Статеві особливості ішемічного інсульту: нові підходи за допомогою штучного інтелекту (Огляд літератури)

##plugins.themes.bootstrap3.article.main##

Станіслав Конотопчик
Ігор Альтман
Сергій Коломійченко
Микола Поліщук
Оксана Гончарук
Андрій Муравський
Юлія Бурик
Микола Виваль

Анотація

Ішемічний інсульт залишається однією з провідних причин смертності та інвалідизації дорослого населення в усьому світі, зокрема серед пацієнтів чоловічої статі. Чоловіки мають вищий ризик розвитку інсульту в молодшому віці порівняно з жінками, а особливості перебігу та відповідь на лікування у них можуть відрізнятися через комплекс факторів, включно із соціальними детермінантами, професійними ризиками та біологічними відмінностями. Це обумовлює необхідність розробки точних і персоналізованих підходів саме для цієї демографічної групи. У сучасній неврології та кардіології вагомішої ролі набувають інноваційні технології, серед яких ключове місце посідає штучний інтелект (ШІ), зокрема машинне навчання. Вони відкривають нові горизонти для аналізу великих масивів медичних даних, виявлення складних закономірностей і створення прогностичних моделей.


Для проведення літературного огляду було здійснено систематичний пошук наукових публікацій в електронних базах даних PubMed, IEEE Xplore та Google Scholar. Пошук обмежений статтями, опублікованими переважно за останні 5 років (2019–2025 рр.), з урахуванням ключових фундаментальних робіт більш раннього періоду. До огляду були включені оригінальні дослідження, метааналізи й систематичні огляди, що присвячені застосуванню методів машинного та глибокого навчання в нейрорадіології.


ШІ значно покращує діагностику та лікування інсульту. Алгоритми глибокого навчання (наприклад, Viz.ai, e-ASPECTS) автоматично аналізують зображення комп’ютерної томографії / магнітно-резонансної томографії, виявляючи ознаки ішемії та оклюзії великих судин, що критично важливо для чоловіків, які частіше є кандидатами на тромбектомію через більш ранній вік її настання. Впровадження ШІ-систем скорочує час до початку лікування на 15–37 хв, підвищує точність і узгодженість діагностичних оцінок, що безпосередньо покращує доступ до своєчасної допомоги. У прогнозуванні наслідків ШІ-моделі, які інтегрують дані нейровізуалізації та клінічні показники, підтверджують, що чоловіки мають кращий функціональний прогноз після інсульту порівняно з жінками за інших рівних умов. Хоча сучасні алгоритми застосовуються уніфіковано, ШІ як інструмент дослідження виявляє статеві відмінності. Зокрема, у чоловіків мозок може мати іншу функціональну організацію, що впливає на наслідки інсульту. Утім, ці дані потребують подальшого уточнення в лонгітудинальних дослідженнях. Впровадження ШІ в інсультологію обіцяє новий рівень персоналізованої медицини. Зокрема, для чоловіків це призведе до більш точного оцінювання ризиків та ефективнішого лікування. Майбутній прогрес полягає в інтеграції даних про статеві відмінності в алгоритми ШІ. Розробка гендерно-чутливих інструментів є ключем до забезпечення рівного доступу до високоефективної допомоги й максимальної реалізації потенціалу ШІ для всіх пацієнтів.

##plugins.themes.bootstrap3.article.details##

Як цитувати
Конотопчик, С., Альтман, І., Коломійченко, С., Поліщук, М., Гончарук, О., Муравський, А., Бурик, Ю., & Виваль, М. (2025). Статеві особливості ішемічного інсульту: нові підходи за допомогою штучного інтелекту (Огляд літератури). Здоров’я чоловіка, (4), 41–46. https://doi.org/10.30841/2786-7323.4.2025.350455
Номер
Розділ
Актуальні теми

Посилання

Linghu L, Huang Y, Qiu L, Wang X, Zhang J, Ma L, et al. Exploring stroke risk factors in different genders using Bayesian networks: a cross-sectional study involving a population of 134,382. BMC Public Health. 2025;25(1):2557. doi: 10.1186/s12889-025-23946-z.

Bonkhoff AK, Schirmer MD, Bretzner M, Hong S, Regenhardt RW, Brudfors M, et al. Outcome after acute ischemic stroke is linked to sex-specific lesion patterns. Nat Commun. 2021;12(1):3289. doi: 10.1038/s41467-021-23492-3.

