30 статей
Представлена ArcMAP — приложение, использующее модель BioLORD для автоматизации сопоставления локальных медицинских кодов со стандартными словарями в системе NHS. Система включает интерфейс для экспертной проверки и конвейер непрерывного обучения, что позволило повысить точность картирования лабораторных тестов с 37,0% до 91,6%.
В рамках инициативы по повышению доступности медицинских записей для пациентов программы Medicare, представители администрации представили первую группу цифровых инструментов здравоохранения. Основное внимание уделяется интеграции технологий для упрощения доступа к личным данным пациентов. Несмотря на запуск этих инструментов, эксперты выражают обеспокоенность относительно проблемы «последней мили» — этапа непосредственного внедрения и массового использования технологий конечными пользователями. Основная сложность заключается не в разработке софта, а в его интеграции в повседневную клиническую практику и обучении пациентов. Данная инициатива является важным шагом в цифровизации государственного сектора здравоохранения США. Успех проекта будет зависеть от того, удастся ли преодолеть барьеры между технологическим потенциалом и реальным использованием инструментов врачами и пациентами.
Исследователи из Петрозаводского государственного университета представили инновационную систему на базе искусственного интеллекта, предназначенную для прогнозирования риска преждевременных родов. В основе решения лежит алгоритм градиентного бустинга CatBoost, который эффективно обрабатывает сложные паттерны в данных электронных медицинских карт. Методология исследования заключалась в анализе совокупности клинических факторов и анамнеза пациенток для выявления скрытых закономерностей, предшествующих осложнениям. Разработанная модель позволяет автоматизировать процесс скрининга и выделить группы высокого риска на ранних этапах беременности. Результаты работы, подтверждающие эффективность применения машинного обучения в акушерстве, были официально опубликованы в специализированном научном журнале «Акушерство, гинекология и репродукция». Внедрение данной технологии в клиническую практику может значительно снизить уровень младенческой смертности и улучшить качество ведения беременности.
Данная научная статья, опубликованная в журнале npj Digital Medicine, исследует возможности внедрения больших языковых моделей (LLM) в процессы прогнозной аналитики в медицинских учреждениях. Исследование фокусируется на том, как интеграция LLM позволяет значительно повысить точность предсказания клинических исходов по сравнению с традиционными статистическими методами. Авторы анализируют методологию объединения неструктурированных данных из электронных медицинских карт с количественными показателями для создания комплексных прогностических моделей. Ключевые результаты демонстрируют улучшение точности прогнозирования рисков осложнений и госпитализаций благодаря способности моделей интерпретировать контекстуальные нюансы в записях врачей. Работа подчеркивает значимость использования LLM для персонализации планов лечения и оптимизации распределения ресурсов в реальном времени. Практическая ценность исследования заключается в создании фундамента для разработки интеллектуальных систем поддержки принятия врачебных решений нового поколения.
Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено применению больших языковых моделей (LLM) для автоматизации процесса контроля качества выписных эпикризов. Традиционно оценка качества медицинских документов требует значительных временных затрат со стороны врачей, что делает ручной мониторинг неэффективным. Авторы предлагают методологию, использующую LLM для автоматического сопоставления данных в выписных документах с клиническими записями, обеспечивая высокую точность проверки полноты и корректности информации. Внедрение данного решения позволяет масштабировать проекты по улучшению качества медицинской документации без увеличения нагрузки на персонал. Результаты демонстрируют, что использование ИИ значительно сокращает время на аудит документов, сохраняя при этом уровень точности, сопоставимый с экспертной оценкой человека. Это имеет критическое значение для повышения безопасности пациентов и оптимизации документооборота в современных медицинских учреждениях.
Статья исследует фундаментальный сдвиг в методологии формирования когорт пациентов в аналитике здравоохранения благодаря внедрению искусственного интеллекта. Традиционно процесс когортирования рассматривался как механическое построение запросов, однако современные ИИ-технологии превращают его в многомерную архитектурную задачу, учитывающую клинические нюансы и временную логику. Основная сложность заключается в работе с фрагментированными данными из электронных медицинских карт (EHR) и страховых претензий, которые предназначены для биллинга, а не для глубокого анализа. ИИ позволяет решать проблему семантического картирования, переводя сложные клинические намерения (например, поиск пациентов с диабетом 2 типа на определенной терапии и конкретными показателями ИМТ) в точную логику через системы кодирования ICD-10, CPT и LOINC. Переход от непрозрачных операций к последовательным, валидируемым рабочим процессам с помощью ИИ минимизирует риски смещения данных и ошибок в расчетах. Это имеет критическое значение для создания качественных доказательств реального мира (RWE), экономики здравоохранения (HEOR) и планирования клинических разработок.
