Искусственный интеллект в здравоохранении - обратная сторона медали!

Искусственный интеллект (ИИ) стремительно трансформирует системы здравоохранения и клиническую практику, увеличивая необходимость подготовки будущих врачей к эффективному взаимодействию с технологиями ИИ в клинических условиях. Несмотря на возрастающий интерес к интеграции ИИ в медицинское образование, эмпирические данные о готовности студентов медицины использовать ИИ остаются ограниченными. Настоящее исследование направлено на оценку готовности к медицинскому ИИ среди студентов медицинских вузов Кореи и изучение факторов, связанных с этой готовностью. Было проведено поперечное исследование среди студентов, обучающихся в шестилетней медицинской программе в университете Кореи. Всего в исследовании участвовали 204 студента. Готовность к медицинскому ИИ оценивалась с помощью Шкалы готовности к медицинскому ИИ для студентов (MAIRS-MS), которая охватывает четыре области: когнитивная, способность, видение и этика. Описательная статистика, независимые t-тесты и корреляционный анализ Пирсона проводились с использованием SPSS версии 27. Средний балл готовности к медицинскому ИИ составил 4,19 по 7-балльной шкале Лайкерта, что указывает на средний уровень готовности к медицинскому ИИ. Среди подшкал наивысший средний балл был у этики (4,69), за ним следовали видение (4,44), способность (4,18) и когнитивная (3,92). Частота использования ИИ была значительно связана с готовностью к медицинскому ИИ, в то время как ежедневная продолжительность использования ИИ не имела значительного отношения. Значительных различий по полу не было обнаружено. Когда студенты были разделены на группы с низким (предварительно медицинские годы 1-2) и высоким (медицинские годы 1-4) уровнем, группа с высоким уровнем показала значительно более высокие баллы только в подшкале способности. Результаты показывают, что студенты медицины еще не готовы достаточно использовать технологии ИИ в клинической практике, особенно в отношении знаний и практических навыков, связанных с ИИ. Эти результаты подчеркивают необходимость структурированного и долгосрочного образования по ИИ в медицинских учебных планах для лучшей подготовки будущих врачей к интегрированным в ИИ условиям здравоохранения.

Мультимодальные подходы в области искусственного интеллекта (ИИ), интегрирующие разнородные источники данных, представляют собой новую границу в оценке фиброза печени. Тем не менее, использование мультимодального ИИ для стадирования фиброза печени было лишь предварительно исследовано, и существующие данные ограничены значительными методологическими пробелами. Этот обзор aims был направлен на полное картирование текущих данных о мультимодальных ИИ моделях, которые интегрируют медицинскую визуализацию с другими категориями данных для прогнозирования стадии фиброза печени. Следуя методологии Института Джоанны Бриггс и рекомендациям PRISMA-ScR, мы провели поиск в MEDLINE, Web of Science, CENTRAL и IEEE Xplore 12 августа 2025 года. В исследования были включены работы, разрабатывающие модели ИИ или машинного обучения для прогнозирования фиброза печени и интегрирующие как минимум одну визуализационную модальность с разнородными категориями данных (например, клинические параметры или сывороточные биомаркеры). Три рецензента независимо отобрали записи, и извлеченные данные были независимо проверены двумя дополнительными рецензентами. Из 2849 записей 21 исследование соответствовало критериям допуска, что дало 34 различных мультимодальных ИИ модели. Исследования были географически сосредоточены в Китае (81%) и в основном фокусировались на заболеваниях печени, связанных с гепатитом B. Наиболее распространенным подходом были радиомика на основе КТ, комбинированная с сывороточными биомаркерами, в то время как архитектуры глубокого обучения применялись реже. В 107 оценках AUC медиана AUC составила 0.890 (межквартильный диапазон 0.850-0.925). AUC внешней валидации (12 оценок из 6 исследований) варьировалась от 0.808 до 0.990; 3 оценки внутреннего тестирования из одного исследования оказались ниже 0.70. Тем не менее, внешний контроль был представлен только у 20.6% моделей, при этом отчетность о калибровке и анализ кривой принятия решений были описаны в 23.1% и 24.1% оценок соответственно. Этот обзор выявил начинающуюся область с об encouraging диагностической производительностью, но с существенными пробелами во внешней валидации, отчетности о калибровке и оценке клинической полезности. Будущие исследования должны приоритизировать методологически строгую валидацию и оценивать влияние на клинические решения.

