Цифровые технологии и искусственный интеллект в диагностике кардиологических осложнений беременности: обзор

Обложка

Цитировать

Полный текст

Аннотация

Сердечно-сосудистая патология во время беременности остаётся одной из ведущих причин материнской заболеваемости и смертности во всём мире. Развитие цифровых технологий и искусственного интеллекта открывает новые возможности для совершенствования стратификации риска, ранней диагностики и мониторинга сердечнососудистых осложнений у беременных. Традиционные методы, включая электрокардиографию, эхокардиографию и биохимические маркёры, хотя и эффективны, часто ограничены чувствительностью, воспроизводимостью и возможностью своевременного применения в условиях беременности. Модели искусственного интеллекта, интегрирующие мультимодальные данные — клинический анамнез, визуализацию, лабораторные показатели и результаты носимых устройств — демонстрируют потенциал выявления субклинических изменений, которые могут оставаться незамеченными при стандартном подходе. Появляющиеся данные подтверждают эффективность искусственного интеллекта в прогнозировании риска сердечно-сосудистых осложнений, выявлении аритмий, диагностике перипартальной кардиомиопатии, оценке клапанных пороков, а также прогнозировании гипертензивных расстройств беременности, включая преэклампсию. Нейронные сети показали преимущество по сравнению с традиционными статистическими моделями, достигая высокой прогностической точности (площадь под ROC-кривой > 0,90 в отдельных исследованиях). Кроме того, использование искусственного интеллекта при интерпретации изображений и фонокардиограмм может снизить межнаблюдательную вариабельность и повысить эффективность диагностического процесса. Несмотря на обнадёживающие результаты, остаются нерешёнными проблемы качества данных, предвзятости, этических аспектов и нормативного регулирования, а также ограниченная клиническая валидация у беременных. Ответственная интеграция искусственного интеллекта в акушерско-кардиологическую практику требует междисциплинарного сотрудничества, строгой проверки и прозрачного управления.

Таким образом, технологии искусственного интеллекта обладают трансформационным потенциалом для оптимизации ведения беременных с сердечно-сосудистой патологией и может способствовать снижению материнской заболеваемости и смертности при условии преодоления этических и организационных барьеров.

Об авторах

Юрий Александрович Трусов

Самарский государственный медицинский университет

Email: yu.a.trusov@samsmu.ru
ORCID iD: 0000-0001-6407-3880
SPIN-код: 3203-5314
Россия, Самара

Хадижат Тамерлановна Шамсуева

Cеверо-Осетинская государственная медицинская академия

Email: shamsuevakh1@gmail.com
ORCID iD: 0009-0003-7173-9072
Россия, Владикавказ

Марианна Зурабовна Колхидова

Северо-Осетинская государственная медицинская академия

Email: mari_kolxi@mail.ru
ORCID iD: 0009-0003-1301-8795
Россия, Владикавказ

Альбина Тимуровна Индербиева

Северо-Осетинская государственная медицинская академия

Email: dr.inderbieva@mail.ru
ORCID iD: 0009-0007-8620-4790
Россия, Владикавказ

Елизавета Дмитриевна Барышникова

Российский национальный исследовательский медицинский университет имени Н.И. Пирогова (Пироговский Университет)

Email: mazhirinal2013@yandex.ru
ORCID iD: 0009-0007-6066-9354
Россия, Москва

Камиля Айдаровна Хуснутдинова

Российский национальный исследовательский медицинский университет имени Н.И. Пирогова (Пироговский Университет)

Email: Khusnutdinova.k@mail.ru
ORCID iD: 0009-0004-7935-9477
Россия, Москва

Александра Евгеньевна Распономарёва

Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого

Автор, ответственный за переписку.
Email: aleksandrarasp@mail.ru
ORCID iD: 0009-0008-3382-1493
Россия, Красноярск

Алина Руслановна Шабазгериева

Северо-Осетинская государственная медицинская академия

Email: alyashabazgerieva@gmail.com
ORCID iD: 0009-0003-5687-7098
Россия, Владикавказ

Хаджимурад Курбанович Раджабов

Пензенский государственный университет

Email: khadzhimurad.radzhabov@mail.ru
ORCID iD: 0009-0004-3169-951X
Россия, Пенза

Станислав Александрович Санакоев

Cеверо-Осетинская государственная медицинская академия

Email: stas.sanakoev-2018@mail.ru
ORCID iD: 0009-0003-1058-9226
Россия, Владикавказ

