ksmaКубанский научный медицинский вестникKuban Scientific Medical Bulletin1608-62282541-9544Kuban State Medical University10.25207/1608-6228-2022-29-4-14-31ksma-2609Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИ. ПРОФИЛАКТИЧЕСКАЯ МЕДИЦИНАORIGINAL ARTICLES. PREVENTIVE MEDICINEОпыт внедрения пилотного проекта «Искусственный интеллект» в работе участкового терапевта на территории Ямало-Ненецкого автономного округа: пилотное одномоментное скрининговое обсервационное исследованиеImplementing an Artificial Intelligence System in the Work of General Practitioner in the Yamalo-Nenets Autonomous Okrug: Pilot Cross-sectional Screening Observational Studyhttps://orcid.org/0000-0002-7938-5470ЖдановаЕ. В.ZhdanovaE. V.

 Жданова Екатерина Васильевна — доктор медицинских наук, профессор; заведующая кафедрой патологической физиологии 

 ул. Одесская, д. 54, г. Тюмень, 625023, Россия 

 Ekaterina V. Zhdanova — Dr. Sci. (Med.), Prof.; Head of the Department of Pathological Physiology

Odesskaya str., 54, Tyumen, 625023, Russia

zhdanova.e.v@bk.ruhttps://orcid.org/0000-0001-5644-8021РубцоваЕ. В.RubtsovaE. V.

Рубцова Елена Викторовна — внештатный сотрудник, ассистент кафедры патологической физиологии 

 ул. Одесская, д. 54, г. Тюмень, 625023, Россия 

Elena V. Rubtsova* — Freelance Academic Researcher, Research Assistant of the Department of Pathological Physiology

Odesskaya str., 54, Tyumen, 625023, Russia 

relena1976@rambler.ruФедеральное государственное бюджетное образовательное учреждение высшего образования «Тюменский государственный медицинский университет» Министерства здравоохранения Российской ФедерацииРоссияTyumen State Medical University, Ministry of Healthcare of the Russian FederationRussian Federation2022290820222941431Copyright © Жданова Е.В., Рубцова Е.В., 20222022Жданова Е.В., Рубцова Е.В.Zhdanova E.V., Rubtsova E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ksma.elpub.ru/jour/article/view/2609

