ЖҮРЕК ЖЕТКІЛІКСІЗДІГІН ДИАГНОСТИКАЛАУ САЛАСЫНДАҒЫ ЖАСАНДЫ ИНТЕЛЛЕКТ

Зерттеудің мақсаты. Жүрек жеткіліксіздігін диагностикалауда жасанды интеллекттің қолдану тәсілдерін жүйелі түрде шолу, қолданылған алгоритмдер мен модельдерді сипаттау, қолданылған медициналық деректер түрлерін (ЭКГ, эхокардиография, электрондық медициналық жазбалар (ЭМЖ), КТ/МРТ, ангиография, киілетін құрылғылар) баяндау, модельдердің тиімділігін (дәлдік, AUC, сезімталдық/ерекшелік) бағалау және клиникалық енгізу мүмкіндіктері мен перспективаларын – Қазақстандағы жағдай мен қиындықтарды ерекше ескере отырып – бағалау.

Материалдар және әдістер. PubMed, Scopus, Web of Science, IEEE Xplore және Google Scholar дерекқорлары бойынша 2015 – 2025 жылдар аралығындағы мақалалар жүйелі түрде ізделді; жүрек жеткіліксіздігін диагностикалауда жасанды интеллект қолданған ағылшын және орыс тіліндегі рецензияланған зерттеулер анықталды. Екі тәуелсіз шолушы мақалаларды іріктеп, деректерді шығарды және сапасын бағалады; 60 сәйкес зерттеудің нәтижелері сипаттамалық түрде біріктіріліп, деректердың жеткілікті біркелкілігі болған жағдайда сандық синтез жүргізілді.

Нәтижелер және талқылау. 2015 – 2025 жылдар аралығындағы 60 зерттеу көрсеткендей, ЭКГ, эхокардиография, ЭМЖ, медициналық бейнелеу және киілетін құрылғылар деректеріне қолданылған жасанды интеллект модельдері әдетте 85-95% аралығындағы диагностикалық дәлдік көрсетті (AUC мәндері 0.97 дейін). ЭКГ негізіндегі алгоритмдер HFrEF-ті сенімді түрде анықтады, ЖИ арқылы жетілдірілген эхокардиография сегментацияны жақсартып, операторға тәуелділікті азайтты; көпмодальды модельдер терапияға жауапты (оның ішінде CRT – жүректі қайта синхрондау терапиясы) болжауды жақсартты. Қазақстандағы енгізу әлі бастапқы сатыларда болып, бұл процеске цифрлық инфрақұрылым мен деректерге қолжетімділік сияқты шектеулер әсер етеді.

Қорытынды. Жасанды интеллект – жүрек жеткіліксіздігін диагностикалауда дәлдік, жеделдік және клиникалық шешімдерді дараландыруды жақсартуға мүмкіндік беретін перспективалық бағыт. Кең ауқымды клиникалық енгізу үшін (әсіресе Қазақстан жағдайында) проспективті валидация, стандартталған хаттамалар, жергілікті репрезентативті деректер жиынтықтары, сенімді сандық инфрақұрылым және мамандарды оқыту қажет.

1. Krittanawong C., Johnson K.W., Venkatesh V. Artificial intelligence in the diagnosis and detection of heart failure: the past, present, and future. Rev. Cardiovasc. Med. 2021; 22 (4): 1095-1113.

2. Zhang Y., Khan S., Tison G.H. Artificial Intelligence in Heart Failure: Friend or Foe? Heart Fail. Rev. 2022; 27: 1-10.