Валерия Хасановна Кудзиева

Ростовский государственный медицинский университет

Email: kudzievavaleria@mail.ru
ORCID iD: 0009-0006-6371-6112
Россия, Ростов-на-Дону

Алина Владимировна Пономарёва

Кубанский государственный медицинский университет

Email: alipon4@yandex.ru
ORCID iD: 0009-0004-3936-7982
Россия, Краснодар

Наталья Константиновна Козырева

Кубанский государственный медицинский университет

Email: Nata05042004@yandex.ru
ORCID iD: 0009-0003-1517-0539
Россия, Краснодар

Список литературы

  1. 2018 ESC Guidelines for themanagement of cardiovascular diseases during pregnancy. Russian Journal of Cardiology. 2019;24(6):151–228. doi: 10.15829/1560-4071-2019-6-151-228 EDN: TDBQET
  2. Shigabutdinova TN, Gabidullina RI, Imangulova LI, et al. Cardiovascular diseases during pregnancy in the cardioscreening program. Obstetrics and gynecology: News, Opinions, Training. 2025;13(1):66–71. doi: 10.33029/2303-9698-2025-13-1-66-71 EDN: CIIPFP
  3. Rudaeva EV, Mozes VG, Kashtalap VV, et al. Congenital heart disease and pregnancy. Fundamental and Clinical Medicine. 2019;4(3):102–112. doi: 10.23946/2500-0764-2019-4-3-102-112 EDN: EAKKTS
  4. Baranovskaya EI. Maternal mortality in modern world. Obstetrics, Gynecology and Reproduction. 2022;16(3):296–305. doi: 10.17749/2313-7347/ob.gyn.rep.2022.279 EDN: VZUXCE
  5. Sliwa K, Petrie MC, van der Meer P, et al. Clinical presentation, management, and 6-month outcomes in women with peripartum cardiomyopathy: an ESC EORP registry. European Heart Journal. 2020;41(39):3787–3797. doi: 10.1093/eurheartj/ehaa455 EDN: XYUFMX
  6. Diguisto C, Choinier PM, Saucedo M, et al. Timing and preventability of cardiovascular-related maternal death. Obstetrics & Gynecology. 2023;141(6):1190–1198. doi: 10.1097/AOG.0000000000005176 EDN: WJTKXO
  7. Shara N, Mirabal-Beltran R, Talmadge B, et al. Use of machine learning for early detection of maternal cardiovascular conditions: retrospective study using electronic health record data. JMIR Cardio. 2024;8:e53091. doi: 10.2196/53091 EDN: OMSPFI
  8. Zahid S, Jha S, Kaur G, et al. PARCCS. JACC: Advances. 2024;3(8):101095. doi: 10.1016/j.jacadv.2024.101095 EDN: ETPOAQ
  9. Roos-Hesselink J, Baris L, Johnson M, et al. Pregnancy outcomes in women with cardiovascular disease: evolving trends over 10 years in the ESC Registry of Pregnancy and Cardiac disease (ROPAC). European Heart Journal. 2019;40(47):3848–3855. doi: 10.1093/eurheartj/ehz136 EDN: CILAFV
  10. Silversides CK, Grewal J, Mason J, et al. Pregnancy outcomes in women with heart disease. Journal of the American College of Cardiology. 2018;71(21):2419–2430. doi: 10.1016/j.jacc.2018.02.076 EDN: VHZMVL
  11. Siu SC, Sermer M, Colman JM, et al; on behalf of the Cardiac Disease in Pregnancy (CARPREG) Investigators. Prospective multicenter study of pregnancy outcomes in women with heart disease. Circulation. 2001;104(5):515–521. doi: 10.1161/hc3001.093437
  12. Drenthen W, Boersma E, Balci A, et al; On behalf of the ZAHARA Investigators. Predictors of pregnancy complications in women with congenital heart disease. European Heart Journal. 2010;31(17):2124–2132. doi: 10.1093/eurheartj/ehq200
  13. Regitz-Zagrosek V, Roos-Hesselink JW, Bauersachs J, et al. 2018 ESC Guidelines for the management of cardiovascular diseases during pregnancy. Kardiologia Polska. 2019;77(3):245–326. doi: 10.5603/KP.2019.0049
  14. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine. 2019;25(1):65–69. doi: 10.1038/s41591-018-0268-3 EDN: UPBXPK
  15. Stehlik J, Schmalfuss C, Bozkurt B, et al. Continuous wearable monitoring analytics predict heart failure hospitalization. Circulation: Heart Failure. 2020;13(3):e006513. doi: 10.1161/CIRCHEARTFAILURE.119.006513 EDN: GLATSO