Введение. Раннее выявление факторов риска (ФР) сердечно-сосудистых заболеваний (ССЗ) имеет важнейшее значение для профилактики возникновения ССЗ и развития их осложнений. Для выявления факторов риска ССЗ можно использовать системы искусственного интеллекта (ИИ), способные к обучению, обобщению и выводу. ИИ за короткий срок обрабатывает огромные массивы данных и выдает готовую информацию.Цель исследования — оценить эффективность использования программы ИИ для выявления факторов риска ССЗ у пациентов в практике участкового врача-терапевта.Методы. В исследование включены данные 1778 электронных амбулаторных карт пациентов старше 18 лет, прикрепленных к одному участку амбулаторного-поликлинического отделения государственного бюджетного учреждения здравоохранения Ямало-Ненецкого автономного округа «Муравленковская городская больница». Исследование проведено в четыре этапа. Первым этапом выполнено предварительное «обучение» программы «Искусственный интеллект» многочисленными шкалами оценки риска ССЗ. Платформой для ее работы явилась программа прогнозной аналитики и управления рисками Webiomed (компания «К-Скай», Россия). Второй этап: анализ медицинской информации для выявления факторов риска ССЗ по шкале относительного риска для пациентов младше 40 лет и шкалы SCORE для пациентов старше 40 лет. Третий этап: специалист проанализировал имеющуюся ранее и полученную новую информацию о каждом пациенте. По результатам третьего этапа исследования были сформированы 4 группы риска ССЗ (низкий, средний, высокий и очень высокий). Четвертым этапом впервые выявленные пациенты с высоким риском ССЗ, ранее не состоявшие на диспансерном учете, направлены на дополнительное клинико-лабораторное и инструментальное дообследование, консультации специалистов. Получены статистические данные в абсолютном и процентном отношениях. Статистическая обработка результатов осуществлена компьютерной программой системы поддержки принятия врачебных решений. Визуализация контента осуществлялась в электронных таблицах и диаграммах.Результаты. На основании выявленных данных ИИ разделил всех пациентов на группы риска по ССЗ, а также указал на неучтенные факторы. ИИ подтвердил очень высокий и высокий риск ССЗ по SCORE (Systematic Cоronary Risk Evaluation) у 623 человек,  | 14–31 15которые уже состояли на диспансерном учете у терапевта, кардиолога и получали соответствующую терапию. ФР, которые ранее не были учтены при постановке диагноза, были зафиксированы у 41 (11,5%) пациента из группы очень высокого риска и 37 (12,7%) пациентов с высоким риском. Система ИИ впервые выявила высокий риск ССЗ у 29 человек, который ранее не наблюдался участковым терапевтом и другими узкими специалистами по причине редкого обращения в медицинские учреждения. Эти пациенты были обнаружены системой ИИ по результатам периодических и предварительных медицинских осмотров (35%), после курса терапии других заболеваний в условиях круглосуточного стационара (31%), при обращении к узким специалистам (17%), при оформлении медицинского заключения на вождение транспортного средства (12%), при получении справки в бассейн (3%) или на оружие (2%). Среди впервые выявленных пациентов с высоким риском ССЗ основную группу составили мужчины — 24 человека (82%) и только 5 женщин (8%). Все эти лица были трудоспособного возраста от 40 до 50 лет. С целью подтверждения полученной информации врачом-куратором впоследствии назначено дообследование пациентов, в результате которого только у 1 человека (3%) была исключена соматическая патология.Заключение. Эффективность использования программы ИИ составила 97%. Постоянный мониторинг всех параметров электронных историй болезни и амбулаторных карт в короткое время позволяет выявить наличие ФР при любом обращении человека в медицинское учреждение (профилактические и периодические медицинские осмотры, плановая диспансеризация, обращение к узким специалистам и т.д.) и формировать группы риска по ССЗ. Данный мониторинг дает возможность эффективного медицинского контроля за трудоспособным контингентом.

Background. Early identification of risk factors (RF) associated with cardiovascular diseases (CVD) is essential for the prevention of CVDs and their complications. CVD risk factors can be identified using Artificial Intelligence (AI) systems, which are capable of learning, analyzing and drawing conclusions. The advantage of AI systems consists in their capacity to process large amounts of data over a short period of time and produce ready-made information. Objectives. Evaluation of the efficiency of implementing an AI software application by a general practitioner for identifying CVD risk factors.Methods. The study included data from 1778 electronic medical histories of patients aged over 18, assigned to an outpatient and polyclinic department of Muravlenkovskaya Gorodskaya Bolnitsa (Muravlenko municipal hospital), Yamalo-Nenets Autonomous Okrug (Russia). The study was conducted in four stages. The first stage involved a preliminary training of the Artificial Intelligence (AI) system under study using numerous CVD risk assessment scales. The Webiomed predictive analytics and risk management software by K-SkAI, Russia, was selected as a platform for this purpose. The second stage included an analysis of medical data to identify CVD risk factors according to the relative risk scale for patients under 40 and the SCORE scale for patients over 40. At the third stage, a specialist analyzed the previous and new information received about each patient. According to the results of the third stage, four risk groups for CVD (low, medium, high and very high) were formed. At the fourth stage, newly diagnosed patients with a high risk of CVD, who had not been previously subject to regular medical check-up, were directed for additional clinical, laboratory and instrumental follow-up examination and consultations of relevant specialists. Statistical data in absolute terms and as a percentage were obtained. Statistical processing of the results was carried out by a computer program aimed at medical decision support. Content visualization was performed in spreadsheets and charts.Results. Based on the data obtained, the AI system under study divided all patients into CVD risk groups and identified uncounted factors. The AI system confirmed a high and very high risk of CVD according to SCORE (Systematic COronary Risk Evaluation) in 623 people, who were already receiving appropriate cardiological assistance. The RFs that had not previously been taken into account in the diagnosis were recorded in 41 (11.5%) patients from the very highrisk group and in 37 (12.7%) high-risk patients. The AI system identified a high risk of CVD in 29 people who had not been previously under care of a general practitioner or other specialists due to their infrequent visits to health care facilities. These patients were detected by the AI system following periodic and preliminary medical check-ups (35%), full in-patient treatment for other diseases (31%), when seeking help of other specialists (17%), as well as when obtaining a medical certificate for a driving license (12%), admission to a swimming pool (3%) or possessing a weapon (2%). In a group with the newly diagnosed patients at a high risk of CVD, men dominated (24 persons, 82%) and women comprised only 8% (5 persons). All these people were of working age between 40 and 50. In order to confirm the information received, the supervising physician subsequently referred patients for a follow-up examination, as a result of which only 1 person (3%) was not diagnosed with a somatic pathology.Conclusion. The efficiency of the AI system under study comprised 97%. Permanent monitoring of all parameters of electronic medical histories and outpatient records is an efficient method for timely identification of RF at any visit of a person to a health care facility (preventive and periodic medical examinations, regular check-ups, specialist consultations, etc.) and their assignment to respective CVD risk groups. Such monitoring ensures an effective medical supervision of able-bodied populations.

