Устойчивая и интерпретируемая модель предсказания сердечных заболеваний: подход системы поддержки клинических решений для биомедицинских приложений здравоохранения

Почему важны более умные проверки сердца

Сердечные заболевания — ведущая причина смертности в мире, но многие люди узнают о риске только после серьёзного события, например инфаркта. Врачи уже собирают простые показатели — такие как возраст, кровяное давление, уровень холестерина и базовые результаты тестов — однако перевести эти данные в быстрый и надёжный ответ «есть заболевание/нет заболевания» непросто. В этом исследовании предлагается новый тип компьютерной модели, который умеет обучаться на таких рутинных показателях, предсказывать наличие сердечного заболевания с очень высокой точностью и, что важно, объяснять свои выводы языком, понятным врачам.

Растущая нагрузка от сердечных заболеваний

Ежегодно сердечно‑сосудистые заболевания уносят около 18 миллионов жизней во всём мире. Многие из этих смертей можно было бы предотвратить, если бы пациенты с высоким риском были выявлены раньше и получили своевременное лечение. Традиционные диагностические тесты могут быть инвазивными, дорогими или недостаточно точными в пограничных случаях. Одновременно больницы накапливают огромные массивы цифровых данных о пациентах — от возраста и пола до кровяного давления, уровня холестерина и базовых показаний сердца. Превратить этот поток информации в понятные и надёжные оценки риска — одна из крупнейших возможностей и вызовов современной медицины.

От «чёрных ящиков» к прозрачным помощникам

В последние годы искусственный интеллект показал способность обнаруживать тонкие закономерности в медицинских данных, которые человек может упустить. Однако многие мощные модели работают как «чёрные ящики»: они могут быть точными, но не могут ясно объяснить, почему было принято то или иное решение. Такая непрозрачность проблематична в медицине, где врачу нужно обосновывать диагнозы и выбор лечения. Авторы устраняют этот разрыв, разработав систему предсказания сердечных заболеваний на основе одномерной сверточной нейронной сети (1D CNN). В отличие от более старых методов, требующих ручного отбора признаков экспертами, эта сеть самостоятельно обнаруживает полезные паттерны в стандартных показателях пациента, при этом спроектирована так, чтобы быть достаточно экономной для клиник с ограниченными вычислительными ресурсами.

Как модель учится на рутинных осмотрах

Исследователи обучали систему на широко используемом наборе данных по сердечным заболеваниям, содержащем 303 записи пациентов, каждая с 14 часто собираемыми параметрами: возраст, пол, кровяное давление, уровень холестерина, тип болей в груди и результаты базовых кардиологических тестов. Данные были аккуратно подготовлены: числовые значения стандартизировали, чтобы ни одна величина не доминировала в процессе обучения, а категориальные признаки, такие как тип болей в груди, преобразовали в числовую форму. Чтобы максимально эффективно использовать относительно небольшой набор данных и воссоздать естественный шум клинических измерений, команда добавила небольшую случайную вариацию в тренировочные данные. Затем эти записи подали на вход компактной архитектуры 1D CNN с двумя основными слоями обнаружения паттернов, за которыми следовали слои, объединяющие эти паттерны в итоговый прогноз «заболевание» или «нет заболевания».

Превращение чисел в заслуживающие доверия объяснения

Один только уровень производительности в клинике недостаточен, поэтому авторы дополнили модель двумя методами объяснимости, известными как LIME и SHAP. Эти техники исследуют обученную сеть, оценивая, насколько каждый входной фактор смещает прогноз в сторону «заболевания» или «отсутствия заболевания» для конкретного пациента. На практике это означает, что система может сообщить врачу не просто высокий риск, но и указать, например, что решение в основном обусловлено сочетанием пола, количества суженных сосудов и кровивая болезни, называемой талассемией. Выделенные признаки соответствуют устоявшимся медицинским знаниям о факторах риска сердечных заболеваний, что помогает клиницистам решать, когда можно доверять модели, а когда стоит её подвергнуть дополнительной проверке.

Результаты, которые могут дойти до обычных клиник

На тестовых данных, которые модель не видела ранее, она правильно классифицировала статус сердечного заболевания примерно в 98 из 100 случаев, достигла идеальной точности в маркировке случаев с заболеванием (в этой выборке ложных срабатываний не было) и продемонстрировала почти идеальную способность отделять больное сердце от здорового в целом. Не менее важно, что система получилась лёгкой: обучение занимало несколько минут на стандартном облачном оборудовании, а выдача ответа — доли секунды, что позволяет предположить, что она может запускаться на обычных больничных компьютерах, а не на специализированных суперкомпьютерах. Хотя исследование основано на одном историческом наборе данных и требует более широкого тестирования в разных больницах и популяциях, оно указывает на будущее, в котором данные рутинных осмотров в сочетании с прозрачным ИИ дают врачам надёжное «второе мнение» для более раннего выявления сердечных заболеваний, особенно в условиях ограниченных ресурсов здравоохранения.

Цитирование: Kehkashan, T., Abdelhaq, M., Al-Shamayleh, A.S. et al. Sustainable and interpretable heart disease prediction: a clinical decision support approach for biomedical healthcare applications. Sci Rep 16, 7213 (2026). https://doi.org/10.1038/s41598-026-37840-0

Ключевые слова: прогнозирование сердечных заболеваний, объяснимый ИИ, система поддержки клинических решений, сверточные нейронные сети, анализ медицинских данных