AI инструмент диагностицира напреднала сърдечна недостатъчност с висока точност

title: "AI инструмент диагностицира напреднала сърдечна недостатъчност с висока точност" slug: "ai-tool-shows-promise-in-diagnosing-advanced-heart-failure" date: "2026-03-23" lang: "bg" source: "https://news.weill.cornell.edu/news/2026/03/ai-tool-shows-promise-in-diagnosing-advanced-heart-failure" category: "Изследвания в областта на ИИ" keywords:

ИИ
напреднала сърдечна недостатъчност
диагностика
ехокардиография
машинно обучение
медицински изображения
кардиология
клиничен ИИ
ИИ в здравеопазването
Cornell
NewYork-Presbyterian
медицинска информатика meta_description: "Нов AI инструмент от Weill Cornell Medicine и партньори показва голям потенциал в диагностицирането на напреднала сърдечна недостатъчност, използвайки сърдечна ехография и данни от ЕЗД, подобрявайки грижата за пациентите." image: "/images/articles/ai-tool-shows-promise-in-diagnosing-advanced-heart-failure.png" image_alt: "Изображение от ехокардиография, задвижвана от изкуствен интелект, използвано за диагностициране на напреднала сърдечна недостатъчност" quality_score: 94 content_score: 93 seo_score: 95 companies:
Unknown schema_type: "NewsArticle" reading_time: 6 faq:
question: "Какво представлява напредналата сърдечна недостатъчност и защо нейната диагностика е предизвикателство?" answer: "Напредналата сърдечна недостатъчност е тежко, хронично състояние, при което сърцето се затруднява да изпомпва достатъчно кръв, за да задоволи нуждите на тялото, което значително засяга качеството на живот и прогнозата. Точната диагностика на това състояние е изключително предизвикателна поради неговата сложна природа и ограниченията на настоящите стандартни диагностични процедури. Златният стандарт, кардиопулмонарното натоварващо изследване (CPET), изисква специализирано оборудване и висококвалифициран персонал, което го прави достъпно само в големи, третични медицински центрове. Това „тясно място“ означава, че огромен брой пациенти, които биха могли да се възползват от напреднали терапии, често биват пренебрегвани или диагностицирани късно, което забавя ключови интервенции и влошава резултатите. Трудността при ранното и широко разпространено откриване подчертава спешната нужда от по-достъпни и ефективни диагностични методи, което този нов AI инструмент цели да осигури чрез опростяване на диагностичния път и демократизиране на достъпа до навременна идентификация на състоянието."
question: "Как новият AI инструмент конкретно подобрява съществуващите диагностични методи като CPET?" answer: "AI инструментът, разработен от Weill Cornell Medicine и неговите партньори, представлява значителен напредък, като преодолява присъщите ограничения на CPET. За разлика от CPET, което изисква специализирани съоръжения и персонал, AI моделът използва леснодостъпни изображения от сърдечна ехография и електронни здравни досиета (EHRs) – източници на данни, рутинно събирани в повечето клинични условия. Чрез обработката на тези често срещани типове данни, AI може да прогнозира пиковата консумация на кислород (peak VO2), най-важната мярка, получена от CPET, с висока точност. Това драстично намалява нуждата от скъпи, отнемащи време и ресурсоемки CPET. Подобрението се крие в неговата мащабируемост и достъпност; то трансформира сложен диагностичен процес в такъв, който може да бъде интегриран в рутинната клинична грижа, потенциално идентифицирайки десетки хиляди повече пациенти, които иначе биха останали недиагностицирани поради географски или ресурсни ограничения."
question: "Какви видове данни използва AI моделът за своите прогнози?" answer: "Иновативният AI модел е мултимодална, мултиинстанционна система за машинно обучение, предназначена да синтезира информация от различни клинични източници на данни за цялостна оценка. Той конкретно обработва три отделни категории данни. Първо, той анализира обикновени динамични ултразвукови изображения на сърцето, улавяйки критична визуална информация за сърдечната структура и функция. Второ, той включва свързани вълнови изображения, които показват сложни детайли на динамиката на сърдечните клапи и моделите на кръвния поток. И накрая, моделът интегрира различни елементи, открити в електронните здравни досиета (EHRs) на пациента, включително демографска информация, медицинска история, лабораторни резултати и други клинични параметри. Способността да се комбинират и интерпретират тези разнородни типове данни позволява на AI да развие цялостно разбиране за сърдечното здраве на пациента, водещо до по-точни прогнози."
question: "Каква е точността на AI модела при прогнозиране на пиков VO2 и какво означава това клинично?" answer: "AI моделът постигна забележителна обща точност от приблизително 85% при прогнозиране на пиков VO2, което е значителен показател за разграничаване на високорискови пациенти с напреднала сърдечна недостатъчност. Тази цифра беше измерена с помощта на показател, който оценява вероятността случайно избран високорисков пациент да има по-висок прогнозиран риск от случайно избран пациент с по-нисък риск. Клинично, точност от 85% предполага, че инструментът е високоефективен и надежден при идентифициране на лица, които се нуждаят от грижи за напреднала сърдечна недостатъчност. Това ниво на прецизност означава, че AI може да действа като мощен скринингов или допълнителен диагностичен инструмент, помагайки на клиницистите по-уверено и бързо да идентифицират пациентите, които биха се възползвали най-много от по-нататъшна оценка или специализирани лечения. Този обещаващ резултат проправя пътя за потенциално одобрение от FDA и широко разпространение в здравеопазването."
