Цель исследования – анализ возможностей и ограничений применения технологий искусственного интеллекта (ИИ) в системе поддержки принятия решений (СППР) во Всероссийской службе медицины катастроф (ВСМК). Особое внимание уделено проблеме отсутствия специализированных баз данных для обучения ИИ и перспективам использования типовых алгоритмов реагирования ВСМК на чрезвычайные ситуации (ЧС) в качестве основы для создания доменно-адаптированных больших языковых моделей (Large Language Models, LLM). Проведен анализ возможностей мониторинга средств массовой информации (СМИ) с помощью ИИ для раннего выявления фактов возникновения ЧС и оценки их масштабов.

Материалы и методы исследования: проанализированы нормативные документы, регламентирующие деятельность ВСМК; выполнена оценка существующих информационных систем, в том числе используемых в деятельности ВСМК; проведен сравнительный анализ возможностей современных LLM; систематизированы данные о проблемах оперативного информирования о ходе ликвидации медико-санитарных последствий ЧС.

Результаты исследования и их анализ: выявлены системные ограничения для применения ИИ в обработке медицинских данных пострадавших; предложена архитектура гибридной СППР на основе доменно-адаптированной LLM; рассмотрена эффективность использования ИИ для мониторинга СМИ и анализа открытых источников информации.

Статья рассматривает применимость промышленной парадигмы цифровых двойников (ЦД) в медицине. Анализ ключевых определений (ГОСТ, ISO/IEC 30173, DTC) показывает: зрелый цифровой двойник предполагает двустороннее взаимодействие с физическим объектом, тогда как реальные медицинские приложения являются либо цифровыми моделями, либо ограничиваются односторонним мониторингом — так называемой «цифровой тенью».

Прямой перенос промышленных подходов оказывается проблематичным в силу фундаментальных различий между техническими системами и живыми организмами. Речь идет о принципиальной невозможности создания полной модели человека из-за сложности и биологической вариабельности, этической неприемлемости автоматического управления физиологией, а также вычислительной сложности и строгих регуляторных требований.

В статье проанализированы международные и российские проекты, выявлены специфические риски и предложены принципы внедрения. Среди них достаточная точность для конкретной задачи вместо стремления к абсолютной полноте модели, обязательное участие врача в принятии решений, валидация на реальных клинических данных. Сформулирован тезис о том, что медицинские цифровые двойники требуют собственной методологии, и их успех должен измеряться клинической пользой, а не следованием промышленным стандартам.

В связи с ростом продолжительности жизни увеличивается население, в том числе трудоспособного возраста, с хроническими неинфекционными заболеваниями (ХНЗ), что повышает нагрузку на медицинский персонал. В это связи возрастает потребность в автоматизированной обработке медицинских данных, особенно данных, поступающих из систем мониторинга ключевых показателей здоровья пациентов с ХНЗ. Ключевыми задачами в этом направлении являются точное описание текущего состояния здоровья пациента и своевременная диагностика заболевания. Решение этих задач имеет первостепенное значение для эффективного ведения пациентов с ХНЗ, обеспечивая поддержку врачей в выборе оптимальной стратегии лечения. При решении указанных задач нечеткие модели имеют большой потенциал ввиду нечеткости медицинских данных, возможности моделировать знания медицинских специалистов и низкой вычислительной сложности. В статье рассмотрены, систематизированы и обобщены результаты 29 исследований, опубликованных в период с 2015 по 2025 год, посвященных задачам дескриптивного и предиктивного анализа числовых медицинских данных пациентов с ХНЗ на основе нечетких моделей, использующих нечеткие множества и нечеткий логический вывод. Особое внимание уделено оценке точности нечетких моделей для различных ХНЗ. Анализ публикаций демонстрирует конкурентоспособность и высокую эффективность нечетких моделей в анализе данных, о чем свидетельствуют метрики точности (от 90% до 99,61%) и чувствительности (от 80,94% до 98,57%), за исключением исследований, посвященных онкологическим заболеваниям. Полученные результаты могут послужить основой для разработки систем поддержки принятия врачебных решений.

Целью исследования является разработка и оценка архитектуры нейронной сети для автоматизированного анализа электрокардиографических (ЭКГ) сигналов, позволяющей выявлять нарушения сердечного ритма.

Материалы и методы. Для обучения использованы открытые базы данных ЭКГ (34570 записей). Работа проводилась на основе данных шести стандартных отведений (I, II, III, aVR, aVL, aVF). Предобработка сигналов включала удаление полиномиального тренда, вейвлет-фильтрацию, медианную фильтрацию, сглаживание и нормализацию. Для классификации использовалась сверточная нейронная сеть, которая обрабатывает сигналы каждого из шести отведений по отдельности. Итоговое решение формируется методом взвешенного голосования с эмпирически определенными коэффициентами, отражающими вклад каждого канала на основе предварительного анализа метрик. В качестве референсного теста использовалась клиническая аннотация, выполненная врачами-кардиологами.

Результаты.  Предложенная  модель  демонстрирует высокие показатели качества классификации: accuracy – 0,97 (95% ДИ 0,96-0,98), precision – 0,98 (95% ДИ 0,97-0,99), recall – 0,98 (95% ДИ 0,97-0,99), specificity – 0,94 (95% ДИ 0,92-0,96), F1-score – 0,98 (95% ДИ 0,97-0,99), ROC-AUC – 0,99 (95% ДИ 0,98-1,00), PR-AUC – 0,96 (95% ДИ 0,94-0,97).

Заключение. Полученные результаты подтверждают эффективность предложенного метода в задачах диагностики сердечно-сосудистых заболеваний. Предложенная методика может быть адаптирована для диагностики более широкого спектра сердечных заболеваний, что делает ее актуальной для внедрения в практическую кардиологию.

