Систематический обзор и мета-анализ оценивают эффективность систем распознавания позы на базе машинного и глубокого обучения для предотвращения профессиональных заболеваний опорно-двигательного аппарата. Исследование показывает, что глубокое обучение превосходит классическое машинное обучение по точности и чувствительности, а гибридные решения достигают точности более 99%. Результаты подтверждают высокую эффективность ИИ-методов в эргономическом мониторинге, хотя уровень доказательности для реальных условий остается низким.
В исследовании, опубликованном в журнале npj Digital Medicine 6 октября 2026 года, представлена методология извлечения количественных метрик из текстовых нарративов пациентов с хронической боли с использованием больших языковых моделей (LLM). Авторы демонстрируют конвергентную валидность этих новых метрик, показывая их сильную корреляцию с традиционными клиническими шкалами оценки боли и психологического состояния. Исследование выявляет и валидирует новые когнитивные конструкты, которые ранее не могли быть надежно измерены стандартными опросниками, но которые существенно влияют на восприятие боли и качество жизни пациентов. Методология включает обработку естественного языка (NLP) для анализа открытых ответов пациентов, что позволяет выявлять сложные паттерны мышления, эмоциональные состояния и когнитивные искажения. Результаты подтверждают, что LLM-анализ текстовых данных может служить мощным дополнением к клинической практике, обеспечивая более глубокое и персонализированное понимание состояния пациента. Это открытие имеет значительный потенциал для улучшения диагностики, мониторинга эффективности лечения и разработки индивидуальных стратегий терапии хронической боли. Исследование закладывает основу для интеграции текстового анализа на базе ИИ в рутинную клиническую оценку, повышая точность и глубину медицинской интерпретации субъективных жалоб пациентов.
В статье представлена новая модель глубокого обучения Kidzoi, предназначенная для предсказания клеточно-специфичной регуляторной активности генома и эффектов генетических вариантов в почечной ткани. Исследователи разработали эту модель типа «последовательность-функция» (S2F) с использованием метода трансферного обучения на базе предварительно обученной модели Borzoi, дообучив её на данных хроматиновой доступности из одиночных ядер (single-nucleus) тканей человека. Модель демонстрирует высокую точность в предсказании хроматиновой доступности, специфичной для типов клеток почек, и улучшает предсказание эффектов регуляторных вариантов на 10–23% по сравнению с существующими аналогами. Особое значение имеет способность Kidzoi эффективно ранжировать каузальные варианты, выявленные в полногеномных поисках ассоциаций (GWAS), связанные с функцией почек (оцениваемой по уровню эГФР с креатинином и цистатином С), и определять их клеточную специфичность. Систематический анализ показал, что для точного предсказания эффектов вариантов достаточно локального контекста длиной 32–64 кбп, что составляет всего 6–12% от полного входного сигнала модели, что указывает на высокую эффективность локальных признаков. Дополнительно продемонстрировано, что многозадачная архитектура модели достигает производительности, сопоставимой с однозадачными моделями, но при существенно меньших вычислительных затратах. Результаты исследования открывают новые возможности для понимания молекулярных механизмов заболеваний почек и идентификации терапевтических мишеней на основе геномных данных.
GE HealthCare и Mass General Brigham объявили о партнерстве для разработки инструмента на основе генеративного ИИ, который поможет онкологам-радиологам быстро анализировать структурированные и неструктурированные данные для планирования лучевой терапии. Цель проекта — интеграция решения в платформу iRT для сокращения ручного труда, унификации рабочих процессов и ускорения перехода пациента от диагноза к лечению.
Компания Visiana получила разрешение FDA 510(k) на использование программного обеспечения BoneXpert, которое применяет машинное обучение для определения костного возраста по рентгеновским снимкам кистей рук. Исследование показало, что алгоритм точнее ручных оценок педиатрических радиологов, снижая вариативность результатов и помогая в диагностике нарушений роста и полового созревания.
Исследователи из NYU Langone Health разработали систему на базе ИИ (с использованием ChatGPT-4o), которая анализирует ежедневные клинические отчеты ординаторов по радиологии. Инструмент выявляет пробелы в их практике и автоматически подбирает целевые учебные случаи для восполнения недостающего опыта, что повышает эффективность персонализированного обучения.
