95 статей
Исследователи из системы здравоохранения Mount Sinai разрабатывают модель искусственного интеллекта на основе метода федеративного обучения для прогнозирования риска острой почечной недостаточности (ОПН) у пациентов после операций. Модель будет обучена на данных более 320 000 пациентов из 15 больниц, что позволит врачам разрабатывать индивидуальные стратегии профилактики этого серьезного осложнения.
Исследование оценивает реальное использование платформы телемедицины (чат и опросники симптомов) в онкологическом отделении и его связь с госпитализациями в конце жизни. Выявлено, что 36% пациентов не участвовали в программе, а активное использование безопасного чата ассоциировалось с более коротким интервалом между последней госпитализацией и смертью.
Исследование посвящено качественной оценке факторов, влияющих на внедрение ИИ-инструмента для автоматического создания клинических заметок среди врачей амбулаторного звена. Выявлены ключевые аспекты: интеграция в рабочий процесс, удобство использования, баланс доверия к ИИ и профессиональной ответственности, а также влияние на нагрузку и продуктивность.
Исследование применяет методы обработки естественного языка (NLP) для анализа клинических записей на греческом и английском языках с целью выявления лингвистических маркеров, связанных с ухудшением функции почек. Результаты показывают, что извлеченные из текста признаки (например, негативность тона) статистически значимо коррелируют с падением уровня eGFR, хотя их добавление к клиническим моделям дает лишь незначительное улучшение прогностической способности.
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.
Крупный медицинский центр NYU Langone Health заключил партнерское соглашение с компанией OpenEvidence для внедрения ее платформы клинического искусственного интеллекта во всю систему электронных медицинских карт (EHR). Это решение позволяет интегрировать инструменты на базе ИИ непосредственно в рабочий процесс врачей, обеспечивая доступ к актуальным клиническим данным и рекомендациям в момент принятия решений. Партнерство расширяет присутствие OpenEvidence в Нью-Йорке, где компания уже сотрудничает с рядом других академических медицинских центров. Внедрение системы на системном уровне (systemwide) указывает на масштабные изменения в организации медицинской помощи и цифровизации процессов в одной из ведущих больниц США. Использование ИИ в EHR направлено на повышение точности диагностики, снижение нагрузки на персонал и улучшение качества ухода за пациентами за счет автоматизированного анализа информации. Данный случай является ярким примером практического применения машинного обучения в реальной клинической практике, а не только в исследовательских целях.
В исследовании, опубликованном в журнале npj Digital Medicine 30 октября 2026 года, представлена и оценена система безопасности на основе искусственного интеллекта, предназначенная для выявления случаев пропущенных направлений к специалистам узкого профиля в условиях первичной медицинской помощи. Основная цель разработки заключается в снижении рисков для пациентов, когда врачи общей практики ошибочно не направляют больных к нужным экспертам, что может привести к поздней диагностике и ухудшению исходов лечения. Авторы детально анализируют точность алгоритмов ИИ в распознавании таких упущений на основе данных электронных медицинских карт, сравнивая результаты работы системы с рутинной клинической практикой. Ключевые результаты демонстрируют высокую чувствительность и специфичность модели, что позволяет эффективно фильтровать реальные случаи необходимости направления, минимизируя ложные срабатывания. Исследование также оценивает практическое влияние внедрения этой системы на клинические исходы, включая скорость получения специализированной помощи и удовлетворенность пациентов. Значимость работы заключается в потенциале интеграции таких ИИ-инструментов в рабочие процессы врачей общей практики для повышения качества и безопасности медицинской помощи без значительного увеличения административной нагрузки. Полученные данные подтверждают, что автоматизированный контроль направлений может стать важным элементом системы клинического аудита и предотвращения врачебных ошибок.
Статья описывает архитектуру многоразовой исследовательской среды на базе стандарта openEHR, предназначенную для интеграции разрозненных медицинских данных (EHR, результаты опросов, данные с носимых устройств) в единую семантическую модель. Исследование демонстрирует успешное развертывание системы в университетской клинике Charité для пяти исследований с участием 16 000 пациентов, обеспечивая интероперабельность через FHIR и аналитику в формате OMOP. Ключевой вывод заключается в том, что управление семантикой на уровне хранения данных позволяет создавать устойчивые инфраструктуры, переиспользуемые между разными клиническими проектами.
Авторы разработали и оценили систему на основе NLP (NER) для извлечения контекстной информации о лекарствах из неструктурированных клинических заметок на венгерском языке. Модель достигла высокой точности (F1=0.944), успешно классифицируя препараты по категориям: текущие, отмененные, побочные эффекты и аллергии, превосходя правило-базированные методы.
Статья представляет собой критический обзор перехода от узкоспециализированных моделей ИИ к фундаментальным моделям (foundation models) в сфере лечения диабета, охватывая такие области, как диагностика ретинопатии, прогнозирование уровня глюкозы и анализ электронных медицинских карт. Авторы выявляют серьезные пробелы в валидации, включая отсутствие проспективных испытаний и проблемы с калибровкой моделей, а также анализируют риски безопасности, такие как галлюцинации LLM и алгоритмическая несправедливость.
Статья анализирует финансовые и регуляторные барьеры для внедрения клинических ИИ-инструментов в больницах, указывая на отсутствие reimbursement (возмещения затрат) как главную причину задержек. Автор предлагает создать временные механизмы финансирования (safe harbor) и новые коды оплаты, аналогичные тем, что использовались для электронных медкарт и кибербезопасности, чтобы ускорить доступность проверенных ИИ-решений до появления постоянных тарифов CMS.
