Эволюция аускультации в цифровую эпоху: от стетоскопа к искусственному интеллект

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».

СПИСОК ЛИТЕРАТУРЫ

1. McKUSICK V. A., JENKINS J. T., WEBB G. N. The acoustic basis of the chest examination; studies by means of sound spectrography. Am Rev Tuberc. 1955 Jul;72(1):12–34. doi: 10.1164/artpd.1955.72.1.12 DOI
2. Kevat AC, Kalirajah A, Roseby R. Digital stethoscopes compared to standard auscultation for detecting abnormal paediatric breath sounds. Eur J Pediatr. 2017 Jul;176(7):989-992. doi: 10.1007/s00431-017-2929-5. Epub 2017 May 16. PMID: 28508991. DOI
3. Lee H, Kim G, Bae JS, et al. Digital auscultation in clear and present threat of novel respiratory infectious disease: a narrative review. *J Yeungnam Med Sci*. 2025;42:19. DOI: 10.12701/jyms.2025.42.19 DOI
4. Anna Moberg, Össur Ingi Emilsson, Sif Hansdottir, Tryggvi Asmundsson, Andrei Malinovschi, Hasse Melbye & Dora Ludviksdottir (2025) Lung auscultation – today and tomorrow - a narrative review, Expert Review of Respiratory Medicine, 19:8, 879-885, DOI: 10.1080/17476348.2025.2511223 DOI
5. Huang, DM., Huang, J., Qiao, K. et al. Deep learning-based lung sound analysis for intelligent stethoscope. Military Med Res 10, 44 (2023). https://doi.org/10.1186/s40779... DOI
6. Sethi AK, Muddaloor P, Anvekar P, Agarwal J, Mohan A, Singh M, Gopalakrishnan K, Yadav A, Adhikari A, Damani D, Kulkarni K, Aakre CA, Ryu AJ, Iyer VN, Arunachalam SP. Digital Pulmonology Practice with Phonopulmography Leveraging Artificial Intelligence: Future Perspectives Using Dual Microwave Acoustic Sensing and Imaging. Sensors (Basel). 2023 Jun 12;23(12):5514. doi: 10.3390/s23125514. PMID: 37420680; PMCID: PMC10302019. DOI
7. Kevat, A., Kalirajah, A. & Roseby, R. Artificial intelligence accuracy in detecting pathological breath sounds in children using digital stethoscopes. Respir Res 21, 253 (2020). https://doi.org/10.1186/s12931... DOI
8. Roy, Arka; Satija, Udit (2022): A Novel Melspectrogram Snippet Representation Learning Framework ForSeverity Detection of Chronic Obstructive Pulmonary Diseases. TechRxiv. Preprint.https://doi.org/10.36227/techr... DOI
9. ALTAN, Gokhan; KUTLU, Yakup (2020), “RespiratoryDatabase@TR (COPD Severity Analysis)”, Mendeley Data, V1, doi: 10.17632/p9z4h98s6j.1 DOI
10. Mochizuki, H., Hirai, K., Furuya, H. et al. The analysis of lung sounds in infants and children with a history of wheezing/asthma using an automatic procedure. BMC Pulm Med 24, 394 (2024). https://doi.org/10.1186/s12890... DOI
11. Park JS, et al. Artificial Intelligence Models for Pediatric Lung Sound Analysis: Systematic Review and Meta-Analysis. *J Med Internet Res*. 2025;27:e66491. DOI: 10.2196/66491 DOI
12. Kelshiker M, Bächtiger P, Petri C et al. Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial. The Lancet, 2026; 407, 704-715 DOI
13. Rancier M, Israel I, Monickam V, Currie C, Verschoore B, Lastowski E, Van Pelt DW, Prince J, McDonough RV. Artificial-intelligence-enabled digital stethoscope improves point-of-care screening for moderate-to-severe valvular heart disease. Eur Heart J Digit Health. 2026 Feb 5;7(2):ztag003. doi: 10.1093/ehjdh/ztag003. PMID: 41660663; PMCID: PMC12873438. DOI
14. Arutyunov G.P., Kolesnikova E.A., Polyakov D.V., Rylova A.K., Korsunskaya M.I. Lung auscultation: Pathogenic mechanisms underlying the respiratory sounds. Pul’monologiya. 2022; 32 (1): 118–126 (in Russian). DOI: 10.18093/0869-0189-2022-32-1-118-126 DOI
15. Росздравнадзор. Регистрационное удостоверение на электронный фонендоскоп № РЗН 2024/23717 от 01.10.2024. Источник
16. Диагностика на дому. Электронный фонендоскоп ДНД. Официальный сайт. Дата обращения 16.10.2026. Источник
17. Диагностика на дому. Электронная инструкция по применению. Действующая редакция от 07.10.2026. Дата обращения 16.10.2026. Источник