психиатрия

Данный обзорный материал посвящен анализу современных подходов машинного обучения, применяемых для раннего выявления и прогнозирования послеродовой депрессии (ПРД). Авторы исследуют различные алгоритмы, включая случайный лес, поддержку векторных машин и нейронные сети, которые используются для обработки клинических, психологических и биометрических данных пациенток. В работе систематизированы методологии построения прогностических моделей, позволяющих выявить группы высокого риска еще до проявления тяжелых симптомов. Особое внимание уделяется точности различных моделей, где показатели чувствительности и специфичности варьируются в зависимости от используемых наборов данных. Исследование подчеркивает значимость интеграции ИИ в систему охраны материнства для снижения нагрузки на психиатрические службы. Результаты обзора указывают на потенциал персонализированной медицины в управлении ментальным здоровьем после родов через автоматизированный мониторинг.

Данное исследование представляет инновационный метод применения технологий искусственного интеллекта для раннего выявления рисков суицидального поведения у подростков в США. Авторы предлагают использовать алгоритмы машинного обучения для анализа специфических паттернов данных, которые могут указывать на критическое психическое состояние молодежи. Методология исследования направлена на интеграцию ИИ-инструментов в существующие системы психологической поддержки и мониторинга. Ключевым результатом является разработка модели, способной поддерживать инициативы по предотвращению кризисных состояний, обеспечивая более точную стратификацию рисков. Практическая значимость работы заключается в возможности масштабирования подобных ИИ-решений для снижения уровня смертности среди подростков через предиктивную аналитику. Внедрение данного подхода может существенно оптимизировать работу служб психологической помощи и повысить эффективность профилактических программ.

В данном материале рассматриваются критические барьеры, с которыми сталкиваются подростки ЛГБТК+ при попытке получить доступ к аффирмативной психиатрической помощи. На основе совместного расследования Fierce Healthcare и Uncloseted Media анализируется текущее состояние системы здравоохранения, которая становится всё менее доступной для этой уязвимой группы населения. В материале представлены истории трансгендерных подростков, их семей и экспертов, вынужденных работать в условиях крайне напряженной и дефицитной системы медицинского обслуживания. Основное внимание уделяется тому, как сокращение доступа к специализированной помощи напрямую влияет на ментальное здоровье молодежи. Исследование подсвечивает системные пробелы в предоставлении психологической поддержки, что требует немедленного внимания со стороны регуляторов и медицинских организаций. Несмотря на отсутствие глубокого технического разбора алгоритмов ИИ, статья критически важна для понимания контекста применения цифровых решений и телемедицины в сфере ментального здоровья.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.

Исследование направлено на прогнозирование риска суицидальных мыслей у 908 женщин в Испании с использованием пяти моделей машинного обучения. Наилучшие результаты показала модель Random Forest, выявившая такие предикторы, как низкий вес ребенка при рождении, история ментальных расстройств и домашнее насилие.

В статье представлен PsychiatryBench — специализированный комплексный бенчмарк, разработанный для оценки способностей больших языковых моделей (LLM) в области психиатрии. Исследователи создали многозадачную платформу, которая позволяет тестировать модели на знание клинических протоколов, способность к диагностическому рассуждению и навыки ведения терапевтического диалога. Методология включает в себя проверку моделей на различных сценариях, имитирующих реальную клиническую практику психиатра. Ключевым результатом является выявление существенных различий в производительности современных LLM при решении задач, требующих глубокого понимания ментального здоровья и нюансов человеческого поведения. Данная разработка имеет критическое значение для интеграции ИИ в психиатрическую помощь, обеспечивая стандартизированный способ проверки безопасности и точности нейросетевых помощников. Использование PsychiatryBench позволит разработчикам более эффективно настраивать модели для поддержки врачей-психиатров и минимизировать риски ошибочных клинических рекомендаций.

