Поиск

Исследователи разработали автоматизированный программный инструмент для курации данных в геномике, который заменяет ручной труд человека при аннотировании транскриптомных исследований. Система используется для ресурса Gemma — вручную курируемой базы данных, включающей более 23 000 наборов данных человека, мыши и крысы, преимущественно из Gene Expression Omnibus (GEO). Пайплайн сочетает традиционные механические методы и большие языковые модели для создания детальных аннотаций на уровне образцов и экспериментов с привязкой к онтологиям. Бенчмаркинг показал, что производительность системы близка к уровню человеческих кураторов, при этом стоимость снижена в 20 раз, а скорость увеличена минимум в 100 раз. Авторы также представили предварительные методы триажа для выявления ошибок в автоматических курациях с последующей передачей на человеческую проверку. В качестве дополнительных результатов предоставлены бенчмарк-набор из 500 исследований и框架 оценки для дальнейшего развития пайплайна. Данное решение имеет значительный потенциал для интеграции в биоинформатические экосистемы и ускорения медицинских исследований на основе геномных данных.

Статья рассматривает применение больших языковых моделей (LLM) в разработке программного обеспечения как медицинского устройства (SaMD) для выявления расхождений между задокументированным прогрессом и фактической готовностью продукта. Авторы идентифицируют ключевую проблему: традиционные инструменты управления проектами (дашборды, бэклоги спринтов, отчёты о статусе) отражают состояние проекта, а не состояние продукта — требование может быть помечено как реализованное, даже если связанное с ним управление рисками не интегрировано полностью. Методология предполагает интеграцию LLM в среду разработки для анализа репозиториев кода, интерфейсов, зависимостей, истории коммитов, результатов тестирования и связанных рабочих элементов across множественных систем (управление требованиями, исходный код, файлы риск-менеджмента, тестовые фреймворки, CI/CD-пайплайны, agile-инструменты). Ключевой вывод: наиболее важный вклад LLM в регулируемую разработку ПО — не ускорение генерации кода, а помощь инженерным командам в понимании того, что фактически построено, что остаётся незавершённым и где реализация отклонилась от задокументированного замысла. Это особенно значимо для SaMD, где расхождения часто обнаруживаются на этапах системной интеграции или формальной верификации, когда исправления становятся наиболее дорогостоящими. Внедрение такого подхода может снизить комплаенс-риски и сократить затраты на разработку медицинских устройств.

В статье рассматривается проблема неавторизованного использования искусственного интеллекта внутри медицинских организаций — явление, получившее название «теневой ИИ» (shadow AI). Исследование от компании Wolters Kluwer показывает, что использование непроверенных ИИ-инструментов сотрудниками медицинских учреждений встречается чаще, чем ожидалось руководство. Проблема связана с рисками безопасности данных пациентов, потенциальными ошибками в диагностике и лечении, а также давлением на рабочие процессы, которое подталкивает персонал к использованию сторонних ИИ-решений без должной оценки. Статья поднимает вопросы о том, что должно представлять собой ответственное внедрение ИИ в здравоохранении и как организациям контролировать использование технологий без блокирования потенциальных преимуществ. Ключевые аспекты включают необходимость разработки политик использования ИИ, обучение персонала и создание прозрачных процессов одобрения инструментов. Материал ориентирован на руководителей медицинских организаций, ИТ-директоров и специалистов по кибербезопасности в здравоохранении.

Статья представляет обзор применения больших языковых моделей в управлении качеством европейского здравоохранения, фокусируясь на автоматизации административных процессов и обеспечении соответствия регуляторным требованиям. Исследование выявляет значительный потенциал для повышения эффективности документооборота и аудита, однако подчеркивает отсутствие регуляторного одобрения для LLM-систем управления качеством и необходимость адаптации методологий валидации.

Статья предлагает модель проактивного промежуточного этического надзора для ИИ-управляемых педиатрических клинических испытаний, интегрирующую принципы защиты, пропорциональности, уважения автономии и процедурной справедливости. Модель включает пять компонентов: риск-ориентированные проверки, процедуры реагирования на отклонения, механизмы повторного информированного согласия, обучение этике и документирование. На примере тайваньского испытания по ИИ-ассистированной речевой терапии демонстрируется практическая применимость модели.

