на терапию [10, 38]. Это открывает путь к разработке целевых методов лечения для конкретных подгрупп пациентов, например, с определенным молекулярным профилем сердечной недостаточности или легочной гипертензии [5].

В качестве практической реализации принципов предиктивной аналитики нами проведена разработка и первичная валидация прогностической модели тотальных сердечно-сосудистых событий (CCC) для амбулаторных пациентов пожилого и старческого возраста с АГ.

Материал и методы

Дизайн исследования

Исследование выполнено в дизайне «ретроспективная когорта – проспективное наблюдение» и состояло из двух последовательных этапов.

1. Ретроспективный этап (разработка модели) – период с 01.01.2021 по 01.01.2023 г. На данном этапе сформирована обучающая выборка из 1028 пациентов, проведен анализ предикторов и построена прогностическая модель.
2. Проспективный этап (валидация модели) – период с 02.01.2023 по 31.12.2025 г. На данном этапе произведен набор независимой контрольной когорты из 300 пациентов для последующей внешней валидации разработанной модели. Результаты валидации планируется опубликовать отдельно.

Критерии включения:

• установленный диагноз АГ любой степени тяжести;
• возраст от 60 до 90 лет (пожилой и старческий возраст);
• наличие полных клинических, лабораторных и инструментальных данных за период наблюдения;
• подписанное информированное согласие на участие в исследовании (для проспективной фазы).

Критерии исключения:

• инфаркт миокарда, острое нарушение мозгового кровообращения, операции на сосудах и сердце в анамнезе;
• хроническая сердечная недостаточность в анамнезе;
• тяжелые сопутствующие заболевания (онкологические заболевания в активной фазе, декомпенсированные заболевания печени и почек, терминальная почечная недостаточность);
• отказ от участия в исследовании.

Конечные точки (исходы). Первичной конечной точкой являлась комбинация следующих CCC, наступивших в период наблюдения:

• смерть от сердечно-сосудистых причин;
• нефатальный инфаркт миокарда;
• нефатальное острое нарушение мозгового кровообращения (инсульт);
• реваскуляризация миокарда (стентирование или коронарное шунтирование);
• госпитализация по поводу декомпенсации хронической сердечной недостаточности.

Регистрация событий проводилась на основании данных электронных медицинских карт, выписных эпикризов и результатов инструментальных исследований. Вторичные конечные точки в рамках данного анализа не оценивались.

Статистический анализ

Статистический анализ проводился с использованием программы StatTech v. 4.12.5 (ООО «Статтех», Россия). Количественные показатели оценивались на предмет соответствия нормальному распределению с помощью критерия Шапиро – Уилка (при числе исследуемых менее 50) или критерия Колмогорова – Смирнова (при числе исследуемых более 50). В случае отсутствия нормального распределения количественные данные описывались с помощью медианы (Me) и нижнего и верхнего квартилей (Q1–Q3). Категориальные данные описывались с указанием абсолютных значений и процентных долей. 95% доверительные интервалы (ДИ) для процентных долей рассчитывались по методу Клоппера – Пирсона. Сравнение двух групп по количественному показателю, распределение которого отличалось от нормального, при условии равенства дисперсий выполнялось с помощью U-критерия Манна – Уитни. Сравнение двух групп по количественному показателю, распределение которого отличалось от нормального, при отсутствии равенства дисперсий выполнялось с помощью W-критерия Бруннера – Мюнцеля. Сравнение процентных долей при анализе четырехпольных таблиц сопряженности выполнялось с помощью критерия хи-квадрат Пирсона (при значениях ожидаемого явления более 10).

Для построения прогностической модели вероятности развития CCC использован метод многофакторной логистической регрессии с пошаговым включением переменных (метод Вальда). В модель включались переменные, показавшие статистически значимые различия при однофакторном анализе (p < 0,10). Мерой определенности, указывающей на ту часть дисперсии, которая может быть объяснена с помощью логистической регрессии, служил коэффициент R² Найджелкерка. Дискриминационная способность модели (способность различать пациентов с наступлением и без наступления исхода) оценена с помощью ROC-анализа с расчетом площади под ROC-кривой (AUC) и 95% ДИ. Различия считались статистически значимыми при p < 0,05.

Результаты

Характеристика пациентов (ретроспективная когорта)

Общие характеристики всей когорты 1028 пациентов представлены в табл. 1. Пациенты, у которых за период наблюдения развились исследуемые исходы (n = 186 (18,1%)), были старше и имели более выраженные кардиометаболические нарушения по сравнению с группой без исходов (табл. 2).