В исследовании представлен FM-GPT — инновационный байесовский метод тонкого картирования (fine mapping), разработанный для приоритизации причинно-следственных генов в рамках полнофеномных транскриптомно-широких исследований ассоциаций (TWAS). Метод эффективно справляется с проблемой ложных сигналов, вызванных неравновесием по сцеплению и корреляцией экспрессии генов, позволяя анализировать множество взаимосвязанных фенотипов одновременно. FM-GPT использует генно-направленное снижение размерности фенотипов, что позволяет выявлять как плейотропные, так и специфические для конкретных фенотипов эффекты генов. В ходе симуляций метод продемонстрировал более высокую точность идентификации истинных причинных генов по сравнению с существующими аналогами при строгом контроле ложноположительных результатов. Применение алгоритма к данным UK Biobank позволило детально изучить генетические основы толщины коры головного мозга и клинических фенотипов из электронных медицинских карт (EHR). В частности, были выявлены пять генов на 17-й хромосоме (BCAS3, LRRC37A, NOS2P3, ARL17B и UBB), регулирующих морфологию нейронов, а также обнаружены ключевые оси вариации, указывающие на компромисс в регуляции генов между иммунной и метаболической функциями. Данная разработка значительно расширяет возможности трансляционных исследований и изучения коморбидности.
Компания Epic, ведущий разработчик систем электронных медицинских карт (EHR), представила новый функционал, предназначенный для мониторинга эпидемиологической ситуации. Система анализирует данные о состоянии здоровья населения в режиме реального времени на уровне отдельных округов и автоматически генерирует оповещения при обнаружении аномального роста заболеваемости. Данная технология позволяет медицинским организациям и государственным службам здравоохранения быстрее реагировать на вспышки инфекционных заболеваний и планировать распределение ресурсов. Внедрение подобных инструментов мониторинга на базе данных EHR значительно повышает эффективность общественного здравоохранения и позволяет перейти от реактивной модели к проактивному управлению рисками. Интеграция аналитических модулей непосредственно в рабочую среду врачей упрощает процесс отслеживания локальных эпидемиологических трендов.
Исследование посвящено преобразованию гетерогенных онкологических данных из локальных электронных медицинских карт в стандартизированную модель OMOP-CDM. Процесс гармонизации позволил создать базу данных для крупномасштабного анализа и участия в федеративных сетевых исследованиях.
В статье рассматривается растущее использование генеративного искусственного интеллекта (GenAI) для автоматического составления черновиков ответов на сообщения пациентов через медицинские порталы с целью снижения нагрузки на врачей. Исследование выявило, что, несмотря на заметный эффект для оптимизации рабочего процесса, существуют серьезные риски безопасности, когда клиницисты пропускают ошибки или принимают сгенерированный текст без должной редактуры. Авторы предлагают комплексную модель управления (governance), которая включает в себя ограничение области применения ИИ, многоуровневую оценку рисков и обязательную подотчетность человека как конечного автора сообщения. Предложенная методология также делает упор на аудит процессов и прозрачность для пациентов, чтобы избежать нормализации небезопасного делегирования задач алгоритмам. Внедрение таких механизмов контроля критически важно по мере масштабирования ИИ и его глубокой интеграции в электронные медицинские карты (EHR). Это позволит сохранить эффективность технологий, не жертвуя качеством и безопасностью медицинской коммуникации.
Статья рассматривает проблему дефицита времени на общение врача с пациентом из-за бюрократии и цифровизации. Автор предлагает использовать ИИ для автоматизации рутинных задач, таких как суммаризация медицинских заметок, чтобы освободить время врача для установления человеческого контакта.
Статья исследует проблему выгорания администраторов и врачей, вызванную неэффективными рабочими процессами и внедрением новых технологий. Автор подчеркивает, что для решения проблемы нехватки кадров необходимо не просто нанимать новых сотрудников, а пересматривать структуру выполнения задач и интегрировать ИИ-пилоты с существующей инфраструктурой электронных медкарт.