В статье рассматривается дискуссия вокруг новых проектов клинических рекомендаций (КР) по расстройствам аутистического спектра (РАС). Ассоциация психиатров и психологов за научно обоснованную практику (АПсиП) в комментарии изданию Vademecum защищает приоритет немедикаментозных методов помощи, что соответствует современному мировому научному консенсусу. Данная позиция вступает в противоречие с проектом КР по детскому аутизму от Российского общества психиатров, который предлагает значительно расширенный перечень препаратов для купирования сопутствующих состояний. Эксперты АПсиП подчеркивают, что акцент на поведенческой и психологической терапии не означает полный отказ от фармакотерапии, а лишь предполагает её применение строго при наличии значимых клинических показаний. Разногласия в подходах к разработке стандартов лечения подчеркивают текущую неопределенность в методологии ведения пациентов с РАС в российской клинической практике.

Ассоциация психиатров и психологов за научно обоснованную практику (АПсиП) совместно с Союзом педиатров России инициировала общественное обсуждение альтернативного проекта клинических рекомендаций по расстройствам аутистического спектра (РАС). Данный документ является ответом на ранее опубликованные рекомендации Российского общества психиатров, вышедшие в середине марта 2026 года. Основное различие между двумя проектами заключается в терапевтической стратегии: если первый вариант делает упор на расширение медикаментозного лечения, то новый проект ориентирован на приоритетное использование немедикаментозных методов и ограничение фармакологического вмешательства. Текущая ситуация характеризуется профессиональной дискуссией и разногласиями в подходах к ведению пациентов с РАС. Разработка данных рекомендаций имеет важное значение для стандартизации помощи детям и взрослым с аутизмом в России.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный подход к лечению большого депрессивного расстройства (БДР) с использованием цифровых биомаркеров на основе электроэнцефалографии (ЭЭГ). Авторы разработали метод персонализации параметров транскраниальной магнитной стимуляции (ТМС), который позволяет адаптировать терапию под индивидуальные нейрофизиологические особенности пациента. Использование ЭЭГ-данных в качестве цифрового биомаркера позволяет точнее определять целевые зоны коры головного мозга и оптимизировать протоколы стимуляции. Методология исследования направлена на преодоление проблемы низкой эффективности стандартных протоколов ТМС, которые часто применяются по принципу «один размер для всех». Ключевым результатом является возможность повышения клинической эффективности терапии за счет точной настройки нейромодуляции. Данная разработка имеет высокую значимость для психиатрической практики, предлагая переход к прецизионной (высокоточной) нейротерапии на основе объективных данных мониторинга мозговой активности.

Компания GATC Health использовала ИИ-платформу Operon для поиска новых мишеней и дизайна молекул, способных бороться с опиоидной зависимостью. Разработанное соединение GATC-1021 успешно снизило тягу к фентанилу у подопытных животных без побочных эффектов, демонстрируя потенциал для ускорения разработки лекарств.

Исследование опубликовано в журнале npj Digital Medicine издательства Nature, посвящённом цифровым технологиям в медицине. Работа посвящена оценке клинических сценариев (вигнеток), созданных с помощью искусственного интеллекта, которые демонстрируют взаимодействие пациентов с чат-ботами в психиатрической практике. Исследование имеет критическое значение для понимания того, как ИИ может моделировать реальные клинические ситуации и использовать их для обучения медицинских специалистов или тестирования цифровых терапевтических инструментов. Применение ИИ-генерации сценариев позволяет создавать разнообразные клинические кейсы без необходимости сбора реальных данных пациентов, что решает вопросы конфиденциальности. Психиатрический контекст особенно важен, так как психическое здоровье является одной из областей, где чат-боты и цифровые инструменты уже активно внедряются. Результаты такого исследования помогают оценить качество и реалистичность ИИ-генерируемого контента для медицинского образования и клинического применения. Публикация в авторитетном журнале npj Digital Medicine указывает на высокую научную ценность работы и её соответствие современным стандартам доказательной медицины.

Исследование предлагает фреймворк федеративного обучения для совместного скрининга расстройства аутистического спектра (РАС) у детей, подростков и взрослых без обмена чувствительными данными пациентов. Персонализированные подходы федеративного обучения достигли глобальной точности 97,2% для детей, 89,5% для подростков и 86,8% для взрослых, превзойдя традиционные централизованные модели. Метод обеспечивает масштабируемое, точное и защищённое конфиденциальностью решение для обнаружения РАС в реальной клинической практике.