Поиск

Радиологическое общество Северной Америки (RSNA) запустило программу сертификации для радиологов, направленную на обучение практическому применению и оценке ИИ в медицинской визуализации. Курс включает шесть модулей с кейсами и ориентирован на ответственное внедрение технологий ИИ в клиническую практику.

Статья анализирует роль искусственного интеллекта в сфере социальной помощи, утверждая, что ИИ не заменит человеческое участие, но может оптимизировать административные процессы и координацию между организациями. Рассматриваются возможности предиктивной аналитики для выявления рисков и снижения нагрузки на сотрудников, а также предупреждается о критических рисках алгоритмической предвзятости и неравенства.

Компания Tiny Health привлекла $33 млн в рамках раунда Series B для финансирования клинических исследований и развития своих ИИ-технологий. Платформа использует искусственный интеллект для анализа данных микробиома и предоставления персонализированных рекомендаций по здоровью, что напрямую связано с применением ИИ в медицинской диагностике и профилактике.

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).

Крупная страховая компания Cigna Group объявила о стратегическом партнерстве с технологическим гигантом OpenAI. Целью сотрудничества является разработка более персонализированных систем поддержки для пациентов, страдающих сложными хроническими заболеваниями. В рамках первого этапа проекта фокус будет направлен на онкологических пациентов, что требует глубокого анализа индивидуальных медицинских данных и истории болезни. Партнерство предполагает использование передовых языковых моделей и технологий искусственного интеллекта для создания инструментов, помогающих пациентам лучше понимать свое состояние и варианты лечения. Хотя конкретные технические детали реализации и используемые алгоритмы пока не раскрыты, сам факт интеграции ИИ-решений от OpenAI в процессы страховой медицины указывает на значительный шаг в сторону цифровизации здравоохранения. Это сотрудничество может привести к созданию новых стандартов в области персонализированной медицины и улучшения качества обслуживания пациентов с высокими потребностями в медицинской помощи. Проект находится на ранней стадии, поэтому ожидаемые результаты и временные рамки внедрения пока не определены.

Центральный научно-исследовательский институт организации и информатизации здравоохранения (ЦНИИОИЗ) провел масштабное исследование, посвященное оценке социально-экономической эффективности внедрения систем поддержки принятия врачебных решений (СППВР) в условиях поликлиник. СППВР представляют собой цифровые сервисы на базе искусственного интеллекта и экспертных систем, которые помогают врачам в процессе диагностики и назначения лечения, снижая риск врачебных ошибок и оптимизируя клинические пути. Ключевым результатом исследования стало выявление значительного сокращения прямых бюджетных расходов: использование данного цифрового сервиса в течение одного года позволило сэкономить 17,9 млн рублей на каждые 100 тысяч прикрепленного населения. Этот показатель демонстрирует высокую экономическую целесообразность интеграции интеллектуальных систем в рутинную амбулаторную практику, так как автоматизация рутинных задач и контроль соответствия клиническим рекомендациям снижают затраты на неэффективное лечение и избыточную диагностику. Значимость работы заключается в предоставлении конкретных количественных данных для обоснования инвестиций в цифровизацию первичного звена здравоохранения. Полученные результаты могут служить основанием для масштабирования внедрения СППВР в других регионах и медицинских учреждениях, так как они подтверждают не только клиническую, но и финансовую выгоду от использования технологий искусственного интеллекта в медицине.

В статье представлена концептуальная архитектура SOMA — система управления профилактическим здоровьем, предназначенная для адаптивной цифровой поддержки самоконтроля пациентов. Основная цель разработки — преодоление фрагментарности существующих потребительских инструментов, которые редко интегрируют мультимодальные данные, научные доказательства и ограничения безопасности в единую структуру. Архитектура включает пять взаимосвязанных компонентов: ядро цифрового двойника, синтезирующее вектор состояния здоровья из биологических и поведенческих данных; ядро научного интеллекта для оценки качества доказательств; реляционное ядро для коммуникации; профиль управления здоровьем пользователя и движок непрерывного обучения. Ключевым элементом является интеграция этих модулей с жесткими границами безопасности и медицинской эскалации, что позволяет формировать управляемые рекомендации, снижающие риски некорректной помощи. Исследование выводит пять проверяемых гипотез для будущей эмпирической валидации, подчеркивая, что на данный момент SOMA является теоретической моделью без подтвержденной клинической эффективности. Работа вносит вклад в организацию здравоохранения, предлагая структурированный подход к governance (управлению) цифровых медицинских продуктов, хотя и не содержит результатов внедрения или тестирования ИИ-моделей на реальных данных.

