В статье представлен систематический обзор применения искусственного интеллекта в хирургических решениях на всех этапах периоперационного периода: предоперационном, интраоперационном и послеоперационном. Авторы проанализировали 55 источников и выявили, что предоперационные приложения (диагностика, стратификация риска, планирование) наиболее зрелые, тогда как интраоперационные и послеоперационные сталкиваются с ограничениями по данным и интеграции в рабочие процессы. Отмечается недостаток проспективной валидации и реального внедрения.
В исследовании, опубликованном в журнале Nature Machine Intelligence, Кумаран и его коллеги продемонстрировали, что большие языковые модели (LLM) при принятии решений о том, когда ответить на вопрос, а когда воздержаться от ответа, могут быть подвержены влиянию путем усиления или подавления сигналов уверенности в модели. Авторы установили причинно-следственную связь между внутренними сигналами уверенности и поведением модели, что выходит за рамки простых корреляционных наблюдений. В работе, вероятно, использовались методы вмешательства в активации модели или логиты, чтобы напрямую манипулировать уровнем уверенности и наблюдать за изменениями в решениях модели. Результаты показывают, что усиление сигналов уверенности приводит к более частым ответам, даже если они могут быть неверными, в то время как подавление уверенности увеличивает частоту воздержания от ответа, что может повысить точность, но снизить полезность. Это исследование имеет важное значение для разработки более надежных и безопасных систем ИИ в медицине, где способность модели признавать свою неуверенность критически важна для предотвращения ошибочных диагнозов и рекомендаций. Понимание механизмов уверенности может помочь в создании систем, которые лучше калибруют свои ответы и более эффективно взаимодействуют с врачами и пациентами.
Данная работа представляет собой систематический обзор (scoping review) применения методов обучения с подкреплением (Reinforcement Learning, RL) для оптимизации протоколов лечения сепсиса. Исследование анализирует, как алгоритмы ИИ могут использоваться для динамического принятия решений в критических состояниях, когда требуется точная дозировка вазопрессоров и инфузионная терапия. В обзоре рассматриваются различные архитектуры нейронных сетей и подходы к моделированию среды пациента, что критически важно для снижения смертности при сепсисе. Авторы систематизируют текущие достижения в области использования RL, выделяя переход от статических клинических рекомендаций к персонализированным адаптивным стратегиям. Основное внимание уделяется методологическим сложностям, таким как проблема смещения данных и необходимость валидации алгоритмов на реальных клинических данных (offline RL). Работа подчеркивает огромный потенциал ИИ в поддержке принятия врачебных решений в отделениях интенсивной терапии, предлагая дорожную карту для будущих клинических испытаний.
Исследование, опубликованное в Nature Machine Intelligence, рассматривает проблему гетерогенности психиатрических расстройств и сложности интерпретации неструктурированных лонгитюдных данных, что часто ведет к вариативности в клинической практике. Ученые представили специализированную большую языковую модель (LLM), разработанную именно для нужд психиатрии, которая призвана помочь врачам в стандартизации процесса диагностики и лечения. Методология исследования фокусируется на анализе текстовых нарративов пациентов, которые традиционно сложно поддаются автоматизированной обработке. Ключевым результатом является демонстрация того, что использование данной LLM позволяет снизить субъективность оценок и обеспечить более последовательное, высококачественное оказание медицинской помощи. Внедрение подобных ИИ-инструментов может значительно повысить точность интерпретации динамики состояния пациента во времени. Данная разработка имеет критическое значение для цифровой трансформации психиатрической помощи и внедрения доказательных стандартов в клиническую практику.
В данной научной работе представлен инновационный фреймворк для количественной оценки неопределенности (uncertainty quantification), предназначенный для улучшения работы моделей машинного обучения, прогнозирующих выживаемость пациентов. Исследование фокусируется на применении этих методов в онкологии, в частности при прогнозировании исходов рака легких у лиц пожилого возраста. Авторы решают критическую проблему «черного ящика» ИИ, внедряя механизмы, которые позволяют врачам понимать степень уверенности модели в каждом конкретном прогнозе. Это имеет решающее значение для принятия клинических решений, так как высокая неопределенность в прогнозе может сигнализировать о необходимости дополнительного обследования или пересмотра тактики лечения. Методология включает интеграцию статистических методов оценки неопределенности в алгоритмы глубокого обучения для повышения надежности прогностических моделей. Результаты работы подчеркивают значимость прозрачности ИИ для безопасного внедрения технологий в повседневную медицинскую практику и персонализированную терапию.
Консорциум CAN.HEAL предлагает европейскую цифровую рамку для онкологических инструментов поддержки принятия решений (oncDST), направленную на интеграцию существующих инструментов через гармонизированную, интероперабельную архитектуру. Рамка включает интеграцию искусственного интеллекта для улучшения точной онкологии, непрерывного наблюдения за пациентами и создания обучающейся онкологической системы.
