Искусственный интеллект в здравоохранении: исторический путь, вызовы и перспективы (1960-2025 гг.)

В XXI в. искусственный интеллект (ИИ) стал одним из ключевых драйверов цифровой трансформации здравоохранения. Его внедрение охватывает практически все уровни оказания медицинской помощи — от первичного звена до высокотехнологичных клиник, обеспечивая автоматизацию рутинных процессов, повышение точности диагностики и персонализацию лечения. Глобальные вызовы — старение населения, рост распространенности и тяжести хронических заболеваний, дефицит медицинских кадров, а также необходимость обеспечения равного доступа к медицинской помощи — формируют потребность в масштабных цифровых решениях. ИИ рассматривается не только как инструмент оптимизации клинических и административных процессов, но и как технологическая основа для новой парадигмы здравоохранения, в которой акцент смещается с лечения на профилактику и раннее выявление заболеваний.

Выбор временнóго периода 1960-2025 гг. для настоящего исследования обусловлен исторической значимостью этих шести десятилетий в развитии ИИ в медицине. Именно в 1960-е гг. появились первые медицинские информационные системы, положившие начало автоматизированной обработке медицинских данных. В последующие десятилетия развитие экспертных систем, машинного обучения, глубокого обучения и генеративных моделей привело к формированию многоуровневой инфраструктуры ИИ в здравоохранении, а к 2025 г. технологии достигли высокой степени интеграции в клиническую практику.

1. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. М.: Радио и связь; 1992: 256 с.

2. Стариков Е.Н., Тютюнник А.И. Сильный искусственный интеллект как интегратор отдельных технологий искусственного интеллекта в систему технологий. Тенденции развития науки и образования. 2024;(112-7):31-6. doi:10.18411/trnio-08-2024-330. EDN: GQFWBA.

3. Бородулина Е.А., Грибова В.В., Вдоушкина Е.С. Технологии искусственного интеллекта в медицине. Проблемы становления. Врач. 2023;34(3):5-8. doi:10.29296/25877305-2023-03-01. EDN: UFCEFZ.

4. Грицков И.О., Говоров А.В., Васильев А.О. и др. Data Science — глубокое обучение нейросетей и их применение в здравоохранении. Здоровье мегаполиса. 2021;2(2):109-115. doi:10.47619/2713-2617.zm.2021.v2i2;109-15. EDN: SGWBPD.

5. Потекаев Н.Н., Доля О.В., Фриго Н.В. и др. Искусственный интеллект в медицине. Общие положения. Философские аспекты. Клиническая дерматология и венерология. 2022;21(6):749-56. doi:10.17116/klinderma202221061749. EDN: LDVXNL.

6. Maron ME. Artificial intelligence and brain mechanisms. MEM RM3522-PR. Memo RM. 1963;86:1-35.

7. Мартынов Д.А. Искусственный интеллект: развитие экспертных систем в 70–80-е гг. Научный аспект. 2023;23(5): 2883-91. EDN: GZEVZB.

8. Li J, Wang C, Wang C, et al. RPV-CASNet: range-point-voxel integration with channel self-attention network for lidar point cloud segmentation. Appl Intell. 2024. doi:10.1007/s10489-024-05553-4. EDN: ZQQCBU.

9. Solomonov M, Shapinko Y, Lalum E, et al. Can viewing modality affect frontal mandibular bone height measurement? A comparison between 3D DICOM viewer and printed PDF CBCT reports. Dent J. 2025;13(1):22. doi:10.3390/dj13010022. EDN: RIGFYX.

10. Barnett GO, Cimino JJ, Hoffer EP. DXplain: an evolving diagnostic decision-support system. JAMA. 1987;258(1):67-74.

11. Багаев И.И. Анализ понятий "нейронная сеть" и "сверточная нейронная сеть", обучение сверточной нейросети при помощи модуля TensorFlow. Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020; 8(1):15-22. doi:10.18503/2306-2053-2020-8-1-15-22. EDN: IZBILN.

12. Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks. NeurIPS. 2012;25. doi:10.1145/3065386.

13. Руднева А.А. Искусственный интеллект и нейронные сети. Информационные технологии в строительных, социальных и экономических системах. 2020;1(19): 48-50. EDN: SKXYON.

14. Шляхто Е.В., Конради А.О., Курапеев Д.И. Информация как важнейший инструмент развития персонализированной медицины. Как научиться ей управлять на благо пациента. Наука о "больших данных". Российский журнал персонализированной медицины. 2022;2(6):6-15. doi:10.18705/2782-3806-2022-2-6-6-15. EDN: UXSOXZ.