Heo J. Application of artificial intelligence in acute ischemic stroke: A scoping review. Neurointervention. 2024;20(1):4-14. doi: 10.5469/neuroint.2025.00052.

Lim DZ, Yeo M, Dahan A, Tahayori B, Kok HK, Abbasi-Rad M, et al. Development of a machine learning-based real-time location system to streamline acute endovascular intervention in acute stroke: A proof-of-concept study. J Neurointerv Surg. 2022;14(8):799-803. doi: 10.1136/neurintsurg-2021-017858.

Hassan A, Benlamri R, Diner T, Cristofaro K, Dillistone L, Khallouki H, et al. An App for Navigating Patient Transportation and Acute Stroke Care in Northwestern Ontario Using Machine Learning: Retrospective Study. JMIR Form Res. 2024;8:e54009. doi: 10.2196/54009.

Lee CC, Su SY, Sung SF. Machine learning-based survival analysis approaches for predicting the risk of pneumonia post-stroke discharge. Int J Med Inform. 2024;186:105422. doi: 10.1016/j.ijmedinf.2024.105422.

Heo J, Lee H, Seog Y, Kim S, Baek JH, Park H, et al. Cancer prediction with machine learning of thrombi from thrombectomy in stroke: multicenter development and validation. Stroke. 2023;54(8):2105-13. doi: 10.1161/STROKEAHA.123.043127.

Kwak S, Lee HJ, Kim S, Park JB, Lee SP, Kim HK, et al. Machine learning reveals sex-specific associations between cardiovascular risk factors and incident atherosclerotic cardiovascular disease. Sci Rep. 2023;13(1):9364. doi: 10.1038/s41598-023-36450-4.

Jacobs M, Hammarlund N, Evans E, Ellis C Jr. Identifying predictors of stroke in young adults: a machine learning analysis of sex-specific risk factors. Front Stroke. 2024;3:1488313. doi: 10.3389/fstro.2024.1488313.

Hong C, Pencina MJ, Wojdyla DM, Hall JL, Judd SE, Cary M, et al. Predictive Accuracy of Stroke Risk Prediction Models Across Black and White Race, Sex, and Age Groups. JAMA. 2023;329(4):306-17. doi: 10.1001/jama.2022.24683.

Mainali S, Darsie ME, Smetana KS. Machine learning in action: stroke diagnosis and outcome prediction. Front Neurol. 2021;12:734345. doi: 10.3389/fneur.2021.734345.

Field NC, Entezami P, Boulos AS, Dalfino J, Paul AR. Artificial intelligence improves transfer times and ischemic stroke workflow metrics. Interv Neuroradiol. 2023;15910199231209080. doi: 10.1177/15910199231209080.

Kobeissi H, Kallmes DF, Benson J, Nagelschneider A, Madhavan A, Messina SA, et al. Impact of e-ASPECTS software on the performance of physicians compared to a consensus ground truth: A multi-reader, multi-case study. Front Neurol. 2023;14:1221255. doi: 10.3389/fneur.2023.1221255.

Scholz ML, Collatz-Christensen H, Blomberg SNF, Boebel S, Verhoeven J, Krafft T. Artificial intelligence in Emergency Medical Services dispatching: assessing the potential impact of an automatic speech recognition software on stroke detection taking the Capital Region of Denmark as case in point. Scand J Trauma Resusc Emerg Med. 2022;30(1):36. doi: 10.1186/s13049-022-01020-6.

Rout M, Vaughan A, Sidorov EV, Sanghera DK. Improving stroke outcome prediction using molecular and machine learning approaches in large vessel occlusion. J Clin Med. 2024;13(19):5917. doi: 10.3390/jcm13195917.

El-Geneedy M, El-Din Moustafa H, Khater H, Abd-Elsamee S, Gamel SA. A comprehensive explainable AI approach for enhancing transparency and interpretability in stroke prediction. Sci Rep. 2025;15:26048. doi: 10.1038/s41598-025-11263-9.

Hirose E, Matsuda Y, Takano S, Aiura R, Kono K, Mizutani T. World’s first real-time artificial intelligence-assisted mechanical thrombectomy for acute ischemic stroke. AJNR Am J Neuroradiol. 2025;46(8):1647-51. doi: 10.3174/ajnr.A8704.

Cirillo D, Catuara-Solarz S, Morey C, Emre G, Subirats L, Mellino S, et al. Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. NPJ Digit Med. 2020;3:81. doi: 10.1038/s41746-020-0288-5.