В исследовании представлен новый элементно-аннотированный набор данных SPIRIT-CONSORT-ELM, разработанный специально для обучения и оценки больших языковых моделей (LLM) в контексте проверки качества отчетности рандомизированных контролируемых испытаний (РКИ). Авторы применяют передовые методы обработки естественного языка для автоматизированного анализа текстов клинических исследований на соответствие стандартам SPIRIT (протоколы) и CONSORT (отчеты). Методология включает детальную разметку текстовых элементов на уровне предложений и абзацев, что позволяет LLM точно идентифицировать наличие или отсутствие ключевых компонентов отчетности. Ключевые результаты демонстрируют высокую эффективность предложенного подхода: модель показывает значительное улучшение метрик точности и полноты по сравнению с базовыми методами ручного или полуструктурированного анализа. Это решение способно существенно сократить время, необходимое рецензентам и редакторам журналов для проверки соответствия публикаций международным стандартам. Внедрение таких инструментов в редакционные процессы может повысить прозрачность и надежность клинических данных, снижая риск публикации исследований с неполной или искаженной информацией. Работа закладывает основу для создания надежных систем поддержки принятия решений в научной коммуникации и медицинской этике.
Статья представляет новую архитектуру R-GCRED, использующую большие языковые модели (LLM) и онтологически направленный поиск для извлечения клинически значимых симптомов из текстовых нарративов. Система обеспечивает прозрачность за счет верификации доказательств, калибровки вероятностей и моделирования рекомендаций с учетом неопределенности, демонстрируя высокие метрики на бенчмарках DAIC-WOZ и CLEF eRisk.
В статье представлен новый биоинформатический фреймворк scTAPAS (single-cell Transcriptome Allelic Prediction and Association Studies), предназначенный для реконструкции генотипов доноров непосредственно из данных одноядерной РНК-секвенирования (scRNA-seq). Это решение решает критическую проблему отсутствия сопоставленных генотипических данных в исследованиях одноядерных eQTL, позволяя выявлять гетерогенные генетические эффекты на экспрессию генов в зависимости от типа клеток. Методология основана на референсной импутации разреженной генетической информации, извлеченной из РНК-ридов, что позволяет генерировать дозировки генотипов с достаточной точностью для статистического тестирования ассоциаций. При применении к данным 5' scRNA-seq из атласа COMBAT (COVID-19 Multi-omic Blood Atlas) метод показал высокую эффективность: несмотря на тестирование лишь 18,0% вариантов по сравнению с традиционным массивным генотипированием, scTAPAS восстановил 68,6% пар eGene, зависящих от типа клеток, с сильным совпадением размеров эффектов. Особое значение имеет способность метода поддерживать импутацию классических аллелей HLA, что открывает возможности для анализа ассоциаций между вариациями HLA и репертуаром TCR на уровне одиночных клеток. Исследователи выявили специфичные для CD4+ T-клеток ассоциации между аллелями HLA II класса и использованием генных сегментов Va T-клеточного рецептора, что подчеркивает потенциал интеграции генетической информации в иммуногенетические исследования. Результаты демонстрируют, что генетическая информация, извлеченная из данных scRNA-seq, может успешно использоваться как для регуляторного, так и для иммуногенетического анализа, значительно расширяя возможности открытий в когортах, где традиционное генотипирование недоступно.
В данном рандомизированном клиническом исследовании, опубликованном в журнале npj Digital Medicine 5 октября 2026 года, оценивается эффективность применения агента на базе большой языковой модели (LLM) для проведения стандартизированных предварительных консультаций перед приемом у офтальмолога. Сравнительный анализ проводился между группой пациентов, получивших предварительный сбор анамнеза и первичную оценку с помощью ИИ-агента, и группой, где эту роль выполняли ординаторы по офтальмологии. Целью исследования было определение того, может ли ИИ обеспечить сопоставимое с медицинскими работниками качество сбора информации, выявления ключевых симптомов и подготовки пациента к визиту к специалисту. Методология включала рандомизацию пациентов на две группы и последующую оценку точности, полноты и клинической значимости собранных данных, а также удовлетворенности пациентов процессом взаимодействия. Результаты исследования демонстрируют, что ИИ-агент способен эффективно выполнять рутинные задачи предварительной сортировки и сбора анамнеза, не уступая ординаторам в качестве предоставляемой информации, что открывает перспективы для оптимизации рабочей нагрузки врачей-офтальмологов. Данное исследование имеет высокую значимость для внедрения ИИ-инструментов в клиническую практику, так как оно подтверждает безопасность и эффективность использования LLM в качестве первого контакта с пациентом в специализированной медицинской помощи. Полученные данные могут служить основой для разработки протоколов интеграции ИИ-ассистентов в рабочие процессы медицинских учреждений, позволяя сократить время ожидания приема и повысить стандартизацию первичной диагностики.
