ЖҮРЕК-ҚАНТАМЫР АУРУЛАРЫНЫҢ ҚАУІПІН АНЫҚТАУДА ФОТОПЛЕТИЗМОГРАФИЯНЫ КЛИНИКАЛЫҚ ҚОЛДАНУ

Кіріспе. Бұл әдеби шолу фотоплетизмография мен жүрек соғу ырғағының вариабельділігін қолдана отырып, жүрек-қан тамырлары қаупін бағалаудың заманауи әдістеріне арналған. Тамыр қабырғасының жағдайын, артериялардың қаттылығын, жүрек соғу жиілігін және микроциркуляцияны талдаудың инвазивті емес тәсілдері, сондай-ақ олардың жүрек-қантамырлары қауіп факторларымен байланысы қарастырылады.

Мақсаты: Фотоплетизмографияның жүрек-қантамырлары қаупін ерте анықтаудың инвазивті емес әдісі ретіндегі мүмкіндігін талдау және оны клиникалық тәжірибеде кеңінен қолдану қажеттілігін негіздеу.

Материалдар мен әдістер: PubMed, Google Scholar, Cochrane кітапханасы, Scopus Preview, eLibrary және Cyberleninka дерекқорларында жүрек соғу ырғағының вариабельділігін және фотоплетизмографияны бағалау әдістері бойынша халықаралық және отандық дереккөздер ізделді. Іздеу кезеңі соңғы 10 жылды қамтыды.

Нәтижелер және талқылау: Шолу фотоплетизмография мен жүрек соғу ырғағының вариабельділігінің субклиникалық тамырлық өзгерістерді көрсетуге және жүрек-қантамырлары оқиғаларын болжауға қабілетті ақпараттық сандық маркерлер ретінде мүмкіндігін көрсетті. Дегенмен, шолу барысында шектеулер де анықталды: стандартталған сигнал жазу хаттамаларының жоқтығы, деректер сапасының өзгергіштігі, ұзақ мерзімді клиникалық нәтижелердің болмауы және модельдердің сыртқы валидациясының шектеулілігі. Ұсынылған деректер жүрек-қантамырларының денсаулығын кешенді бағалау үшін әрі қарай перспективалық зерттеулер жүргізу, сигнал сапасын жақсарту, түсіндірілетін жасанды интеллект модельдерін әзірлеу және фотоплетизмография/жүрек соғу ырғағының вариабельділігінің басқа биомаркерлермен біріктіру қажеттілігін растайды.

Қорытынды: Бұл әдеби шолу фотоплетизмографияның ерте жүрек-қан тамырларын бағалау үшін перспективалы және қолжетімді инвазивті емес әдіс екенін көрсетеді. Фотоплетизмография сигналдарын талдау артериялық қаттылықты, тамыр тонусын және жүрек-қан тамырлары қаупімен байланысты басқа да ерте субклиникалық өзгерістерді анықтауға мүмкіндік береді. Дегенмен, жоғары әлеуетіне қарамастан, әдістің клиникалық қолданылуы стандартталған хаттамалардың жоқтығы, құрылғылардың гетерогенділігі, деректер сапасының өзгергіштігі, клиникалық валидацияның жеткіліксіздігі және ұзақ мерзімді нәтижелері жоқ көлденең қима зерттеулердің басымдығымен шектеледі.

1. Roth, G. A., Mensah, G. A., Johnson, C. O., Addolorato, G., & Ammirati, E. (2020). Global burden of cardiovascular diseases and risk factors, 1990-2019: Update from the GBD 2019 study. Journal of the American College of Cardiology, 76(25), 2982-3021. DOI: https://doi.org/10.1016/j.jacc.2020.11.010.

2. Preisner, K., & Hetjens, S. (2024). Risk factors and preventive measures for cardiovascular diseases. Journal of Clinical Medicine, 13, 3308. DOI: https://doi.org/10.3390/jcm13113308.

3. Karimpour, P., May, J. M., & Kyriacou, P. A. (2023). Photoplethysmography for the assessment of arterial stiffness. Sensors, 23, 9882. DOI: https://doi.org/10.3390/s23249882.

4. Visseren, F. L. J., Mach, F., Smulders, Y. M., et al. (2021). 2021 ESC guidelines on cardiovascular disease prevention in clinical practice. European Heart Journal, 42(34), 3227-3337. DOI: https://doi.org/10.1093/eurheartj/ehab484.

