Научное руководство проектом осуществлял доцент кафедры вычислительной математики Михаил Лепчинский. Исследование было реализовано в рамках программы «Обучение служением» при поддержке и.о. заведующего кафедрой теории управления и оптимизации Игоря Изместьева и врачей-кардиологов Областной клинической больницы № 3, что позволило объединить фундаментальную математическую подготовку с решением реальных клинических задач.

Фибрилляция предсердий остаётся одной из главных причин инсультов и сердечной недостаточности. Своевременное выявление пациентов с высоким риском рецидива позволяет врачам скорректировать лечение до того, как наступит тяжёлое осложнение. Алексей Седелков поставил перед собой цель: исследовать и сравнить несколько алгоритмов машинного обучения, чтобы выбрать самый надёжный и при этом понятный для клиницистов.

В основу работы легли данные комплексного обследования 97 пациентов, которые проходили лечение в ОКБ № 3 с 2010 по 2013 год. Из них у 43 были частые рецидивы аритмии, у 54 — редкие. Каждый случай описывался 27 клиническими признаками, включая результаты анализов и инструментальные показатели. После предварительной обработки (удаления взаимосвязанных признаков и нормализации) количество факторов сократилось до 18. Чтобы подтвердить надежность прогнозов на небольшой выборке, магистрант применил метод перекрёстного тестирования (кросс-валидацию), который поочередно проверяет алгоритм на разных частях одних и тех же данных.

Сравнив несколько алгоритмов, автор работы установил, что наилучшую эффективность на данной выборке показывает метод опорных векторов. Построив на его основе систему принятия решений, магистрант настроил её так, чтобы она относила пациента к группе риска только при максимальной уверенности алгоритма (выше 91%). Такой подход позволяет с высокой точностью выделять пациентов, которым действительно требуется усиленный контроль.

Главной проблемой при внедрении ИИ в медицину остаётся непрозрачность алгоритмов: врач не может доверять решению, которое не может объяснить. Алексей Седелков успешно применил метод SHAP (анализ важности признаков), который показал, что наибольшее влияние на прогноз оказывают два показателя: диастолическое артериальное давление («нижнее» давление) и частота сердечных сокращений вне приступа. Оба фактора полностью соответствуют клинической логике — они отражают реальное состояние сердечно-сосудистой системы, что подтверждает адекватность разработанной системы.

Созданная Алексеем Седелковым прогностическая система представляет собой готовый инструмент поддержки принятия решений для практической кардиологии. Интерпретируемые модели машинного обучения дают врачам точный прогноз и раскрывают логику каждого решения, что особенно важно при работе с пациентами из группы высокого риска. Проект подтвердил востребованность математических методов в медицине и показал результативность программы «Обучение служением», объединившей усилия учёных ЧелГУ и клиницистов ОКБ № 3.