1. Демография и антропометрия. Медиана возраста в общей когорте составила 72 (66; 80) лет (табл. 1), при этом в группе с исходами пациенты были достоверно старше (74,5 (67; 81) года против 72 (66; 80) лет; p = 0,028). В группе с исходами была выше доля мужчин (57,5% против 46,8%; p = 0,008; относительный риск (ОР) для женщин 0,649; 95% ДИ 0,471–0,895). Артериальное давление (АД) превышало целевые уровни, особенно в группе с исходами: систолическое АД (САД) – 150 (136; 162) мм рт. ст. против 140 (130; 151) мм рт. ст., p < 0,001; диастолическое АД (ДАД) – 90 (85; 94) мм рт. ст. против 85 (78; 91) мм рт. ст., p < 0,001. Индекс массы тела (ИМТ) был выше у пациентов с исходами (28,6 (25,52; 32,00) кг/м² против 27,2 (24,80; 29,77) кг/м²; p < 0,001) (табл. 2).
2. Биохимические показатели. У пациентов с исходами отмечался более неблагоприятный липидный профиль: выше уровни общего холестерина (ОХС) (5,50 (4,62; 6,40) против 5,10 (4,50; 5,80) ммоль/л; p < 0,001), холестерина липопротеидов низкой плотности (ХС ЛНП) (3,40 (2,40; 4,10) против 3,10 (2,40; 3,70) ммоль/л; p = 0,022), триглицеридов (ТГ) (1,70 (1,50; 1,90) против 1,50 (1,30; 1,70) ммоль/л; p < 0,001) и ниже уровень холестерина липопротеидов высокой плотности (ХС ЛВП) (1,00 (0,80; 1,20) против 1,10 (0,90; 1,20) ммоль/л; p = 0,007). Сахарный диабет 2 типа (СД 2) у таких пациентов встречался чаще (35,5% против 22,8%; p < 0,001; ОР 1,862; 95% ДИ 1,324–2,618), как и уровень гликированного гемоглобина (HbA1c) (8,00 (7,40; 8,60)% против 7,50 (7,05; 8,00)%; p < 0,001). Медиана уровня С-реактивного белка (СРБ) также была выше (4,55 (2,92; 6,78) мг/л против 3,80 (2,70; 5,50) мг/л; p = 0,001) (табл. 2).
3. Коморбидность и терапия. Среди пациентов с исходами чаще регистрировались аритмии (32,3% против 21,4%; p = 0,002; ОШ 1,751; 95% ДИ 1,236–2,482) и атеросклероз периферических артерий (93,5% против 84,7%; p = 0,001; ОШ 2,623; 95% ДИ 1,419–4,849). В группе с исходами доля пациентов, получавших статины, была достоверно ниже (54,3% против 63,8%; p = 0,016). Различия частоты курения, хронической болезни почек и приема антигипертензивной терапии между группами были статистически незначимы. Медиана времени до наступления исхода составила 327,5 (172,3; 478,8) дня (табл. 2).

Интерпретация полученных данных

В построенной модели логистической регрессии независимыми предикторами наступления исхода стали наличие аритмий, уровень HbA1c, ХС ЛНП, ТГ и САД, а также факт приема антигипертензивной терапии; модель была статистически значимой (p < 0,001), объясняла 33,3% дисперсии (псевдо-R² Найджелкерка) и продемонстрировала хорошую дискриминационную способность (AUC 0,791; 95% ДИ 0,721–0,862). На рис. 2 представлена ROC-кривая, иллюстрирующая соотношение чувствительности и специфичности модели при различных порогах отсечения. При оптимальном пороге отсечения 0,214 чувствительность составила 87,5%, специфичность – 57,2%. Это означает, что модель с вероятностью около 79% правильно ранжирует пары пациентов «с событием» и «без события», что признается хорошим показателем для клинических прогностических моделей.

Сравнение с традиционными шкалами риска

Традиционные шкалы (SCORE, Framingham Risk Score) имеют ряд ограничений при применении к пожилым пациентам с АГ: они учитывают ограниченный набор факторов, не включают такие важные предикторы, как уровень триглицеридов, HbA1c, наличие аритмий, и хуже калиброваны для возрастной группы старше 70 лет. В нашем исследовании традиционные шкалы не применялись, однако, по данным литературы, их AUC для аналогичных когорт обычно не превышает 0,70–0,75 [5, 33, 34]. Таким образом, разработанная модель потенциально превосходит традиционные подходы, что требует подтверждения в прямом сравнительном исследовании.

