Цель исследования:
Оценить эффективность алгоритмов искусственного интеллекта (ИИ) в прогнозировании гемодинамических нарушений (гипотензия, тахикардия, гипоперфузия) на этапах кардиохирургических вмешательств и их влияние на снижение интраоперационных осложнений.

Материалы и методы:
Проведено ретроспективно-проспективное исследование с анализом данных 200 пациентов, перенесших аортокоронарное шунтирование или протезирование клапанов сердца. На основе данных интраоперационного мониторинга (артериальное давление, сердечный выброс, ЧСС, сатурация) и лабораторных показателей (лактат, газовый состав крови) обучены модели машинного обучения:

• Рекуррентная нейронная сеть (RNN) для анализа временных рядов гемодинамических параметров.
• Градиентный бустинг (XGBoost) для оценки значимости предикторов нарушений.
  Система ИИ интегрирована с мониторами в режиме реального времени. Контрольная группа (n=100) велась по стандартным протоколам, основная группа (n=100) — с использованием прогнозов ИИ для коррекции терапии.

Результаты:
Модель ИИ предсказывала развитие гипотензии за 10–15 минут до её манифестации с точностью 89% (AUC=0.92). В основной группе применение предиктивной аналитики снизило частоту тяжелой гипотензии на 35% (p=0.01) и потребность в вазопрессорах на 28% (p=0.03). Алгоритм выявил ключевые предикторы нарушений: скорость изменения диастолического давления и динамика лактата. Ложноположительные срабатывания составили 7%, что не привело к значимому увеличению объема инфузий.

Выводы:
Интеграция искусственного интеллекта в интраоперационный мониторинг позволяет прогнозировать гемодинамические нарушения на доклинической стадии, минимизируя риск критических состояний. Использование RNN и градиентного бустинга демонстрирует высокую клиническую применимость, обеспечивая персонализированное управление гемодинамикой. Внедрение подобных систем может стать стандартом в кардиохирургии для снижения периоперационных рисков.