7 статей
В статье представлен систематический обзор 37 исследований, посвященных использованию ИИ для ранней диагностики сепсиса в реанимации. Авторы отмечают высокий потенциал машинного обучения, но указывают на критическую нехватку внешней валидации и проблем с интеграцией моделей в реальные клинические рабочие процессы.
В данном масштабном обзоре (scoping review) систематизированы данные о применении больших языковых моделей (LLM) в медицинской сфере, охватывающий период с 2019 по апрель 2026 года. Исследование включало анализ 78 релевантных работ, из которых 68% были опубликованы в период с 2023 по 2025 год, что указывает на стремительный рост интереса к теме. Выделено пять ключевых областей применения: клиническая документация и суммаризация, поддержка принятия врачебных решений, коммуникация с пациентами, биомедицинские исследования и административные процессы. Анализ показал, что подавляющее большинство исследований (89%) носят характер бенчмарков или симуляций, тогда как реальные проспективные оценки в рабочих процессах составляют лишь 11%. Среди выявленных преимуществ отмечены повышение эффективности документооборота и качества текстов, однако зафиксированы серьезные риски: галлюцинации моделей, упущение критически важной клинической информации, демографические предубеждения, уязвимости конфиденциальности и автоматизированная предвзятость. Авторы предлагают многомерную структуру оценки и управления, включающую пять измерений: техническую производительность, клиническую валидность, справедливость (equity), интеграцию в рабочий процесс и управление (governance), а также трехуровневую модель риска. Работа подчеркивает необходимость проспективной оценки, стандартизированной отчетности и непрерывного мониторинга для безопасного внедрения LLM в здравоохранение.
Данная работа представляет собой систематический обзор (scoping review) применения методов обучения с подкреплением (Reinforcement Learning, RL) для оптимизации протоколов лечения сепсиса. Исследование анализирует, как алгоритмы ИИ могут использоваться для динамического принятия решений в критических состояниях, когда требуется точная дозировка вазопрессоров и инфузионная терапия. В обзоре рассматриваются различные архитектуры нейронных сетей и подходы к моделированию среды пациента, что критически важно для снижения смертности при сепсисе. Авторы систематизируют текущие достижения в области использования RL, выделяя переход от статических клинических рекомендаций к персонализированным адаптивным стратегиям. Основное внимание уделяется методологическим сложностям, таким как проблема смещения данных и необходимость валидации алгоритмов на реальных клинических данных (offline RL). Работа подчеркивает огромный потенциал ИИ в поддержке принятия врачебных решений в отделениях интенсивной терапии, предлагая дорожную карту для будущих клинических испытаний.
Данная научная работа представляет собой масштабный картографический обзор (mapping review), систематизирующий существующие систематические обзоры по применению технологий искусственного интеллекта в клинической практике. Авторы провели глубокий анализ литературы, чтобы определить текущие направления, методологические подходы и пробелы в знаниях относительно внедрения ИИ в здравоохранение. Исследование охватывает широкий спектр медицинских областей, классифицируя использование алгоритмов машинного обучения для диагностики, прогнозирования и поддержки принятия клинических решений. В работе подчеркивается необходимость стандартизации протоколов оценки ИИ-решений для обеспечения их безопасности и эффективности в реальных условиях. Результаты обзора позволяют исследователям и практикующим врачам увидеть целостную картину зрелости технологий ИИ в различных медицинских дисциплинах. Работа служит важным ориентиром для понимания того, какие сегменты медицины уже интегрировали ИИ, а какие остаются недостаточно изученными.
Обзор систематизирует применение ИИ для мониторинга инфекций, прогнозирования рисков и помощи в назначении антибиотиков в стационарах. Исследование выявило разрыв между высокой технической точностью моделей и недостатком доказательств их реальной клинической эффективности и удобства внедрения.
В статье представлен систематический обзор методов машинного и глубокого обучения для выявления стресса у сотрудников. Исследование анализирует использование носимых сенсоров и мультимодальных данных, выявляя эффективность существующих моделей и пробелы в текущих исследованиях, такие как нехватка данных ЭЭГ.
Данная работа представляет собой обзор границ (scoping review), посвященный проблеме отсева пациентов (dropout) в рамках смешанной терапии (blended therapy) для лечения ментальных расстройств. Исследование фокусируется на отсутствии единого стандарта определения и отчетности о случаях, когда пациенты прекращают терапию, сочетающую цифровые инструменты и очное взаимодействие с врачом. Авторы анализируют текущую методологию в существующих публикациях, выявляя значительную вариативность в том, как классифицируется завершение курса лечения. Основная цель работы — разработать более строгие протоколы отчетности, которые позволят точнее оценивать эффективность цифровых психологических интервенций. Результаты подчеркивают необходимость стандартизации метрик для улучшения клинической практики и интеграции ИИ-решений в психологическую помощь. Это имеет критическое значение для разработки масштабируемых цифровых программ ментального здоровья.