Анализ выявленных предикторов

Все шесть независимых предикторов, вошедших в финальную модель, имеют убедительное патофизиологическое обоснование и согласуются с данными литературы.

1. Уровень САД. В нашей когорте медиана САД в группе с исходами составила 150 мм рт. ст. против 140 мм рт. ст. в группе без исходов (p < 0,001). Это подтверждает фундаментальное положение о том, что даже умеренное повышение АД у пожилых пациентов сохраняет прогностическое значение, несмотря на проводимую терапию. Обращает на себя внимание, что у 85,5% пациентов с исходами АД не достигло целевых уровней (менее 130/80 мм рт. ст. согласно современным рекомендациям), что указывает на проблему резистентной АГ и недостаточной эффективности стандартных схем лечения в этой возрастной группе.
2. Липидный профиль (ХС ЛНП, ТГ). Повышение уровня ХС ЛНП и ТГ традиционно ассоциируется с прогрессированием атеросклероза. В нашем исследовании медиана ХС ЛНП в группе с исходами составила 3,4 ммоль/л, что превышает целевые уровни для пациентов высокого риска (< 1,8 ммоль/л). Парадоксально, но доля пациентов, получавших статины, в группе с исходами была даже ниже (54,3% против 63,8%; p = 0,016). Это может указывать как на недостаточную приверженность терапии, так и на неадекватные дозы препаратов.
3. Гликированный гемоглобин (HbA1c). У пациентов с СД 2 уровень HbA1c > 7,5% ассоциировался с достоверно более высоким риском событий. СД 2 встречался в группе с исходами в 1,86 раза чаще (35,5% против 22,8%; ОШ 1,86; 95% ДИ 1,32–2,62). Это подчеркивает необходимость более строгого контроля гликемии у пожилых пациентов с АГ и СД 2, что согласуется с современными подходами к управлению кардиометаболическими рисками.
4. Наличие аритмий. Аритмии (преимущественно фибрилляция предсердий и частая экстрасистолия) увеличивали риск событий в 1,75 раза (ОШ 1,75; 95% ДИ 1,24–2,48). Этот фактор часто недооценивается при рутинной стратификации риска, однако наш анализ подтверждает его самостоятельную прогностическую значимость, что согласуется с результатами крупных регистров [24].
5. Антигипертензивная терапия. Включение этого фактора в модель, несмотря на пограничную статистическую значимость (p = 0,071), обусловлено клиническими соображениями. Отсутствие выраженного «защитного» эффекта терапии в нашей когорте может объясняться тем, что большинство пациентов с исходами (85,5%) не достигли целевых уровней АД, то есть сам факт приема препаратов не гарантирует эффективного контроля. Это важный клинический сигнал: необходим не просто прием антигипертензивных средств, а достижение целевых показателей  АД.

Клиническая значимость модели

Высокая отрицательная прогностическая ценность (95,4%) при оптимальном пороге отсечения означает, что модель надежно выявляет пациентов с низким риском событий. Это особенно важно для первичного звена: врачи могут с уверенностью исключать развитие событий в ближайший год у пациентов с низким расчетным риском, фокусируя ресурсы на группе высокого риска. Напротив, относительно низкая положительная прогностическая ценность (31,5%) указывает на то, что лишь каждый третий пациент, отнесенный моделью в группу высокого риска, действительно реализует событие. Это не является недостатком модели, а отражает объективную сложность прогнозирования CCC в пожилой популяции с высокой коморбидностью.

Обсуждение

Результаты нашего исследования согласуются с данными систематического обзора C. Krittanawong и соавт. (2020), который показал, что в моделях МО AUC при прогнозировании ССC находится в диапазоне 0,8–0,9 [5]. Наша модель с AUC 0,791 обладает умеренной прогностической способностью, что подтверждает ее конкурентоспособность.

В работе A.J. Steele и соавт. (2018) было продемонстрировано, что модели МО на основе данных ЭМК превосходят традиционные регрессионные модели Кокса в предсказании смертности пациентов с ИБС [35]. Авторы использовали случайный лес и градиентный бустинг, достигнув значения AUC, равного 0,85.

Среди работ российских ученых наиболее близким по тематике является систематический обзор М.Н. Ковельковой и Е.Г. Яковлевой (2025), в котором показано, что в отечественных исследованиях наиболее востребованными методами МО являются нейронные сети, регрессионные модели, деревья решений и градиентный бустинг [26]. Авторы отмечают, что в большинстве российских работ (22 из 29) использованы методы МО для диагностики и прогнозирования ССС, однако лишь единицы проходят этап внешней валидации и внедрения в клиническую практику. Наше исследование, предусматривающее проспективную валидацию на независимой когорте (n = 300), направлено на преодоление этого разрыва.

