В обзоре рассматривается эволюция аускультации от классического метода физикального обследования до цифровых технологий с применением искусственного интеллекта. На основании современных исследований анализируются диагностические возможности электронных фонендоскопов и алгоритмов автоматического распознавания патологических звуков сердца и лёгких. Особое внимание уделяется клинической эффективности, ограничениям существующих решений, барьерам внедрения в медицинскую практику и перспективам развития цифровой аускультации в России.
Эволюция метода
Классическая аускультация стала практическим методом диагностики после изобретения стетоскопа Рене Лаэннеком в 1816 году, и с тех пор остается неотъемлемым компонентом физикального обследования благодаря информативности, неинвазивности и низкой стоимости. На протяжении почти двух столетий врачи оценивали дыхательные шумы преимущественно субъективно: по громкости, тембру, фазе дыхания и локализации.
Начало инструментального частотно-временного анализа аускультативных звуков приходится на середину ХХ века, когда McKusick, Jenkins, Webb использовали звуковую спектрографию для описания феноменов аускультации легких [1]. К началу 1990-х электронная запись и анализ аускультативных данных уже применялись многими исследовательскими группами, что привело к необходимости стандартизации оборудования, протоколов записи и аналитических методов.
В 1999 году Littmann представил первый электронный стетоскоп с усилением звука до 18 раз, тремя частотными режимами, записью и воспроизведением звука, а также отображением ЧСС. Однако практическую значимость цифровой аускультации признали не сразу: в 2000-х годах метод все еще редко использовался в клинической практике.
Только лишь в 2017 г. было проведено одно из первых исследований, которое подтвердило превосходство применения цифрового фонендоскопа по сравнению с акустическим для определения аускультативных феноменов в педиатрии [2].
Пандемия COVID-19 стала мощным катализатором переосмысления подходов к аускультации: необходимость минимизации контактов при сохранении качества диагностики стимулировала внедрение дистанционных и автоматизированных решений [3]. Довольно быстрыми темпами первичные модели автоматического анализа были заменены на глубокие нейросети.
Стремительный прогресс последнего десятилетия привел к тому, что сегодня цифровая аускультация развивается в двух тесно связанных, хоть и не тождественных направлениях:
- Оцифровка аускультации: запись, усиление, фильтрация, хранение и дистанционная передача дыхательных шумов.
- Анализ с помощью искусственного интеллекта: применение моделей машинного обучения, в особенности глубоких нейросетей, для автоматического распознавания акустических феноменов — прежде всего сухих хрипов и крепитации — и далее попытки связать их с заболеваниями, тяжестью состояния и динамикой состояния пациента.
Наиболее перспективным направлением применения цифровой аускультации бесспорно можно признать телемедицину. Интеграция в телемедицинские платформы совершенствует возможности дистанционного консультирования и удаленного наблюдения за пациентами, что в особенности важно, например, для поддержки молодых родителей. Отдельно стоит упомянуть пациентов с хроническими заболеваниями дыхательной системы, поскольку у них регулярный мониторинг может позволить своевременно обнаружить ухудшение состояния и провести коррекцию нарушений до того, как пациенту понадобится госпитализация [4].
Клиническая значимость цифровой аускультации
К настоящему времени клиническая значимость электронных фонендоскопов успешно подтверждена, а именно технические способности устройств правильно записать звук и передавать его в неизменном виде.
На текущий момент на повестке дня — оценка возможностей различных алгоритмов машинного обучения при интерпретации аускультативных данных. Более того, последние работы посвящены построению не простых алгоритмов, а десятков глубоких нейросетей, в основу которых заложено от 3 до 30 и более часов аудиоданных. [5] [6]
В исследовании Kevat et al. были проанализированы 192 записи дыхательных шумов у 25 детей. Записи собирались двумя цифровыми стетоскопами — Clinicloud и Littmann 3200 — и передавались в алгоритм StethoMe AI. В качестве референсной разметки использовалась экспертная оценка детского пульмонолога по аудиозаписи, форме волны и спектрограмме; часть записей дополнительно проверялась врачом-специалистом вслепую. По результатам оба фонендоскопа показали высокую чувствительность (Clinicloud — 0,9 и 0,95; Littmann — 0,8 и 0,82 соответственно) и специфичность (Clinicloud 0,97-0,99; Littmann 0,95-0,99) по выявлению сухих и влажных хрипов [7].