Исследование компании Qventus выявило значительный сдвиг в стратегии ИТ-руководителей медицинских организаций относительно внедрения искусственного интеллекта. Ранее медицинские системы демонстрировали высокую степень зависимости от дорожных карт вендоров электронных медицинских карт (EHR), ожидая интеграции ИИ-функций непосредственно в свои основные системы. Однако текущие данные показывают резкое изменение приоритетов: лишь 22% респондентов готовы ждать появления ИИ-возможностей от поставщиков EHR, что является существенным снижением по сравнению с 52% в 2025 году. Этот тренд указывает на стремление медицинских учреждений к самостоятельному внедрению специализированных ИИ-решений, не дожидаясь обновлений от крупных разработчиков ПО. Таким образом, организации переходят от пассивного ожидания к активному поиску сторонних инструментов для оптимизации процессов. Данное изменение может ускорить рынок специализированного медицинского ИИ, но одновременно создаст сложности с интеграцией разрозненных систем.
Статья описывает возможности и архитектурные особенности корпоративных систем электронных медицинских карт (ЭМК) для крупных организаций. Рассматриваются вопросы масштабируемости, интероперабельности через API и централизованного управления данными.
Статья рассматривает сложности внедрения ИИ-пилотов в медицинские организации, подчеркивая разрыв между возможностями моделей и инфраструктурой электронных медицинских карт (ЭМК). Автор анализирует, почему для долгосрочного успеха ИИ должен быть интегрирован в рабочие процессы ЭМК, а не существовать как отдельный инструмент.
Компания Ambience Healthcare представила новый инструмент Chart Chat — искусственный интеллектуальный помощник, встроенный непосредственно в систему электронных медицинских карт (EHR). Продукт разработан специально для медсестёр, чтобы упростить работу с медицинской документацией и улучшить понимание клинической картины пациентов. Инструмент прошёл пилотное тестирование в Cleveland Clinic, где медсёстры оценили его полезность в повседневной работе. По словам Танхи Кабир, руководителя продукта в Ambience Healthcare, использование Chart Chat помогает медперсоналу формировать более полное и уверенное понимание состояния пациентов. Интеграция с EHR позволяет ИИ-копилоту работать непосредственно в существующем рабочем процессе медсестёр без необходимости переключения между системами. Решение направлено на снижение административной нагрузки на медицинский персонал и повышение качества взаимодействия с пациентами. Запуск продукта знаменует собой важный шаг в развитии ИИ-технологий для поддержки клинических работников в реальных условиях больничной практики.
Исследование Yakdan и коллег посвящено проблеме переносимости фундаментальных моделей (foundation models) в клинической практике. Авторы обучили модели для прогнозирования шейного спондилотического миелопатии на основе данных электронных медицинских карт. На внутренних валидационных наборах данных фундаментальные модели превзошли традиционные подходы машинного обучения. Однако при внешней валидации в разных клинических настройках преимущество моделей исчезло. Это указывает на то, что сложные, плотно-сигнальные паттерны, выученные фундаментальными моделями, могут плохо обобщаться между популяциями и средами. Особенно критична эта проблема для редких исходов, где дефицит данных усугубляет вопросы переносимости. Авторы рекомендуют проводить локальную валидацию, анализ подгрупп и учитывать нагрузку на внедрение перед клиническим использованием. Исследование имеет важное значение для планирования систем здравоохранения и ответственного внедрения ИИ в медицину.
Авторы представляют инструмент TEXLoS для анализа влияния амбулаторных услуг на длительность госпитализации, используя методы классификации трасс и обнаружения процессов. На реальных данных итальянской больницы достигнута точность 93% с подтверждённой интерпретируемостью результатов конечными пользователями.
Статья о внедрении автоматизации в медицинские практики для снижения административной нагрузки на врачей и улучшения опыта пациентов. Описываются автоматизированные процессы для записи, регистрации, документации и биллинга, которые позволяют клиницистам уделять больше времени непосредственной работе с пациентами.
Статья обсуждает проблему фрагментации данных в клинических испытаниях: современные системы сбора данных (носимые устройства, электронные медкарты, eCOA-платформы) не интегрированы между собой, что создаёт «налог на силосы» и замедляет получение инсайтов. Приводятся данные Tufts Center о росте объёма данных в Phase III trials на 67% с 2020 года. Автор утверждает, что 2026 год станет переломным для отрасли в решении проблемы интеграции данных как научной, а не IT-задачи.
