клиническая поддержка принятия решений

В статье представлен инновационный подход к решению критической проблемы медицины — обнаружению пропущенных или недиагностированных заболеваний. Авторы разработали специализированный фреймворк, использующий метод кросс-уровневого слияния (cross-level fusion) данных и медицинских знаний. Методология объединяет глубокое обучение на основе структурированных электронных медицинских карт с экспертными знаниями, заложенными в графы медицинских знаний. Это позволяет модели не просто находить статистические закономерности, но и учитывать клиническую логику при анализе состояния пациента. Исследование направлено на повышение точности автоматизированного скрининга и снижение риска врачебных ошибок из-за неполноты данных. Внедрение такого решения в клиническую практику может значительно улучшить раннюю диагностику сложных патологий и оптимизировать процессы принятия врачебных решений.

Систематический обзор посвящен интеграции машинного обучения, IoMT и блокчейна для обеспечения безопасности и эффективности ухода за новорожденными в отделениях интенсивной терапии. Исследование выявляет возможности ML для ранней диагностики и прогнозирования рисков, а также подчеркивает необходимость создания единых систем для обеспечения целостности данных и непрерывного мониторинга.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено изучению эффективности различных методов промпт-инжиниринга при использовании больших языковых моделей (LLM) для поддержки принятия клинических решений в терапии гипертензии. Авторы анализируют, как вариации в формулировках запросов (multitype prompt engineering) влияют на точность рекомендаций по подбору антигипертензивной терапии. В работе исследуется способность моделей сопоставлять клинические данные пациента с международными протоколами лечения. Основной акцент сделан на минимизации галлюцинаций и повышении соответствия ответов ИИ доказательной медицине. Результаты демонстрируют, что структурированный подход к проектированию промптов существенно повышает клиническую релевантность ответов моделей. Исследование имеет высокую значимость для интеграции LLM в повседневную практику врачей-кардиологов и автоматизацию поддержки принятия решений.

Исследование представляет фреймворк для аудита предвзятости алгоритмов в клинической поддержке принятия решений с использованием логов прослеживаемости данных. Авторы сравнивают логистическую регрессию и случайный лес, доказывая, что интерпретируемость модели не всегда гарантирует отсутствие дискриминации, и предлагают стандарт записи для соответствия требованиям FDA и ONC.

Статья рассматривает роль человеческого фактора в безопасности медицинских устройств с ИИ, подчёркивая, что риски возникают не из-за алгоритмов, а из-за взаимодействия клиницистов с ИИ-выводами. Автор объясняет важность калибровки доверия, интеграции в рабочие процессы и коммуникации неопределённости для предотвращения ошибок, таких как автоматизированная предвзятость.