Искусственный интеллект в медицинских технологиях: модели, методы и перспективы клинического применения

М. В. Федоров; Д. А. Репин; О. Ю. Клевцова; С. А. Игнатьев; О. И. Бедрик; М. Е. Изотова; К. А. Буслов; А. А. Щеголева; В. В. Демко

doi:10.15829/3034-4123-2026-135

Искусственный интеллект в медицинских технологиях: модели, методы и перспективы клинического применения

М. В. Федоров, Д. А. Репин, О. Ю. Клевцова, С. А. Игнатьев, О. И. Бедрик, М. Е. Изотова, К. А. Буслов, А. А. Щеголева, В. В. Демко

https://doi.org/10.15829/3034-4123-2026-135

EDN: WQYIBS

Полный текст:

PDF (Rus) HTML XML

сгенерировать QR код

Содержание

Перейти к:

Аннотация

Цель. Провести анализ моделей и методов искусственного интеллекта (ИИ), применяемых в медицинских технологиях, а также оценить перспективы их внедрения в клиническую практику с учетом организационных, экономических, этических и нормативных правовых факторов.

Материал и методы. Выполнен аналитический обзор научной литературы и практик внедрения технологий ИИ в здравоохранении. В обзор включены отечественные и зарубежные публикации, индексируемые в базах данных Scopus и PubMed за период 2016-2026 гг., а также нормативные правовые документы Российской Федерации, регулирующие разработку и применение медицинских изделий на основе технологий ИИ. Основное внимание уделялось публикациям, содержащим данные о клинической валидации алгоритмов машинного обучения и глубоких нейронных сетей.

Результаты. Установлено, что технологии ИИ активно применяются для анализа медицинских изображений, обработки клинических данных и поддержки принятия врачебных решений. Наиболее распространенными методами являются алгоритмы машинного обучения, глубокие нейронные сети, включая сверточные архитектуры, а также методы обработки естественного языка. Международные исследования демонстрируют высокую диагностическую точность таких алгоритмов сопоставимую с результатами экспертной оценки профильных специалистов. В Российской Федерации внедрение технологий ИИ осуществляется преимущественно в области лучевой диагностики и анализа медицинских изображений. Вместе с тем, эффективность их применения во многом зависит от качества медицинских данных, особенностей клинической практики, уровня цифровой инфраструктуры и нормативного правового регулирования.

Заключение. ИИ обладает значительным потенциалом для повышения эффективности системы здравоохранения, улучшения точности диагностики и оптимизации клинических процессов. Однако его широкое внедрение требует проведения многоцентровых клинических исследований, развития национальных медицинских датасетов, совершенствования нормативной правовой базы и подготовки медицинских специалистов, обладающих компетенциями в области анализа данных и цифровых технологий.

Ключевые слова

искусственный интеллект, медицинские технологии, машинное обучение, цифровое здравоохранение, алгоритмы диагностики, этика искусственного интеллекта

Для цитирования:

Федоров МВ, Репин ДА, Клевцова ОЮ, Игнатьев СА, Бедрик ОИ, Изотова МЕ, Буслов КА, Щеголева АА, Демко ВВ. Искусственный интеллект в медицинских технологиях: модели, методы и перспективы клинического применения. Первичная медико-санитарная помощь. 2026;3(2):16-22. https://doi.org/10.15829/3034-4123-2026-135. EDN: WQYIBS

For citation:

Fedorov MV, Repin DA, Klevtsova OY, Ignatiev S, Bedrik OI, Izotova ME, Buslov KA, Shchegoleva AA, Demko VV. Artificial intelligence in medical technologies: models, methods, and prospects for clinical application. Primary Health Care (Russian Federation). 2026;3(2):16-22. (In Russ.) https://doi.org/10.15829/3034-4123-2026-135. EDN: WQYIBS

Введение

В последние годы технологии искусственного интеллекта (ИИ) стали одним из ключевых драйверов структурной трансформации здравоохранения, формируя новую модель оказания медицинской помощи, основанную на данных и алгоритмической поддержке принятия решений. Под ИИ понимается совокупность методов машинного обучения (МО), включая нейронные сети, глубокое обучение и обработку естественного языка (Natural Language Processing), способных анализировать большие объемы медицинских данных — от изображений и сигналов до текстовых клинических записей [1][2].