В другом исследовании на выборке из пациентов с ХОБЛ разработали модель, позволяющую дифференцировать степень тяжести заболевания на основании анализа аускультативных данных. Обучение модели проходило на записях публичной базы RespiratoryDatabase@TR [9]. Исследователям удалось добиться точности 99,25% для бинарной классификации и 96,14% для разделения пациентов по степени тяжести от 0 до 4 по GOLD. Однако, важно отметить существенное ограничение исследования — обучение и тестирование модели проводилось внутри одного датасета, то есть для более значимого результата необходима проверка модели в последующих проспективных исследованиях [8].
Mochizuki et al. выполнили исследование, целью которого являлось тестирование и оценка эффективности модели автоматического анализа дыхательных шумов у младенцев и детей раннего возраста, которые не в состоянии выполнить функциональные дыхательные пробы.
Работа включала три этапа:
- проверку воспроизводимости параметров программы на аускультативных записях детей до 4х лет;
- оценку зависимости новых спектральных показателей от силы воздушного потока у детей 5-15 лет с атопической бронхиальной астмой;
- клиническое сопоставление параметров дыхательных шумов с отягощенным анамнезом (Pulmonary ATS-DLD-78-A Form) у детей до трехлетнего возраста.
У детей с отягощенным анамнезом были выявлены статистически значимые изменения звуковых параметров дыхательных шумов, характерные для пациентов с диагностированной атопической бронхиальной астмой. Особенно важно отметить отсутствие существенного влияния интенсивности воздушного потока на выбранные параметры, — непреодолимый на сегодня барьер при выполнении функциональных проб у детей раннего возраста.
Полученные результаты свидетельствуют о перспективах метода как дополнительного акустического маркера в прогнозировании риска развития астмы у детей и групп риска [10] .
Качественный скачок в накоплении доказательств произошел в 2024–2025 гг. Систематический обзор и мета-анализ Park и соавт. (2025), охвативший 41 исследование по применению моделей машинного обучения в анализе легочных шумов у детей, продемонстрировал объединенную чувствительность для детекции свистящих хрипов 0,902 (95% ДИ 0,726–0,970) при специфичности 0,955 (95% ДИ 0,762–0,993), а для других патологических дыхательных шумов — чувствительность 0,907 (95% ДИ 0,816–0,956) и специфичность 0,877 (95% ДИ 0,813–0,921)[11].
Kelshiker M et al. 2026 г. опубликовали результаты рандомизированного контролируемого исследования по оценке ИИ-алгоритма по обнаружению аускультативных признаков наиболее значимых состояний сердечно-сосудистой системы в реальной клинической практике (TRICORDER) [12].Авторы исследования ранее уже создали и валидировали алгоритм ИИ, который способен обнаружить аускультативные признаки трех наиболее значимых состояний сердечно-сосудистой системы:
- сердечной недостаточности;
- фибрилляции предсердий;
- поражения клапанного аппарата сердца.
Исследователи обнаружили значительное увеличение частоты выявления различных сердечно-сосудистых заболеваний при использовании ИИ-стетоскопа: выявление сердечной недостаточности в 2,3 раза чаще, фибрилляции предсердий — в 3,5 раза, поражение клапанного аппарата — в 1,9 раз.
