обзор

Данная научная работа представляет собой комплексный систематический обзор современных возможностей использования больших языковых моделей (LLM) в задачах обработки медицинских текстовых данных. Исследование фокусируется на методологиях применения архитектур трансформеров для извлечения структурированной информации из неструктурированных клинических записей, электронных медицинских карт и научной литературы. Авторы анализируют эффективность различных моделей в таких ключевых задачах, как суммаризация анамнеза, классификация диагнозов и извлечение сущностей (NER). В обзоре рассматриваются как успехи в точности распознавания медицинских терминов, так и критические проблемы, включая галлюцинации моделей и вопросы конфиденциальности данных пациентов. Результаты подчеркивают потенциал интеграции ИИ в рабочие процессы врачей для автоматизации рутинного документирования. Работа служит важным ориентиром для разработчиков медицинского ПО и исследователей, стремящихся внедрить NLP-решения в клиническую практику.

В обзоре анализируется применение ИИ и машинного обучения для прогнозирования несоблюдения пациентами режима приема лекарств при таких заболеваниях, как ВИЧ, диабет и гипертензия. Исследование показывает, что модели на основе электронных медкарт и паттернов аптечных закупок достигают высокой точности (AUC 0.70–0.95), но сталкиваются с барьерами в виде предвзятости алгоритмов и проблем интерпретируемости.

Данный обзорный материал, опубликованный в журнале npj Digital Medicine, посвящен анализу текущего состояния и перспектив использования алгоритмов машинного обучения для раннего выявления остеопороза. В работе рассматриваются различные подходы к применению ML, включая анализ медицинских изображений (рентгенография, КТ, DXA), обработку электронных медицинских карт и использование данных носимых устройств для оценки риска переломов. Авторы систематизируют существующие исследования, выделяя эффективность нейросетевых моделей в автоматической сегментации костной ткани и прогнозировании плотности минеральной кости. Особое внимание уделяется интеграции ИИ в клиническую практику для автоматизации скрининга групп риска, что позволяет снизить нагрузку на врачей и повысить точность диагностики. В обзоре также обсуждаются технические сложности, такие как необходимость стандартизации наборов данных и интерпретируемость моделей (Explainable AI) для медицинского сообщества. Результаты подчеркивают, что внедрение ML-решений может значительно улучшить раннюю диагностику остеопороза, предотвращая тяжелые осложнения и переломы у пожилых пациентов.