Систематический обзор с использованием структурного тематического моделирования (STM) анализирует 211 публикаций о технологиях для людей с ограниченными возможностями за 2015-2024 годы. Исследование выявило 6 ключевых тем, включая ИИ-решения для когнитивных и сенсорных нарушений, с акцентом на интерпретацию жестового языка, реабилитацию и цифровые обучающие инструменты.

Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.

Статья, опубликованная в журнале npj Digital Medicine 8 октября 2026 года, исследует вопросы управления и регулирования когнитивного труда, который врачи и исследователи делегируют системам искусственного интеллекта. Особое внимание уделяется двум ключевым областям: научной письменности (написание статей, отчетов) и медицинскому образованию (обучение студентов, подготовка учебных материалов). Авторы анализируют, как автоматизация интеллектуальных задач влияет на профессиональную ответственность, качество знаний и этические стандарты в медицине. Исследование подчеркивает необходимость разработки новых рамок контроля за использованием ИИ, чтобы обеспечить сохранение критического мышления у медицинских работников и студентов. Работа затрагивает проблемы валидации сгенерированного контента, риск чрезмерной зависимости от алгоритмов и необходимость пересмотра учебных программ с учетом интеграции ИИ-инструментов. Статья предлагает подходы к балансу между эффективностью, предоставляемой ИИ, и необходимостью сохранения человеческого контроля над критически важными когнитивными процессами в здравоохранении.

Исследование оценивает доверие, комфорт и восприятие справедливости использования ИИ в медицине среди населения США. Результаты показывают, что внедрение ИИ опережает уровень доверия общества, при этом более высокий уровень образования коррелирует с более позитивным отношением к технологиям.

Компания AKASA, специализирующаяся на медицинских технологиях, запустила автономную ИИ-платформу, предназначенную для автоматизации процессов медицинского кодирования в стационарах и обеспечения целостности клинической документации (CDI — Clinical Documentation Integrity). Платформа использует искусственный интеллект для автоматического извлечения и кодирования диагнозов и процедур из медицинской документации, что является частью более широкой стратегии компании по внедрению ИИ в процессы управления выручкой (revenue cycle management) медицинских учреждений. Медицинское кодирование — критически важный процесс, от точности которого зависят страховые возмещения и финансовая устойчивость больниц, при этом традиционно требующий значительного ручного труда кодировщиков. AKASA позиционирует своё решение как автономное, то есть способное выполнять задачи кодирования без постоянного вмешательства человека, что потенциально может снизить операционные расходы и ускорить оборот документов. Детали архитектуры модели, точность алгоритмов и результаты пилотных внедрений в предоставленном тексте не раскрываются.

Министр здравоохранения и социальных служб США Роберт Ф. Кеннеди-младший публично заявил, что искусственный интеллект способен предоставлять пациентам «второе мнение», которое является значительно более информированным, чем мнение любого врача в стране. Это заявление спровоцировало резкую критику и отторжение со стороны медицинского сообщества, что подчеркивает растущее напряжение и поляризацию в вопросах внедрения технологий ИИ в клиническую практику. Статья освещает текущие дебаты вокруг роли алгоритмов в диагностике и лечении, где технологический оптимизм сталкивается с профессиональной осторожностью врачей. Ключевым аспектом является вопрос доверия к ИИ как к инструменту поддержки принятия врачебных решений, а не как к замене специалиста. Обсуждение затрагивает этические, юридические и практические аспекты использования нейросетей в здравоохранении, включая риски ошибок алгоритмов и ответственность за диагнозы. Материал важен для понимания регуляторной и общественной динамики, влияющей на будущее ИИ-решений в медицине. Несмотря на отсутствие технических деталей, статья отражает критический этап формирования политики в области медицинского ИИ на высоком государственном уровне.

