клинические решения

Министерство здравоохранения США (HHS) отменяет ряд требований к сертификации медицинских ИТ-систем, включая правила прозрачности для ИИ, что перекладывает ответственность за оценку безопасности алгоритмов на больницы. Отмена обязательного предоставления атрибуции источников для предиктивных инструментов может затруднить проверку качества и смещения (bias) медицинских ИИ-моделей.

В исследовании разработан и валидирован ИИ-система поддержки принятия решений на основе моделей Random Forest для прогнозирования ответа на биологическую терапию у пациентов с тяжелым течением астмы. Модель улучшила специфичность и точность предсказаний, а также позволила симулировать альтернативные стратегии лечения для выявления фенотипов неответчиков.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен метод машинного обучения для прогнозирования персистирующей лихорадки у пациентов с онкологическими заболеваниями, проходящих курс антибиотикотерапии. Проблема раннего выявления неэффективности антибиотиков или развития вторичных инфекций критически важна в онкологии, так как длительная лихорадка может указывать на резистентность возбудителя или нейтропению. Авторы разработали и валидировали модель, использующую клинические данные пациентов для предсказания вероятности сохранения высокой температуры тела. Модель позволяет врачам своевременно корректировать терапию, снижая риск осложнений и продолжительность госпитализации. Исследование демонстрирует высокую точность алгоритма в ретроспективном анализе данных, что подтверждает его потенциал для внедрения в клиническую практику. Данный подход решает важную задачу персонализированной медицины, оптимизируя использование антибиотиков и улучшая исходы лечения для уязвимой группы пациентов с ослабленным иммунитетом.

Компания Suki, специализирующаяся на голосовых помощниках для врачей, представила новую функцию «Ask», предназначенную для клинической поддержки принятия решений. Данная интеграция использует API UpToDate AI от издательства Wolters Kluwer, что позволяет получать ответы, основанные на доказательной медицине и проприетарном контенте UpToDate. Функция встроена непосредственно в рабочие процессы медицинских работников, обеспечивая быстрый доступ к актуальной информации без необходимости переключения между приложениями. Это решение направлено на снижение когнитивной нагрузки на врачей и минимизацию риска врачебных ошибок за счет предоставления проверенных данных в реальном времени. Интеграция демонстрирует тренд на внедрение генеративного искусственного интеллекта в повседневную клиническую практику для улучшения качества оказания медицинской помощи. Технология позволяет врачам задавать вопросы в естественной форме и получать структурированные ответы, соответствующие текущим клиническим рекомендациям. Партнерство с Wolters Kluwer подчеркивает важность достоверности источников при использовании ИИ в чувствительных медицинских сферах. Запуск функции расширяет возможности платформы Suki, превращая ее из простого инструмента транскрипции в комплексную систему поддержки принятия решений.

Проведено аудирование трех популярных ИИ-платформ для оценки симптомов (Ada Health, Isabel Healthcare, Docus AI) на предмет секс-предвзятости. Исследование показало, что алгоритмы выдают различные диагнозы и рекомендации для мужчин и женщин при идентичных клинических сценариях, включая внутренние противоречия в объяснениях. Результаты подчеркивают необходимость этического аудита таких систем перед их внедрением в медицинскую практику.

В исследовании представлена концептуальная платформа Symptio на базе многоагентных LLM, предназначенная для автоматизированного сбора структурированного анамнеза пациента до консультации с врачом. Система продемонстрировала высокую точность (F1 98.79%) при генерации анамнеза по медицинским фреймворкам (SOCRATES, SAMPLE и др.) в 100 симулированных сценариях, подтвердив техническую возможность переноса рутинного сбора информации на досмотровый этап с обязательной валидацией врачом.

В систематическом обзоре проанализированы 10 исследований, оценивающих применение ИИ-систем для назначения антибиотиков пациентам с инфекциями. Три из десяти систем были развернуты в клинической практике, показав благоприятные тенденции по выживаемости и безопасности, однако общий уровень доказательности остается низким из-за гетерогенности данных.

Обзорная статья рассматривает применение ИИ в гастроэнтерологической эндоскопии для обнаружения неопластических и преднеопластических поражений, критикуя фокус на диагностической точности в ущерб оценке клинических исходов и экономической эффективности. Авторы предлагают использовать стохастические микросимуляционные модели для оценки стоимости-эффективности и подчёркивают незаменимую роль человека как связующего звена между технологическими инновациями и реальным клиническим результатом.

Статья обсуждает внедрение ИИ в клиническую практику, акцентируя внимание на балансе между автономностью систем и доверием со стороны врачей. Автор приводит мнение эксперта о том, что ИИ должен служить инструментом поддержки принятия решений, а не заменой человеческого суждения, при этом критически важно сохранять роль человека в цикле контроля (human-in-the-loop).

