10 статей
Систематический обзор демонстрирует стремительный рост использования ИИ в обучении студентов-медиков, особенно через виртуальных пациентов на базе LLM. Основные направления включают симуляцию клинического мышления, оценку навыков OSCE и обучение работе с электронными медицинскими картами.
Представители администрации Трампа объявили о расширении добровольных обязательств медицинских учебных заведений по увеличению объема образовательных программ в области нутрициологии. На текущий момент 73 медицинских вуза подтвердили готовность интегрировать в свои учебные планы не менее 40 часов специализированного материала или эквивалентных компетенций по вопросам питания, начиная с осеннего семестра. Данная инициатива, связанная с программой Р. Ф. Кеннеди-мл., направлена на системное изменение подходов к подготовке врачей через акцент на диетологии. Несмотря на отсутствие прямого упоминания алгоритмов машинного обучения, изменение образовательных стандартов в медицине создает базу для будущих клинических рекомендаций, которые могут быть автоматизированы. Реализация программы требует пересмотра учебных программ и участия аккредитационных органов для обеспечения соответствия новым стандартам компетенций.
В рамках Петербургского международного экономического форума (ПМЭФ) 2026 года был представлен обзор ключевых соглашений, направленных на развитие медицинской отрасли. Основное внимание уделено нефинансовым меморандумам между ведущими профильными университетами, научными центрами, государственными регуляторами и фармацевтическими гигантами. Соглашения охватывают стратегические направления: от совместных научных исследований и подготовки высококвалифицированных кадров до внедрения передовых цифровых технологий в клиническую практику. Особый акцент сделан на интеграции цифровых решений в систему здравоохранения и развитии медицинского туризма. Данные инициативы призваны создать синергию между академической наукой и реальным сектором здравоохранения, ускоряя процесс цифровой трансформации отрасли.
В статье представлена инновационная концептуальная модель AI-PACE, разработанная для систематического внедрения технологий искусственного интеллекта в учебные программы медицинских вузов. Авторы обосновывают необходимость трансформации образовательного процесса, чтобы подготовить будущих врачей к работе в условиях цифровизации здравоохранения. Методология фреймворка включает в себя интеграцию ИИ-компетенций на разных уровнях: от понимания основ машинного обучения до практического применения алгоритмов в клинических сценариях. Основное внимание уделяется развитию критического мышления студентов при оценке выводов нейросетей и пониманию этических аспектов использования ИИ. Внедрение данной модели позволит минимизировать риски врачебных ошибок, связанных с чрезмерным доверием к автоматизированным системам. Исследование подчеркивает, что интеграция ИИ в образование является ключевым фактором повышения эффективности диагностики и персонализации лечения в будущем.
Медицинская организация Penn Medicine инициировала проект по внедрению технологий искусственного интеллекта в процесс подготовки медицинских кадров. Основой для реализации данной инициативы послужил образовательный грант в размере 1,1 миллиона долларов, полученный организацией в январе. Основная цель программы заключается в использовании ИИ-инструментов для симуляции клинических сценариев и повышения качества обучения практикующих врачей. Проект направлен на интеграцию передовых алгоритмов в образовательную среду, что позволит более эффективно моделировать сложные диагностические случаи. Данная инициатива представляет значительный интерес для медицинского образования, так как демонстрирует переход от традиционных методов обучения к высокотехнологичным симуляционным моделям на базе ИИ. Реализация проекта может задать новый стандарт подготовки специалистов в крупных медицинских центрах.
В данной статье представлены результаты рандомизированного контролируемого исследования (РКИ), направленного на оценку эффективности специализированной цифровой «серьезной игры» для обучения медицинских специалистов и студентов сложной медицинской терминологии. Исследователи проверяли, может ли геймифицированный подход улучшить запоминание и понимание терминов по сравнению с традиционными методами обучения. Методология включала разделение участников на контрольную и экспериментальную группы, где последняя использовала интерактивное игровое приложение. Ключевые результаты исследования демонстрируют статистически значимое преимущество цифровой игры в скорости усвоения материала и долгосрочном удержании знаний. Данная работа подчеркивает потенциал использования образовательных ИИ-технологий и геймификации в медицинском образовании для повышения квалификации персонала. Результаты исследования могут быть интегрированы в системы непрерывного медицинского образования и цифровые платформы для подготовки кадров.
В Сеченовском Университете ведется активная работа по совершенствованию облачной платформы «Виртуальный пациент», предназначенной для обучения студентов-педиатров. Система использует технологии искусственного интеллекта для имитации общения с пациентами, что позволяет будущим врачам отрабатывать навыки сбора анамнеза и постановки диагноза в безопасной цифровой среде. Методология обучения строится на интерактивном взаимодействии, где ИИ-агент имитирует различные клинические случаи и эмоциональные состояния пациентов. Это позволяет минимизировать риск ошибок при реальном клиническом приеме и повысить качество коммуникации между врачом и ребенком/родителем. Внедрение подобных образовательных технологий в медицинское образование способствует более глубокой подготовке специалистов и стандартизации навыков клинического мышления. Проект демонстрирует практическую значимость применения генеративного ИИ и симуляционных технологий в подготовке медицинских кадров нового поколения.
Исследование оценивает эффективность модели DeepSeek в генерации экзаменационных вопросов для обучения радиологов-резидентов. Работа опубликована в журнале npj Digital Medicine 24 марта 2026 года. Исследование фокусируется на применении больших языковых моделей в медицинском образовании, что является важной областью цифровизации здравоохранения. Авторы анализируют качество сгенерированных вопросов, их соответствие образовательным стандартам и соответствие клинической практике радиологии. Результаты показывают потенциал ИИ-моделей для автоматизации создания учебных материалов, что может снизить нагрузку на преподавателей и стандартизировать оценку знаний резидентов. Работа демонстрирует практическое применение ИИ не только в клинической диагностике, но и в подготовке медицинских кадров. Исследование имеет значение для развития адаптивных образовательных платформ в радиологии и смежных медицинских специальностях.
Протокол исследования валидации упрощённой модели ИИ-менторства для медицинского образования. ИИ использует unsupervised machine learning для группировки студентов по многомерным показателям успеваемости и генерации персонализированных текстовых рекомендаций. Пилотное исследование включает 40 студентов-медиков и преподавателей для оценки реализуемости и согласованности с оценками преподавателей.
Статья рассматривает роль искусственного интеллекта как когнитивного партнера для клиницистов, помогая организовать и контекстуализировать большие объемы медицинской информации. Автор утверждает, что ИИ должен не заменять врачей, а усиливать их клиническое суждение, эмпатию и человеческое взаимодействие с пациентами.
