5 статей
В обзоре анализируется применение ИИ и машинного обучения для прогнозирования несоблюдения пациентами режима приема лекарств при таких заболеваниях, как ВИЧ, диабет и гипертензия. Исследование показывает, что модели на основе электронных медкарт и паттернов аптечных закупок достигают высокой точности (AUC 0.70–0.95), но сталкиваются с барьерами в виде предвзятости алгоритмов и проблем интерпретируемости.
В данном исследовании, опубликованном в журнале npj Digital Medicine, рассматривается инновационный подход к реабилитации пациентов с двуязычной афазией через использование технологии цифровых двойников (digital twins). Авторы провели двойное слепое рандомизированное контролируемое исследование, чтобы оценить эффективность прогностических моделей ИИ в предсказании динамики восстановления речевых функций. Методология включала создание персонализированных цифровых моделей пациентов, которые интегрировали нейровизуализационные данные и лингвистические профили для симуляции различных сценариев терапии. Ключевые результаты демонстрируют, что использование цифровых двойников позволяет значительно точнее прогнозировать успех терапевтических вмешательств по сравнению с традиционными клиническими методами. Это открывает новые возможности для персонализированной медицины, позволяя врачам оптимизировать протоколы лечения на ранних этапах. Технология имеет критическое значение для нейрореабилитации, обеспечивая переход от стандартных подходов к высокоточному моделированию восстановления когнитивных функций.
Исследование посвящено применению моделей машинного обучения для дифференциации пациентов с рассеянным склерозом от здорового контроля и классификации фенотипов заболевания. Модели показали высокую точность (до 96%) в диагностике и эффективно прогнозируют уровень инвалидизации (шкала EDSS) на основе данных МРТ и клинических показателей.
Исследование посвящено оценке эффективности нового ИИ-индекса заживления (Healing Index, HI) в сравнении с традиционным методом оценки процента сокращения площади раны (PAR). Использование ИИ направлено на решение проблемы субъективности текущих методов, которые обходятся системе здравоохранения США более чем в 126 миллиардов долларов ежегодно. В ходе ретроспективного анализа на базе верифицированного набора данных из 173 816 ран (включая пролежни, венозные, диабетические и артериальные язвы) было установлено, что модель HI превосходит PAR по скорости прогнозирования. К третьей неделе ИИ-индекс достиг сбалансированной точности в 65%, в то время как традиционному методу PAR потребовалась четвертая неделя для достижения аналогичного показателя. Раннее выявление рисков замедленного заживления позволяет врачам своевременно корректировать тактику лечения, оптимизировать распределение ресурсов и снижать экономическую нагрузку на медицинские учреждения. Внедрение подобных интеллектуальных систем в клиническую практику способно радикально изменить стандарты ухода за хроническими ранами.
Исследование разработало и валидировало интерпретируемые модели машинного обучения для прогнозирования развития псевдокист поджелудочной железы у пациентов с острым панкреатитом. Сравнивались 9 алгоритмов ML, оптимальной оказалась модель случайного леса с AUC 0.884 на внутреннем тесте и 0.914 на временной валидации. Анализ SHAP показал, что низкий уровень кальция и повышенный СРБ являются наиболее важными предикторами риска.