Rancier M. et al. показали, что использование ИИ-стетоскопа улучшает диагностику клинически значимых поражений клапанного аппарата сердца [13]. В исследование включили 357 пациентов старше 50 лет из группы риска по развитию сердечно-сосудистых заболеваний. Всем участникам проводили традиционную аускультацию акустическим фонендоскопом, цифровую фонокардиографию с последующим ИИ-анализом и эхокардиографию в качестве референсного метода. При выявлении клапанной патологии, сопровождавшейся аускультативно определяемым шумом, чувствительность ИИ-алгоритма составила 92,3% против 46,2% при традиционной аускультации, при несколько более низкой специфичности — 86,9% против 95,6%.
При этом алгоритм позволил выявить 12 ранее не диагностированных случаев клинически значимой клапанной патологии, тогда как с помощью стандартной аускультации это удалось сделать только для 6 пациентов. Для “неслышимых” поражений клапанов чувствительность была в целом ниже (39,7%), но при этом все равно было зафиксировано превосходство над традиционной аускультацией (13,8%).Сами авторы отмечают, что небольшая выборка является существенным недостатком исследования. Но полученные результаты демонстрируют потенциал ИИ-аускультации как минимум в качестве инструмента для скрининга поражения клапанов сердца.
Таким образом, внедрение в рутинную практику электронного фонендоскопа особенно с использованием алгоритмов ИИ в перспективе позволит существенно улучшить диагностику и мониторинг заболеваний дыхательной и сердечно-сосудистой системы.
Основные барьеры для развития метода для цифровой аускультации и пути их решения на этапе исследований.
Неунифицированная терминология и отсутствие надежного эталона разметки
Даже среди врачей сохраняются различия в трактовке дыхательных шумов. Российская терминология не полностью совпадает с международной, а некоторые термины, например rhonchus или squawk/squeak, используются неодинаково. Для ИИ-модели это фундаментальный риск: если разные эксперты по-разному обозначают один и тот же звук, алгоритм будет обучаться на нестабильной разметке.
Предложенные решения
- использовать стандартизированную международную номенклатуру;
- формировать согласованные правила разметки аудиозаписей;
- привлекать нескольких экспертов;
- фиксировать не только класс звука, но и фазу дыхания, локализацию и качество записи;
- разработать российско-международное соответствие терминов для клинических датасетов.
Например, Арутюнов и соавторы предлагают хорошую основу для приведения аускультативных терминов по дыхательным шумам к единому стандарту с международным [14].
Зависимость алгоритма от цифрового стетоскопа
Один и тот же алгоритм может работать по-разному на записях разных устройств. В исследовании Kevat [7] показатели для Clinicloud были выше, чем для Littmann. Авторы связывают это, в частности, с различиями параметров записи: Littmann предоставлял файлы с меньшей частотой дискретизации и разрядностью, чем Clinicloud.
Предложенные решения
- стандартизировать требования к частоте дискретизации, разрешению и фильтрации записи;
- включать в обучающие данные записи с разных устройств;
- проводить внешнюю валидацию отдельно для каждого типа оборудования.
Помехи и ошибки техники записи.
Дыхательные шумы имеют невысокую амплитуду и легко искажаются. Huang и соавторы [5] показывают, что фильтры быстро обрабатывают сигнал, но плохо удаляют шумы, частотный диапазон которых перекрывается с дыхательными шумами.
Предложенные решения
- встроенная оценка качества каждой записи;
- автоматическое отклонение фрагментов с плохим контактом или выраженным шумом;
- раздельное подавление внешнего шума и сердечных звуков;
- обучение моделей на данных с реалистичными шумами, а не только на «чистых» аудиофайлах.
Малые и нерепрезентативные выборки.
Многие исследования используют небольшое число пациентов, записи из одной клиники или один публичный датасет. В такой ситуации высокие показатели могут отражать особенности конкретного набора данных, а не устойчивую способность модели работать в реальной практике.
Предложенные решения
- многоцентровые проспективные исследования;
- разделение выборок строго на уровне пациентов, а не отдельных записей;
- включение пациентов разных категорий;
- сбор записей в первичном звене и домашних условиях;
- специальные методы для редких классов: few-shot learning, prototypical networks, contrastive learning.