Миелоидные клетки, включая макрофаги, моноциты, нейтрофилы и дендритные клетки, являются метаболически пластичными стражами, формирующими микроокружение опухоли. Среди множества метаболитов в раке лактат и никотинамид аденин динуклеотид (NAD⁺) выделяются как центральные координаторы судьбы миелоидных клеток. Накопление лактата, вызванное гликолизом опухоли, глубоко перепрограммирует метаболизм миелоидных клеток через рецептор-опосредованное сигнализирование, транспорт мономолекул и лактилирование гистонов, устанавливая иммуносупрессивные и пронкологические фенотипы. Параллельно, путь утилизации NAD⁺, зависимый от никотинамидфосфорибозилтрансферазы (NAMPT), поддерживает редокс-гомеостаз и эпигенетическую регуляцию в миелоидных клетках, контролируя деацетилирование, опосредованное сиртуинами, и перестройку транскрипции. Появляющиеся доказательства предполагают наличие обратной связи между лактатом и NAMPT, сочетающей доступность экстрацеллюлярного лактата с внутриклеточным оборотом NAD⁺ для поддержания иммунорегуляторных состояний в опухолях. В этом обзоре мы интегрируем современные знания о метаболизме лактата и сигнальном пути NAMPT в миелоидных клетках, ассоциированных с опухолями, подчеркивая их конвергенцию на метаболических и эпигенетических контрольных точках. Мы также обсуждаем, как искусственный интеллект (ИИ) — через интеграцию многослойного анализа на уровне одиночных клеток, пространственные метаболомные выводы и моделирование на основе графов — может расшифровать сложные иммунометааболические сети и ускорить открытие лекарств, направленных на эти пути. Наконец, мы очерчиваем терапевтические стратегии, комбинирующие агентов, нацеленных на лактат, ингибиторы NAMPT и иммунотерапию, акцентируя внимание на перспективах прецизионной иммунообменной терапии, ориентированной на ИИ. Понимание и моделирование оси лактат-NAMPT может открыть новые пути перепрограммирования миелоидного иммунитета и преодоления устойчивости к лечению рака.

С развитием технологий пациенты все чаще ищут медицинскую информацию в интернете, и чат-боты на базе искусственного интеллекта (ИИ), такие как NIPRGPT — наиболее доступный инструмент ИИ для пользователей компьютеров Министерства обороны США — предлагают новый ресурс для ответов на вопросы о фемороацетабулярном импинджменте (ФАИ). На данный момент не проводилось исследований, оценивающих ответы NIPRGPT на ортопедические медицинские вопросы. Основная цель данного исследования заключалась в оценке точности, полноты и читаемости ответов NIPRGPT на распространенные вопросы о ФАИ. Были выбраны двенадцать часто задаваемых вопросов (ЧЗВ) о ФАИ из подготовленного списка и заданы NIPRGPT. Точность и достаточность ответов оценивались панелью сертифицированных хирургов по четырем критериям: отлично (без необходимости в уточнениях), удовлетворительно (необходимы минимальные уточнения), удовлетворительно (необходимы умеренные уточнения) и неудовлетворительно (необходимы существенные уточнения). Кроме того, была оценена читаемость с использованием коэффициента читаемости Флеш-Кинкейда. Из 12 ответов четыре (33,3%) были оценены как отличные, не требующие уточнения, семь (58,3%) — как удовлетворительные, требующие минимальных уточнений, и один (8,3%) — как удовлетворительный, требующий умеренных уточнений. Не было неудовлетворительных ответов. Средняя оценка качества составила 3,38 из 4,0. Однако средний коэффициент читаемости Флеш-Кинкейда составил 19,6, что соответствует уровню читаемости для лиц с послевузовским или специализированным академическим образованием. Согласованность оценок между наблюдателями была низкой, с альфа-коэффициентом Криппендорфа 0,046. NIPRGPT предоставляет ответы на ЧЗВ о ФАИ, которые в целом являются точными и надежными. Однако сложность ответов значительно превышает рекомендуемый уровень читаемости для образовательных материалов для пациентов. Хотя это может быть полезным дополнением в условиях военной медицины, где доступ к информации может быть ограничен, врачам следует учитывать высокие требования к грамотности, которые налагаются на пациентов, использующих этот инструмент.

В исследовании рассматривается использование технологий искусственного интеллекта для диагностики болезни Хиршпрунга, редкого расстройства кишечника, характеризующегося отсутствием нервных клеток в определенных участках толстого кишечника. AI может помочь в улучшении точности и скорости диагностики, что особенно важно для ранней интервенции.

Целью настоящего исследования было оценить точность и надежность четырех моделей искусственного интеллекта (ИИ) — ChatGPT, Copilot, DeepSeek и Gemini — в генерации ссылок в формате PubMed для литературы, связанной с заболеваниями хрусталика, катарактой, расстройствами радужки и патологией передней камеры. Проведено сравнительное исследование точности. В качестве тестовых данных использовалось сорок стандартизированных клинических абзацев из «Обзора офтальмологии» (4-е издание). Каждую модель ИИ попросили сгенерировать ссылки в формате PubMed по стандарту AMA-11. Точность цитирования оценивалась с использованием заранее определенных критериев, включая проверяемость в PubMed, соответствие DOI и библиографическую точность. Два эксперта независимо классифицировали ссылки как полностью цитируемые, частично цитируемые или нецитируемые и оценили согласованность оценок. Точность цитирования значительно варьировала среди моделей. DeepSeek продемонстрировал наивысшую точность (52,5%), за ним следовали ChatGPT (32,5%) и Copilot (20,0%), тогда как Gemini показал наименьшую точность (2,5%) (P < 0,001). Наиболее распространенной ошибкой среди всех моделей были несоответствия DOI. Экспертная проверка подтвердила эти выводы, при этом DeepSeek представил наибольшее количество полностью цитируемых ссылок. Согласие между экспертами было значительным (коэффициент Коэна k = 0,65). Модели ИИ, ориентированные на конкретную область, особенно DeepSeek, превосходят модели общего назначения в генерации ссылок PubMed из офтальмологической литературы. Тем не менее, все оцененные модели демонстрировали ошибки цитирования, что подчеркивает необходимость человеческой верификации. Инструменты ИИ могут улучшить академические рабочие процессы в качестве вспомогательных систем, однако их не следует использовать самостоятельно для генерации ссылок в медицинских исследованиях.