Б.А. Кобринский и Н.А. Благосклонов (2025) разработали систему ИИ для диагностики редких заболеваний на основе онтологического моделирования, что является альтернативным подходом к представлению медицинских знаний [38]. В отличие от data-driven моделей (как наша), онтологический подход требует явного формализованного описания предметной области, что трудоемко, но обеспечивает высокую интерпретируемость. Возможно, в будущем гибридные подходы, сочетающие статистическое обучение и онтологии, позволят достичь оптимального баланса между точностью и прозрачностью.

В целом представленная модель сопоставима по прогностической точности с лучшими образцами, описанными в литературе, и обладает преимуществами с точки зрения ориентации на рутинные клинические данные, доступные в первичном звене, и их интерпретируемости.

Дальнейшие этапы работы и перспективы

Полученные результаты, включая выявленные половые различия в профиле риска и сохраняющуюся проблему недостаточного контроля АД даже на фоне проводимой терапии, предоставляют ценную доказательную базу для разработки прогностического инструмента нового поколения. На следующем этапе будет проведено сравнительное обучение и валидация нескольких классических и современных алгоритмов МО, включая логистическую регрессию, случайный лес и градиентный бустинг (например, XGBoost, LightGBM). Ключевой фокус будет сделан не только на максимизации метрик точности (AUC-ROC, F1-score), но и на обеспечении клинической интерпретируемости итоговой модели. Для этого планируется применение методов объяснимого ИИ (Explainable AI, XAI), таких как SHapley Additive exPlanations (SHAP), которые позволят визуализировать вклад каждого предиктора (например, уровня СРБ, пульсового давления или наличия аритмий) в индивидуальный расчет риска для конкретного пациента.

Построенная модель станет основой для разработки следующих практических инструментов внедрения.

1. Интерактивный калькулятор сердечно-сосудистого риска в формате веб-приложения или мобильного приложения. Врач сможет ввести ключевые параметры пациента (демографические, клинические, лабораторные) и получить:

• индивидуальную количественную оценку вероятности события;
• визуализацию основных факторов риска, влияющих на прогноз;
• практические рекомендации по возможной коррекции модифицируемых факторов.

2. Структурированный опросник (чек-лист) для врачей первичного звена, интегрирующий ключевые предикторы из модели. Этот инструмент будет служить напоминанием о необходимости оценки важных, но часто упускаемых из виду параметров (например, пульсового давления, уровня СРБ, наличия периферического атеросклероза) при плановом осмотре пожилого пациента с АГ.

Последующая строгая валидация на независимой проспективной когорте (n = 300) станет критически важным шагом для оценки реальной воспроизводимости, калибровки и дискриминационной способности модели вне стен исследовательского центра. Особое внимание будет уделено клинической полезности – способности инструмента реально изменить тактику ведения пациентов в условиях поликлиники.

В долгосрочной перспективе результатом работы должен стать не просто валидированный алгоритм, а готовый к внедрению клинически ориентированный пакет, адаптированный для рутинного использования врачами-терапевтами и кардиологами первичного звена. Пилотное внедрение калькулятора и опросника в нескольких поликлиниках позволит оценить удобство, восприятие пользователями и предварительное влияние на качество принимаемых решений. Однако для реализации этого потенциала предстоит решить сопутствующие задачи, включая интеграцию с рабочими процессами и региональными ЭМК, обучение медицинского персонала, а в будущем – оценку экономической эффективности (cost-effectiveness) такого подхода в рамках системы здравоохранения.

Вызовы и ограничения

Широкое внедрение ИИ в клиническую практику, несмотря на огромный потенциал, сталкивается с рядом взаимосвязанных барьеров, требующих системного решения.