Статья анализирует текущие тенденции внедрения искусственного интеллекта в здравоохранении, отмечая расширение сфер применения от диагностики редких заболеваний до автоматизации клинической документации. Автор подчеркивает, что основное внимание индустрии часто смещено на выбор конкретных моделей и количество графических процессоров (GPU), однако истинной проблемой является готовность организаций к поддержке и обеспечению безопасности самих рабочих нагрузок ИИ. В тексте утверждается, что локальные вычисления, сетевая инфраструктура и системы безопасности являются критически важными элементами инфраструктуры больницы, которые должны адаптироваться для работы с ИИ как с нормальным, рутинным процессом. Материал фокусируется на организационных и инфраструктурных аспектах внедрения технологий, а не на алгоритмических инновациях. Это относится к категории управления данными и governance в здравоохранении, что напрямую связано с ИИ. Статья не содержит конкретных технических деталей или результатов клинических испытаний, но важна для понимания стратегических вызовов при интеграции ИИ в медицинские учреждения.

Статья посвящена стратегическим вопросам внедрения искусственного интеллекта в медицинские организации на фоне жестких бюджетных ограничений. Исследователи отмечают, что операционная маржа в секторе здравоохранения остается низкой (менее 0,5%), а инфляция затрат, не связанных с персоналом, продолжает расти. Несмотря на это, более двух третей медицинских учреждений уже активно используют ИИ, а почти половина оценивает или внедряет агентные ИИ-системы. Основной фокус материала смещен с чисто клинических задач на операционную эффективность и оптимизацию расходов. Автор анализирует, как организациям найти баланс между необходимостью трансформации процессов и финансовой устойчивостью. Рассматриваются ключевые вызовы при масштабировании технологий, включая выбор оптимальных точек внедрения ИИ для максимального снижения издержек. Материал ориентирован на администраторов и руководителей здравоохранения, интересующихся экономическим эффектом от цифровизации. Хотя конкретные клинические алгоритмы не детализируются, статья подчеркивает роль ИИ как инструмента управления ресурсами и повышения рентабельности медицинских услуг в современной экономической среде.

Организация Health Care Without Harm (HCWH) опубликовала руководство по закупкам искусственного интеллекта для американских медицинских учреждений и страховых компаний. Основной целью документа является помощь организациям в выборе поставщиков ИИ-решений, которые демонстрируют высокую экологическую ответственность. Руководство призвано стимулировать вендоров становиться более ответственными хранителями окружающей среды в процессе разработки и развертывания своих технологий. Это важный шаг в сторону устойчивого развития здравоохранения, так как обучение и эксплуатация больших языковых моделей и нейросетей требуют значительных энергозатрат. Документ предоставляет критерии для оценки углеродного следа ИИ-продуктов, что позволяет больницам и плательщикам принимать более осознанные решения при выборе технологических партнеров. Внедрение таких стандартов может существенно снизить негативное воздействие цифровой трансформации медицины на климат. Это первый системный подход к интеграции экологических требований в процесс технологического обеспечения медицинских организаций.

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.

В исследовании проведен кросс-секционный анализ 173 публичных видеороликов из TikTok, посвященных септопластике, для оценки качества, надежности и точности медицинской информации на платформе. Исследование проводилось в апреле-мае 2025 года с использованием стандартизированных инструментов: Глобальной шкалы качества (GQS), модифицированной шкалы DISCERN (mDISCERN) и Инструмента оценки точности в цифровом здравоохранении (ANDI). Из 173 видео достаточное количество информации для оценки точности содержалось только в 74 роликах. Результаты показали умеренную точность (средний балл ANDI 2.82), низкое-умеренное качество (средний балл GQS 2.31) и низкую надежность (средний балл mDISCERN 0.78). Ключевым фактором оказалось происхождение контента: 67,1% видео созданы не медицинскими работниками, тогда как ролики от врачей демонстрировали статистически значимо более высокие показатели по всем трем метрикам (P ≤ .001). Уровень вовлеченности аудитории не зависел от статуса автора, но был выше у верифицированных аккаунтов. Выводы подчеркивают необходимость участия квалифицированных специалистов в создании медицинского контента в социальных сетях для повышения его достоверности, хотя влияние такого контента на принятие решений пациентами в данном исследовании не оценивалось.

