010000, г. Астана, пр-т Туран, 38
010000, Astana с., Turan ave., 38
010000, г. Астана, пр-т Туран, 38
010000, Astana с., Turan ave., 38
010000, г. Астана, пр-т Туран, 38
010000, Astana с., Turan ave., 38
Айнур Таукелова
010000, г. Астана, пр-т Туран, 38
Ainur Taukelova
010000, Astana с., Turan ave., 38
010000, г. Астана, пр-т Туран, 38
010000, Astana с., Turan ave., 38
010000, пр-т Кабанбай батыра 53
010000, Astana с., Turan ave., 38
010000, Astana c., Kabanbay Batyr ave., 53
Цель. Систематический обзор современных подходов к применению искусственного интеллекта в диагностике сердечной недостаточности, проанализировать используемые алгоритмы и модели, охарактеризовать источники медицинских данных (ЭКГ, эхокардиография, ЭМК, КТ/МРТ, ангиография, носимые устройства), оценить их диагностическую эффективность (точность, AUC, чувствительность/специфичность), а также определить возможности и ограничения клинической имплементации с акцентом на условия здравоохранения в Казахстане.
Материалы и методы. Систематический поиск в базах данных PubMed, Scopus, Web of Science, IEEE Xplore и Google Scholar (2015 – 2025 гг.) выявил рецензируемые англоязычные и русскоязычные исследования по применению искусственного интеллекта в диагностике сердечной недостаточности. Два независимых рецензента проводили скрининг статей, извлечение данных и оценку качества; результаты 60 отобранных исследований были синтезированы в описательной форме с количественным обобщением там, где это было уместно.
Результаты и обсуждение. В 60 исследованиях (2015 – 2025 гг.) применение искусственного интеллекта к данным ЭКГ, эхокардиографии, ЭМК, визуализации и носимых устройств продемонстрировало диагностическую точность на уровне 85-95% (AUC до 0,97). Алгоритмы на основе ЭКГ надежно выявляли HFrEF, ИИ-ассистированная эхокардиография улучшала сегментацию и снижала зависимость от оператора, мультимодальные модели усиливали прогнозирование ответа на терапию (включая СРТ), тогда как внедрение в Казахстане остается на начальном этапе из-за ограничений инфраструктуры и доступа к данным.
Выводы. Искусственный интеллект представляет собой перспективное направление в диагностике сердечной недостаточности, способное повысить точность, своевременность и персонализацию клинических решений. Для масштабного клинического внедрения искусственного интеллекта, особенно в Казахстане, необходимы проспективная валидация, стандартизированные протоколы, локальные репрезентативные базы данных, надежная цифровая инфраструктура и подготовка кадров.
Aim. To summarize existing approaches to the use of artificial intelligence in the diagnosis of heart failure, to characterize the algorithms and models employed, to describe the types of medical data used (ECG, echocardiography, EMR, CT/MRI, angiography, wearables), to evaluate model performance (accuracy, AUC, sensitivity/specificity), and to assess feasibility and prospects for clinical implementation – with particular attention to the situation and challenges in Kazakhstan.
Materials and methods. Systematic searches of PubMed, Scopus, Web of Science, IEEE Xplore and Google Scholar (2015 – 2025) identified peer-reviewed English and Russian studies on AI applications for heart failure diagnosis; two reviewers independently screened articles, extracted data and assessed quality, and results from 60 eligible studies were synthesized narratively with quantitative pooling where appropriate.
Results and discussion. Across 60 eligible studies (2015 – 2025), AI applied to ECG, echocardiography, EMRs, imaging and wearable data demonstrated diagnostic accuracy typically between 85-95% (AUCs up to 0.97); ECGbased algorithms reliably detected HFrEF, AI-assisted echocardiography improved segmentation and reduced operator dependence, multimodal models enhanced prediction of therapy response (including CRT), while implementation in Kazakhstan remains nascent due to infrastructure and data-access limitations.
Conclusion. Artificial intelligence is a promising direction in heart-failure diagnostics that can enhance the accuracy, timeliness and personalization of clinical decisions. For large-scale clinical adoption – especially in Kazakhstan – prospective validation, standardized protocols, local representative datasets, robust digital infrastructure and workforce training are required.
The authors declare that there are no conflicts of interest present.