Систематический обзор и мета-анализ оценивают эффективность систем распознавания позы на базе машинного и глубокого обучения для предотвращения профессиональных заболеваний опорно-двигательного аппарата. Исследование показывает, что глубокое обучение превосходит классическое машинное обучение по точности и чувствительности, а гибридные решения достигают точности более 99%. Результаты подтверждают высокую эффективность ИИ-методов в эргономическом мониторинге, хотя уровень доказательности для реальных условий остается низким.
В статье представлена концептуальная архитектура SOMA — система управления профилактическим здоровьем, предназначенная для адаптивной цифровой поддержки самоконтроля пациентов. Основная цель разработки — преодоление фрагментарности существующих потребительских инструментов, которые редко интегрируют мультимодальные данные, научные доказательства и ограничения безопасности в единую структуру. Архитектура включает пять взаимосвязанных компонентов: ядро цифрового двойника, синтезирующее вектор состояния здоровья из биологических и поведенческих данных; ядро научного интеллекта для оценки качества доказательств; реляционное ядро для коммуникации; профиль управления здоровьем пользователя и движок непрерывного обучения. Ключевым элементом является интеграция этих модулей с жесткими границами безопасности и медицинской эскалации, что позволяет формировать управляемые рекомендации, снижающие риски некорректной помощи. Исследование выводит пять проверяемых гипотез для будущей эмпирической валидации, подчеркивая, что на данный момент SOMA является теоретической моделью без подтвержденной клинической эффективности. Работа вносит вклад в организацию здравоохранения, предлагая структурированный подход к governance (управлению) цифровых медицинских продуктов, хотя и не содержит результатов внедрения или тестирования ИИ-моделей на реальных данных.