В исследовании, опубликованном в журнале npj Digital Medicine 24 сентября 2026 года, представлен новый подход к лечению легкого когнитивного нарушения (ЛКН) с использованием каузального обучения с подкреплением (Causal Reinforcement Learning). Авторы предлагают метод, который не только предсказывает эффективность вмешательств, но и учитывает причинно-следственные связи между состоянием пациента и результатами терапии, что позволяет динамически адаптировать план лечения. В отличие от стандартных алгоритмов машинного обучения, данный подход минимизирует смещение, возникающее из-за непостоянства стратегий назначения лечения в реальных клинических данных. Исследование демонстрирует, как ИИ-система может персонализировать дозировки и частоту когнитивных тренировок для каждого пациента, максимизируя долгосрочные улучшения когнитивных функций. Ключевые результаты показывают значительное превосходство предложенного метода над традиционными алгоритмами обучения с подкреплением и статическими протоколами лечения в стабилизации когнитивных показателей. Это открытие имеет высокую значимость для практики, так как предлагает инструмент для создания истинно персонализированной медицины в неврологии и геронтологии. Методология включает анализ больших массивов клинических данных с применением структурных каузальных моделей, интегрированных в цикл обучения с подкреплением. Работа открывает путь к созданию автономных систем поддержки принятия врачебных решений для хронических нейродегенеративных состояний.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена и валидирована модель машинного обучения, предназначенная для предоперационного прогнозирования риска развития некупируемой гипоксемии у пациентов, подвергающихся повторным хирургическим вмешательствам на легких. Некупируемая гипоксемия является тяжелым послеоперационным осложнением, значительно повышающим смертность и продолжительность госпитализации, поэтому раннее выявление групп высокого риска критически важно для планирования тактики ведения пациента. Модель обучалась на основе клинических данных, включающих демографические показатели, результаты визуализации, лабораторные тесты и историю предыдущих операций, с целью выявления сложных нелинейных зависимостей, которые трудно уловить традиционными статистическими методами. В ходе валидации алгоритм продемонстрировал высокую прогностическую способность, превосходя стандартные клинические шкалы по чувствительности и специфичности, что позволяет анестезиологам и хирургам заранее адаптировать стратегии вентиляции легких и подготовки к операции. Внедрение данного инструмента в клиническую практику может способствовать снижению частоты тяжелых осложнений, оптимизации использования ресурсов отделений интенсивной терапии и улучшению общих исходов лечения для пациентов с патологией легких, требующих повторных вмешательств. Исследование подчеркивает значимость применения методов искусственного интеллекта для персонализации предоперационной оценки и принятия клинических решений в торакальной хирургии.

В данном исследовании изучаются требования пациентов к доверительному использованию систем клинической поддержки принятия решений на основе искусственного интеллекта (ИИ-CDSS) в области офтальмологии. Авторы провели серию полуструктурированных интервью с 23 пациентами и их опекунами в Германии в период с января по март 2026 года, отобрав участников с разным возрастом, полом и диагнозами. Качественный контент-анализ выявил три ключевых домена, влияющих на доверие: компетенция врача (включая способность критически оценивать выводы ИИ), характеристики самой системы (производительность, объяснимость) и вопросы управления (прозрачность, информированное согласие). Почти все респонденты настаивали на обязательном информировании об использовании ИИ, хотя предпочтения в формате и объеме информации варьировались. Врач выступает важным посредником доверия: пациенты склонны переносить доверие к специалисту на систему, если видят его компетентность и активную роль в интерпретации данных. Исследование подчеркивает, что внедрение ИИ-технологий должно сопровождаться четкой коммуникацией и учетом этических аспектов, чтобы сохранить автономию пациента и его участие в принятии медицинских решений.

Статья обсуждает вопросы юридической и профессиональной ответственности врачей при использовании систем ИИ для клинических решений и документации. Приводятся примеры рисков автоматического доверия к ИИ и подчеркивается необходимость строгого человеческого надзора, так как ИИ остается лишь инструментом, а не заменой врача.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, представлена и валидирована новая модель искусственного интеллекта для прогнозирования риска смертности у пациентов с сердечной недостаточностью. Ключевой особенностью разработки является концепция «parsimonious» (экономичной/парсимониозной) модели, которая стремится максимизировать предсказательную точность при минимальном количестве необходимых входных переменных, что критически важно для внедрения в рутинную клиническую практику. Авторы применили алгоритмы машинного обучения для анализа клинических данных, отбирая наиболее информативные предикторы и формируя итоговый шкальный показатель риска. Модель прошла строгую процедуру валидации на независимых когортах пациентов, демонстрируя высокую дискриминационную способность и калибровку прогнозов по сравнению со стандартными клиническими шкалами. Результаты исследования подтверждают, что предложенный ИИ-инструмент способен эффективно стратифицировать пациентов по уровню риска, позволяя врачам своевременно корректировать тактику лечения и распределять ресурсы здравоохранения. Значимость работы заключается в создании простого, интерпретируемого и надежного инструмента поддержки принятия врачебных решений, который не требует сложных вычислительных мощностей или обширных наборов данных для работы. Это способствует преодолению барьеров внедрения сложных ИИ-моделей в условиях ограниченных ресурсов и различных клинических сред.

