11 статей
В исследовании оценивается влияние системы поддержки на основе глубокого обучения (EfficientNet-B4) на точность диагностики заболеваний среднего уха врачами разной квалификации. Результаты показывают, что ИИ значительно повышает точность диагностики, особенно среди младших ординаторов, сокращая разрыв в навыках между стажерами и экспертами.
В данном масштабном обзоре (scoping review) систематизированы данные о применении больших языковых моделей (LLM) в медицинской сфере, охватывающий период с 2019 по апрель 2026 года. Исследование включало анализ 78 релевантных работ, из которых 68% были опубликованы в период с 2023 по 2025 год, что указывает на стремительный рост интереса к теме. Выделено пять ключевых областей применения: клиническая документация и суммаризация, поддержка принятия врачебных решений, коммуникация с пациентами, биомедицинские исследования и административные процессы. Анализ показал, что подавляющее большинство исследований (89%) носят характер бенчмарков или симуляций, тогда как реальные проспективные оценки в рабочих процессах составляют лишь 11%. Среди выявленных преимуществ отмечены повышение эффективности документооборота и качества текстов, однако зафиксированы серьезные риски: галлюцинации моделей, упущение критически важной клинической информации, демографические предубеждения, уязвимости конфиденциальности и автоматизированная предвзятость. Авторы предлагают многомерную структуру оценки и управления, включающую пять измерений: техническую производительность, клиническую валидность, справедливость (equity), интеграцию в рабочий процесс и управление (governance), а также трехуровневую модель риска. Работа подчеркивает необходимость проспективной оценки, стандартизированной отчетности и непрерывного мониторинга для безопасного внедрения LLM в здравоохранение.
Данный систематический обзор, опубликованный в журнале npj Digital Medicine, исследует критическую проблему предвзятости и справедливости (fairness) в мультимодальных моделях машинного обучения, используемых в системах поддержки принятия клинических решений (CDSS). Авторы анализируют, как интеграция различных типов данных — таких как медицинские изображения, электронные медицинские карты и генетическая информация — влияет на точность и беспристрастность алгоритмов. В работе рассматриваются методологии оценки алгоритмической справедливости в отношении различных демографических групп, включая расовые, гендерные и возрастные различия. Исследование подчеркивает, что мультимодальный подход может как снижать риски ошибок, так и усиливать скрытую предвзятость, если обучающие выборки несбалансированы. Ключевым выводом является необходимость внедрения стандартизированных протоколов проверки моделей на справедливость перед их клиническим внедрением. Работа имеет высокую значимость для разработчиков медицинского ИИ и регуляторов, стремящихся обеспечить этичное и равное качество медицинской помощи.
Статья предлагает этическую основу для разработки честного и прозрачного ИИ в сфере психического здоровья, основываясь на принципах научной честности Ричарда Фейнмана. Особое внимание уделяется рискам предвзятости алгоритмов в отношении нейроотличных пользователей и предлагаются пять критериев для минимизации стигматизации и ошибок классификации.
Пилотное исследование оценивает готовность врачей использовать системы поддержки принятия решений (LLM-CDSS) в гинекологической онкологии. Результаты показывают в целом позитивное, но осторожное отношение: врачи подчеркивают важность прозрачности, клинической валидации и сохранения контроля за человеком.
Исследование посвящено разработке мобильного приложения для поддержки охраны материнства и детства в сельских районах Камбоджи. Ключевые функции включают систему поддержки принятия клинических решений (CDSS) и электронные медицинские карты (EMR), что значительно повышает точность диагностики и уверенность медицинского персонала.
Компания OpenEvidence, разработчик популярной медицинской поисковой системы, представила инновационную функцию голосового ИИ, позволяющую врачам получать ответы на вопросы на основе доказательной медицины в режиме hands-free. Это технологическое решение призвано снизить когнитивную нагрузку на медицинский персонал, позволяя запрашивать клиническую информацию во время осмотра пациентов без необходимости использования клавиатуры или мыши. Важным этапом развития продукта стало стратегическое партнерство с ведущим медицинским центром Cedars-Sinai, что значительно расширяет внедрение платформы в клиническую практику. Интеграция голосового интерфейса в рабочие процессы больниц направлена на повышение эффективности принятия клинических решений и оптимизацию времени взаимодействия врача с медицинскими данными. Данное обновление подчеркивает растущий тренд на использование специализированных LLM-решений непосредственно в операционной среде здравоохранения.
В статье представлена инновационная разработка — агентная система искусственного интеллекта, предназначенная для автоматизации процесса создания фармакогеномных рекомендаций. Исследование фокусируется на интеграции больших языковых моделей (LLM) с агентной архитектурой для интерпретации сложных генетических данных и их сопоставления с протоколами лечения. Система способна анализировать вариации в генотипах пациентов и предлагать персонализированные корректировки дозировок или выбора препаратов, минимизируя риск побочных эффектов. Методология базируется на использовании автономных ИИ-агентов, которые выполняют последовательные задачи по поиску в медицинских базах данных и верификации клинических рекомендаций. Ключевым преимуществом является высокая точность сопоставления генотипа и фенотипа, что значительно сокращает время, необходимое врачу на подготовку персонализированного плана терапии. Данная технология имеет критическое значение для развития прецизионной медицины, позволяя автоматизировать сложный процесс подбора лекарственных средств на основе генетического профиля.
Статья рассматривает роль интеллектуальных ИИ-ассистентов в первичной медико-санитарной помощи для сокращения разрыва между терапевтами и узкими специалистами. Использование агентного ИИ позволяет автоматизировать административные задачи, предлагать планы лечения на основе доказательной медицины и повышать эффективность работы врачей.
Исследование применяет машинное обучение для предсказания подтипов MODY (GCK-MODY и HNF1A-MODY) до генетического тестирования. Гауссовский наивный байесовский классификатор показал ROC AUC 0.724 для GCK-MODY, а Random Forest — 0.712 для HNF1A-MODY. SHAP-анализ обеспечил интерпретируемость модели.
Статья о внедрении автоматизации в медицинские практики для снижения административной нагрузки на врачей и улучшения опыта пациентов. Описываются автоматизированные процессы для записи, регистрации, документации и биллинга, которые позволяют клиницистам уделять больше времени непосредственной работе с пациентами.