5. Shaffer, F., & Ginsberg, J. P. (2017). An overview of heart rate variability metrics and norms. Frontiers in Public Health, 5, 258. DOI: https://doi.org/10.3389/fpubh.2017.00258.

6. Chatterjee, S., Budidha, K., & Kyriacou, P. A. (2020). Investigating the origin of photoplethysmography using a multiwavelength Monte Carlo model. Physiological Measurement, 41(8), 084001. DOI: https://doi.org/10.1088/1361-6579/aba008.

7. Schäfer, A., & Vagedes, J. (2013). How accurate is pulse rate variability as an estimate of heart rate variability? A review on studies comparing photoplethysmographic technology with an electrocardiogram. International Journal of Cardiology, 166(1), 15-29. DOI: https://doi.org/10.1016/j.ijcard.2012.03.119.

8. Oliveira, A. C., & Cunha, P. M. G. M. (2022). Vascular aging and arterial stiffness. Arquivos Brasileiros de Cardiologia, 119(4), 604-615. DOI: https://doi.org/10.36660/abc.20210708.

9. Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. (2025). Global, regional, and national burden of cardiovascular diseases and risk factors in 204 countries and territories, 1990-2023. Journal of the American College of Cardiology, 86(22), 2167-2243. DOI: https://doi.org/10.1016/j.jacc.2025.08.015.

10. Ungvari, Z., Tarantini, S., Sorond, F., Merkely, B., & Csiszar, A. (2020). Mechanisms of vascular aging: A geroscience perspective: JACC focus seminar. Journal of the American College of Cardiology, 75(8), 931-941. DOI: https://doi.org/10.1016/j.jacc.2019.11.061.

11. Aminuddin, A., Rusanuar, N. D., Md Lazim, M. R., Ugusman, A., Abd Rahman, I. Z., Chellappan, K., & Mohamad, M. S. F. (2025). Markers of vascular function and future coronary artery disease risk among Malaysians with individual cardiovascular risk factors. Biomedicines, 13(4), 899. DOI: https://doi.org/10.3390/biomedicines13040899.

12. Lapitan, D. G., Tarasov, A. P., Shtyflyuk, M. E., & Rogatkin, D. A. (2024). On the origin of the photoplethysmography signal: Modeling of volumetric and aggregation effects. Photonics, 11(7), 637. DOI: https://doi.org/10.3390/photonics11070637.

13. Charlton, P. H., Allen, J., Bailón, R., et al. (2023). The 2023 wearable photoplethysmography roadmap. Physiological Measurement, 44(11), 111001. DOI: https://doi.org/10.1088/1361-6579/acead2.

14. Selvaraj, N., Jaryal, A., Santhosh, J., Deepak, K. K., & Anand, S. (2008). Assessment of heart rate variability derived from finger-tip photoplethysmography as compared to electrocardiography. Journal of Medical Engineering & Technology, 32(6), 479-484. DOI: https://doi.org/10.1080/03091900701781317.

15. Park, J., Seok, H. S., Kim, S.-S., & Shin, H. (2022). Photoplethysmogram analysis and applications: An integrative review. Frontiers in Physiology, 12, 808451. DOI: https://doi.org/10.3389/fphys.2021.808451.

16. Jayadevappa, B. M., & Holi, M. S. (2016). Photoplethysmography: Design, development, analysis and applications in clinical and physiological measurement: A review. International Journal of Innovative Research in Science, Engineering and Technology, 5(3). DOI: https://doi.org/10.15680/IJIRSET.2016.0503145.

17. Moraes, J. L., Rocha, M. X., & Vasconcelos, G. G. (2018). Advances in photoplethysmography signal analysis for biomedical applications. Sensors, 18, 1894. DOI: https://doi.org/10.3390/s18061894.

18. Kiselev, A. R., & Karavaev, A. S. (2020). The intensity of oscillations of the photoplethysmographic waveform variability at frequencies 0.04-0.4 Hz as an effective marker of hypertension and coronary artery disease in males. Blood Pressure, 29(1), 55-62. DOI: https://doi.org/10.1080/08037051.2019.1645586.

19. Weng, W. H., Baur, S., Daswani, M., et al. (2024). Predicting cardiovascular disease risk using photoplethysmography and deep learning. PLOS Global Public Health, 4(6), e0003204. DOI: https://doi.org/10.1371/journal.pgph.0003204.

20. Kantrowitz, A. B., Ben-David, K., Morris, M., et al. (2025). Pulse rate variability is not the same as heart rate variability: Findings from a large, diverse clinical population study. Frontiers in Physiology, 16, 1630032. DOI: https://doi.org/10.3389/fphys.2025.1630032.