Международные исследования подтверждают, что системы ИИ способны достигать уровня клинических экспертов при решении задач медицинской диагностики. В частности, отдельные исследования показывают, что модели глубокого обучения при анализе медицинских изображений способны обеспечивать диагностическую точность, сопоставимую с экспертной оценкой профильных специалистов [3-6]. Алгоритмы МО также эффективно применяются для анализа данных электронных медицинских карт и лабораторных показателей, позволяя прогнозировать течение заболеваний и оценивать риск осложнений [7][8].

В Российской Федерации развитие технологий ИИ осуществляется в рамках стратегических инициатив цифровой трансформации системы здравоохранения¹. Разрабатываются нормативные документы, регулирующие применение программных медицинских изделий, а также формируются этические принципы использования алгоритмов ИИ в медицинской практике [4][9-11].

Несмотря на значительный потенциал технологий ИИ, их широкое внедрение требует комплексной оценки клинической эффективности, экономической целесообразности и управленческих последствий. Особое значение имеет анализ устойчивости алгоритмов в условиях реальной клинической практики, а также разработка механизмов обеспечения прозрачности и безопасности их применения [12-14].

Целью исследования является анализ моделей и методов ИИ, применяемых в медицинских технологиях, а также оценка перспектив их внедрения в клиническую практику с учетом организационных, экономических и нормативных правовых факторов.

Материал и методы

В работе проведены аналитический обзор научных публикаций и анализ практик внедрения технологий ИИ в здравоохранении. В исследование включены российские и зарубежные научные публикации за период 2016-2026 гг., индексируемые в международных базах данных Scopus и PubMed. В анализ включали прежде всего публикации, содержащие данные о клинической валидации алгоритмов ИИ. Дополнительно проанализированы нормативные правовые документы Российской Федерации, регулирующие разработку, обращение и применение медицинских изделий на основе технологий ИИ, а также процедуры оценки их соответствия.

Результаты

Модели и методы ИИ в медицине

В современной медицинской практике доминируют методы глубокого обучения. Для анализа медицинских изображений широко применяются сверточные нейронные сети (convolutional neural networks), включая архитектуры ResNet, Inception и EfficientNet, обеспечивающие высокую точность выявления патологических изменений [15][16].

Для обработки временных рядов и текстовых медицинских данных используются рекуррентные нейронные сети и трансформерные модели (BERT, RoBERTa), позволяющие выявлять сложные клинические закономерности [17].

В ряде проектов используются гибридные модели, объединяющие методы МО и экспертные правила, что повышает интерпретируемость алгоритмов и облегчает их интеграцию в клинические протоколы [18].

Обучение моделей осуществляется на крупных размеченных медицинских датасетах. В условиях ограниченности национальных массивов данных применяется подход transfer learning, позволяющий адаптировать предобученные модели к локальным клиническим данным [19][20].

Дополнительно развивается метод федеративного обучения, при котором модели обучаются на распределенных данных различных медицинских организаций без передачи первичной информации [21].

Практика внедрения в Российской Федерации

В Российской Федерации реализуется ряд проектов по внедрению технологий ИИ в систему здравоохранения, преимущественно в области анализа медицинских изображений. Одним из крупнейших инфраструктурных проектов является платформа MosMed.AI, объединяющая медицинские организации различных регионов страны и обеспечивающая интеграцию алгоритмов ИИ в клинические информационные системы [22][23].

По состоянию на начало 2026 г. в Российской Федерации зарегистрировано 52 медицинских изделия с применением технологий ИИ. При этом около 53% решений используются для анализа медицинских изображений [24].

Экономическая и организационная эффективность

Анализ отраслевых данных свидетельствует о положительном влиянии технологий ИИ на производительность медицинского персонала [25].

В частности, внедрение алгоритмов поддержки диагностики в системе лучевой диагностики Москвы позволило снизить временные затраты на описание исследований на 15-20% и повысить согласованность диагностических заключений [26].

Экономические оценки показывают, что использование интеллектуальных систем может повысить пропускную способность амбулаторных приемов на 20-30% и сократить число повторных диагностических исследований [27].