В исследовании, опубликованном в журнале npj Digital Medicine 5 октября 2026 года, анализируется доступность и прозрачность доказательств эффективности (performance evidence) для программного обеспечения на основе искусственного интеллекта, одобренного регуляторными органами в области патологии и морфологии гематологии. Авторы проводят систематический обзор данных, доступных в открытых реестрах и технической документации после получения одобрения (например, FDA 510(k) или CE Mark), чтобы оценить, насколько полно производители раскрывают клинические и аналитические валидационные результаты. Исследование выявляет критические пробелы в отчетности: многие одобренные ИИ-решения имеют ограниченный доступ к детальным метрикам чувствительности, специфичности и обобщаемости на независимых наборах данных, что затрудняет независимую оценку их клинической полезности. Особое внимание уделяется разнице между аналитической валидностью (работа алгоритма с данными) и клинической валидностью (влияние на исходы лечения пациента). Результаты подчеркивают необходимость стандартизации требований к раскрытию данных об эффективности ИИ-систем для обеспечения безопасности пациентов и доверия со стороны медицинского сообщества. Работа указывает на то, что текущие регуляторные рамки часто фокусируются на процессе одобрения, а не на постмаркетинговом мониторинге и открытости данных, что создает риски для внедрения ИИ в рутинную практику. Авторы предлагают рекомендации по улучшению прозрачности отчетности для разработчиков медицинского ИИ.
В статье представлена разработка EyeSeek — специализированной большой языковой модели (LLM), предназначенной для использования в первичной офтальмологической помощи. Основная цель системы заключается в двух направлениях: автоматизированном скрининге уровня медицинской грамотности пациентов и непосредственном улучшении этой грамотности через адаптивное взаимодействие. Модель обучена на специализированных медицинских данных, что позволяет ей точно оценивать понимание пациентами информации о здоровье глаз и предоставлять персонализированные разъяснения. Использование LLM в данном контексте демонстрирует высокий потенциал для снижения барьеров коммуникации между врачами и пациентами, особенно в условиях дефицита времени на приеме. Исследование подчеркивает важность интеграции современных технологий обработки естественного языка в клиническую практику для повышения качества обслуживания. Результаты работы указывают на то, что EyeSeek может стать эффективным инструментом для оптимизации процессов информирования пациентов и улучшения исходов лечения за счет повышения их осведомленности. Статья опубликована в авторитетном журнале npj Digital Medicine, что подтверждает научную обоснованность и новизну подхода.
Исследование оценивает влияние количества временных фаз и размера обучающей выборки на точность глубокого обучения для сегментации структур сердца в кинематографической КТ-ангиографии. Показано, что обучение на полном цикле (cine) дает более высокую точность и стабильность по сравнению с однофазным подходом, а использование двух фаз может быть эффективным компромиссом для снижения затрат на аннотирование.
В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена новая модель машинного обучения, способная прогнозировать риск трехлетней смертности у пациентов с кардиометаболическим синдромом почек (CKM). Данное состояние представляет собой комплексное нарушение, объединяющее сердечно-сосудистые заболевания, патологии почек и метаболические отклонения, что требует сложных подходов к оценке прогноза. Авторы разработали алгоритм, который анализирует клинические данные для выявления пациентов с высоким риском летального исхода в течение трех лет. Модель демонстрирует высокую точность предсказаний, что позволяет врачам своевременно корректировать тактику лечения и назначать агрессивную терапию группам повышенного риска. Использование ИИ в данном контексте решает проблему недостаточной эффективности традиционных шкал риска при комплексных мультиорганных патологиях. Результаты исследования подчеркивают важность интеграции методов искусственного интеллекта в клиническую практику для персонализации медицины и улучшения выживаемости пациентов с тяжелыми хроническими состояниями. Работа вносит значительный вклад в развитие цифровых инструментов поддержки принятия врачебных решений в кардиологии и нефрологии.
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.
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 статье представлена система TransmiRisk-AI — многоагентная архитектура на базе ИИ для автоматизированного мониторинга и оценки рисков зоонозных заболеваний. Система интегрирует данные эпиднадзора, динамически обновляет профили рисков и предоставляет интерактивную панель для визуализации тенденций вспышек, демонстрируя эффективность на примерах вируса Нипах и Крымской геморрагической лихорадки.
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.
В исследовании разработана и валидирована модель прогнозирования долгосрочного почечного прогноза у пациентов с васкулитом, ассоциированным с АНЦА, путем объединения радиомиксных признаков КТ почек и клинических маркеров. Модель на основе алгоритма XGBoost продемонстрировала высокую точность (AUC 0.93 для предсказания ЭПН через 3 года), значительно превосходя чисто клинические модели.
В статье предлагается новая архитектурная модель IMKE (Integrative Medicine Knowledge Engine) для безопасной интеграции вьетнамской традиционной и западной медицины с использованием ИИ. Система включает извлечение данных из неструктурированных текстов, построение графа знаний и ИИ-систему поддержки врачебных решений для мониторинга взаимодействий трав и лекарств. Модель демонстрируется на примерах гипертонии, диабета и ревматоидного артрита.
