Главная → Архив → 2025 год, выпуск №4 → Искусственный интеллект в оптимизации хирургического лечения тетрады Фалло: разработка и валидация прогностической модели

Искусственный интеллект в оптимизации хирургического лечения тетрады Фалло: разработка и валидация прогностической модели

О.Ю. Тимофеева1 *, Д.С. Акатов1, Е.В., А.Ю. Глазунов2, Т.Р. Григорьянц1, А.И. Ким1, Т.В. Рогова1, Д.Ю. Попеня3, М.С. Жуликова3
________________________________________________________________________________________________________

1 Национальный медицинский исследовательский центр сердечно-сосудистой хирургии имени А.Н. Бакулева, Москва, Российская Федерация
2 Экосистема Альфа, Москва, Российская Федерация
3 Российский национальный исследовательский медицинский университет имени Н.И. Пирогова (Пироговский Университет), Москва, Российская Федерация
________________________________________________________________________________________________________

Введение. Тетрада Фалло (ТФ) — наиболее распространенный цианотический врожденный порок сердца. Несмотря на успехи хирургии сохраняется высокая вариабельность послеоперационных исходов. Традиционные методы исследования не всегда позволяют точно прогнозировать риски осложнений.

Цель. Разработать модель машинного обучения, рекомендующую выбор оптимальной хирургической тактики на основе анализа клинических и инструментальных данных.

Материалы и методы. В рамках одноцентрового когортного исследования сформирован ретроспективный реестр клинико-инструментальных данных 300 детей с ТФ, перенесших первичное оперативное лечение в 2017–2022 годах. Целевая переменная представляла собой четырехклассовую категорию, соответствующую типу вмешательства. Фактически примененные хирургические стратегии распределились следующим образом: радикальная коррекция ТФ — 168 пациентов (57,1%), наложение системно-легочного анастомоза — 83 (28,2%), реконструкция путей/выводного тракта правого желудочка — 25 (8,5%), стентирование или баллонирование выводного отдела правого желудочка, включая транслюминальную баллонную вальвулопластику клапана легочной артерии — 24 (8,2%).

Результаты. Для решения задачи построена классификационная модель с внутренней валидацией. Модель продемонстрировала удовлетворительную прогностическую состоятельность. Наибольший вклад в принятие решения обеспечивали показатели оксигенации (сатурация крови кислородом), сосудисто-анатомические индексы Nakata и McGoon, градиент давления между правым желудочком и легочной артерией, а также объем левого желудочка. Полученные результаты указывают, что предложенная модель способна служить инструментом поддержки клинического выбора хирургической стратегии при ТФ, согласуя вычислительные предсказания с патофизиологически обоснованными предикторами.

Заключение. В контексте данного исследования, посвященного прогнозированию хирургической тактики при ТФ, применение 5-Fold кросс-валидации позволило убедиться в том, что модель LightGBM демонстрирует высокую точность не только на конкретном подмножестве данных, но и на всех пяти вариантах разбиения. Это подтверждает ее надежность и применимость в реальных клинических условиях.

Ключевые слова: тетрада Фалло; искусственный интеллект; машинное обучение; хирургическая тактика; прогностическая модель.