факторы рискагруппы рискасердечно-сосудистые заболеванияискусственный интеллект в медицинепрофилактика сердечно-сосудистых заболеванийrisk factorsrisk groupscardiovascular diseasesartificial intelligence in medicineprevention of cardiovascular diseasesehfnmReferencesКостюкова К.С. Цифровизация сектора здравоохранения на основе технологии искусственного интеллекта в Японии: ключевые проблемы и подходы к решению. Микроэкономика. 2021; 5: 87–102. DOI: 10.33917/mic-5.100.2021.87-102Kostyukova K.S. Digitalization of the healthcare sector in Japan based on artificial intelligence technology: key problems and solutions. Microeconomics. 2021; 5: 87–102 (In Russ., English abstract). DOI: 10.33917/mic-5.100.2021.87-102Hura G.S., Groppe S., Jain S., Gruenwald L. Artificial Intelligence in Global Epidemics, Part 1. New. Gener. Comput. 2021; 39(3–4): 483–485. DOI: 10.1007/s00354-021-00138-yHura G.S., Groppe S., Jain S., Gruenwald L. Artificial Intelligence in Global Epidemics, Part 1. New. Gener. Comput. 2021; 39(3–4): 483–485. DOI: 10.1007/s00354-021-00138-yМелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики. Лучевая диагностика и терапия. 2020; 11(1): 9–17. DOI: 10.22328/2079-5343-2020-11-1-9-17Meldo A.A., Utkin L.V., Trofimova T.N. Artificial intelligence in medicine: current state and main directions of development of the intellectual diagnostics. Diagnostic Radiology and Radiotherapy. 2020; 11(1): 9–17 (In Russ., English abstract). DOI: 10.22328/2079-5343-2020-11-1-9-17Моисеенко В.М., Мелдо А.А., Уткин Л.В., Прохоров И.Ю., Рябинин М.А., Богданов А.А. Автоматизированная система обнаружения объемных образований в легких как этап развития искусственного интеллекта в диагностике рака легкого. Лучевая диагностика и терапия. 2018; 3: 62–68. DOI: 10.22328/2079-5343-2018-9-3-62-68Moiseenko B.M., Meldo A.A., Utkin L.V., Prokhorov I.Yu., Ryabinin M.A., Bogdanov A.A. Automated detection system for lung masses as a stage of artificial intelligence development in the diagnostics of lung cancer. Diagnostic Radiology and Radiotherapy. 2018; 3: 62–68 (In Russ., English abstract). DOI: 10.22328/2079-5343-2018-9-3-62-68Sato M., Morimoto K., Kajihara S., Tateishi R., Shiina S., Koike K., Yatomi Y. Machine-learning Approach for the Development of a Novel Predictive Model for the Diagnosis of Hepatocellular Carcinoma. Sci. Rep. 2019; 9(1): 7704. DOI: 10.1038/s41598-019-44022-8Sato M., Morimoto K., Kajihara S., Tateishi R., Shiina S., Koike K., Yatomi Y. Machine-learning Approach for the Development of a Novel Predictive Model for the Diagnosis of Hepatocellular Carcinoma. Sci. Rep. 2019; 9(1): 7704. DOI: 10.1038/s41598-019-44022-8Kim J., Chae M., Chang H.J., Kim Y.A., Park E. Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data. J. Clin. Med. 2019; 8(9): 1336. DOI: 10.3390/jcm8091336Kim J., Chae M., Chang H.J., Kim Y.A., Park E. Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data. J. Clin. Med. 2019; 8(9): 1336. DOI: 10.3390/jcm8091336Lovejoy C.A., Buch V., Maruthappu M. Artificial intelligence in the intensive care unit. Crit. Care. 2019; 23(1): 7. DOI: 10.1186/s13054-018-2301-9Lovejoy C.A., Buch V., Maruthappu M. Artificial intelligence in the intensive care unit. Crit. Care. 2019; 23(1): 7. DOI: 10.1186/s13054-018-2301-9Kearney P.M., Whelton M., Reynolds K., Whelton P.K., He J. Worldwide prevalence of hypertension: a systematic review. J. Hypertens. 2004; 22(1): 11–19. DOI: 10.1097/00004872-200401000-00003Kearney P.M., Whelton M., Reynolds K., Whelton P.K., He J. Worldwide prevalence of hypertension: a systematic review. J. Hypertens. 2004; 22(1): 11–19. DOI: 10.1097/00004872-200401000-00003Chow C.K., Teo K.K., Rangarajan S., Islam S., Gupta R., Avezum A., Bahonar A., Chifamba J., Dagenais G., Diaz R., Kazmi K., Lanas F., Wei L., Lopez-Jaramillo P., Fanghong L., Ismail N.H., Puoane T., Rosengren A., Szuba A., Temizhan A., Wielgosz A., Yusuf R., Yusufali A., McKee M., Liu L., Mony P., Yusuf S.; PURE (Prospective Urban Rural Epidemiology) Study investigators. Prevalence, awareness, treatment, and control of hypertension in rural and urban communities in high-, middle-, and low-income countries. JAMA. 2013; 310(9): 959–968. DOI: 10.1001/jama.2013.184182Chow C.K., Teo K.K., Rangarajan S., Islam S., Gupta R., Avezum A., Bahonar A., Chifamba J., Dagenais G., Diaz R., Kazmi K., Lanas F., Wei L., Lopez-Jaramillo P., Fanghong L., Ismail N.H., Puoane T., Rosengren A., Szuba A., Temizhan A., Wielgosz A., Yusuf R., Yusufali A., McKee M., Liu L., Mony P., Yusuf S.; PURE (Prospective Urban Rural Epidemiology) Study investigators. Prevalence, awareness, treatment, and control of hypertension in rural and urban communities in high-, middle-, and low-income countries. JAMA. 2013; 310(9): 959–968. DOI: 10.1001/jama.2013.184182Мартынов А.И., Акатова Е.В., Первичко Е.И., Николин О.П.,Урлаева И.В. Влияние типа А поведенческой активности на развитие сердечно-сосудистых заболеваний и сахарного диабета 2-го типа. CardioСоматика. 2019; 10(4): 39–43. DOI: 10.26442/22217185.2019.4.190670Martynov A.I., Akatova E.V., Рervichko E.I., Nikolin O.P., Urlaeva I.M. Influence of type A behavioral activity on the development of cardiovascular diseases. Cardiosomatics. 2019; 10(4): 39–43 (In Russ., English abstract). DOI: 10.26442/22217185.2019.4.190670Бойцов С.А., Баланова Ю.А., Шальнова С.А., Деев А.Д., Артамонова Г.В., Гатагонова Т.М., Дупляков Д.В., Ефанов А.Ю., Жернакова Ю.В., Конради А.О., Либис Р.А., Минаков А.В., Недогода С.В., Ощепкова Е.В., Романчук С.А., Ротарь О.П., Трубачева И.А. И.А., Чазова И.Е., Шляхто Е.В., Муромцева Г.А., Евстифеева С.Е., Капустина А.В., Константинов В.В., Оганов Р.Г., Мамедов М.Н., Баранова Е.И., Назарова О.А., Шутемова О.А., Фурменко Г.И., Бабенко Н.И., Азарин О.Г., Бондарцов Л.В., Хвостикова А.Е., Ледяева А.А., Чумачек Е.В., Исаева Е.Н., Басырова И.Р., Кондратенко В.Ю., Лопина Е.А., Сафонова Д.В., Скрипченко А.Е., Индукаева Е.В., Черкасс Н.В., Максимов С.А., Данильченко Я.В., Мулерова Т.А., Шалаев С.В., Медведева И.В., Шава В.П., Сторожок М.А., Толпаров Г.В., Астахова З.Т., Тогузова З.А., Кавешников В.С., Карпов Р.С., Серебрякова В.