Статья посвящена интеграции генеративного искусственного интеллекта в медицинское образование, подчеркивая, что неконтролируемое использование студентами и ординаторами обогнало разработку институциональных политик. Авторы предлагают практическую концептуальную рамку для оценки рисков, основанную на степени когнитивного вытеснения — том, насколько инструмент берет на себя мыслительные процессы, которые должны формироваться у обучающегося. Выделяются три ключевых вида вреда: «потеря навыков» (deskilling) у резидентов, чье суждение еще формируется; «неприобретение навыков» (never-skilling) у студентов-доклиников, которые не осваивают фундаментальные компетенции, так как их выполняет ИИ; и «искажение навыков» (mis-skilling), возникающее при усвоении предвзятости и ошибок ИИ как нормы. Предложенный подход основан на принципе калибровки, а не запрета, требуя индивидуального подхода к каждому этапу обучения. Исследование указывает на необходимость проспективных исследований для измерения этих рисков в реальной клинической практике. Работа служит руководством для преподавателей, помогая определить, какие задачи с ИИ поддерживают формирование навыков, а какие их подменяют. Акцент делается на том, что вопрос заключается не в том, использовать ли ИИ, а в том, как спроектировать эту интеграцию для сохранения клинической компетентности будущих врачей.

Статья анализирует трансформацию инвестиционных стратегий в сфере искусственного интеллекта, вызванную массовым распространением практики «ИИ-вошинга» — искусственного завышения возможностей технологий для привлечения финансирования. Инвесторы и венчурные фонды, столкнувшись с неэффективностью маркетинговых презентаций, переходят к более тщательной и скептической оценке реальных технических характеристик и применимости ИИ-решений. Корпоративные заказчики также пересматривают критерии выбора поставщиков, требуя доказательств реальной интеграции машинного обучения в бизнес-процессы, а не просто наличия бренда AI в названии продукта. Это приводит к ужесточению требований к due diligence (проверке добросовестности) стартапов и технологических компаний, работающих в области здравоохранения и других медицинских сфер. Изменение подхода означает, что для успешного привлечения инвестиций или заключения контрактов в медицинской ИИ-сфере теперь необходимо предоставлять прозрачные данные о методологии моделей, качестве обучающих выборок и клинической валидации. Статья подчеркивает важность перехода от хайпа к измеримым результатам и доказанной эффективности алгоритмов в реальных медицинских условиях. Такая эволюция рынка способствует отбору действительно инновационных решений, способных улучшить диагностику, лечение или управление медицинскими данными, отсеивая проекты без фундаментальной технологической базы.

В статье представлен новый вычислительный инструмент sfate (scalable-fate), разработанный для решения проблемы нехватки оперативной памяти при анализе траекторий дифференцировки клеток (single-cell fate mapping) в масштабе атласов. Авторы отмечают, что существующие методы, такие как CellRank, используют алгоритмы Шур-разложения, требующие памяти порядка O(n^2), что делает невозможным обработку датасетов свыше 75 000 клеток на стандартном оборудовании. В отличие от них, sfate использует итеративные методы решения линейных уравнений (GMRES) для вычисления вероятностей поглощения на графах k-ближайших соседей, что обеспечивает линейную масштабируемость памяти. Тестирование на синтетических данных показало, что для 500 000 клеток требуется всего 4.03 ГБ памяти, при этом время выполнения составило 66.2 секунды. Валидация на реальных данных микроглии мыши (75 000 клеток) продемонстрировала высокую точность: расхождения с эталонными вычислениями float64 уложились в допустимый предел 1e-5, а результаты согласовывались с CellRank при идентичных входных параметрах. Инструмент позволяет выявлять более сложные ландшафты судьбы клеток (шесть состояний против трех в CellRank), что подчеркивает его преимущество в чувствительности к выбору терминальных состояний. Код проекта открыт и доступен на GitHub и Zenodo, что способствует воспроизводимости исследований в области биоинформатики.