В данной редакционной статье, опубликованной в журнале npj Digital Medicine, рассматривается критический разрыв между чисто данными, основанными на ИИ моделями и их реальной клинической применимостью. Авторы анализируют 31 исследование, демонстрируя, что для успешного внедрения в персонализированную медицину необходимо интегрировать структурные предметные знания до этапа обучения моделей. Выделены три ключевых направления трансформации: привязка алгоритмов к биологическим законам для обеспечения механистической интерпретируемости, проектирование человеко-ориентированных клинических интерфейсов и масштабирование справедливых вмешательств на популяционном уровне. Подчеркивается, что эти сдвиги переводят медицинский ИИ из категории технической новинки в разряд надежной, клинически обоснованной и этически выверенной фундаментальной науки. Статья акцентирует внимание на необходимости преодоления ограничений «черного ящика» за счет интеграции медицинских знаний в архитектуру алгоритмов. Такой подход повышает доверие врачей к рекомендациям ИИ и снижает риски ошибок, связанных с отсутствием контекста. Работа служит важным руководством для исследователей, стремящихся создать не просто точные, но и безопасные, объяснимые системы поддержки принятия врачебных решений. Это способствует переходу от экспериментальных прототипов к рутинному использованию ИИ в клинической практике.