Список литературы

  1. Kim AI, Grigoryants TR, Timofeeva OYu. Treatment strategies for tetralogy of Fallot: radical correction, pulmonary valve reconstruction, right ventricular remodeling. Children’s Heart and Vascular Diseases. 2023;20(2):100– doi: 10.24022/1810-0686-2023-20-2-100-109 EDN: GOUNAF
  2. Golukhova EZ. Report on the scientific and clinical activity of Bakoulev National Medical Research Center for Cardiovascular Surgery for 2023 and development prospects. The Bulletin of Bakoulev Center. Cardiovascular Diseases. 2024; 25(S):5–141. doi: 24022/1810-0694-2024-25S EDN: JIEAVY
  3. Shatalov KV, Dzhidzhikhiya KM, Arnautova IV, Abdurazakov MA. Repair of tetralogy of Fallot using designed PTFE monocusp patch. Children’s Heart and Vascular Diseases. 2020;17(1):58–60. doi: 24022/1810-0686-2020-17-1-58-60 EDN: DRBNSV
  4. Shcherbak AV, Zelenikin MM, Britikov DV, Zelenikin MA. Immediate results of the right ventricular outflow tract reconstruction using an allopulmonary patch with one-leaflet closing Children’s Heart and Vascular Diseases. 2021;18(2):104–109. doi: 10.24022/1810-0686-2021-18-2-104-109 EDN: UJPTRV
  5. Dorokhina ES, Chernogrivov AE, Nefedova IE. Outcomes of valve-sparing procedures in radical correction of conotruncal defects with pulmonary blood flow obstruction in the world. Children’s Heart and Vascular Diseases. 2024; 21(2):79–88. doi: 24022/1810-0686-2024-21-2-79-88 EDN: KUMJWC
  6. Atmashkin AA, Kim AI, Rogova TV, et al. Tetralogy of Fallot: transatrial reconstruction of the right ventricle outlet tract with the hypoplastic pulmonary valve preservation in Children’s Heart and Vascular Diseases. 2023;20(2):87–99. doi: 10.24022/1810-0686-2023-20-2-87-99 EDN: AFFDMY
  7. Lyapin A. A., Tarasov R.S. Transannular plastic surgery for radical correction of Fallot’s tetrad — what is next? Creative Cardiology. 2025;19(2): 146–154. doi: 24022/1997-3187-2025-19-2-146-154 EDN: KWQBME
  8. Mironenko MYu, Bockeria LA. Four-dimensional, three-dimensional echocardiography and imaging in cardiac surgery. The Bulletin of Bakoulev Center. Cardiovascular Diseases. 2021;22(1):21–39. doi: 24022/1810-0694-2021-22-1-21-39 EDN: WODKXP
  9. Wilson R, Ross O, Griksaitis MJ. Tetralogy of Fallot. BJA Educ. 2019;19(11):362–369. doi: 1016/j.bjae.2019.07.003
  10. Malozemova OG, Gasanova RM, Medvedeva IB, et al. Transthoracic echocardiography of the double aortic arch in a newborn. Neonatology: News, Opinions, Training. 2022; 10(2):43–49. doi: 33029/2308-2402-2022-10-2-43-49 EDN: PTCSFR
  11. Ishikita A, McIntosh C, Hanneman K, et al. Machine Learning for Prediction of Adverse Cardio-vascular Events in Adults With Repaired Tetralogy of Fallot Using Clinical and Cardiovascular Magnetic Resonance Imaging Variables. Circ Cardiovasc Imaging. 2023; 16(6):e015205. doi: 1161/circimaging.122.015205 EDN: YXLLOS
  12. Ishikita A, McIntosh C, Lee MM, et al. Abstract 12563: Creation of an Artificial Intelligence Model For Prediction of Major Adverse Cardiovascular Events Late After Tetralogy of Fallot Repair. Circulation. 2022;146(S1):12563. doi: 1161/circ.146.suppl_1.12563 EDN: VBPXQA
  13. Ishikita A, McIntosh C, Roche SL, et al. Abstract 13861: Risk Prediction in Adults Late After Tetralogy of Fallot Repair: Does Machine Learning Provide Incremental Value Above Expert Clinical Judgement? Circulation. 2023;148(S1):13861. doi: 1161/circ.148.suppl_1.13861 EDN: ZPVXWA
  14. Ishikita A, McIntosh C, Roche SL, et al. Incremental value of machine learning for risk prediction in tetralogy of Fallot. Heart. 2024;110(8):560–568. doi: 1136/heartjnl-2023-323296 EDN: FRBVTN
  15. Samad MD, Wehner GJ, Arbabshirani MR, et al. Predicting deterioration of ventricular function in patients with repaired tetralogy of Fallot using machine learning. Eur Heart J Cardiovasc Imaging. 2018;19(7):730–738. doi: 1093/ehjci/jey003
  16. Lo Muzio FP, Rozzi G, Rossi S, et al. Artificial Intelligence Supports Decision Making during Open-Chest Surgery of Rare Congenital Heart Defects. J Clin Med. 2021;10(22):5330. doi: 3390/jcm10225330 EDN: KOYVWW
  17. Faerber JA, Huang J, Zhang X, et al. Identifying Risk Factors for Complicated Post-operative Course in Tetralogy of Fallot Using a Machine Learning Approach. Front Cardiovasc Med. 2021; 8:685855. doi: 3389/fcvm.2021.685855 EDN: FMMOYK
  18. Xi L, Xiang M, Wu Ch, et al. Adverse events after repair of tetralogy of Fallot: prediction models by machine learning of a retrospective cohort study in western China. Transl Pediatr. 2023;12(2):125–136. doi: 21037/tp-22-246 EDN: KUQCBM
  19. Nurmaini S, Partan RU, Bernolian N, et al. Deep Learning for Improving the Effectiveness of Routine Prenatal Screening for Major Congenital Heart Diseases. J Clin Med. 2022; 11(21):6454. doi: 3390/jcm11216454 EDN: TWQEAS
  20. Jacobs JP, Jacobs ML, Maruszewski B, et al. Current status of the European Association for Cardio-Thoracic Surgery and the Society of horacic Surgeons Congenital Heart Surgery Ann Thorac Surg. 2005; 80(6):2278–2283; 2283–2284. doi: 10.1016/j.athoracsur.2005.05.107 Erratum in: Ann Thorac Surg. 2010;89(4):1339. doi: 10.1016/j.athoracsur.2009.11.011
  21. Villafañe J, Feinstein JA, Jenkins KJ, et al.; Adult Congenital and Pediatric Cardiology Section, American College of Cardiology. Hot topics in tetralogy of Fallot. J Am Coll Cardiol. 2013;62 (23):2155–2166. doi: 1016/j.jacc.2013.07.100
  22. Thompson WR, Reinisch AJ, Unterberger MJ, Schriefl AJ. Artificial Intelligence-Assisted Auscultation of Heart Murmurs: Validation by Virtual Clinical Trial. Pediatr Cardiol. 2019; 40(3):623–629. doi: 1007/s00246-018-2036-z EDN: SEMKYD
  23. Yu L, Guo Y, Wang Y, et al. Segmentation of Fetal Left Ventricle in Echocardiographic Sequences Based on Dynamic Convolutional Neural Networks. IEEE Trans Biomed Eng. 2017; 64(8):1886–1895. doi: 10.1109/TBME.2016.2628401