Н. Артериальная гипертония среди лиц 25–64 лет: распространенность, осведомленность, лечение и контроль. По материалам исследования ЭССЕ. Кардиоваскулярная терапия и профилактика. 2014; 13(4): 4–14. DOI: 10.15829/1728-8800-2014-4-4-14Boytsov S.A., Balanova Yu.A., Shalnova S.A., Deev A.D., Artamonova G.V., Gatagonova T.M., Duplyakov D.V., Efanov A.Yu., Zhernakova Yu.V., Konradi A.O., Libis R.A., Minakov A.V., Nedogoda S.V., Oshchepkova E.V., Romanchuk S.A., Rotar O.P., Trubacheva I.A., Chazova I.E., Shlyakhto E.V., Muromtseva G.A., Evstifeeva S.E., Kapustina A.V., Konstantinov V.V., Oganov R.G., Mamedov M.N., Baranova E.I., Nazarova O.A., Shutemova O.A., Furmenko G.I., Babenko N.I., Azarin O.G., Bondartsov L.V., Khvostikova A.E., Ledyaeva A.A., Chumachek E.V., Isaeva E.N., Basyrova I.R., Kondratenko V.Yu., Lopina E.A., Safonova D.V., Skripchenko A.E., Indukaeva E.V., Cherkass N.V., Maksimov S.A., Danilchenko Y.V., Mulerova T.A., Shalaev S.V., Medvedeva I.V., Shava V.G., Storozhok M.A., Tolparov G.V., Astakhova Z.T., Toguzova Z.A., Kaveshnikov V.S., Karpov R.S., Serebryakova V.N. Arterial hypertension among individuals of 25–64 years old: prevalence, awareness, treatment and control. By the data from ECCD. Cardiovascular Therapy and Prevention. 2014; 13(4): 4–14 (In Russ.). DOI: 10.15829/1728-8800-2014-4-4-14Шляхто Е.В., Звартау Н.Э., Виллевальде С.В., Яковлев А.Н., Соловьева А.Е., Федоренко А.А., Карлина В.А., Авдонина Н.Г., Ендубаева Г.В., Зайцев В.В., Неплюева Г.А., Павлюк Е.И., Дубинина М.В., Медведева Е.А., Ерастов А.М., Панарина С.А., Соловьев А.Е. Значимость оценки распространенности и мониторинга исходов у пациентов с сердечной недостаточностью в России. Российский кардиологический журнал. 2020; 25(12): 4204. DOI: 10.15829/1560-4071-2020-4204Shlyakhto E.V., Zvartau N.E., Villevalde S.V., Yakovlev A.N., Soloveva A.E., Fedorenko A.A., Karlina V.A., Avdonina N.G., Endubaeva G.V., Zaitsev V.V., Neplyueva G.A., Pavlyuk E.I., Dubinina M.V., Medvedeva E.A., Erastov A.M., Panarina S.A., Solovev A.E. Assessment of prevalence and monitoring of outcomes in patients with heart failure in Russia. Russian Journal of Cardiology. 2020; 25(12): 4204 (In Russ., English abstract). DOI: 10.15829/1560-4071-2020-4204Rahimi K., Emdin C.A., MacMahon S. The epidemiology of blood pressure and its worldwide management. Circ. Res. 2015; 116(6): 925–936. DOI: 10.1161/CIRCRESAHA.116.304723Rahimi K., Emdin C.A., MacMahon S. The epidemiology of blood pressure and its worldwide management. Circ. Res. 2015; 116(6): 925–936. DOI: 10.1161/CIRCRESAHA.116.304723Петрова Р.Е., Рыбаков О.Ю., Шеяфетдинова Н.А., Мякинина С.Б., Соловьев А.А., Портная Е.Б., Розанова Е.В., Пожарский Д.В., Ермаков Е.Г. Нормативно-правовое регулирование рабочего времени медицинских работников: необходимость, возможности и защита прав. Профилактическая медицина. 2020; 23(3): 20–26. DOI: 10.17116/profmed20202303120Petrova R.E., Rybakov O.Yu., Sheyafetdinova N.A., Myakinina S.B., Solovyev AA, Portnaya E.B., Rozanova E.V., Pozharsky D.V., Ermakov E.G. Legal regulation of working hours of medical stuff: the need, opportunities and protection of rights. Profilakticheskaya Meditsina. 