question: "Кои институции и ключови личности си сътрудничиха при разработването на този AI инструмент?" answer: "Това новаторско проучване е резултат от високо съвместни усилия, включващи няколко водещи институции и изтъкнати експерти. Ключовите сътрудничещи субекти включват Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons и NewYork-Presbyterian. Старши автор на изследването е д-р Фей Уанг, асоцииран декан по ИИ и наука за данните в Weill Cornell Medicine. Други ключови сътрудници включват д-р Дебора Естрин, асоцииран декан по въздействието в Cornell Tech, и д-р Нир Уриел, директор на отдела за напреднала сърдечна недостатъчност и сърдечна трансплантация в NewYork-Presbyterian. Екипът по ИИ, под ръководството на д-р Уанг, включваше също водещите автори д-р Же Хуанг и д-р Вейшен Пан, както и студенти и преподаватели от Cornell Bowers, което подчертава стабилен интердисциплинарен подход към медицинските иновации."
question: "Кои са следващите стъпки за въвеждане на този AI диагностичен инструмент в рутинната клинична практика?" answer: "Изследователският екип активно планира решаващите следващи стъпки, необходими за преминаване на този обещаващ AI диагностичен инструмент от научно откритие към рутинна клинична практика. Непосредственият фокус ще бъде върху провеждането на обширни клинични проучвания. Тези проучвания са от съществено значение за допълнително валидиране на ефективността на модела в разнообразни пациентски популации и реални клинични условия, събирайки стабилните доказателства, необходими за регулаторни одобрения. Постигането на одобрение от Администрацията по храните и лекарствата на САЩ (FDA) е критичен етап за широкото прилагане. След одобрение, усилията ще се концентрират върху безпроблемното интегриране на AI инструмента в съществуващите работни процеси в здравеопазването и системите за електронни здравни досиета. Крайната цел е да се даде възможност на клиницистите лесно да използват тази технология, гарантирайки, че повече пациенти с напреднала сърдечна недостатъчност ще бъдат идентифицирани и ще получат подходящи грижи своевременно, трансформирайки настоящите диагностични парадигми."
question: "Как това изследване олицетворява пресичането на медицината и иновациите в областта на ИИ?" answer: "Този изследователски проект служи като отличен пример за това как синергията между медицината и иновациите в областта на ИИ може да доведе до трансформационни постижения в здравеопазването. Той започна с клиницисти, по-специално специалисти по сърдечна недостатъчност, които идентифицираха критична, неудовлетворена нужда – диагностичното „тясно място“ за напреднала сърдечна недостатъчност. Това клинично предизвикателство след това вдъхнови експерти по ИИ да разработят нови техники за машинно обучение, демонстрирайки уникална динамика на „медицина, оформяща ИИ“. Мултимодалният AI модел, способен да интерпретира сложни медицински изображения и електронни здравни досиета, показва потенциала на ИИ да извлича фини, приложими прозрения, които могат да убягнат на човешкия анализ или стандартните тестове. Този интердисциплинарен подход не само решава значителен клиничен проблем, но и разширява границите на изследванията в областта на ИИ, разработвайки модели, специално пригодени за тънкостите на медицинските данни и вземането на клинични решения. Той подчертава силата на съвместните иновации в решаването на реални проблеми в здравеопазването."
question: "Какви са по-широките последици от този AI инструмент за грижата за пациентите и здравните системи?" answer: "По-широките последици от този AI диагностичен инструмент за грижата за пациентите и здравните системи са дълбоки. Първо, той обещава значително да подобри резултатите за пациентите и качеството им на живот, като позволи по-ранно и по-точно идентифициране на напреднала сърдечна недостатъчност. Това означава, че пациентите могат да получат навременни интервенции, напреднали терапии или дори насочвания за трансплантация, предотвратявайки прогресирането на заболяването и намалявайки смъртността. Второ, той адресира здравните неравенства, като прави напредналите диагностични възможности достъпни извън специализираните центрове, потенциално достигайки до необслужени популации. За здравните системи инструментът може да доведе до по-ефективно разпределение на ресурсите, намалявайки натоварването върху CPET съоръженията и рационализирайки диагностичните пътища. Той също така създава прецедент за това как AI може да бъде интегриран в рутинната грижа за подпомагане на вземането на клинични решения, предлагайки мащабируемо решение на сложни медицински предизвикателства и повишавайки цялостната прецизност и достъпност на сърдечно-съдовата медицина."