1. Проблема «черного ящика» и необходимость интерпретируемости. Сложность интерпретации решений, принимаемых алгоритмами глубокого обучения, подрывает доверие клиницистов и затрудняет принятие на себя ответственности. Критически важным становится развитие объяснимого ИИ (XAI). Методы post-hoc анализа, такие как Local Interpretable Model-agnostic Explanations (LIME) и SHAP, позволяют визуализировать вклад конкретных входных признаков (например, сегментов ЭКГ или областей на медицинском изображении) в итоговое решение алгоритма для каждого отдельного случая. Это трансформирует ИИ из непрозрачного «оппонента» в понятного и проверяемого ассистента, чьи выводы врач может верифицировать. Требования к интерпретируемости регуляторные агентства все чаще включают в число обязательных условий для одобрения медицинских алгоритмов [16, 39].
2. Качество данных, смещения (Bias) и воспроизводимость. Алгоритмы МО учатся на исторических данных, которые могут содержать систематические ошибки, связанные с демографическими (раса, пол, возраст), социально-экономическими факторами или особенностями сбора данных в конкретном учреждении. Принцип «мусор на входе – мусор на выходе» остается актуальным: некорректные или нерепрезентативные данные ведут к созданию несправедливых и неточных моделей, плохо обобщаемых на новых популяциях [40]. Ключевыми задачами являются стандартизация данных, применение методов выявления и коррекции смещений, а также проведение внешней валидации на независимых когортах.
3. Регуляторные, правовые и экономические барьеры. Для выхода на рынок ИИ-решения должны пройти строгий процесс регулирования (Управление по контролю качества пищевых продуктов и лекарственных средств – Food and Drug Administration (FDA), Росздравнадзор, знак соответствия европейским стандартам и директивам (CE Mark)), требующий масштабных клинических испытаний, доказывающих не только аналитическую и клиническую точность, но и реальную пользу для пациента (улучшение исходов) и безопасность [41]. Не менее сложными остаются нерешенные вопросы юридической ответственности в случае ошибки и экономической целесообразности. Необходимы прозрачные бизнес-модели и доказательства того, что внедрение ИИ приводит к оптимизации ресурсов, сокращению сроков лечения и в конечном счете к снижению общих затрат системы здравоохранения.
4. Интеграция в клинические процессы и организационные изменения. Внедрение ИИ-инструментов – это не только техническая интеграция с больничными информационными системами (ЭМК, Picture Archiving and Communication System (PACS)), но и глубокая реорганизация рабочих процессов. Успех зависит от поэтапного подхода, начинающегося с пилотных проектов, в рамках которых алгоритмы первоначально работают в «теневом» режиме. Обязательными компонентами являются: адаптация клинических протоколов с четким определением роли ИИ-подсказки, повышение цифровой грамотности персонала для осознанного взаимодействия с системами ИИ, а также создание механизмов обратной связи от врачей для калибровки алгоритмов и минимизации «алгоритмической усталости» [42].
5. Конфиденциальность и безопасность данных. Обработка обширных массивов конфиденциальной медицинской информации требует обеспечения высочайшего уровня кибербезопасности, соответствия стандартам защиты персональных данных (Общий регламент по защите данных – General Data Protection Regulation (GDPR), Федеральный закон от 27.07.2006 № 152-ФЗ) и разработки этических интегрированных систем (frameworks), регулирующих сбор, хранение и использование данных [43].

Заключение

В ходе проведенного исследования успешно достигнута поставленная цель: разработана и прошла первичную внутреннюю валидацию прогностическая модель тотального сердечно-сосудистого риска у амбулаторных пациентов пожилого и старческого возраста с АГ на основе методов МО. Построенная модель логистической регрессии продемонстрировала хорошую дискриминационную способность (AUC = 0,791; 95% ДИ 0,721–0,862), что подтверждает принципиальную возможность использования алгоритмов машинного обучения для стратификации риска в данной клинической группе. Независимыми предикторами CCC выступили наличие аритмий (ОШ 1,75; 95% ДИ 1,24–2,48), уровень гликированного гемоглобина, ХС ЛНП, ТГ, САД, а также факт приема антигипертензивной терапии. Высокая отрицательная прогностическая ценность модели (95,4%) имеет непосредственное практическое значение для первичного звена здравоохранения, позволяя с уверенностью исключать развитие CCC в ближайший год у пациентов с низким расчетным риском. Для подтверждения применимости результатов в реальной клинической практике необходима внешняя валидация модели на независимой проспективной когорте (n = 300), набор которой уже завершен. Последующие этапы исследования включат сравнительное обучение альтернативных алгоритмов МО (случайный лес, градиентный бустинг) с применением методов объяснимого ИИ (SHAP, LIME), а также разработку клинически ориентированных инструментов внедрения – интерактивного калькулятора риска и структурированного опросника для врачей первичного звена. Таким образом, разработанная модель может стать основой для персонализированной стратификации сердечно-сосудистого риска в амбулаторной практике, а искусственный интеллект в этом процессе выступает не заменой врача, а инструментом усиления клинического мышления в рамках модели гибридного интеллекта. 

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Работа выполнена без задействования грантов и финансовой поддержки от общественных, некоммерческих и коммерческих организаций.