Введение: Стремительная интеграция систем искусственного интеллекта (ИИ) в здравоохранение, повышая эффективность диагностики и лечения, порождает серьёзные опасения относительно долгосрочного влияния на профессиональные компетенции врачей. Центральным риском является деквалификация – постепенная и необратимая утрата клинических навыков вследствие чрезмерной зависимости от автоматизированных систем.

Цель: Провести анализ потенциальных механизмов деквалификации под влиянием ИИ и оценить возможности его объективной диагностики, а также предложить возможные пути решения данной проблемы.

Материалы и методы: В рамках настоящего короткого обзора проанализированы современные научные публикации, посвящённые влиянию ИИ на профессиональную деятельность врачей. Анализ сфокусирован на трёх ключевых аспектах клинической практики: физикальном обследовании, постановке диагноза и коммуникации с пациентом. Кроме того, детально разобран конкретный эмпирический кейс, в котором для оценки деградации навыков использовались объективные количественные метрики.

Результаты: Выявлены основные механизмы негативного воздействия ИИ, включая деградацию мануальных навыков, «иллюзию точности», «смещение, вызванное автоматизацией», а также ослабление диагностического мышления, эмпатии и моральной компетентности. Представленные данные свидетельствуют о том, что длительное использование ИИ может приводить к статистически значимому снижению клинической эффективности, что подтверждается объективными данными, например, снижением частоты выявления аденом при колоноскопии. В качестве решений предложены трансформация медицинского образования, оптимизация организации работы врача, внедрение систем автоматизированного контроля внимания и переход к персонализированным программам поддержания квалификации.

Заключение: Для минимизации рисков деквалификации необходима системная, а не стихийная интеграция ИИ в медицину, основанная на принципах этичности и педагогической целесообразности. Ключевой задачей является создание такой среды, где технологии служат усилению, а не подмене человеческой экспертизы, что позволит сохранить баланс между технологическим прогрессом и гуманистической сущностью медицинской практики.

Актуальность. На сегодняшний день не существует алгоритмов, способных учитывать взаимодействие трех и более одновременно применяемых лекарственных средств, что необходимо для снижения рисков проявления побочных эффектов при полипрагмазии. Для создания подобного алгоритма предлагается использовать байесовскую сеть – графическую вероятностную модель на основе семантического графа, который строится на информации, полученной из медицинских текстов. Однако для его построения необходимо проводить анализ обширного объема имеющихся медицинских текстов, что требует чрезвычайно больших временных и интеллектуальных затрат медицинских специалистов, ввиду чего существует необходимость автоматизации этого процесса.

Цель. Сравнение различных архитектур обработки естественного языка и технологий глубокого обучения для создания инструмента автоматического анализа текстовой медицинской информации о фармакокинетике и фармакодинамике, побочных эффектах и взаимодействиях для создания семантических графов, использующихсявпоследствии для построения байесовской сети анализа лекарственных взаимодействий.

Материалы и методы. Для автоматической разметки текстов медицинских инструкций можно использовать метод обработки естественного языка. В данной работе для выделения именованных сущностей в рамках исследования были протестированы модели глубокого обучения на основе архитектур BERT и T5 с использованием формата BIO.

Результаты. Наиболее высокую точность показали модели на базе BERT: RuBioBERT достигла показателя accuracy равного 0,9569±0,0052, немного опережая ruBERT, которая показала сопоставимые результаты. Выявлено, что предобучение на общих текстах дает преимущество на начальных этапах, тогда как специализированные модели, такие как RuBioBERT, становятся эффективнее при увеличении числа эпох обучения. Это связано с тем, что общеупотребительные тексты обеспечивают более универсальное представление языка, в то время как научные медицинские статьи отличаются своей спецификой, не полностью соответствующей структуре инструкций по медицинскому применению лекарственных средств.

Выводы. Модели BERT позволяют добиться качества разметки, близкого к экспертному, что делает их эффективным инструментом для построения семантического графа лекарственных взаимодействий. Автоматизация NER-разметки позволяет сократить трудозатраты экспертов и повысить точность обработки текстов. Таким образом, применение моделей BERT, таких как ruBERT и RuBioBERT, является перспективным методом для автоматизации анализа медицинских текстов и построения платформ для оценки сложных лекарственных взаимодействий.