Статья вводит концепцию «прецизионного потолка» — фундаментального ограничения максимальной точности любых алгоритмов ИИ, работающих с данными от конкретных сенсоров. Это ограничение определяется не мощностью моделей машинного обучения, а информационной емкостью канала измерения, что описывается неравенством обработки данных. Авторы демонстрируют применимость этой теории на четырех примерах оптических и фотоэлектрических технологий: скрининг осанки, носимые пульсоксиметры (фотоплетизмография), анализ изображений глазного дна и дерматологический ИИ. Разработана трехуровневая таксономия ограничений, включающая физические законы, физиологическую вариативность и разрыв между модальностями. Предложены принципы проектирования IICRC (Identify, Internalize, Communicate, Recognize, Cascade) и шаблон аудита «Прецизионного потолка» для качественной оценки перед внедрением. Фреймворк не заменяет существующие инициативы по ответственному ИИ, а указывает места, где ограничения точности физически неизбежны. Это создает основу для реалистичных деклараций точности, ограничений целевого использования и протоколов эскалации, соответствующих новым регуляторным требованиям.

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 представлен протокол смешанного исследования, направленного на выявление барьеров и факторов, влияющих на внедрение систем диагностики с поддержкой искусственного интеллекта в первичном звене здравоохранения в регионах с ограниченными ресурсами. Исследование использует фреймворк CFIR 2.0 для анализа мнений различных стейкхолдеров и разработки стратегий оптимизации внедрения ИИ-технологий.

В статье проводится сравнительный анализ регуляторных подходов Европейского Союза и США к разработке искусственного интеллекта (ИИ) медицинскими учреждениями непосредственно внутри больниц. Исследование фокусируется на переходе от роли пассивных покупателей ИИ-систем к активным разработчикам машинного обучения, адаптированного под локальные клинические потребности. Авторы анализируют правовые и институциональные условия, влияющие на инновации, надзор и распространение таких технологий в двух юрисдикциях. Выявлено, что ЕС использует структурированную модель, рассматривая больницы как регулируемых инноваторов с четкими институциональными обязательствами. В то же время США опираются на более либеральную и менее дифференцированную систему, где больничные инновации возникают как побочный продукт общего регулирования программного обеспечения. Сравнение проводится по трем ключевым измерениям: отзывчивость к клиническим потребностям, распределение инновационного потенциала и пути масштабирования технологий. Работа подчеркивает, что обе системы способствуют инновациям на уровне больниц, но делают это через разные регуляторные логики. Это исследование имеет важное значение для понимания того, как законодательство формирует развитие ИИ в здравоохранении и влияет на внедрение новых технологий в клиническую практику.

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.

В данном исследовании представлена и валидирована практическая рамка управления искусственным интеллектом (ИИ), разработанная специально для медицинских организаций. Авторы отмечают, что существующие подходы часто ограничиваются высокими этическими принципами, не давая конкретных инструментов для внедрения, оценки рисков и интеграции контроля ИИ в рабочие процессы. Методология разработки включала обзор литературы, анализ документов и полуструктурированные интервью, а валидация проводилась через рабочие группы с заинтересованными сторонами и применение рамки к трем реальным кейсам: выявление пациентов для домашнего ухода, поддержка решений в радиологии и эпидемиологический надзор. Разработанная рамка объединяет этические принципы с иерархическим контролем, зависящим от цифровой зрелости организации, и включает структурированный чек-лист для оценки рисков на всех этапах жизненного цикла ИИ-систем. Исследование охватывает различные пути приобретения ИИ-компетенций: внутреннюю разработку, коммерческую закупку и совместное создание с внешними партнерами. Результаты показали, что чек-лист эффективно выявляет управленческие, безопасностные и внедренческие риски, обеспечивая пропорциональный подход к управлению рисками. Рамка позволяет интегрировать надзор за ИИ в существующие процессы организации, способствуя безопасному и ответственному внедрению технологий. Авторы подчеркивают необходимость дальнейших исследований для оценки эффективности рамки в различных условиях и с учетом новых технологий, таких как генеративный и агентный ИИ.