21. Tiwari, R., Kumar, R., Malik, S., Raj, T., & Kumar, P. (2021). Analysis of heart rate variability and implication of different factors on heart rate variability. Current Cardiology Reviews, 17(5), 160721189770. DOI: https://doi.org/10.2174/1573403X16999201231203854.

22. Podolyan, N. P., Mizeva, I. A., & Belaventseva, A. V. (2023). Imaging photoplethysmography quantifies endothelial dysfunction in patients with risk factors for cardiovascular complications. Biomedical Signal Processing and Control, 86, 105168. DOI: https://doi.org/10.1016/j.bspc.2023.105168.

23. Marshutin, N. A. (2017). Heart rate variability in patients with chronic heart failure during preload changes. New Science: Theoretical and Practical View, 1(3), 5-8. (In Russian).

24. Ikonomidis, I., Makavos, G., & Lekakis, J. (2015). Arterial stiffness and coronary artery disease. Current Opinion in Cardiology, 30(4), 422-431. DOI: https://doi.org/10.1097/HCO.0000000000000179.

25. Zekavat, S. M., Aragam, K., Emdin, C., et al. (2019). Genetic association of finger photoplethysmography-derived arterial stiffness index with blood pressure and coronary artery disease. Arteriosclerosis, Thrombosis, and Vascular Biology, 39(6), 1253-1261. DOI: https://doi.org/10.1161/ATVBAHA.119.312626.

26. Borisenko, T. L. (2020). Clinical significance of nonlinear heart rate variability parameters in patients with cardiovascular diseases. Journal of the Grodno State Medical University, 18(3), 223-229. DOI: https://doi.org/10.25298/2221-8785-2020-18-3-223-229 (In Russian).

27. Blok, S., Piek, M. A., & Tulevski, I. I. (2021). The accuracy of heartbeat detection using photoplethysmography technology in cardiac patients. Journal of Electrocardiology, 67, 148-157. DOI: https://doi.org/10.1016/j.jelectrocard.2021.06.013.

28. Men, L., Chen, B., Yang, L., et al. (2025). Heart rate variability’s value in predicting out-of-hospital major adverse cardiovascular events in patients with chronic heart failure. Cardiovascular Therapeutics, 6412775. DOI: https://doi.org/10.1155/cdr/6412775.

29. Mironov, S. A., Kiselev, A. R., Simonyan, M. A., et al. (2019). Low-frequency skin microvascular oscillations: Dynamics, synchronization and compliance with changes in vascular tone during the tilt test. Saratov Journal of Medical Scientific Research, 15(3), 783-790.

30. Brozat, M., Böckelmann, I., & Sammito, S. (2025). Systematic review on HRV reference values. Journal of Cardiovascular Development and Disease, 12, 214. DOI: https://doi.org/10.3390/jcdd12060214.

31. Con, J. C., Lampi, M. C., & Reinhart-King, C. A. (2015). Aging-induced vascular stiffening: Causes and consequences. Frontiers in Genetics, 6, 112. DOI: https://doi.org/10.3389/fgene.2015.00112.

32. Kim, K. B., & Baek, H. J. (2023). Photoplethysmography in wearable devices: A comprehensive review of technological advances, current challenges, and future directions. Electronics, 12, 2923. DOI: https://doi.org/10.3390/electronics12132923.

33. Charlton, P. H., Paliakaitė, B., Pilt, K., et al. (2022). Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age: A review from VascAgeNet. American Journal of Physiology – Heart and Circulatory Physiology, 322(4), 493-522. DOI: https://doi.org/10.1152/ajpheart.00392.2021.

34. Vasan, R. S., Pan, S., Larson, M. G., Mitchell, G. F., & Xanthakis, V. (2021). Arteriosclerosis, atherosclerosis, and cardiovascular health: Joint relations to the incidence of cardiovascular disease. Hypertension, 78, 1232-1240.

35. Ferizoli, R., Karimpour, P., May, J. M., & Kyriacou, P. A. (2024). Arterial stiffness assessment using PPG feature extraction and significance testing in an in vitro cardiovascular system. Scientific Reports, 14(1), 2024. DOI: https://doi.org/10.1038/s41598-024-51395-y.

36. Szołtysek-Bołdys, I., Zielińska-Danch, W., Łoboda, D., et al. (2024). Do photoplethysmographic parameters of arterial stiffness differ depending on the presence of arterial hypertension and/or atherosclerosis? Sensors, 24, 4572. DOI: https://doi.org/10.3390/s24144572.