Цель исследования: изучить возможности систем искусственного интеллекта (СИИ) в стационарных условиях, в частности в выявлении признаков инфильтрации по рентгенограммам органов грудной клетки (РГ ОГК).

Материалы и методы. Исходными данными являлись РГ ОГК в прямой проекции 1537 пациентов стационарных отделений в возрасте от 18 до 102 лет, полученные из Единой Радиологической Информационной Системы Единого Медицинского Информационно-Аналитического Сервиса (ЕРИС ЕМИАС). Факт наличия инфильтрации на РГ ОГК определялся врачом-рентгенологом (Рентгенолог 1) и рентгенологом-экспертом (Рентгенолог 2) со стажем работы больше 5 лет. Рентгенолог 2 размечал исследования в два этапа: на первом этапе были предоставлены только РГ ОГК, на втором этапе в дополнение к рентгенологическим данным был предоставлен доступ к информации о состоянии пациента.

Результаты. Показатели точности для пациентов с переходным состоянием составили 0,755 для СИИ, 0,756 для Рентгенолога 1 и 0,856 для Рентгенолога 2 соответственно. Статистически значимых различий точности между СИИ и Рентгенологом 1 не было выявлено (p>0,05). При рассмотрении сценария использования СИИ как второго мнения точность для пациентов с переходным состоянием составила 0,833, что статистически значимо превышает точность Рентгенолога 1 и СИИ (p<0,05).

Выводы. СИИ могут использоваться в качестве второго мнения при обнаружении признаков инфильтрации по данным РГ ОГК в условиях стационара. Однако в связи с тем, что диагностическая точность СИИ пока недостаточна для практического применения, требуется продолжение дальнейших исследований, направленных на обучение алгоритмов с использованием как визуальных данных, так и данных электронной медицинской карты.

Целью исследования была валидация русскоязычной версии опросника SNAIL (Scale for the Assessment of Non-experts’ AI Literacy) и оценка его пригодности для измерения ИИ-грамотности медицинских работников.

Материалы и методы: онлайн-опрос; две выборки – медицинские работники (n = 657 после фильтрации) и студенты информационных технологий/математических направлений (n = 180). Психометрический анализ включал α Кронбаха для субшкал, сравнений внутри групп (t-критерии для парных выборок с поправкой Бонферрони) и между группами (U-критерий Манна–Уитни).

Результаты: внутренняя согласованность хорошая/очень хорошая. Студенты статистически значимо превосходили медработников по всем субшкалам и интегральному показателю. Внутри групп у медработников критическая оценка больше практического применения, причем оба показателя были больше технического понимания; у студентов техническое понимание ниже двух других субшкал, тогда как критическая оценка и практическое применение не различались.

Заключение: русская версия SNAIL демонстрирует надежность и дискриминантную валидность и может применяться для мониторинга ИИ-грамотности медработников и планирования образовательных интервенций; ограничение – самооценочный характер шкалы.

Обоснование. Рак молочной железы (РМЖ) занимает лидирующее место в структуре онкологической заболеваемости женщин в России. Несмотря на широкий охват диспансеризацией, показатели заболеваемости на ранних стадиях (0-II) остаются недостаточными вследствие дефицита кадров рентгенологической службы, высокой нагрузки на специалистов и субъективности интерпретации маммограмм.

Цель исследования. Оценить медицинскую эффективность внедрения технологий искусственного интеллекта (ИИ) в описание результатов маммографии в ходе профилактических медицинских осмотров (ПМО) и диспансеризации отдельных групп взрослого населения (ДОГВН) в части повышения выявляемости злокачественных новообразований молочной железы.

Материалы и методы. Проведено мультицентровое обсервационное исследование с историческим контролем на базе медицинских организаций 6 субъектов РФ (Брянская, Саратовская, Новосибирская, Сахалинская области,

Камчатский и Хабаровский края). За период исследования в пилотных регионах выполнено 677 652 маммографических исследования в рамках ПМО и ДОГВН, из которых ИИ-анализ сервиса «Третье Мнение» (РЗН 2022/16534) проведён по 247 514 исследованиям (36,6%). Доля исследований, переданных на ИИ-обработку, варьировала от 18,0% (Хабаровский край) до 79,6% (Камчатский край). Группой сравнения явились 553 011 исследований из тех же регионов за 2023 г. Корреляционный анализ выполнен методом ранговой корреляции Спирмена.