2020; 23(3): 20–26 (In Russ., English abstract). DOI: 10.17116/profmed20202303120Руголь Л.В., Сон И.М., Меньшикова Л.И. Динамика кадрового обеспечения и нагрузки врачей районных больниц. Профилактическая медицина. 2021; 24(12): 7–17. DOI: 10.17116/profmed2021241217Rugol L.V., Son I.M., Menshikova L.I. Dynamics of staffing and workload of district hospital. Profilakticheskaya Meditsina. 2021; 24(12): 7–17 (In Russ., English abstract). DOI: 10.17116/profmed2021241217Карпов Ю.А. Новый вектор в лечении артериальной гипертонии: американские рекомендации 2017. Медицинский совет. 2018; 5: 8–14. DOI: 10.21518/2079-701x-2018-5-8-14Karpov Yu.A. New perspectives for the treatment of arterial hypertension: 2017 american guidelines. Medical Council. 2018; 5: 8–14 (In Russ., English abstract). DOI: 10.21518/2079-701x-2018-5-8-14Кардиоваскулярная профилактика 2017. Российские национальные рекомендации. Российский кардиологический журнал. 2018; 6: 7–122. DOI: 10.15829/1560-4071-2018-6-7-122Cardiovascular prevention 2017. National guidelines. Russian Journal of Cardiology. 2018; 6: 7–122 (In Russ.). DOI: 10.15829/1560-4071-2018-6-7-122Гусев А.В., Кузнецова Т.Ю., Корсаков И.Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний. Российский журнал телемедицины и электронного здравоохранения. 2018; 4(3): 85–90. DOI: 10.29188/2542-2413-2018-4-3-85-90A Gusev A.V., Kuznecova T.Yu., Korsakov I.N. Artificial intelligence for cardiovascular risks assessment. Journal of Telemedicine and E-Health. 2018; 4(3): 85–90 (In Russ., English abstract). DOI: 10.29188/2542-2413-2018-4-3-85-90Морозов С.П., Владзимирский А.В., Ледихова Н.В., Соколина И.А., Кульберг Н.С., Гомболевский В.А. Оценка диагностической точности системы скрининга туберкулеза легких на основе искусственного интеллекта. Туберкулез и болезни легких. 2018; 96(8): 42–49. DOI: 10.21292/2075-1230-2018-96-8-42-49Morozov S.P., Vladzimirskiy А.V., Ledikhova N.V., Sokolina I.А., Kulberg N.S., Gombolevskiy V.А. Evaluation of diagnostic accuracy of the system for pulmonary tuberculosis screening based on artificial neural networks. Tuberculosis and Lung Diseases. 2018; 96(8): 42–49 (In Russ., English abstract). DOI: 10.21292/2075-1230-2018-96-8-42-49Johnson K.W., Torres Soto J., Glicksberg B.S., Shameer K., Miotto R., Ali M., Ashley E., Dudley J.T. Artificial Intelligence in Cardiology. J. Am. Coll. Cardiol. 2018; 71(23): 2668–2679. DOI: 10.1016/j.jacc.2018.03.521Johnson K.W., Torres Soto J., Glicksberg B.S., Shameer K., Miotto R., Ali M., Ashley E., Dudley J.T. Artificial Intelligence in Cardiology. J. Am. Coll. Cardiol. 2018; 71(23): 2668–2679. DOI: 10.1016/j.jacc.2018.03.521Zippel-Schultz B., Schultz C., Müller-Wieland D., Remppis A.B., Stockburger M., Perings C., Helms T.M. Künstliche Intelligenz in der Kardiologie: Relevanz, aktuelle Anwendungen und nächste Schritte [Artificial intelligence in cardiology: Relevance, current applications, and future developments]. Herzschrittmacherther Elektrophysiol. 