## Революционизиране на диагностиката на напреднала сърдечна недостатъчност с ИИ

Напредналата сърдечна недостатъчност, инвалидизиращо състояние, засягащо стотици хиляди по света, отдавна представлява значително диагностично предизвикателство. Пациентите често страдат от забавена диагноза поради сложния и ресурсоемък характер на настоящите методи за оценка. Въпреки това, новаторско проучване от съвместен екип от Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons и NewYork-Presbyterian е на път да промени този пейзаж. Изследователите успешно разработиха и тестваха инструмент, задвижван от изкуствен интелект (ИИ), който може да идентифицира пациенти с напреднала сърдечна недостатъчност с висока точност, използвайки рутинни данни от сърдечна ехография и електронни здравни досиета (ЕЗД). Този иновативен подход обещава да демократизира диагностиката и значително да подобри грижата за пациентите.

## Диагностичното "тясно място": Защо ИИ е критичен

Понастоящем окончателната диагноза на напреднала сърдечна недостатъчност силно зависи от кардиопулмонарното натоварващо изследване (CPET). Въпреки че е ефективен, CPET е специализирана процедура, изискваща скъпо оборудване и висококвалифициран персонал, което го прави достъпен предимно само в големи академични медицински центрове. Това създава съществено диагностично "тясно място", водещо до това, че около 200 000 американци с напреднала сърдечна недостатъчност остават необслужени или недиагностицирани всяка година. Липсата на широк достъп до CPET означава, че много пациенти пропускат възможността за навременни интервенции и специализирани грижи.

Новият метод, задвижван от ИИ, директно се справя с този проблем, като предоставя по-достъпно и мащабируемо диагностично решение. "Това отваря обещаващ път за по-ефективна оценка на пациенти с напреднала сърдечна недостатъчност, използвайки източници на данни, които вече са вградени в рутинната грижа", обяснява д-р Фей Уанг, асоцииран декан по ИИ и наука за данните и професор Франсис и Джон Л. Лоеб по медицинска информатика в Weill Cornell Medicine, и старши автор на изследването. Чрез прогнозиране на пиковата консумация на кислород (peak VO2) – най-критичната мярка за CPET – от леснодостъпни ултразвукови изображения и данни от ЕЗД, AI моделът заобикаля традиционните ограничения, гарантирайки, че повече пациенти могат да бъдат идентифицирани и да получат подходящи грижи.

