В статье, опубликованной в журнале npj Digital Medicine 24 сентября 2026 года, рассматривается применение технологий защиты конфиденциальности (Privacy-Enhancing Technologies, PETs) для создания этичного и справедливого искусственного интеллекта в глобальном здравоохранении. Авторы подчеркивают, что традиционные подходы к обучению моделей ИИ часто усугубляют неравенство из-за фрагментации данных и рисков нарушения конфиденциальности пациентов. В работе подробно анализируются такие методы, как федеративное обучение, гомоморфное шифрование и дифференциальная приватность, которые позволяют обучать алгоритмы на распределенных наборах данных без их централизации и раскрытия исходной информации. Исследование демонстрирует, что интеграция PETs снижает барьеры для международного сотрудничества в области медицинских данных, обеспечивая соблюдение строгих нормативных требований, таких как GDPR и HIPAA. Ключевые результаты показывают, что использование этих технологий сохраняет высокую точность диагностических моделей ИИ, сопоставимую с традиционными методами, одновременно гарантируя безопасность персональных данных. Статья также предлагает дорожную карту для внедрения PETs в клиническую практику, акцентируя внимание на необходимости стандартизации протоколов и межведомственного взаимодействия. Значимость работы заключается в том, что она предлагает техническое и этическое решение для преодоления «цифрового разрыва» в здравоохранении, позволяя странам с разным уровнем развития IT-инфраструктуры участвовать в глобальных исследованиях на основе ИИ. Это открывает путь к созданию более инклюзивных и репрезентативных медицинских алгоритмов, способных эффективно работать в разнообразных демографических и географических условиях.