По прогнозам аналитических агентств, объем российского рынка ИИ в медицине может достигнуть десятков млрд рублей к 2030 г. [28][29].

Этические и правовые аспекты

Разработка и внедрение технологий ИИ должны соответствовать принципам прозрачности, справедливости и безопасности. Эти принципы закреплены в рекомендациях Всемирной организации здравоохранения и национальных этических кодексах [30].

К основным этическим проблемам применения алгоритмов ИИ относятся:

— недостаточная доказательная база эффективности отдельных решений;

— риск ошибок алгоритмов;

— ограниченная интерпретируемость моделей ("эффект черного ящика");

— вопросы конфиденциальности медицинских данных [31].

Дополнительные сложности возникают при определении юридической ответственности за решения, принятые с использованием алгоритмов ИИ.

Обсуждение

Результаты анализа современной литературы подтверждают значительный потенциал технологий ИИ для повышения эффективности системы здравоохранения и оптимизации клинических процессов [32]. Использование алгоритмов МО и анализа больших данных открывает новые возможности для обработки значительных массивов медицинской информации, повышения точности диагностики и прогнозирования течения заболеваний. В условиях возрастающей нагрузки на системы здравоохранения и дефицита медицинских кадров данные технологии рассматриваются как перспективный инструмент повышения доступности и качества медицинской помощи [33].

Алгоритмы ИИ способны существенно ускорять обработку медицинских данных, включая анализ медицинских изображений, лабораторных показателей, электронных медицинских карт и других клинических параметров. Это позволяет автоматизировать ряд рутинных процессов и снижать вероятность диагностических ошибок. Кроме того, использование систем поддержки принятия врачебных решений может способствовать более точному выбору диагностической и терапевтической тактики, основанной на анализе большого количества клинических данных и современных клинических рекомендаций [34].

Тем не менее, на современном этапе развития медицинских технологий большинство систем ИИ выполняют преимущественно вспомогательную функцию. Они выступают в качестве инструментов поддержки принятия врачебных решений, но не заменяют клиническое мышление врача [35]. Окончательная интерпретация результатов анализа и принятие терапевтических решений остаются в компетенции медицинского специалиста. Подобный подход соответствует концепции "расширенный интеллект", при которой ИИ рассматривается как средство усиления возможностей врача, а не его замещения [36].

Одним из ключевых направлений дальнейших исследований является проведение многоцентровых клинических испытаний алгоритмов ИИ в условиях реальной медицинской практики. Несмотря на большое количество экспериментальных разработок, многие алгоритмы пока не прошли полноценную клиническую валидацию. Проведение рандомизированных и проспективных исследований позволит объективно оценить эффективность и безопасность применения таких технологий в различных клинических сценариях [37].

Не менее важным направлением является разработка стандартизированных методов оценки медицинских технологий, применяемых к системам ИИ. Использование подходов оценки медицинских технологий позволяет анализировать не только клиническую эффективность, но и экономическую целесообразность внедрения ИИ-решений в систему здравоохранения [38]. В условиях ограниченных ресурсов здравоохранения оценка соотношения затрат и эффективности становится одним из ключевых факторов принятия решений о внедрении новых технологий [39].

Следует также учитывать ряд этических и правовых аспектов использования ИИ в медицине. К ним относятся вопросы конфиденциальности медицинских данных, прозрачности алгоритмов, ответственности за клинические решения и предотвращения алгоритмических ошибок. Разработка нормативной правовой базы и этических стандартов применения ИИ является важным условием его безопасного и эффективного внедрения в медицинскую практику [40].

Существенную роль в дальнейшем развитии технологий ИИ в здравоохранении играет подготовка медицинских специалистов, обладающих компетенциями в области анализа данных, цифровых технологий и работы с алгоритмами МО. Включение соответствующих дисциплин в образовательные программы медицинских университетов может способствовать формированию междисциплинарных специалистов, способных эффективно использовать современные цифровые инструменты в клинической практике [40-42].