  16. Vaidya VR, Arora S, Patel N, et al. Burden of arrhythmia in pregnancy. Circulation. 2017;135(6):619–621. doi: 10.1161/CIRCULATIONAHA.116.026681
  17. Kashou AH, Noseworthy PA, Beckman TJ, et al. ECG interpretation proficiency of healthcare professionals. Current Problems in Cardiology. 2023;48(10):101924. doi: 10.1016/j.cpcardiol.2023.101924 EDN: TWVGWN
  18. Raghunath S, Pfeifer JM, Ulloa-Cerna AE, et al. Deep neural networks can predict new-onset atrial fibrillation from the 12-lead ECG and help identify those at risk of atrial fibrillation-related stroke. Circulation. 2021;143(13):1287–1298. doi: 10.1161/CIRCULATIONAHA EDN: OTIPBV
  19. Ribeiro AH, Ribeiro MH, Paixão GMM, et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nature Communications. 2020;11(1):1760. doi: 10.1038/s41467-020-15432-4
  20. Singh JP, Fontanarava J, de Massé G, et al. Short-term prediction of atrial fibrillation from ambulatory monitoring ECG using a deep neural network. European Heart Journal - Digital Health. 2022;3(2):208–217. doi: 10.1093/ehjdh/ztac014 EDN: ZGCIBU
  21. Gadaleta M, Harrington P, Barnhill E, et al. Prediction of atrial fibrillation from at-home single-lead ECG signals without arrhythmias. NPJ Digital Medicine. 2023;6(1):229. doi: 10.1038/s41746-023-00966-w EDN: SFKVYU
  22. Liang H, Zhang H, Wang J, et al. The Application of artificial intelligence in atrial fibrillation patients: from detection to treatment. Reviews in Cardiovascular Medicine. 2024;25(7):257. doi: 10.31083/j.rcm2507257 EDN: SSWGQO
  23. Perez MV, Mahaffey KW, Hedlin H, et al. Large-scale assessment of a smartwatch to identify atrial fibrillation. New England Journal of Medicine. 2019;381(20):1909–1917. doi: 10.1056/NEJMoa1901183
  24. Shperling MI, Mols AA, Kosulina VM, et al. Gender-specific characteristics of heart failure with preserved ejection fraction in women: focus on pregnancy factors. Cardiovascular Therapy and Prevention. 2024;23(8):4006. doi: 10.15829/1728-88002024-4006 EDN: EEKFMJ
  25. Panchuk YP, Yaroslavtsev MY, Polonnikova AA, et al. Peripartal cardiomyopathy: literature review and clinical case description. Bulletin of the Medical Institute “REAVIZ” (Rehabilitation, Doctor and Health). 2024;14(3):89–95. doi: 10.20340/vmi-rvz.2024.3.CASE.2 EDN: PNEJSU
  26. Chulkov VS, Syundyukova EG, Chulkov VS, et al. Hypertensive disorders during pregnancy and risk of cardiovascular disease. Russian Journal of Preventive Medicine. 2021;24(12):97–104. doi: 10.17116/profmed20212412197 EDN: XLTUBJ
  27. Yurista S, Wadhera P, Eder RA, et al. Peripartum HFpEF. JACC: Advances. 2024;3(2):100799. doi: 10.1016/j.jacadv.2023.100799 EDN: JMKIMP
  28. Hodgson NR, Lindor RA, Monas J, et al. Pregnancy-related heart disease in the emergency department. Journal of Personalized Medicine. 2025;15(4):148. doi: 10.3390/jpm15040148
  29. Adedinsewo DA, Johnson PW, Douglass EJ, et al. Detecting cardiomyopathies in pregnancy and the postpartum period with an electrocardiogram-based deep learning model. European Heart Journal - Digital Health. 2021;2(4):586–596. doi: 10.1093/ehjdh/ztab078 EDN: TFSPPX
  30. Lee Y, Choi B, Lee MS, et al. An artificial intelligence electrocardiogram analysis for detecting cardiomyopathy in the peripartum period. International Journal of Cardiology. 2022;352:72–77. doi: 10.1016/j.ijcard.2022.01.064 EDN: HGEJZV
  31. Jung YM, Kang S, Son JM, et al. Electrocardiogram-based deep learning model to screen peripartum cardiomyopathy. American Journal of Obstetrics & Gynecology MFM. 2023;5(12):101184. doi: 10.1016/j.ajogmf.2023.101184 EDN: FJEPHZ
