Віддалені кардіоваскулярні наслідки коронавірусної хвороби та модель їх прогнозування на основі штучного інтелекту

Abstract

Дисертаційна робота присвячена проблемі, з якою терапевти та кардіологи дедалі частіше стикаються у щоденній практиці – віддаленим серцево-судинним наслідкам перенесеної коронавірусної хвороби (COVID-19). Основна ціль дослідження полягала у виявленні чинників, що визначають індивідуальний ризик таких подій, і пошук надійних підходів до його оцінки та стратифікації, необхідних для кращого розуміння механізмів їх формування задля можливої профілактики несприятливих подій. Актуальність теми зумовлена тим, що після COVID-19-асоційованої пневмонії у частини пацієнтів зберігаються ознаки системного запалення, коагуляційних порушень та ендотеліальної дисфункції, які персистують навіть після виписки зі стаціонару й можуть підтримувати підвищений ризик несприятливих серцево-судинних подій у постгоспітальному періоді. За таких умов популяційні алгоритми ризику не завжди відображають індивідуальний прогноз, що обґрунтовує потребу у нових підходах стратифікації ризику та прогнозування.

The study addresses a problem that therapists and cardiologists are increasingly encountering in daily clinical practice, namely the long-term cardiovascular consequences of coronavirus disease (COVID-19). The main goal of the study was to identify the factors determining the individual risk of such events and to establish reliable approaches to their assessment and stratification, which are necessary for a better understanding of the mechanisms underlying their development as well as for possible prevention of adverse events. The relevance of this study stems from the fact that, after COVID-19-associated pneumonia, some patients continue to demonstrate signs of systemic inflammation, coagulation abnormalities, and endothelial dysfunction, which persist even after hospital discharge and may sustain an increased risk of adverse cardiovascular events during the post-hospital period. Under these conditions, population-based risk algorithms do not always adequately reflect individual prognosis, thereby substantiating the need for new approaches to risk stratification and prediction.