Таким образом, ИИ представляет собой перспективное направление развития современной медицины, обладающее значительным потенциалом для повышения эффективности диагностики, оптимизации лечебных процессов и улучшения качества медицинской помощи. Однако для полноценной интеграции данных технологий в систему здравоохранения необходимы дальнейшие клинические исследования, разработка нормативных механизмов регулирования и подготовка медицинских специалистов нового поколения.

Заключение

ИИ представляет собой важный инструмент повышения эффективности современных медицинских технологий.

Результаты проведенного анализа показывают, что внедрение алгоритмов МО способствует повышению точности диагностики, сокращению временных затрат медицинского персонала и оптимизации использования ресурсов системы здравоохранения.

Одновременно широкое внедрение технологий ИИ требует решения ряда инфраструктурных, экономических и нормативных задач. Необходимы развитие национальных медицинских датасетов, проведение многоцентровых клинических исследований и совершенствование нормативной правовой базы регулирования медицинских алгоритмов.

При последовательном развитии этих направлений ИИ может стать одним из ключевых факторов цифровой трансформации здравоохранения и повышения доступности медицинской помощи.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.

1. Распоряжение Правительства РФ от 17.04.2024 № 959-р "Об утверждении стратегического направления в области цифровой трансформации здравоохранения" https://www.garant.ru/products/ipo/prime/doc/408813257.

Список литературы

1. Гусев А. В., Владзимирский А. В., Голубев Н. А., Зарубина Т. В. Информатизация здравоохранения Российской Федерации: история и результаты развития. Национальное здравоохранение. 2021;2(3):5-17. doi:10.47093/2713-069X.2021.2.3.5-17.

2. Дедов Д. В., Родионов А. А., Дербенев Д. П. и др. Цифровые технологии: перспектива и преимущество применения для профилактики хронических неинфекционных заболеваний. Проблемы стандартизации в здравоохранении. 2025;7-8:62-71. doi:10.26347/1607-2502202507-08062-071.

3. Свечкарева И.Р., Гусев А.В., Колбин А.С. Перспективы искусственного интеллекта в доклинических и клинических исследованиях. Клиническая фармакология и терапия. 2025;34(1):14-9. doi:10.32756/0869-5490-2025-1-14-19.

4. Мурашко М. А., Ваньков В. В., Панин А. И. и др. Внедрение технологий искусственного интеллекта в здравоохранении России: итоги 2024 г. Национальное здравоохранение. 2025;6(3):6-19. doi:10.47093/2713-069X.2025.6.3.6-19.

5. Zhou T, Lu H, Yang Z. The role of artificial intelligence in precision medicine. Engineering. 2022;8:152-65.

6. Григорьева Н. С. Искусственный интеллект в здравоохранении: состояние, возможности и препятствия. Журнал Новой экономической ассоциации. 2025;4(69):265-73. doi:10.31737/22212264_2025_4_266-273.

7. Li R, Zhang W, Suk HI. Deep learning in healthcare: review and future directions. Neurocomputing. 2021;450:131-146.

8. Аксенова Е. И., Камынина Н. Н., Турзин П. С., Лукичев К. Е. Современные тенденции цифровой трансформации отечественного и зарубежного здравоохранения. Проблемы социальной гигиены, здравоохранения и истории медицины. 2025;33(S2):999-1004. doi:10.32687/0869-866X-2025-33-s2-999-1004.

9. Иванец Н. Н., Кинкулькина М. А., Тихонова Ю. Г. Цифровые технологии в сфере психического здоровья: проблемы и перспективы. Национальное здравоохранение. 2023;4(2):5-14. doi:10.47093/2713-069X.2023.4.2.5-14.

10. Гусев А.В., Морозов С.П., Кутичев В.А., Новицкий Р.Э. Нормативно-правовое регулирование программного обеспечения для здравоохранения, созданного с применением технологий искусственного интеллекта, в Российской Федерации. Медицинские технологии. Оценка и выбор. 2021;43(1):36-45. doi:10.17116/medtech20214301136.

11. Хохлов АЛ., Зарубина Т.В., Котловский М.Ю и др. Механизмы внедрения технологий искусственного интеллекта в здравоохранение: новые этические вызовы. Медицинская этика. 2024;(3):4-10. doi:10.24075/medet.2024.018.