Актуальность. Заболевания позвоночника в различной форме наблюдаются у значительного числа людей разного возраста. Повышение точности диагностики заболеваний позвоночника с применением медицинских систем (МС) с искусственным интеллектом (ИИ) позволяет своевременно начать лечение, предотвращая серьёзные осложнения.

Цель исследования. Обоснование разработки и применения новых сервисов с ИИ для диагностики заболеваний позвоночника. Анализ показателей точности диагностики заболеваний сервисами ИИ. Разработка удобной для врача МС ИИ для автоматического анализа рентгеновских снимков позвоночника. Определение условий повышения заинтересованности медиков в сервисах ИИ.

Материалы и методы. Для реализации исследования был проведён предварительный анализ показателей точности существующих сервисов ИИ для диагностики заболеваний и возможностей повышения точности за счёт продуманного выбора нейросетевых моделей (НСМ). Описан процесс создания программного комплекса на основе нейросетей для классификации и выявления патологий на основе рентгеновских снимков позвоночника. Представлены разработанные пользовательские интерфейсы веб-приложения и телеграм-бота, обеспечивающего быстрый доступ к результатам диагностики с помощью мобильных устройств.

Результаты. Определены ориентиры для показателей точности диагностики заболеваний позвоночника. Для первого этапа разработки и обучения НСМ для диагностики заболеваний позвоночника был использован датасет, представленный на ресурсе Kaggle.com.  Разработанная НСМ была интегрирована в веб-приложение и телеграм-бота для предоставления автоматизированных диагностических решений. Показаны возможные условия для повышения заинтересованности медиков в ИИ-сервисах.

Заключение. Разработанный прототип МС ИИ обеспечивает заданную точность при диагностике сколиоза и спондилолеистеза по рентгеновским снимкам тестового варианта датасета и может быть использован для анализа размеченных и подготовленных снимков, предоставленных в медицинских учреждениях. Полученные результаты открывают возможности для развития и улучшения разработанной системы.

С ходом цифровизации здравоохранения у пациента появился доступ к собственным медицинским документам, однако низкий уровень ясности медицинского текста часто не позволяет пациенту правильно трактовать написанное. Большие генеративные модели способны стать инструментом для адаптации медицинских текстов, однако сегодня их использование сопряжено с рисками. Целью исследования стала оценка безопасности применения больших генеративных моделей для интерпретации для пациента протоколов лучевых исследований. В ходе исследования 7 моделей выполнили упрощенную интерпретацию текста, входной набор данных включал в себя 8 протоколов компьютерной томографии. Сгенерированные интерпретации были предложены для оценки врачам и респондентам без медицинского образования. Полученные оценки были проанализированы с целью сделать вывод о безопасности внедрения подобной технологии и ее целесообразности на данный момент.

По результатам работы все модели сгенерировали текст, отвечающий основным критериям качества. Однако наблюдалось регулярное нарушение этики и безопасности. Сравнительный анализ не позволил выделить модель, лидирующую по всем критериям одновременно. Также в ходе исследования были выявлены критерии, для которых оценки врачей и респондентов без медицинского образования значимо отличались.

Было продемонстрировано, что, хотя большие генеративные модели формально успешно справляются с упрощенной интерпретацией медицинских протоколов, прямое применение их без системы контроля в клинической области крайне небезопасно. Основной проблемой является искажение исходной информации — включение дополнительных рекомендаций, диагнозов и прогнозов заболевания, что противоречит нормам общения с пациентом. Было показано, что, несмотря на потенциал технологии в рамках области, для безопасного внедрения необходима предварительная разработка системы контроля качества работы больших генеративных моделей, опросника, учитывающего компетенции как экспертов в области, так и непрофессионалов, а также четких пороговых критериев. Настоящая работа является первым шагом на пути к созданию подобной системы.

Выявление пациентов высокого риска фатальных осложнений сердечно-сосудистых заболеваний (ССЗ) является одной из важнейших задач для сокращения предотвратимой заболеваемости и смертности от ССЗ. Для этого широко применяются различные алгоритмы оценки риска и шкалы, недостатком которых является использование ограниченного набора предикторов и невысокая точность. Методы машинного обучения (МО) открывают возможности для устранения данных недостатков и персонализации оценки сердечно-сосудистого риска.

Цель исследования: сравнить точность шкалы SCORE и моделей МО в задаче прогнозирования фатальных осложнений ССЗ.

Материалы и методы. Проведено многоцентровое ретроспективное исследование (1999–2018 гг.). Включен 3891 случай лечения 1064 пациентов Российской Федерации 40–69 лет. Для прогнозирования применялись логистическая регрессия, ансамблевые методы МО и Multi-layer Perceptron. Сравнение с SCORE проводилось на независимом валидационном наборе, включавшем 440 записей.

Результаты. Лучшие показатели точности продемонстрировала модель МО CatBoost (AUROC 0,879; чувствительность 0,938; специфичность 0,777). На валидации CatBoost показал сопоставимую со SCORE дискриминацию, но превосходил шкалу по специфичности (0,653 против 0,408) и точности (0,673 против 0,45) при разделении пациентов на группы низкого и умеренного риска. Ключевыми предикторами для модели были пол, возраст, курение, систолическое давление, индекс массы тела, ЧСС и липидный профиль.

Заключение. Модель МО превзошла шкалу SCORE по точности прогнозирования фатальных сердечно-сосудистых событий. Использование МО в прогнозировании сердечно-сосудистого риска позволяет повысить эффективность профилактики ССЗ и способствует персонализированному ведению пациентов.