3. Armoundas A.A., Narayan S.M., Arnett D.K., Spector-Bagdady K., Bennett D.A., Celi L.A., Friedman P.A., Gollob M.H., Hall J.L., Kwitek A.E., Lett E., Menon B.K., Sheehan K.A., Al-Zaiti S.S.; American Heart Association Institute for Precision Cardiovascular Medicine; Council on Cardiovascular and Stroke Nursing; Council on Lifelong Congenital Heart Disease and Heart Health in the Young; Council on Cardiovascular Radiology and Intervention; Council on Hypertension; Council on the Kidney in Cardiovascular Disease; and Stroke Council. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation. 2024; 149 (14): e1028-e1050. https://doi:10.1161/CIR.0000000000001201

4. Khan M.S., Arshad M.S., Greene S.J., Van Spall H.G.C., Pandey A., Vemulapalli S., Perakslis E., Butler J. Artificial intelligence and heart failure: A state-of-the-art review. Eur. J. Heart Fail. 2023; 25 (9): 1507-1525. https://doi:10.1002/ejhf.2994

5. Medhi D., Kamidi S.R., Mamatha Sree K.P., Shaikh S., Rasheed S., Thengu Murichathil A.H., Nazir Z. Artificial Intelligence and Its Role in Diagnosing Heart Failure: A Narrative Review. Cureus. 2024; 16 (5): e59661. https:// doi:10.7759/cureus.59661

6. Dhingra L.S., Aminorroaya A., Sangha V., Pedroso A.F., Asselbergs F.W., Brant L.C.C., Barreto S.M., Ribeiro A.L.P., Krumholz H.M., Oikonomou E.K., Khera R. Heart failure risk stratification using artificial intelligence applied to electrocardiogram images: a multinational study. Eur. Heart J. 2025; 46 (11): 1044-1053. https://doi:10.1093/eurheartj/ehae914

7. Attia Z.I., Friedman P.A., Noseworthy P.A. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat. Med. 2019; 25 (1): 70-74.

8. Zhang J., Gajjala S., Agrawal P. Fully automated echocardiogram interpretation in clinical practice. Circulation. 2020; 141 (10): 750-760.

9. Moghaddasi H., Nourian S., Rezayi S. Early heart failure detection using EHRs and machine learning: a longitudinal approach. J. Biomed. Inform. 2022; 128: 104042.

10. Esteva A., Robicquet A., Ramsundar B. A guide to deep learning in healthcare. Nat. Med. 2019; 25: 24-29.

11. Hannun A.Y., Rajpurkar P., Haghpanahi M. Cardiologist-level arrhythmia detection with deep neural networks. Nat. Med. 2019; 25: 65-69.

12. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat. Med. 2019; 25 (1): 44-56.

13. Krittanawong C., Zhang H., Wang Z. Machine learning in cardiovascular medicine: are we there yet? Heart. 2017; 103 (17): 1225-1234.

14. Johnson K.W., Torres Soto J., Glicksberg B.S. Artificial intelligence in cardiology. J. Am. Coll. Cardiol. 2018; 71 (23): 2668-2679.

15. Yancy C.W., Jessup M., Bozkurt B. 2017 ACC/AHA/HFSA focused update of the 2013 ACCF/AHA guideline for the management of heart failure. J. Am. Coll. Cardiol. 2017; 70 (6): 776-803.

16. World Health Organization. Ethics and governance of artificial intelligence for health. Geneva: WHO; 2021: 124.

17. Ministry of Health of the Republic of Kazakhstan. National project «Healthy Nation» for 2021 – 2025. Astana: Ministry of Health RK; 2023.

18. UNDP Kazakhstan. Digitalization of Healthcare in Kazakhstan: Opportunities and Risks. Astana: UNDP; 2021.

19. Beisekeeva A.K. Prospects for the introduction of digital technologies in cardiology practice in Kazakhstan. Medical Journal of Kazakhstan. 2022; 4: 23-29.

20. Kairgaliyev R.Sh. Possibilities of using artificial intelligence in cardiology: analysis of international experience and potential for Kazakhstan. Cardiology and Cardiovascular Surgery. 2023; 2: 11-17.

