ПРОГНОЗИРОВАНИЕ РИСКА СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ГИБРИДНАЯ АНСАМБЛЕВАЯ МОДЕЛЬ И ПОДХОД, ОСНОВАННЫЙ НА ИНТЕРПРЕТИРУЕМОСТИ
Получена: 2026-05-23
Опубликована: 2026-06-06
Аннотация
В данной статье представлена гибридная модель искусственного интеллекта, объединяющая табличные клинические признаки (XGBoost), временные ряды электрокардиографических данных (BiLSTM с механизмом внимания) и медицинские изображения (CNN) для раннего и точного прогнозирования риска сердечно-сосудистых заболеваний (ССЗ). Модель была обучена на объединённой когорте, сформированной на основе MIMIC-IV, UK Biobank и PTB-XL (тестовая выборка n = 10 832), и дополнена механизмом интерпретируемости на основе SHAP и парадигмой федеративного обучения (Federated Learning). Гибридная модель продемонстрировала AUC-ROC = 0,968, чувствительность 92,7% и показатель Brier score = 0,049, превзойдя традиционную шкалу Framingham Risk Score по всем показателям (p < 0,001). Полученные результаты демонстрируют клинический потенциал мультимодального, интерпретируемого и обеспечивающего конфиденциальность подхода.
Ключевые слова
Список литературы
-
Roth, G. A., Mensah, G. A., Johnson, C. O. et al. (2020). Global burden of cardiovascular diseases and risk factors, 1990–2019. Journal of the American College of Cardiology, 76(25), 2982–3021.
-
Krittanawong, C., Virk, H. U. H., Bangalore, S. et al. (2020). Machine learning prediction in cardiovascular diseases: a meta-analysis. Scientific Reports, 10(1), 16057.
-
Shah, P., Shukla, M., Dholakia, N. H., & Gupta, H. (2025). Predicting cardiovascular risk with hybrid ensemble learning and explainable AI. Scientific Reports, 15(1), 17927.
-
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
-
McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. AISTATS, 54, 1273–1282.
-
Dwork, C., McSherry, F., Nissim, K., & Smith, A. (2006). Calibrating noise to sensitivity in private data analysis. TCC 2006, LNCS 3876, 265–284.
-
Hannun, A. Y., Rajpurkar, P., Haghpanahi, M. et al. (2019). Cardiologist-level arrhythmia detection using a deep neural network. Nature Medicine, 25(1), 65–69.
-
DeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves. Biometrics, 44(3), 837–845.
Об авторах
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.