## Мултимодален AI подход за прецизна кардиология

Забележителната способност на AI инструмента произтича от неговия сложен мултимодален, мултиинстанционен модел за машинно обучение. Разработен от екипа на д-р Уанг, включително водещите автори д-р Же Хуанг и д-р Вейшен Пан, този модел може да обработва няколко различни типа данни едновременно, предлагайки цялостен поглед върху сърдечното здраве на пациента.

| Тип данни                    | Описание                                                                  | Роля в AI модела                                                    |
| :-------------------------- | :------------------------------------------------------------------------ | :------------------------------------------------------------------ |
| **Обикновена динамична ехография** | Динамични изображения, показващи структурата и функцията на сърцето        | Визуални показатели за сърдечна контрактилност, размери на камерите и движение на стените |
| **Вълнови изображения**          | Графични изображения на динамиката на сърдечните клапи и моделите на кръвния поток   | Вникване в аномалиите на кръвния поток и функционалността на клапите         |
| **Електронни здравни досиета** | Демографски данни на пациента, медицинска история, лабораторни резултати, медикаменти и др. | Контекстуална информация за цялостен профил на пациента              |

Тази способност за сливане и интерпретиране на разнообразни потоци от данни позволява на ИИ да научи сложни модели, показателни за напреднала сърдечна недостатъчност, които биха могли да бъдат пропуснати чрез изолиран анализ на данни. Моделът е щателно обучен с помощта на деидентифицирани данни от 1000 пациенти със сърдечна недостатъчност в NewYork-Presbyterian/Columbia University Irving Medical Center. След обучението, неговата ефективност е валидирана върху нова кохорта от 127 пациенти със сърдечна недостатъчност от три други кампуса на NewYork-Presbyterian. Резултатите бяха убедителни, демонстрирайки обща точност от приблизително 85% при разграничаване на високорискови пациенти. Тази висока точност предполага неговата потенциална полезност в реални клинични условия, предлагайки нов еталон за [оценяване на AI агенти за производство](/bg/evaluating-ai-agents-for-production-a-practical-guide-to-strands-evals) в медицинската диагностика.

## Обещаващи резултати и съвместна иновация

Успехът на този AI инструмент е доказателство за силата на интердисциплинарното сътрудничество, отличителен белег на Инициативата за сърдечно-съдов ИИ, по-широко усилие на Cornell, Columbia и NewYork-Presbyterian. Д-р Нир Уриел, директор на отдела за напреднала сърдечна недостатъчност и сърдечна трансплантация в NewYork-Presbyterian, изигра ключова роля в стартирането на проекта. "Първоначално събрахме група от над 40 специалисти по сърдечна недостатъчност и ги помолихме да ни кажат къде според тях ИИ може да бъде приложен най-добре", разказва той. Този подход, ръководен от клиницисти, гарантира, че AI решението пряко адресира критична клинична нужда.

Д-р Дебора Естрин, асоцииран декан по въздействието в Cornell Tech, подчерта симбиотичната връзка: "Тясното взаимодействие между клиницистите и изследователите в областта на ИИ по този проект в крайна сметка доведе до разработването на нови AI техники, които иначе не биха били изследвани. Така че, това беше случай на медицина, оформяща бъдещето на ИИ – не просто ИИ, оформящ бъдещето на медицината." Този съвместен дух, свързващ клиничния опит с авангардни изследвания в областта на ИИ, беше от решаващо значение за разработването на здрав и клинично релевантен инструмент. Такива партньорства са от съществено значение за напредъка на AI приложенията в чувствителни области като здравеопазването, където поверителността на данните и етичните съображения са от първостепенно значение. Усилията около [корпоративна поверителност](/bg/enterprise-privacy) при обработката на медицински данни непрекъснато се развиват.