2025 год, выпуск №4
Оригинальное исследование
Читать статью (pdf) →
DOI: 10.23888/HMJ2025134603-614
Как цитировать:

Тимофеева О.Ю., Акатов Д.С., Глазунов А.Ю., Ким А.И., Рогова Т.В., Попеня Д.Ю., Жуликова М.С. Искусственный интеллект в оптимизации хирургического лечения тетрады Фалло: разработка и валидация прогностической модели // Наука молодых (Eruditio Juvenium). 2025. Т. 13, № 4. С. 603–614. doi: 10.23888/HMJ2025134603-614  EDN: TXLWWL
Дополнительная информация:
Источники финансирования. Отсутствуют.
Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Об авторах:
*Тимофеева Ольга Юрьевна, врач сердечно-сосудистый хирург отделения реконструктивной хирургии новорожденных и детей первого года жизни с врожденными пороками сердца;
адрес: Российская Федерация, 121552, Москва, Рублевское шоссе, д. 135;
eLibrary SPIN: 9121-5387; ORCID: 0000-0003-0666-3529; e-mail: otimofeevau@yandex.ru
Акатов Денис Сергеевич, канд. мед. наук, врач сердечно-сосудистый хирург отделения реконструктивной хирургии новорожденных и детей первого года жизни с врожденными пороками сердца; eLibrary SPIN: 3494-7861; ORCID: 0000-0002-8401-2556; e-mail: dsakatov@bakulev.ru
Глазунов Александр Юрьевич, специалист по обработке данных; ORCID: 0009-0002-3818-3300; e-mail: ayuglazunov92@mail.ru
Григорьянц Тигран Рачикович, канд. мед. наук, врач сердечно-сосудистый хирург, ведущий научный сотрудник отделения реконструктивной хирургии новорожденных и детей первого года жизни с врожденными пороками сердца; eLibrary SPIN: 3283-9661; ORCID: 0000-0001-9344-2593; e-mail: trgrigoryants@bakulev.ru
Ким Алексей Иванович, д-р мед. наук, профессор, заведующий отделом кардиохирургии новорожденных и детей младенческого возраста; eLibrary SPIN: 6014-8178; ORCID: 0000-0003-0065-7419; e-mail: aikim@bakulev.ru
Рогова Татьяна Владимировна, д-р мед. наук, заведующий отделением реконструктивной хирургии новорожденных и детей первого года жизни с врожденными пороками сердца; eLibrary SPIN: 4096-7048; ORCID: 0000-0002-7610-1743; e-mail: tvrogova@bakulev.ru
Попеня Дарина Юрьевна, студент 6 курса педиатрического факультета; ORCID: 0009-0002-8566-9493; e-mail: darina_popenya@mail.ru
Жуликова Мария Петровна, студент 6 курса педиатрического факультета; ORCID: 0009-0008-8941-8505; e-mail: marimarigu@yandex.ru