21. Yoon M., Park J.J., Hur T., Hua C.H., Hussain M., Lee S., Choi D.J. Application and Potential of Artificial Intelligence in Heart Failure: Past, Present, and Future. Int. J. Heart. Fail. 2023; 6 (1): 11-19. https://doi:10.36628/ijhf.2023.0050

22. Sokolov S.F., Popov M.A. Artificial Intelligence Applications in Cardiology: An Overview. Russ. J. Cardiol. 2023; 28 (7): 5673.

23. Xie Y., Zhang L., Sun W., Zhu Y., Zhang Z., Chen L., Xie M., Zhang L. Artificial Intelligence in Diagnosis of Heart Failure. J. Am. Heart. Assoc. 2025; 14 (8): e039511. https://doi:10.1161/JAHA.124.039511

24. Petmezas G., Papageorgiou V.E., Vassilikos V., Pagourelias E., Tsaklidis G., Katsaggelos A.K., Maglaveras N. Recent advancements and applications of deep learning in heart failure: Α systematic review. Comput. Biol. Med. 2024; 176: 108557. https://doi:10.1016/j.compbiomed.2024.108557

25. Yao X., Rushlow D.R., Inselman J.W. Electrocardiogram-based artificial intelligence for the diagnosis of heart failure: a systematic review and metaanalysis. J. Geriatr. Cardiol. 2022; 19: 1-10.

26. Frizzell J.D., Liang L., Schulte P.J. Evaluation of machine learning methods for prediction of heart failure mortality and readmission: meta-analysis. BMC Cardiovasc Disord. 2025; 25: 1-12.

27. Angraal S., Mortazavi B.J., Gupta A. Heart Failure Diagnosis, Readmission, and Mortality Prediction Using Machine Learning and Artificial Intelligence Models. Curr. Epidemiol. Rep. 2020; 7: 1-9.

28. Siontis K.C., Liu K., Bos J.M. AI-Assisted ECG. J. Am. Heart. Assoc. 2024; 13: 1-8.

29. Bernard O., Lalande A., Zotti C. Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved? IEEE Trans. Med. Imaging. 2018; 37 (11): 2514-2525. https://doi:10.1109/TMI.2018.2837502

30. Moreno-Sánchez P.A. Improvement of a prediction model for heart failure survival through explainable artificial intelligence. Front. Cardiovasc. Med. 2023; 10: 1219586. https://doi:10.3389/fcvm.2023.1219586

31. Ali L., Rahman A., Khan A. Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm. arXiv; 2021: preprint.

32. Kwon J M, Lee Y, Lee Y, et al. An explainable Transformer-based deep learning model for the prediction of incident heart failure. arXiv; 2021: preprint.

33. Tison G.H., Sanchez J.M., Ballinger B. Passive detection of atrial fibrillation using a commercial wearable device. JAMA Cardiol. 2018; 3 (5): 409-416.

34. Ribeiro A.H., Ribeiro M.H., Paixão G.M.M. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat. Commun. 2020; 11 (1760): 1-9.

35. Avram R., Olgin J.E., Kuhar P. A digital biomarker of diabetes from smartphone-based vascular signals. Nat. Med. 2020; 26: 1576-1582.

36. Dey D., Slomka P.J., Leeson P. Machine learning and cardiac CT: current status and future opportunities. Curr. Cardiovasc. Imaging Rep. 2018; 11: 1-12.

37. Howell S.J., Ranjbar H., Gholami B. Machine learning to predict response to cardiac resynchronization therapy: a systematic review. J. Cardiovasc. Electrophysiol. 2022; 33 (5): 1104-1113.

38. Goto S., Kimura M., Katsumata Y. Artificial intelligence for predicting heart failure hospitalization. ESC Heart Fail. 2021; 8: 1065-1073.

39. Ng K., Steinhubl S.R., deFilippi C. Predicting unplanned readmission after discharge from heart failure hospitalization. PLoS One. 2016; 11 (10): e016044.

40. Al'Aref S.J., Singh G., Bavishi C. Machine learning of clinical variables and coronary artery calcium scoring for mortality risk prediction. J. Am. Heart Assoc. 2020; 9 (18): e017494.