## Проправяне на пътя за клинична интеграция и бъдещо въздействие

Обещаващите резултати от това проучване бележат значителна стъпка към интегрирането на ИИ в рутинната сърдечно-съдова грижа. Изследователският екип вече планира клинични проучвания, необходима фаза за получаване на одобрение от Администрацията по храните и лекарствата на САЩ (FDA) и последващо широко клинично приемане. Д-р Уриел подчерта трансформационния потенциал: "Ако можем да използваме този подход за идентифициране на много пациенти с напреднала сърдечна недостатъчност, които иначе не биха били идентифицирани, то това ще промени нашата клинична практика и значително ще подобри резултатите за пациентите и качеството им на живот."

Този AI инструмент представлява повече от просто технологичен напредък; той е парадигмална промяна в начина, по който може да се диагностицира напредналата сърдечна недостатъчност, правейки прецизната медицина по-достъпна. Чрез използване на съществуващата инфраструктура (ултразвукови апарати) и широко достъпни данни (ЕЗД), моделът намалява бариерите пред ранното откриване, гарантирайки, че повече пациенти ще получат навременни, животоспасяващи лечения. Успехът на тази инициатива несъмнено ще вдъхнови по-нататъшно проучване на ролята на ИИ в различни медицински специалности, като в крайна сметка ще подобри диагностичната точност и грижата за пациентите навсякъде.

Оригинален източник

https://news.weill.cornell.edu/news/2026/03/ai-tool-shows-promise-in-diagnosing-advanced-heart-failure

Често задавани въпроси

What is advanced heart failure and why is its diagnosis challenging?

Advanced heart failure is a severe, chronic condition where the heart struggles to pump enough blood to meet the body's needs, significantly impacting quality of life and prognosis. Diagnosing this condition accurately is critically challenging due to its complex nature and the limitations of current standard diagnostic procedures. The gold standard, cardiopulmonary exercise testing (CPET), requires specialized equipment and highly trained personnel, making it accessible only in large, tertiary medical centers. This bottleneck means that a vast number of patients who could benefit from advanced therapies are often overlooked or diagnosed late, delaying crucial interventions and worsening outcomes. The difficulty in early and widespread detection underscores the urgent need for more accessible and efficient diagnostic methods, which this new AI tool aims to provide by simplifying the diagnostic pathway and democratizing access to timely identification of the condition.

How does the new AI tool specifically improve upon existing diagnostic methods like CPET?

The AI tool developed by Weill Cornell Medicine and its partners represents a significant leap forward by overcoming the inherent limitations of CPET. Unlike CPET, which demands specialized facilities and staff, the AI model utilizes readily available cardiac ultrasound images and electronic health records (EHRs)—data sources routinely collected in most clinical settings. By processing these common data types, the AI can predict peak oxygen consumption (peak VO2), the most crucial measure derived from CPET, with high accuracy. This dramatically reduces the need for expensive, time-consuming, and resource-intensive CPETs. The improvement lies in its scalability and accessibility; it transforms a complex diagnostic process into one that can be integrated into routine clinical care, potentially identifying tens of thousands more patients who would otherwise go undiagnosed due to geographical or resource constraints.

What types of data does the AI model leverage for its predictions?

The innovative AI model is a multi-modal, multi-instance machine learning system, designed to synthesize information from diverse clinical data sources for a comprehensive assessment. It specifically processes three distinct categories of data. Firstly, it analyzes ordinary moving ultrasound images of the heart, capturing critical visual information about cardiac structure and function. Secondly, it incorporates related waveform imagery, which displays intricate details of heart valve dynamics and blood flow patterns. Lastly, the model integrates various items found in the patient’s electronic health records (EHRs), including demographic information, medical history, lab results, and other clinical parameters. The ability to combine and interpret these disparate data types allows the AI to develop a holistic understanding of a patient's cardiac health, leading to more accurate predictions.

