Искусственный интеллект в кардиоонкологии рассматривается как инструмент для прогнозирования риска, раннего выявления сердечно-сосудистой токсичности и персонализации наблюдения. Клиническая ценность таких решений зависит не только от качества модели, но и от репрезентативности данных, локальной калибровки, проспективной проверки и понятного порядка действий после получения результата.
Возможности искусственного интеллекта
Оценка исходного риска
До начала противоопухолевой терапии модели могут объединять клиническую информацию и результаты исследований для оценки вероятности сердечно-сосудистых осложнений. Такая оценка способна стать основой персонализированного наблюдения.
Выявление изменений во время лечения
Анализ электрокардиограмм, медицинских изображений и лабораторных показателей может поддерживать более раннее обнаружение признаков сердечно-сосудистого повреждения. Цель заключается в переходе от реакции на уже развившуюся токсичность к своевременной оценке риска.
Наблюдение после терапии
После завершения лечения искусственный интеллект может применяться для персонализации долгосрочных стратегий наблюдения. При этом исходно низкий риск не исключает его изменения на фоне старения, инфекции, аритмии, смены лечения или других биологических стрессоров.
Организация разрозненной информации
Системы на основе больших языковых моделей могут собирать сведения из онкологических, кардиологических и первичных медицинских записей, результатов лабораторных исследований, перечней препаратов и данных визуализации. Важными условиями остаются прослеживаемость источников и возможность сообщить, что информации недостаточно для надёжной оценки.
Основные источники данных
- Электрокардиография
- Эхокардиография
- Магнитно-резонансная томография сердца
- Лабораторные показатели
- Электронные медицинские записи
- Носимые устройства
Анализ электрокардиограмм
Электрокардиография с поддержкой искусственного интеллекта рассматривается как перспективный способ выявления сердечно-сосудистого риска, который может быть неочевиден при традиционной интерпретации. Доступность этого подхода может иметь особое значение в учреждениях, где возможности эхокардиографии или магнитно-резонансной томографии сердца ограничены.
Результат анализа электрокардиограммы не должен рассматриваться изолированно. Для принятия клинического решения необходимо определить, кому адресуется предупреждение, кто отвечает за его оценку и какое действие должно последовать. Без такого маршрута даже модель с высокими показателями может остаться исследовательским инструментом.
Медицинские изображения
Алгоритмы могут использоваться для анализа сердечно-сосудистых изображений и автоматизации измерений, включая оценку фракции выброса и деформации миокарда. Это потенциально позволяет уменьшить вариабельность измерений и стандартизировать выявление изменений.
В одном из представленных исследований у пациентов с HER2-положительным раком молочной железы моделирование на основе магнитно-резонансной томографии сердца, выполненной до лечения, позволяло выявлять пациентов с риском последующей сердечно-сосудистой токсичности. Однако результаты отдельных исследований требуют проверки в других популяциях и в условиях реальной клинической практики.
Носимые устройства и дистанционное наблюдение
Данные носимых устройств могут расширить наблюдение за пределы клиники и дополнить сведения, получаемые во время очных визитов. В материалах саммита также рассматривались безманжетное измерение артериального давления, носимый мониторинг и интегрированные системы данных.
Использование таких данных требует включения их в клинический процесс. Необходимо заранее определить, какие отклонения являются значимыми, кто анализирует поступающую информацию и как замыкается цикл от сигнала до медицинского действия.
Мультимодальные модели
Пациенты с онкологическими заболеваниями формируют большой объём разнородных данных: электрокардиограммы, результаты визуализации, лабораторные показатели, электронные медицинские записи и информацию от носимых устройств. Мультимодальные модели объединяют несколько потоков данных вместо опоры на один показатель.
Такой подход может поддерживать обновление индивидуальной оценки риска по мере поступления новой информации. Его конечная задача — не только ранжировать пациентов, но и помогать определять, кому требуется наблюдение сейчас, кто может безопасно подождать и кому потенциально необходимо профилактическое вмешательство.
Почему качества прогнозирования недостаточно
При оценке модели важно различать дискриминацию и калибровку. Алгоритм может правильно распределять пациентов от более низкого к более высокому риску, но при этом неверно оценивать абсолютную вероятность события. Это особенно существенно, если прогноз определяет частоту обследований или направление к специалисту.
На результат также влияют конкурирующий риск смерти, точность определения исходов, вариабельность визуализации, неполное наблюдение и различия между группами лечения. Сердечно-сосудистая токсичность может регистрироваться неравномерно: в одних группах обследования выполняются по протоколу, а в других назначаются преимущественно при клиническом подозрении.
Требования к клиническому применению
| Компонент | Практическое требование |
|---|---|
| Данные и модель | |
| Репрезентативность | Данные должны отражать популяции, с которыми модель будет использоваться в клинической практике. |
| Калибровка | Оценка абсолютного риска должна соответствовать локальной популяции и условиям оказания помощи. |
| Внутренняя и внешняя валидация | Работу модели необходимо проверять как на исходных данных, так и за пределами популяции, в которой она была разработана. |
| Проспективная оценка | Следует определить, помогает ли применение модели направлять наблюдение и клинические решения в реальной практике. |
| Клиническая интеграция | |
| Действующий результат | Вывод системы должен быть связан с понятным клиническим действием, а не ограничиваться прогнозной оценкой. |
| Ответственный специалист | Необходимо определить получателя сигнала и клинического владельца, отвечающего за последующие действия. |
| Интеграция в рабочий процесс | Модель должна быть встроена в существующие маршруты и электронные медицинские записи без разрыва клинического цикла. |
| Управление и мониторинг | Требуются правила использования и постоянный контроль по мере изменения популяций пациентов, противоопухолевой терапии и клинических рекомендаций. |
| Работа с неопределённостью | При недостатке документации система должна сообщать о невозможности надёжной оценки, а не формировать неподтверждённый ответ. |
Место искусственного интеллекта в работе врача
Представленные подходы не сводят роль искусственного интеллекта к самостоятельной диагностике. Его возможная ценность заключается в поиске значимых фактов, организации фрагментированной информации, оценке риска на основе наблюдаемых исходов и уточнении следующего клинического действия.
При этом базовая сердечно-сосудистая профилактика сохраняет центральное значение. Контроль артериального давления, липидов, установленного сердечно-сосудистого заболевания и традиционных факторов риска остаётся частью помощи пациентам с онкологическими заболеваниями независимо от применения сложных моделей.
Критерием готовности технологии к рутинному использованию должна быть не только точность прогноза, но и способность улучшать клинические решения. Для этого необходимы локальная калибровка, проспективная оценка, интеграция в рабочие процессы и проверка того, приводят ли вмешательства на основе модели к улучшению исходов.