  32. Karabayir I, Wilkie G, Celik T, et al. Development and validation of an electrocardiographic artificial intelligence model for detection of peripartum cardiomyopathy. American Journal of Obstetrics & Gynecology MFM. 2024;6(4):101337. doi: 10.1016/j.ajogmf.2024.101337 EDN: HVLVST
  33. Adedinsewo DA, Morales-Lara AC, Hardway H, et al. Artificial intelligence–based screening for cardiomyopathy in an obstetric population: A pilot study. Cardiovascular Digital Health Journal. 2024;5(3):132–140. doi: 10.1016/j.cvdhj.2024.03.005 EDN: HMJUIY
  34. Adedinsewo DA, Morales-Lara AC, Afolabi BB, et al; on behalf of the SPEC-AI Nigeria Investigators. Artificial intelligence guided screening for cardiomyopathies in an obstetric population: a pragmatic randomized clinical trial. Nature Medicine. 2024;30(10):2897–2906. doi: 10.1038/s41591-024-03243-9 EDN: VUKAWP
  35. Chen QF, Shi S, Wang YF, et al. Global, regional, and national burden of valvular heart disease, 1990 to 2021. Journal of the American Heart Association. 2024;13(24):e037991. doi: 10.1161/JAHA.124.037991 EDN: TMTEIO
  36. Kovelkova MN, Iakovleva EG. Artificial intelligence in the prevention and diagnosis of cardiovascular diseases in Russia (literature review). Siberian Journal of Clinical and Experimental Medicine. 2025;40(1):28–41. doi: 10.29001/2073-8552-2025-40-1-28-41 EDN: ZKPMNP
  37. Holste G, Oikonomou EK, Mortazavi BJ, et al. Severe aortic stenosis detection by deep learning applied to echocardiography. European Heart Journal. 2023;44(43):4592–4604. doi: 10.1093/eurheartj/ehad456 EDN: UNRTZX
  38. Miao F, Wen B, Hu Z, et al. Continuous blood pressure measurement from one-channel electrocardiogram signal using deep-learning techniques. Artificial Intelligence in Medicine. 2020;108:101919. doi: 10.1016/j.artmed.2020.101919 EDN: TQNVQE
  39. Angelaki E, Barmparis GD, Fragkiadakis K, et al. Diagnostic performance of single-lead electrocardiograms for arterial hypertension diagnosis: a machine learning approach. Journal of Human Hypertension. 2024;39(1):58–65. doi: 10.1038/s41371-024-00969-4 EDN: APNREL
  40. Hu Y, Huerta J, Cordella N, et al. Personalized hypertension treatment recommendations by a data-driven model. BMC Medical Informatics and Decision Making. 2023;23(1):44. doi: 10.1186/s12911-023-02137-z EDN: GTLZBJ
  41. Hae H, Kang SJ, Kim TO, et al. Machine learning-based prediction of post-treatment ambulatory blood pressure in patients with hypertension. Blood Pressure. 2023;32(1):2209674. doi: 10.1080/08037051.2023.2209674 EDN: CTXFYQ
  42. Butler L, Gunturkun F, Chinthala L, et al. AI-based preeclampsia detection and prediction with electrocardiogram data. Frontiers in Cardiovascular Medicine. 2024;11:1360238. doi: 10.3389/fcvm.2024.1360238 EDN: OGAMVC
  43. Angeli F, Angeli E, Verdecchia P. Electrocardiographic changes in hypertensive disorders of pregnancy. Hypertension Research. 2014;37(11):973–975. doi: 10.1038/hr.2014.128
  44. Raffaelli R, Antonia Prioli M, Parissone F, et al. Pre-eclampsia: evidence of altered ventricular repolarization by standard ECG parameters and QT dispersion. Hypertension Research. 2014;37(11):984–988. doi: 10.1038/hr.2014.102
  45. Gil MM, Cuenca-Gómez D, Rolle V, et al. Validation of machine-learning model for first-trimester prediction of pre-eclampsia using cohort from PREVAL study. Ultrasound in Obstetrics & Gynecology. 2024;63(1):68–74. doi: 10.1002/uog.27478 EDN: GMWZRJ
  46. O’Kelly AC, Ludmir J, Wood MJ. Acute Coronary Syndrome in Pregnancy and the Post-Partum Period. Journal of Cardiovascular Development and Disease. 2022;9(7):198. doi: 10.3390/jcdd9070198 EDN: NNVWGK
  47. Nedbaeva DN, Aseeva AS, Zhiduleva EV, et al. Clinical features of acute coronary syndrome associated with spontaneous coronary artery dissection in women: a case series. Russian Journal of Cardiology. 2024;29(3S):62–69. doi: 10.15829/1560-4071-2024-5982 EDN: NBTKTE