41. Weng S.F., Reps J., Kai J. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017; 12 (4): e0174944.

42. Ahmad T., Lund L.H., Rao P. Predicting early readmission risk for heart failure patients using machine learning. Computers in Cardiology. 2018; 45: 1-4.

43. Razavian N., Blecker S., Schmidt A.M. Population-level prediction of type 2 diabetes from claims data and analysis of risk factors. Big Data. 2015; 3 (4): 277-287.

44. Chen J.H., Asch S.M. Deep learning in healthcare: Review, opportunities and challenges. Brief Bioinform. 2020; 21 (2): 553-563.

45. Lundberg S.M., Nair B., Vavilala M.S. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat. Biomed. Eng. 2018; 2: 749-760.

46. Siontis K.C., Noseworthy P.A., Attia Z.I. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat. Rev. Cardiol. 2021; 18: 465-478.

47. Li X., Xu C., Yang L. Predicting heart failure readmission using machine learning techniques. IEEE J. Biomed. Health Inform. 2020; 24 (10): 2833-2840.

48. Nasir K, Cainzos-Achirica M., van der Aalst C. Machine learning for cardiovascular disease prediction: A meta-analysis. Eur. Heart J. 2022; 43 (2): 167-177.

49. Krittanawong C., Johnson K.W., Rosenson R.S. Machine learning prediction in cardiovascular diseases: a meta-analysis. Sci. Rep. 2021; 11: 1292.

50. Ahmed M.U., Eklof C., Hossain M.S. Early detection of heart failure using machine learning techniques. Comput. Biol. Med. 2019; 107: 122-130.

51. Ma X., Wang H., Gao L. Machine learning algorithms for heart failure detection and diagnosis. Biomed. Res. Int. 2021; 2021: 1-10.

52. Yu S., Ma X., Demosthenes S.G. Machine learning models for prediction of heart failure: a systematic review. ESC Heart Fail. 2023; 10 (2): 1081-1092.

53. Xie Y., Zhang L., Sun W., Zhu Y., Zhang Z., Chen L., Xie M., Zhang L. Artificial Intelligence in Diagnosis of Heart Failure. J. Am. Heart Assoc. 2025; 14 (8): e039511. https://doi:10.1161/JAHA.124.039511

54. Petmezas G., Papageorgiou V.E., Vassilikos V., Pagourelias E., Tsaklidis G., Katsaggelos A.K., Maglaveras N. Recent advancements and applications of deep learning in heart failure: Α systematic review. Comput. Biol Med. 2024; 176:108557. doi: 10.1016/j.compbiomed.2024.108557

55. Yao X., Rushlow D.R., Inselman J.W. Electrocardiogram-based artificial intelligence for the diagnosis of heart failure: a systematic review and metaanalysis. J. Geriatr. Cardiol. 2022; 19: 1-10.

56. Frizzell J.D., Liang L., Schulte P.J. Evaluation of machine learning methods for prediction of heart failure mortality and readmission: meta-analysis. BMC Cardiovasc. Disord. 2025; 25: 1-12.

57. Angraal S., Mortazavi B.J., Gupta A. Heart Failure Diagnosis, Readmission, and Mortality Prediction Using Machine Learning and Artificial Intelligence Models. Curr. Epidemiol. Rep. 2020; 7: 1-9.

58. Siontis K.C., Liu K., Bos J.M. AI-Assisted ECG. J. Am. Heart Assoc. 2024; 13: 1-8.

59. Digital Watch Observatory. Concept of development of artificial intelligence in Kazakhstan for 2024-2029. https://dig.watch/resource/kazakhstansconcept-for-the-development-of-artificial-intelligencefor-2024-2029

60. Beisekeeva A.K., Kairgaliyev R.Sh. Artificial Intelligence in Cardiology. Vestnik KazNMU. 2022; 1: 45-51.