Панель экспертов рекомендует внедрять инструменты ИИ для поддержки принятия клинических решений при обнаружении амилоид-связанных изменений на МРТ у пациентов, получающих терапию против болезни Альцгеймера. Исследование показывает, что ИИ повышает чувствительность диагностики на 16% для ARIA-E и на 10% для ARIA-H, хотя и требует обязательного участия радиолога для финальной интерпретации.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), авторы Carl Harris, Samuel Schmidgall, Sampath Rapuri, Kevin Hwang, Michael Moor и Robert D. Stevens рассматривают возможности и вызовы применения фундаментальных моделей (foundation models) в отделениях интенсивной терапии (ОИТ). Фундаментальные модели — это крупные предобученные нейросети (например, трансформеры), которые могут быть адаптированы для множества задач без обучения с нуля. Авторы анализируют текущее состояние технологий: от моделей, работающих с электронными медицинскими картами (EHR), до мультимодальных систем, интегрирующих данные мониторинга жизненных показателей, лабораторные результаты, изображения (рентген, КТ) и свободный текст врачебных записей. В работе обсуждаются ключевые сценарии применения: прогнозирование ухудшения состояния пациента (например, сепсиса или острой дыхательной недостаточности), оптимизация назначений лекарств, раннее выявление осложнений и поддержка клинических решений в реальном времени. Особое внимание уделяется проблемам: нехватка размеченных данных в интенсивной терапии, гетерогенность и шумность клинических записей, вопросы интерпретируемости и доверия со стороны врачей, а также этические и регуляторные барьеры. Авторы подчеркивают, что, несмотря на многообещающие результаты пилотных исследований, для внедрения в клиническую практику необходимы проспективные валидационные исследования, стандартизация оценки моделей и разработка механизмов непрерывного обучения без катастрофического забывания. Статья представляет собой экспертный обзор-манифест, задающий направление для будущих исследований в области ИИ в критической медицине.

Данная статья представляет собой систематический обзор (scoping review), посвященный проблеме объяснимости больших языковых моделей (LLM) архитектуры decoder-only в клинической медицине. Авторы — Нишант Мишра, Амин Абу-Ханна и Иасер Каликсто — проанализировали современное состояние исследований в области интерпретируемости таких моделей, как GPT и аналогичные, при их применении в здравоохранении. В обзоре рассматриваются ключевые методы объяснимости, включая механизмы внимания, градиентные методы, surrogate-модели и подходы на основе генерации естественно-языковых объяснений. Особое внимание уделяется специфике клинических задач: диагностике, прогнозированию исходов, поддержке принятия врачебных решений и работе с электронными медицинскими картами. Авторы систематизировали выявленные ограничения, среди которых — нестабильность объяснений, сложность валидации в медицинском контексте и отсутствие стандартизированных метрик оценки качества объяснений. В работе также обсуждаются регуляторные аспекты: требования к прозрачности алгоритмов в клинической практике и потенциальные риски, связанные с недостаточной интерпретируемостью. Обзор подчеркивает критическую важность разработки надежных методов объяснимости для безопасного внедрения LLM в медицину и определяет направления будущих исследований, включая создание специализированных бенчмарков и клинически ориентированных подходов к интерпретации. Публикация размещена в авторитетном журнале Artificial Intelligence in Medicine (том 181) и датирована ноябрем 2026 года.

Статья рассматривает текущее состояние внедрения искусственного интеллекта в медицинскую практику и подчеркивает необходимость ответственного подхода к его использованию на организационном уровне. ИИ-системы уже активно применяются в интерпретации медицинских изображений, поддержке клинических решений, автоматизации документирования, планировании ресурсов, управлении популяционным здоровьем и пациентоориентированных приложениях. Авторы отмечают критическую проблему: многие клиницисты не запрашивали эти инструменты и не прошли формальное обучение по принципам их работы, однако выводы ИИ всё чаще напрямую влияют на клинические суждения и исходы для пациентов. По мере глубокой интеграции ИИ в системы здравоохранения медицинским работникам необходимо сохранять бдительность и понимание ограничений этих технологий. Статья акцентирует внимание на организационной ответственности за внедрение ИИ-технологий, важности подготовки медицинского персонала и необходимости прозрачности в работе алгоритмов. Ключевой тезис публикации — медицинские организации должны приоритизировать ответственное использование ИИ для обеспечения безопасности пациентов, качества медицинской помощи и сохранения доверия к клиническим решениям.

Статья рассматривает эволюцию подходов к аудиту и обеспечению надежности ИИ-систем поддержки клинических решений (AI-CDSS) в условиях перехода от статической валидации к непрерывному мониторингу. Предложен новый фреймворк STRAICS, интегрирующий техническую надежность, safeguards для взаимодействия человека и машины, адаптивное управление и прозрачность для создания доверенных клинических ИИ-экосистем.