37. Podrug, M., Koren, P., Dražić Maras, E., et al. (2023). Long-term adverse effects of mild COVID-19 disease on arterial stiffness, and systemic and central hemodynamics: A pre-post study. Journal of Clinical Medicine, 12, 2123. DOI: https://doi.org/10.3390/jcm12062123.

38. Vallée, A. (2023). Added value of arterial stiffness index for the 10-year atherosclerotic cardiovascular disease risk determination in a middle-aged population-based study. Clinical Research in Cardiology, 112(11), 1679-1689.

39. Chen, H., Fan, F., Ye, Z., et al. (2025). Photoplethysmography-derived arterial stiffness index delivered greater cardiovascular prevention value to non-elderly: A retrospective cohort study based on UK Biobank. Journal of Clinical Hypertension, 27(5), 70058. DOI: https://doi.org/10.1111/jch.70058.

40. Dewig, H. G., Cohen, J. N., et al. (2023). Electrocardiogram- and photoplethysmogram-based heart rate variability are not equivalent: A Bayesian simulation analysis. medRxiv. DOI: https://doi.org/10.1101/2023.08.24.23294449.

41. Zieff, S., et al. (2023). Pulse-wave velocity assessments derived from a simple photoplethysmography device: Agreement with a referent device. Frontiers in Cardiovascular Medicine. DOI: https://doi.org/10.3389/fcvm.2023.1108219.

42. Vargas, J. M., Bahloul, M. A., Boularas, M. M., et al. (2025). Assessment of pulse wave velocity through weighted visibility graph metrics from photoplethysmographic signals. Scientific Reports, 15, 31325. DOI: https://doi.org/10.1038/s41598-025-16598-x.

43. Hellqvist, H., Karlsson, M., Hoffman, J., Kahan, T., & Spaak, J. (2024). Estimation of aortic stiffness by finger photoplethysmography using enhanced pulse wave analysis and machine learning. Frontiers in Cardiovascular Medicine, 11, 1350726. DOI: https://doi.org/10.3389/fcvm.2024.1350726.

44. Abdullah, S., & Kristoffersson, A. (2023). Machine learning approaches for cardiovascular hypertension stage estimation using photoplethysmography and clinical features. Frontiers in Cardiovascular Medicine, 10, 1285066. DOI: https://doi.org/10.3389/fcvm.2023.1285066.

45. Barthels, M., Gruwez, H., De Cooman, T., Duncker, D., & Vandervoort, P. (2024). Predicting age from real-world smartphone-acquired PPG. Proceedings of Computing in Cardiology (CinC).

46. Nie, G., Zhao, Q., Tang, G., et al. (2025). Artificial intelligence-derived photoplethysmography age as a digital biomarker for cardiovascular health. arXiv (Preprint).

47. Yilmaz, G., Lyu, X., Ong, J. L., Ling, L. H., Penzel, T., Yeo, B. T. T., & Chee, M. W. L. (2023). Nocturnal blood pressure estimation from sleep plethysmography using machine learning. Sensors, 23(18), 7931. DOI: https://doi.org/10.3390/s23187931.

48. Victor, O. A., Chen, Y., & Ding, X. (2024). Non-invasive heart failure evaluation using machine learning algorithms. Sensors, 24(7), 2248. DOI: https://doi.org/10.3390/s24072248.

49. Raisi-Estabragh, Z., Szabo, L., Schuermans, A., Salih, A. M., Chin, C. W. L., Vágó, H., Altmann, A., Ng, F. S., Garg, P., Pavanello, S., Marwick, T. H., & Petersen, S. E. (2024). Non-invasive techniques for tracking biological aging of the cardiovascular system: JACC family series. JACC: Cardiovascular Imaging, 17(5), 533-551. DOI: https://doi.org/10.1016/j.jcmg.2024.03.001.

50. Allen, J. (2007). Photoplethysmography and its application in clinical physiological measurement. Physiological Measurement, 28(3), 1-39. DOI: https://doi.org/10.1088/0967-3334/28/3/R01.

51. Baldoumas, G., Peschos, D., Tatsis, G., Chronopoulos, S. K., Christofilakis, V., Kostarakis, P., Varotsos, P., Sarlis, N. V., Skordas, E. S., & Bechlioulis, A. (2019). A prototype photoplethysmography electronic device that distinguishes congestive heart failure from healthy individuals by applying natural time analysis. Electronics, 8(11), 1288. DOI: https://doi.org/10.3390/electronics8111288.