12. Wang F, Preininger A. AI in health: state of the art, challenges, and future directions. Yearb Med Inform. 2019;28:16-26. doi:10.1055/s-0039-1677908.

13. Вошев Д.В., Вошева Н.А., Ше пель Р.Н. и др. Сравнительный анализ использования электронных технологий Интернета вещей в сфере здравоохранения зарубежных стран и России. Ме неджер здравоохранения. 2023;8:44-53. doi:10.21045/1811-0185-2023-8-44-53.

14. Liu X, Cruz Rivera S, Moher D, et al. SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020;26(9):1364-74. doi:10.1038/s41591-020-1034-x.

15. Бондарович А. Ф., Тюфилин Д. С., Тарасенко Т. Д. и др. Региональный опыт использования сервисов с искусственным интеллектом в сфере здравоохранения Российской Федерации в 2023 г. Вестник Российской академии медицинских наук. 2024;79(2):168-74. doi:10.15690/vramn13676.

16. Вошев Д.В. Обзор методологий и моделей оценки цифровой зрелости в медицинских организациях, оказывающих первичную медико-санитарную помощь: международный и российский опыт. Наука молодых (Eruditio Juvenium). 2023;11(4):615-27. doi:10.23888/HMJ2023114615-627.

17. Котловский М. Ю., Армашевская О. В., Соколовская Т. А., Гусев А. В. Разработка и применение цифровых технологий в научных исследованиях по специальности "Организация здравоохранения и общественное здоровье". Врач и информационные технологии. 2024;2:40-51. doi:10.25881/18110193_2024_2_40.

18. Zhang Y, Wang L, Zhang Y, Li Q. Artificial intelligence in medical imaging: a review of current applications and future directions. Chin J Med Imaging Technol. 2023;39(4):561-7.

19. Эхте К. А., Дербенев Д. П., Крячкова О. В., Вошев Д. В. Социальная адаптация медицинских работников в период обучения и на разных этапах их профессиональной деятельности. Профилактическая медицина. 2013;16(2-1):13-7.

20. Вошев Д. В., Вошева Н. А., Сон И. М., Драпкина О. М. Факторы, оказывающие влияние на цифровую трансформацию в первичной медико-санитарной помощи (обзорная статья). Современные проблемы здравоохранения и медицинской статистики. 2023;4:751-74. doi:10.24412/2312-2935-2023-4-751-774.

21. Вошев Д. В., Вошева Н. А. ChatGPT как один из элементов цифровой медицинской грамотности: трансформация здравоохранения и первичной медико-санитарной помощи. Менеджер здравоохранения. 2023;10:58-64. doi:10.21045/1811-0185-2023-10-58-64.

22. Вошев Д. В., Вошева Н. А., Сон И. М., Драпкина О. М. Мнение пациентов о цифровизации в первичной медикосанитарной помощи. Бюллетень Национального научно-исследовательского института общественного здоровья имени Н. А. Семашко. 2024;1:47-53. doi:10.25742/NRIPH.2024.01.008.

23. Сови на В.А., Курмангулов А.А., Брынза Н.С. Территориальное планирование и управление персоналом медицинских организаций как инструменты совер шенствования первичной медико-санитарной помощи. Медицинская наука и образование Урала. 2024;25(4):99-105. doi:10.36361/18148999_2024_25_4_99.

24. Славущева Е. А., Васильев Ю. А., Владзимирский А. В. и др. Систематизация барьеров внедрения искусственного интеллекта в лучевую диагностику города Москвы. Менеджер здравоохранения. 2026;2:71-82. doi:10.21045/1811-0185-2026-2-71-82.

25. Федоров М. В., Репин Д. А., Игнатьев С. А. Технологии искусственного интеллекта в государственном управлении: разработка парадигмы разумного самоограничения. Известия Санкт-Петербургского государственного экономического университета. 2024;5(149):46-53.

26. Булычева Е. В. Искусственный интеллект как новое явление в развитии здравоохранения и медицинского образования. Медицинское образование и профессиональное развитие. 2022;3(47):45-53.