  48. Hayes SN, Kim ESH, Saw J, et al. Spontaneous coronary artery dissection: current state of the science: a scientific statement from the American Heart Association. Circulation. 2018;137(19):523–557. doi: 10.1161/CIR.0000000000000564
  49. Sheikh AS, O'Sullivan M. Pregnancy-related spontaneous coronary artery dissection: Two case reports and a comprehensive review of literature. Heart Views. 2012;13(2):53. doi: 10.4103/1995-705X.99229
  50. Jackson R, Al-Hussaini A, Joseph S, et al. Spontaneous coronary artery dissection. JACC: Cardiovascular Imaging. 2019;12(12):2475–2488. doi: 10.1016/j.jcmg.2019.01.015
  51. Chae J, Kweon J, Park GM, et al. Enhancing quantitative coronary angiography (QCA) with advanced artificial intelligence: comparison with manual QCA and visual estimation. The International Journal of Cardiovascular Imaging. 2025;41(3):559–568. doi: 10.1007/s10554-025-03342-9 EDN: JUCBJZ
  52. Kim Y, Yoon HJ, Suh J, et al. Artificial Intelligence–Based Fully Automated Quantitative Coronary Angiography vs Optical Coherence Tomography–Guided PCI. JACC: Cardiovascular Interventions. 2025;18(2):187–197. doi: 10.1016/j.jcin.2024.10.025 EDN: RQQPEO
  53. Krittanawong C, Virk HUH, Kumar A, et al. Machine learning and deep learning to predict mortality in patients with spontaneous coronary artery dissection. Scientific Reports. 2021;11(1):8992. doi: 10.1038/s41598-021-88172-0 EDN: PBXRYP
  54. Ma R, Gao H, Cui J, et al. Pregnancy feasibility in women with mild pulmonary arterial hypertension: a systematic review and meta-analysis. BMC Pregnancy and Childbirth. 2023;23(1):427. doi: 10.1186/s12884-023-05752-w EDN: REWRBO
  55. Elgendi M, Bobhate P, Jain S, et al. The voice of the heart: vowel-like sound in pulmonary artery hypertension. Diseases. 2018;6(2):26. doi: 10.3390/diseases6020026
  56. Kwon J, Kim KH, Medina-Inojosa J, et al. Artificial intelligence for early prediction of pulmonary hypertension using electrocardiography. The Journal of Heart and Lung Transplantation. 2020;39(8):805–814. doi: 10.1016/j.healun.2020.04.009 EDN: PTEVKR
  57. Liao Z, Liu K, Ding S, et al. Automatic echocardiographic evaluation of the probability of pulmonary hypertension using machine learning. Pulmonary Circulation. 2023;13(3):e12272. doi: 10.1002/pul2.12272 EDN: OUOPMO
  58. Imai S, Sakao S, Nagata J, et al. Artificial intelligence-based model for predicting pulmonary arterial hypertension on chest x-ray images. BMC Pulmonary Medicine. 2024;24(1):101. doi: 10.1186/s12890-024-02891-4 EDN: SENDZY
  59. Celi LA, Cellini J, Charpignon ML, et al; for MIT Critical Data. Sources of bias in artificial intelligence that perpetuate healthcare disparities—A global review. PLOS Digital Health. 2022;1(3):e0000022. doi: 10.1371/journal.pdig.0000022 EDN: FFUSAN
  60. He B, Kwan AC, Cho JH, et al. Blinded, randomized trial of sonographer versus AI cardiac function assessment. Nature. 2023;616(7957):520–524. doi: 10.1038/s41586-023-05947-3 EDN: BJAAZQ
  61. Moradi A, Olanisa OO, Nzeako T, et al. Revolutionizing cardiac imaging: a scoping review of artificial intelligence in echocardiography, CTA, and cardiac MRI. Journal of Imaging. 2024;10(8):193. doi: 10.3390/jimaging10080193 EDN: XWHBRA
  62. Fu W, Li R. Diagnostic performance of a wearing dynamic ECG recorder for atrial fibrillation screening: the HUAMI heart study. BMC Cardiovascular Disorders. 2021;21(1):558. doi: 10.1186/s12872-021-02363-1 EDN: QKSYGD

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-вектор, 2025

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

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).