В статье представлены рекомендации экспертов по созданию цифровых вмешательств для повышения физической активности пожилых людей, основанные на консенсусе проекта PhysAgeNet. Особое внимание уделено интеграции клинических руководств, принципов пользовательского дизайна и оценке эффективности носимых устройств, приложений и телемедицинских платформ.

В статье рассматривается проблема регуляторного регулирования медицинских изделий, использующих технологии искусственного интеллекта, в Российской Федерации. Представители компании ООО «Моторика» указывают на то, что Россия отстает от мировых показателей по регистрации таких устройств. Ключевой причиной задержек и сложностей называется автоматическое присвоение изделиям с ИИ третьего класса потенциального риска при их регистрации, что усложняет и замедляет выход продуктов на рынок. Это создает барьеры для внедрения инновационных решений в клиническую практику, несмотря на их доказанную эффективность. Вопрос касается не столько технической реализации ИИ, сколько нормативно-правовой базы и подходов регулятора к оценке безопасности алгоритмических систем. Статья подчеркивает необходимость пересмотра существующих правил классификации, чтобы стимулировать развитие отечественной индустрии медицинского ИИ и сократить разрыв с международными стандартами.

Статья посвящена потенциалу искусственного интеллекта для улучшения диагностики пневмококковых инфекций у детей, особенно в условиях нехватки специалистов в первичном звене и удаленных регионах. Авторы отмечают дефицит качественных исследований в этой области и предлагают провести систематический обзор литературы для выявления пробелов в знаниях и формирования четкой повестки будущих исследований.

Исследование оценивает внедрение фреймворка алгоритмической справедливости в цифровой проект HealthEmove, посвященный электронным медицинским картам для мобильных групп населения. Авторы выявляют разрыв между знанием принципов справедливости и их практическим применением, разрабатывая руководство для конкретных ролей в проекте.

Статья предлагает углубить междисциплинарные исследования в области этики ИИ за счет интеграции с исследованиями науки и технологий (STS). Авторы аргументируют, что такой подход необходим для эффективного управления ИИ в здравоохранении и обеспечения долгосрочного успеха этих технологий в интересах глобального общественного здоровья.

В статье представлен пакет R и приложение Shiny ProteoScopeR, предназначенное для стандартизации и повышения воспроизводимости количественного протеомного анализа. Инструмент объединяет ключевые этапы обработки данных, такие как нормализация, обработка пропущенных значений и статистическое моделирование, в единый отслеживаемый рабочий процесс с возможностью экспорта отчётов. Особое внимание уделено интеграции внешнего искусственного интеллекта, который анализирует экспортированные данные и предлагает оптимальные настройки для утверждения исследователем, при этом все вычисления остаются в среде R. В качестве кейс-стади использовались данные DIA-NN по стекловидному телу глаза (69 образцов, 3667 белковых групп) для сравнения патологий nAMD и pmCNV. Исследователи протестировали шесть методов нормализации и семь стратегий обработки пропусков, после чего применили циклический ло-сглаживание для сравнения пяти дифференциальных рабочих процессов. Результаты показали, что алгоритмы limma и proDA выявили 54 и 37 белковых групп соответственно, из которых 31 были общими при строгих статистических критериях. Работа демонстрирует высокую чувствительность результатов к выбору аналитических методов и предлагает решение для прозрачного документирования этих решений в научных исследованиях.