2021; 32(1): 89–98 (German). DOI: 10.1007/s00399-020-00735-2Zippel-Schultz B., Schultz C., Müller-Wieland D., Remppis A.B., Stockburger M., Perings C., Helms T.M. Künstliche Intelligenz in der Kardiologie: Relevanz, aktuelle Anwendungen und nächste Schritte [Artificial intelligence in cardiology: Relevance, current applications, and future developments]. Herzschrittmacherther Elektrophysiol. 2021; 32(1): 89–98 (German). DOI: 10.1007/s00399-020-00735-2Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения программного обеспечения с технологией искусственного интеллекта. Качественная Клиническая Практика. 2021; 1: 70–84. DOI: 10.37489/2588-0519-2021-1-70-84Khokhlov A.L., Belousov D.Yu. Ethical aspects of using software with artificial intelligence technology. Good Clinical Practice. 2021; 1: 70–84 (In Russ., English abstract). DOI: 10.37489/2588-0519-2021-1-70-84Jamthikar A.D., Puvvula A., Gupta D., Johri A.M., Nambi V., Khanna N.N., Saba L., Mavrogeni S., Laird J.R., Pareek G., Miner M., Sfikakis P.P., Protogerou A., Kitas G.D., Nicolaides A., Sharma A.M., Viswanathan V., Rathore V.S., Kolluri R., Bhatt D.L., Suri J.S. Cardiovascular disease and stroke risk assessment in patients with chronic kidney disease using integration of estimated glomerular filtration rate, ultrasonic image phenotypes, and artificial intelligence: a narrative review. Int. Angiol. 2021; 40(2): 150–164. DOI: 10.23736/S0392-9590.20.04538-1Jamthikar A.D., Puvvula A., Gupta D., Johri A.M., Nambi V., Khanna N.N., Saba L., Mavrogeni S., Laird J.R., Pareek G., Miner M., Sfikakis P.P., Protogerou A., Kitas G.D., Nicolaides A., Sharma A.M., Viswanathan V., Rathore V.S., Kolluri R., Bhatt D.L., Suri J.S. Cardiovascular disease and stroke risk assessment in patients with chronic kidney disease using integration of estimated glomerular filtration rate, ultrasonic image phenotypes, and artificial intelligence: a narrative review. Int. Angiol. 2021; 40(2): 150–164. DOI: 10.23736/S0392-9590.20.04538-1Gasanova I.A., Prelovskii D.S., Yurkin V.A., Drobintsev P.D., Drobintseva A.O. Modern possibilities of using ai methods in the analysis of biomedical data. Computing, Telecommunications and Control. 2020; 13(4); 21–33. DOI: 10.18721/JCSTCS.13402Gasanova I.A., Prelovskii D.S., Yurkin V.A., Drobintsev P.D., Drobintseva A.O. Modern possibilities of using ai methods in the analysis of biomedical data. Computing, Telecommunications and Control. 2020; 13(4); 21–33. DOI: 10.18721/JCSTCS.13402Усачева Е.В., Нелидова А.В., Куликова О.М., Флянку И.П. Смертность трудоспособного населения России от сердечно-сосудистых заболеваний. Гигиена и санитария. 2021; 100(2): 159–165. DOI: 10.47470/0016-9900-2021-100-2-159-165Usacheva E.V., Nelidova A.V., Kulikova O.M., Flyanku I.P. Mortality of Russian able-bodied population from cardiovascular diseases. Hygiene and Sanitation. 2021; 100(2): 159–165 (In Russ., English abstract). DOI: 10.47470/0016-9900-2021-100-2-159-165

The authors declare that there are no conflicts of interest present.