Результаты. Первичная заболеваемость РМЖ по 6 регионам увеличилась с 165,5 (2023 г.) до 270,3 (2024-2025 гг.) на 100 тыс. маммографий (+63,4%). Заболеваемость на стадиях 0-II возросла с 144,5 до 212,4 (+47,0%). Доля BI-RADS 4-5 составила 23,6% при использовании ИИ против 10,8% при рутинном чтении. Выявлена статистически значимая ранговая корреляция охвата ИИ с долей BI-RADS 4-5 (ρ = 0,886; p = 0,019; n = 6).

Заключение. Внедрение ИИ в описание результатов маммографии в ходе ПМО/ДОГВН ассоциировано с ростом первичной выявляемости РМЖ и числа случаев, диагностированных на ранних стадиях. Медицинская эффективность соответствует данным крупных рандомизированных исследований. Масштабирование требует организационного сопровождения.

Работа посвящена созданию программно-аппаратного комплекса нейрореабилитации на основе моторного воображения, реализующего полный цикл работы интерфейса мозг–компьютер – от регистрации и предобработки ЭЭГ до классификации, управления мультимодальной обратной связью и формирования клинически ориентированных отчётов.

Материалы и методы: Архитектура комплекса включает базы данных пациентов и сценариев, модуль синхронизации потоков данных, автоматическое удаление глазодвигательных артефактов методом независимых компонент (ICA), классификатор на основе римановой геометрии ковариационных матриц и механизм адаптивного согласования признаков для снижения межиндивидуальной вариабельности.

Результаты: Разработанный комплекс обеспечивает надёжную работу в реальном времени и формирует отчёты, включающие нейрофизиологические показатели (спектральные мощности в диапазонах дельта, тета, альфа и бета ритмов, ERD, индекс латерализации) и поведенческие характеристики (скорость формирования моторного образа, количество успешных воображений). Система обеспечивает объективный мониторинг состояния пациента и динамики восстановления, включая оценку изменений фоновой ритмической активности и функциональных ответов сенсомоторной коры.

Выводы: Разработанное решение сочетает современные алгоритмические методы и клиническую применимость, что делает его перспективным инструментом для нейрореабилитации и когнитивно-моторных тренировок.

В статье рассматривается алгоритм разработки и архитектура прототипа информационно-аналитической системы поддержки принятия управленческих решений (ИАС ППУР), интегрирующей данные о сети медицинских организаций, их ресурсах и потоках пациентов. Система предназначена для функционирования как в плановом режиме, так и в условиях чрезвычайных ситуаций, обеспечивая прогнозирование, оптимизацию распределения ресурсов и координацию действий между структурными подразделениями и медицинскими организациями.

Разработка прототипа ИАС ППУР проведена на основе модульного подхода с использованием сервисно-ориентированной архитектуры. При разработке применены геоинформационные сервисы, современные языки программирования, фреймворки, аналитические библиотеки и инструменты визуализации. Архитектура включает геоинформационный модуль для отображения и анализа медицинской инфраструктуры, BPMN-редактор бизнес-процессов, модуль имитационного и оптимизационного моделирования, калькуляторы расчета интегральных индексов устойчивости, а также средства формирования отчетности, мониторинга ключевых показателей эффективности (KPI), управления запасами ресурсов и информационной безопасности.

Реализованный прототип ИАС ППУР объединяет более десяти взаимосвязанных микросервисов, что обеспечивает гибкость, масштабируемость и возможность интеграции с внешними информационными и аналитическими системами. Работоспособность архитектурного подхода верифицирована методом функционального тестирования на синтетических наборах данных, моделирующих сценарии биологических, техногенных и геополитических угроз. Комплексная интеграция геоинформационных технологий, моделирования бизнес-процессов, аналитики и средств оптимизации позволяет повысить готовность медицинских организаций к реагированию на чрезвычайные ситуации, минимизировать последствия внешних угроз и сократить время принятия решений. Предложенная архитектура может послужить основой для дальнейшего развития региональных систем поддержки принятия управленческих решений в здравоохранении, повышая устойчивость системы и эффективность ее функционирования в условиях глобальных вызовов.