Статья анализирует законопроект MATCH IT Act, направленный на решение проблемы ошибок сопоставления данных пациентов в электронных медицинских картах (EHR). Автор критикует подход законопроекта за отсутствие стандартизации методологии и предлагает использовать гибридные детерминировано-вероятностные стратегии на основе алгоритмов машинного обучения для повышения точности.
В исследовании, опубликованном в журнале npj Digital Medicine 8 октября 2026 года, представлена методика ранней диагностики эпилепсии на основе анализа электронных медицинских карт (ЭМК) с использованием больших языковых моделей (LLM). Авторы демонстрируют, что современные LLM способны эффективно извлекать скрытые паттерны и клинические признаки из неструктурированных текстовых данных пациентов, что позволяет выявлять заболевание на ранних стадиях, часто до появления классических судорожных приступов. Методология включает обработку естественного языка для парсинга врачебных записей, анамнеза и результатов обследований, с последующей классификацией риска развития эпилепсии. Ключевые результаты показывают высокую чувствительность и специфичность модели по сравнению с традиционными статистическими методами и экспертной оценкой врачей, что подтверждает практическую значимость подхода. Внедрение таких систем может существенно сократить время до начала лечения, улучшить прогноз для пациентов и снизить нагрузку на неврологические службы за счет автоматизации скрининга. Исследование открывает новые возможности для интеграции ИИ в рутинную клиническую практику, особенно в условиях нехватки узких специалистов.
Статья предлагает концепцию «предбилл-контрольной плоскости» как модели управления для сохранения целостности электронных медицинских карт при использовании генеративного ИИ для клинической документации. Авторы выделяют три типа нарушений целостности данных и описывают пять операционных компонентов системы, направленных на безопасность пациентов и врачей в условиях реальной клинической практики.
В статье рассматривается применение моделей на архитектуре Transformer в кардиологии для анализа ЭКГ, медицинских изображений и электронных карт. Авторы критически оценивают трансляционные ограничения, такие как качество данных и валидация, и определяют приоритеты для внедрения ответственного ИИ в клиническую практику.
В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена клиническая оценка эффективности использования больших языковых моделей (LLM) для автоматической генерации выписных эпикризов у пациентов с длительными сроками госпитализации. Авторы фокусируются на «клиентоцентричном» подходе, оценивая качество, точность и полезность сгенерированных текстов непосредственно со стороны лечащих врачей, что является критически важным аспектом внедрения ИИ в рутинную клиническую практику. Исследование демонстрирует, как ИИ-инструменты могут снижать административную нагрузку на медицинский персонал и минимизировать риск выгорания врачей, занимаясь рутинным документированием. Ключевые результаты включают анализ соответствия сгенерированных выписок клиническим стандартам и выявление специфических ошибок или упущений, характерных для LLM в контексте сложных случаев с длительным пребыванием в стационаре. Работа подчеркивает необходимость тщательной валидации ИИ-генерации медицинских документов перед их интеграцией в электронные медицинские карты, обеспечивая баланс между автоматизацией и безопасностью пациента. Полученные данные имеют высокую значимость для разработки протоколов использования NLP-технологий в стационарной помощи, особенно в условиях нехватки кадров и роста объема документации.
Статья анализирует проблему неструктурированных данных в программе NIH All of Us, указывая, что техническая совместимость (interoperability) решена, но данные остаются нечитаемыми для исследований из-за формата. Подчеркивается, что современные инструменты на основе ИИ и машинного обучения за последние два года значительно улучшили конвертациюmessy-документов в структурированные наборы данных, готовые для анализа.
Компания Epic Systems, один из ведущих поставщиков электронных медицинских карт (EHR) в США, объявила о пересмотре приоритетов в сторону усиления мер кибербезопасности на фоне роста числа угроз. Несмотря на этот сдвиг в оперативной стратегии, дорожная карта разработки продукта не претерпела изменений с момента презентации на августовской конференции пользователей Epic 2026 года. Компания подтвердила, что планы по внедрению искусственного интеллекта и улучшению интероперабельности (совместимости систем) остаются в силе и будут реализовываться согласно изначальному графику. Это указывает на то, что ИИ-интеграция в медицинские информационные системы Epic не откладывается, хотя и может сталкиваться с дополнительными требованиями по защите данных. Решение отражает баланс между необходимостью защиты чувствительных медицинских данных и стремлением к цифровой трансформации здравоохранения через использование передовых технологий. Для отрасли это сигнал о том, что безопасность становится критическим фактором при внедрении ИИ-решений в инфраструктуру EHR.
Статья предлагает концептуальную архитектуру «нулевого доверия» для безопасной интеграции ИИ в медицинские информационные системы на основе стандарта FHIR. Авторы описывают модель управления доступом и аудита, обеспечивающую согласованность и подотчетность ИИ-моделей при обмене данными между электронными медицинскими картами, но отмечают отсутствие эмпирической валидации на реальных клинических данных.
В статье описывается внедрение системы на базе ИИ для автоматической генерации ответов и напоминаний пациентам после трансплантации почки в рамках телемедицинского мониторинга. Система анализирует данные электронных медицинских карт и сообщения пациентов, предлагая варианты ответов, которые врачи могут корректировать или отклонять, что позволило снизить нагрузку на медицинский персонал и повысить эффективность коммуникации.