15. Moor M, Banerjee O, Abad ZSH, et al. Foundation models for generalist medical artificial intelligence. Nature. 2023;616(7956):259-65. doi:10.1038/s41586-023-05881-4.

16. 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.

17. Нора С.А., Архипов Г.С., Прошина Л.Г. Система поддержки принятия решений в клинической и лабораторной диагностике аллергических и инфекционных заболеваний (по данным метаанализа и собственных данных). Вестник НовГУ. 2020;(1(117)).

18. Андрейченко А.Е., Ермак А.Д., Гаврилов Д.В. и др. Разработка и валидация моделей машинного обучения, прогнозирующих госпитализации пациентов с артериальной гипертензией в течение 12 месяцев. Кардиоваскулярная терапия и профилактика. 2025;24(1):4130. doi:10.15829/1728-8800-2025-4130.

19. Купатенко Я.Г., Мирук А.К., Ломоносова А.В. и др. Искусственный интеллект в медицине: обзор текущей ситуации и тенденции. Cifra. Медикобиологические науки. 2024;2(2). doi:10.60797/BMED.2024.2.4. EDN: KICZWM.

20. Косоруков А.А. Технологии искусственного интеллекта в современном государственном управлении. Социодинамика. 2019;(5):43-58. doi:10.25136/2409-7144.2019.5.29714.

21. Васильев Ю.А., Владзимирский А.В., Бондарчук Д.В. и др. Значение технологий искусственного интеллекта для профилактики дефектов в работе врача-рентгенолога. Врач и информационные технологии. 2023;(2):16-27. doi:10.25881/18110193_2023_2_16. EDN: SYZAOQ.

22. Прозоров А., Волков Д. Недоверие медицинским данным: проблемы и решение. Открытые системы. СУБД. 2023;(4):26- 32. doi:10.51793/OS.2023.28.46.003. EDN: ZBNRJV.

23. Вошев Д.В., Сон И.М., Вошева Н.А. и др. Цифровая медицинская грамотность в первичной медикосанитарной помощи: ключевой фактор удовлетворенности пациентов в эпоху цифровой трансформации медицинских услуг. Кардиоваскулярная терапия и профилактика. 2023;22(S9):22-8. doi:10.15829/1728-8800-2023-3835. EDN: RXVGTN.

24. Баркалов С.А., Белоусов В.Е., Просолупов О.А. Алгоритмы выявления и устранения ошибок в базах знаний экспертных диагностических систем. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2025;25(1):18-29. doi:10.14529/ctcr250102. EDN: IKQYKU.

25. Искусственный интеллект в здравоохранении. Под общей ред. И.М. Акулин, П.Н. Бурцева, О.А. Махова и др. Санкт-Петербург: Санкт-Петербургский государственный университет; 2023. ISBN: 978-5046336146.

26. Волкова В.Н. Перспективы объединения системного, кибернетического и синергетического подходов при исследовании явления самоорганизации. Технологическая перспектива в рамках Евразийского пространства: новые рынки и точки экономического роста. 2019:419-424.

27. Мартин Эллен. Метафизический разрыв: критический анализ идеи технологической сингулярности. Вестник Северного (Арктического) федерального университета. Серия: Гуманитарные и социальные науки. 2023;2:112-22.

28. Иванова А.А. Нейросети как прорывной инструмент медицины будущего. IJPS. 2024;6-2:48-56. EDN: IPANAQ.

29. Li J, Carayon P.Health Care 4.0: A vision for smart and connected health care. IISE Trans Healthc Syst Eng. 2021;11:171-80. doi:10.1080/24725579.2021.1884627.

30. Thorn P.Nick Bostrom: Superintelligence: Paths, Dangers, Strategies. Minds and Machines. 2015;25:285-9. doi:10.1007/s11023-015-9377-7.

31. Peters T.Cybertheology and the ethical dimensions of artificial superintelligence: a theological inquiry into existential risks. Khazanah Theologia. 2024;6:1-12. doi:10.15575/kt.v6i1.33559.

32. Morley J, Machado CCV, Burr C, et al. The ethics of AI in health care: a mapping review. Soc Sci Med. 2020;260:113172. doi:10.1016/j.socscimed.2020.113172.

33. Søvik AO. What overarching ethical principle should a superintelligent AI follow? AI Soc. 2022;37:1505-18. doi:10.1007/s00146-021-01229-6.

34. 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.