Moberg и соавторы [4] отдельно подчеркивают потребность в больших хорошо охарактеризованных датасетах с качественными записями и клиническими исходами.
Непрозрачность ИИ-моделей.
По своей сути каждая модель является «черным ящиком», в который загружают информацию, при работе с новыми данными она их анализирует, выискивая соответствия с уже положенной в нее информацией и выдает заключение без объяснения, почему он именно такой.
Huang и соавторы [5] в своей работе рассматривают несколько подходов к решению проблемы:
- в ответе модель должна уметь локализовать патологический фрагмент;
- отображение результата на спектрограмме и временной шкале;
- использование LIME или surrogate models — систем, которые помогают понять, почему ИИ-алгоритм дал такой результат.
Недостаток клинически значимых конечных точек
Большинство исследований отвечают на вопрос: «распознает ли алгоритм звук?». Но для широкого внедрения инноваций в клиническую практику необходимо отвечать на другие вопросы: какое влияние распознавание признаков болезни оказывает на тактику ведения этой болезни и какие глобальные критерии эффективности отмечаются на уровне организации здравоохранения?
Предложенные решения
- связывать акустические результаты с объективными референсами: КТ, рентгенографией, спирометрией, сатурацией, клиническими исходами;
- оценивать не только diagnostic accuracy, но и изменение тактики врача;
- проводить исследования влияния на маршрутизацию, госпитализации, назначения антибиотиков и динамику хронических заболеваний;
- развивать продольные модели, способные выявлять ухудшение состояния во времени.
Kevat и соавторы [2] прямо указывают, что следующий этап развития — не только распознавание патологического звука, но и надежное отслеживание улучшения или ухудшения пациента.
Цифровая аускультация в России
Переход к цифровой аускультации происходит и в России. Мы изучили доступность сервиса «Диагностика на дому», его возможности и направления развития. Его электронный фонендоскоп позволяет записывать звуки сердца и лёгких и передавать их врачу через приложение. Прибор получил регистрационное удостоверение Росздравнадзора № РЗН 2024/23717 от 1 октября 2024 года и доступен в России [15, 16].
В продукте уже решают ряд описанных технологических задач. Приложение контролирует пригодность записи и предлагает повторить её при недостаточном качестве; в режиме врача вспомогательный ИИ-анализ выделяет участки, требующие внимания [17]. По информации команды, при обучении также используют согласованные правила разметки и записи разных поколений устройства и различного качества. Это позволяет учитывать проблемы стандартизации, помех и зависимости алгоритма от оборудования ещё на этапе разработки.
Исследования эффективности электронного фонендоскопа уже начались. На сайте сервиса сообщается о клинических исследованиях прибора на базе Первого МГМУ имени И. М. Сеченова [16]. По информации команды, исследовательская работа включает сопоставление аускультативных результатов с объективными диагностическими данными и оценку динамики состояния. Мы будем знакомить читателей с ходом этих работ и их результатами.
По информации команды сервиса, параллельно уже запущены пилотные проекты для разных сценариев клинической практики. Они позволят оценить работу электронного фонендоскопа в повседневных условиях, удобство для врача и место цифровой аускультации в обследовании пациента.
Возможности ИИ также расширились: для отдельных задач уже доступны распознавание патологических шумов и нарушений ритма, выделение признаков, на которых основан вывод, и формирование текстового протокола. Состав таких функций зависит от конкретной системы и используемых сигналов. В «Диагностике на дому» публично описаны контроль качества и вспомогательный анализ для врача [17]; дальнейшее развитие сервиса связывает эти возможности с клиническими сценариями и исследовательской проверкой.
Таким образом, многие необходимые для внедрения элементы уже доступны: сам прибор, передача записи врачу и инструменты ИИ-поддержки. Российские исследования и пилоты должны показать, как их сочетание помогает в реальной практике. По мере появления результатов мы будем возвращаться к этой теме вместе с командой «Диагностики на дому».