What was the accuracy of the AI model in predicting peak VO2, and what does this mean clinically?

The AI model achieved a remarkable overall accuracy of roughly 85% in predicting peak VO2, which is a significant indicator for distinguishing high-risk patients with advanced heart failure. This figure was measured using a metric that assesses the probability of a randomly chosen high-risk patient having a higher predicted risk than a randomly chosen lower-risk patient. Clinically, an 85% accuracy suggests that the tool is highly effective and reliable in identifying individuals who require advanced heart failure care. This level of precision means that the AI can act as a powerful screening or supplementary diagnostic tool, helping clinicians more confidently and quickly identify patients who would benefit most from further evaluation or specialized treatments. This promising result paves the way for potential FDA approval and widespread adoption in healthcare.

Which institutions and key individuals collaborated on the development of this AI tool?

This groundbreaking study was the result of a highly collaborative effort involving several leading institutions and prominent experts. Key collaborating entities included Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons, and NewYork-Presbyterian. The study was senior-authored by Dr. Fei Wang, Associate Dean for AI and Data Science at Weill Cornell Medicine. Other pivotal contributors included Dr. Deborah Estrin, Associate Dean for Impact at Cornell Tech, and Dr. Nir Uriel, Director of Advanced Heart Failure and Cardiac Transplantation at NewYork-Presbyterian. The AI team, under Dr. Wang, also included lead authors Dr. Zhe Huang and Dr. Weishen Pan, along with students and faculty from Cornell Bowers, highlighting a robust interdisciplinary approach to medical innovation.

What are the next steps for bringing this AI diagnostic tool into routine clinical practice?

The research team is actively planning the crucial next steps required to transition this promising AI diagnostic tool from a research finding to routine clinical practice. The immediate focus will be on conducting extensive clinical studies. These studies are essential to further validate the model's performance in diverse patient populations and real-world clinical settings, gathering the robust evidence necessary for regulatory approvals. Achieving U.S. Food and Drug Administration (FDA) approval is a critical milestone for widespread adoption. Following approval, efforts will concentrate on integrating the AI tool seamlessly into existing healthcare workflows and electronic health record systems. The ultimate goal is to enable clinicians to easily leverage this technology, ensuring more patients with advanced heart failure are identified and receive appropriate care in a timely manner, transforming current diagnostic paradigms.

How does this research embody the intersection of medicine and AI innovation?

This research project serves as a prime example of how the synergy between medicine and AI innovation can drive transformative advancements in healthcare. It began with clinicians, specifically heart failure specialists, identifying a critical unmet need—the diagnostic bottleneck for advanced heart failure. This clinical challenge then inspired AI experts to develop novel machine learning techniques, demonstrating a unique 'medicine shaping AI' dynamic. The multi-modal AI model, capable of interpreting complex medical images and electronic health records, showcases AI's potential to extract subtle, actionable insights that might elude human analysis or standard tests. This interdisciplinary approach not only addresses a significant clinical problem but also pushes the boundaries of AI research, developing models specifically tailored for the intricacies of medical data and clinical decision-making. It highlights the power of collaborative innovation in solving real-world healthcare issues.

What are the broader implications of this AI tool for patient care and healthcare systems?

The broader implications of this AI diagnostic tool for patient care and healthcare systems are profound. Firstly, it promises to significantly improve patient outcomes and quality of life by enabling earlier and more accurate identification of advanced heart failure. This means patients can receive timely interventions, advanced therapies, or even transplantation referrals, preventing disease progression and reducing mortality. Secondly, it addresses health disparities by making advanced diagnostic capabilities accessible beyond specialized centers, potentially reaching underserved populations. For healthcare systems, the tool could lead to more efficient resource allocation, reducing the burden on CPET facilities and streamlining diagnostic pathways. It also sets a precedent for how AI can be integrated into routine care to augment clinical decision-making, offering a scalable solution to complex medical challenges and enhancing the overall precision and accessibility of cardiovascular medicine.

Бъдете информирани

Получавайте последните AI новини по имейл.

Сподели