27. Купатенко Я. Г., Мирук А. К., Ломоносова А. В., Коз лова А. А. Искусственный интеллект в медицине: обзор текущего состояния и тенденций развития. Cifra. Биомедицинские технологии. 2024;2:33-41.

28. Вошев Д. В., Шепель Р. Н., Вошева Н. А., Драп кина О. М. Искусственный интеллект в здравоохранении: исторический путь, вызовы и перспективы (1960-2025 гг.). Первичная медико-санитарная помощь. 2025;2(3):35-47.

29. Бухтияров И. В., Кобякова О. С., Кузьмина Л. П. и др. Совершенствование электронного документооборота в системе охраны здоровья работающих граждан. Медицина труда и промышленная экология. 2025;65(5):301-8. doi:10.31089/1026-9428-2025-65-5-301-308.

30. Вошев Д.В. Усовершенствование первичной медико-санитарной помощи с применением цифровых технологий: методология разработки инструментария оценки "цифровой зрелости" и научно обоснованные рекомендации. Менеджер здравоохранения. 2024;10:53-62. doi:10.21045/1811-0185-2024-10-53-62.

31. Репин Д. А., Игнатьев С. А. Нейротехнологии в управленческой коммуникации (на примере нейроинтерфейсов). Известия Санкт-Петербургского государственного экономического университета. 2025;1(151):84-90.

32. Осипова О. А., Концевая А. В., Демко В. В. и др. Использование элементов искусственного интеллекта в прогнозирующей модели персонализированного подхода к выбору фармакотерапии у больных хронической сердечной недостаточностью с умеренно низкой фракцией выброса ишемического генеза. Кардиоваскулярная терапия и профилактика. 2023;22(7):16- 24. doi:10.15829/1728-8800-2023-3619.

33. Федоров М.В., Репин Д.А., Игнатьев С.А. Интеллектуальный капитал в сфере искусственного интеллекта как драйвер технологического потенциала России. Экономика и управление. 2025; 31(9):1105-20.

34. Yang Y, Cui Y, Wang Y. Artificial intelligence for healthcare: clinical applications and regulatory challenges in China. Chin Med J. 2024;137(5):585-593.

35. Драпкина О. М., Демко В. В., Калинина А. М., Шепель Р. Н. Профилактическое консультирование пациентов с факторами риска хронических неинфекционных заболеваний в клинической практике. Аналитический обзор. Кардиоваскулярная терапия и профилактика. 2024;23(12): 99-110. doi:10.15829/1728-8800-2024-4154.

36. Zhou SK, Greenspan H, Davatzikos C, et al. A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises. Proc IEEE Inst Electr Electron Eng. 2021;109(5):820-38. doi:10.1109/JPROC.2021.3054390.

37. Тарасенко Т. Д., Бондарович А. Ф., Булгакова А. С. и др. Методика оценки цифровой зрелости медицинских организаций. Врач и информационные технологии. 2025;3:76-89. doi:10.25881/18110193_2025_3_76.

38. Арзамасов К. М., Владзимирский А. В., Колсанов А. В. Технологии искусственного интеллекта для массовых профилактических лучевых исследований. Москва: НПКЦ ДиТ ДЗМ; 2025. 90 с. ISBN: 978-5-0067-5433-1.

39. Васильев Ю. А., Владзимирский А. В., Шулькин И. М. и др. Цифровые технологии в лучевой и инструментальной диагностике. Москва: НПКЦ ДиТ ДЗМ; 2025. 134 с. ISBN: 978-5-0065-4652-3.

40. Калинина А. М., Куликова М. С., Демко В. В. и др. Оценка результативности применения цифровых технологий при дистанционном контроле поведенческих факторов риска у студенческой молодежи. Кардиоваскулярная терапия и профилактика. 2025;24(4):66-79. doi:10.15829/1728-8800-2025-4368.

41. Васильев Ю. А., Алымова Ю. А., Арзамасов К. М. и др. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. Москва: НПКЦ ДиТ ДЗМ; 2025. 493 с. ISBN: 978-5-0067-5622-9.

42. Хрипун А. И. Основные принципы и комплексный подход к развитию московского здравоохранения. Национальное здравоохранение. 2024;5(3):5-17. doi:10.47093/2713-069X.2024.5.3.5-17.