Роль искусственного интеллекта в академическом цитировании: исследование на примере заболеваний хрусталика, катаракты и патологии переднего сегмента.

Около 60%-70% пациентов с метастатическим немелкоклеточным раком легкого (НМРЛ) имеют относительно низкую мутационную нагрузку (МНМ), при этом возможности иммунотерапии, ориентированные на биомаркеры, ограничены за пределами экспрессии PD-L1. Мутационные сигнатуры APOBEC (катализатор редактирования мРНК апопротеина B, подобный полипептид) определяются характерными геномными отпечатками и связаны с более высокой МНМ и лучшим ответом на ингибиторы контрольных точек иммунитета (ИКИ). Однако не установлено, предсказывает ли APOBEC ответ на ИКИ в опухолях с низкой МНМ независимо. Мы проанализировали 857 пациентов с метастатическим НМРЛ, получавших ИКИ, и 1328 пациентов, не получавших ИКИ, с низкой МНМ (<10 мут/Мб) из когорты MSK-CHORD. Статус APOBEC был классифицирован с использованием MESiCA, алгоритма машинного обучения для обнаружения мутационных сигнатур из целевых панелей генов. Прогностическая ценность была установлена через тестирование взаимодействия лечения, многофакторную корректировку, взвешивание по шкале предпочтений и анализы вех. Внешняя валидация включала 82 пациента с низкой МНМ из опубликованных исследований полного экзомного секвенирования. Пациенты с положительными результатами на APOBEC (n = 52, 6.1%) имели значительно улучшенную общую выживаемость [медиана 33.7 против 17.4 месяцев; коэффициент рисков (HR) 0.60, 95% доверительный интервал (CI) 0.42-0.85, P = 0.004]. Нижеуказанная польза не наблюдалась у пациентов, не получавших ИКИ (HR 0.98, P = 0.85), с значительным взаимодействием лечения (P = 0.032), что подтверждает прогностический, а не прогностический эффект. APOBEC оставался независимым предиктором после корректировки по статусу PD-L1 и возрасту (откорректированный HR 0.57, P = 0.002). Эта польза была особенно выражена у пациентов с отрицательным статусом PD-L1, получающих ИКИ (HR 0.51, P = 0.002). Эффект был устойчивым в анализах по шкале предпочтений, вехам и бутстрепам. Внешняя валидация подтвердила независимую пользу APOBEC (откорректированный HR 0.23, P = 0.020). Мутационные сигнатуры APOBEC представляют собой надежный предиктивный биомаркер для ответа на ИКИ у пациентов с метастатическим НМРЛ с низкой МНМ, выявляя ответчиков, особенно среди пациентов с отрицательным статусом PD-L1, где наиболее необходима ориентация на биомаркеры, и их можно обнаружить путем анализа целевых панелей генов, используемых в рутинной клинической практике.

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.

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.

Статья обсуждает влияние искусственного интеллекта на сферу здравоохранения, подчеркивая как его преимущества, так и возможные риски и недостатки. Проводится анализ успешных примеров внедрения ИИ, а также проблем, с которыми сталкиваются медики и пациенты.

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.

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.