ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ЦИФРОВОЙ СТРАТИФИКАЦИИ И ДИНАМИЧЕСКОМ КОНТРОЛЕ СЕРДЕЧНО-СОСУДИСТОГО РИСКА У БОЛЬНЫХ С АРТЕРИАЛЬНОЙ ГИПЕРТЕНЗИЕЙ И РЕВМАТОИДНЫМ АРТРИТОМ
Abstract
В данной обзорной работе представлен анализ современных научных источников, посвящённых использованию технологий искусственного интеллекта для оценки и мониторинга сердечно-сосудистого риска у пациентов с артериальной гипертензией, протекающей на фоне ревматоидного артрита. Рассмотрены патогенетические механизмы сочетанного влияния хронического воспаления и сосудистых нарушений на развитие осложнений, а также возможности внедрения интеллектуальных алгоритмов в клиническую практику. Проведён сравнительный обзор существующих исследований, направленных на применение систем машинного обучения для прогнозирования неблагоприятных исходов, персонализации терапии и динамического наблюдения за состоянием больных.
References
1. Buranova S.N. Method of treatment aimed at the dynamics of cartilage oligomer matrix protein (COMP) in patients with osteoarthritis. // Turkish Journal of Physiotherapy and Rehabilitation; №32 (2) -P.4039-4041.
2. Cacciapaglia F., et al. Data-driven clustering of cardiovascular risk in rheumatoid arthritis using unsupervised machine learning. EULAR Congress Abstracts. 2024; POS0682.
3. Cai W., et al. Machine learning models for cardiovascular disease prediction: A systematic review and meta-analysis. Comput Biol Med. 2024;169:107498.
4. Cho J.H., Park S.Y. Artificial intelligence in hypertension management: from diagnosis to treatment optimization. J Hypertens. 2024;42(1):12–25.
5. Endothelin-1biomarker Features In Patients With Ankylosing Spondylitis After COVID-19. M Rakhimova, K Akhmedov, M Tagaeva, S Sadikova - Journal of positive school psychology, 2022
6. EULAR Task Force. 2022 EULAR recommendations for cardiovascular risk management in patients with rheumatoid arthritis and other rheumatic diseases. Ann Rheum Dis. 2022;81(6):768–779.
7. Feng R., et al. Identification of cardiometabolic risk factors in rheumatoid arthritis using machine learning-based biomarker selection and nomogram construction. Inflammation. 2024;47(1):225–238.
8. Hughes L.D., et al. External validation of cardiovascular risk scores in patients with inflammatory arthritis: a population-based study. Rheumatology (Oxford). 2024;63(5):1234–1243.
9. Jamthikar A., et al. Multiclass machine learning framework for cardiovascular risk prediction using carotid ultrasound-based phenotypes. Ultrasound Med Biol. 2020;46(2):378–395.
10. Konstantonis G., et al. Machine learning algorithms combining clinical, laboratory, and ultrasound phenotypes improve cardiovascular disease detection in rheumatoid arthritis, diabetes, and hypertension. Adv Rheumatol. 2022;62(1):47.
11. Lu X., et al. Mobile health–based hypertension intervention improves blood pressure control: a randomized controlled trial. J Telemed Telecare. 2019;25(8):488–496.
12. Min H.K., et al. Time-averaged disease activity predicts cardiovascular events in rheumatoid arthritis: a longitudinal cohort study. Clin Rheumatol. 2022;41(5):1507–1516.
13. Shah S., et al. Advanced imaging and biomarkers for cardiovascular risk assessment in rheumatologic diseases: an updated review. Cureus. 2025;17(2):e31245.
14. Skalidis E.I., et al. ECG-based artificial intelligence model predicts hypertension and long-term cardiovascular outcomes. Eur Heart J Digit Health. 2025;3(1):45–59.
15. Teshale A., et al. Artificial intelligence in cardiovascular risk stratification: current state and future directions. Front Cardiovasc Med. 2024;11:1357629.
16. Xalmetova, F. I., X. S. Akhmedov, and S. N. Buranova. "The Role of Imaging Techniques in the Assessment of Structural Changes in the Joint in Reactive Arthritis." Academicia Globe: Inderscience Research 3.03 (2022): 186-189.
