Pastein: Грибова В. В., Шалфеева Е. А., Петряева М. В., Окунь Д. Б. — Интеграция клинических рекомендаций в инструменты циф

Загрузка данных
Грибова В. В., Шалфеева Е. А., Петряева М. В., Окунь Д. Б. — Интеграция клинических рекомендаций в инструменты цифрового здравоохранения: онтологическое моделирование
 * Библиографическое описание:
   Грибова В. В., Шалфеева Е. А., Петряева М. В., Окунь Д. Б. Интеграция клинических рекомендаций в инструменты цифрового здравоохранения: онтологическое моделирование // Онтология проектирования. — 2023. — Т. 13, № 4(50). — С. 488–503.
   DOI: 10.18287/2223-9537-2023-13-4-488-503
 * Задача:
   Преодоление разрыва между текстовыми клиническими рекомендациями Минздрава РФ и практическими инструментами медицинских информационных систем (МИС/СППР); создание формализованной онтологической модели для автоматизированного контроля правильности диагностики, дифференциации состояний и назначения схем лечения в реальном клиническом процессе.
 * Принцип работы:
   Авторы разработали систему многоуровневого онтологического моделирования на базе облачной платформы IACPlog (ИАПУ ДВО РАН). Слабоструктурированные тексты клинических протоколов декомпозируются на базовые семантические блоки: симптомы, диагностические критерии, терапевтические алгоритмы и правила маршрутизации. Для выполнения рассуждений формируется база знаний продукционно-логического типа, сопоставляющая электронную карту пациента с формализованными протоколами и генерирующая диагностические заключения и предупреждения об ошибках.
 * Вход/выход:
   * Вход: Текстовые нормативные клинические рекомендации (на этапе наполнения базы) и формализованные параметры текущего осмотра пациента из МИС (жалобы, результаты обследований, назначенные препараты).
   * Выход: Формализованная онтологическая база знаний; список дифференциально-диагностических гипотез, оценка соответствия действий врача стандартам и персональные рекомендации по дальнейшей тактике.
 * Преимущества:
   * Строгая клиническая обоснованность: система базируется на утвержденных национальных протоколах, исключая ложные выводы;
   * Высокая степень объяснимости: вывод полностью прозрачен для врача, так как строится на логических правилах с указанием конкретных пунктов рекомендаций;
   * Платформенная независимость: облачный подход позволяет подключать модель к различным МИС без изменения ядра алгоритмов логического вывода.
 * Недостатки:
   * Значительная трудоемкость ручной первичной формализации сложных клинических алгоритмов профильными экспертами и инженерами знаний;
   * Сложность адаптации модели к нестандартным клиническим случаям, выходящим за рамки типовых утвержденных протоколов.
 * Ограничения:
   * Подход ориентирован на текстовые и структурированные табличные данные истории болезни, не производя прямой обработки сырых графических обследований (томограмм, рентгенограмм, фундус-снимков);
   * Жесткость логического вывода: при наличии пропусков в критически важных полях карты пациента система может не сформировать итоговое решение.


Нероев В. В., Зайцева О. В., Петров С. Ю., Брагин А. А. — Применение искусственного интеллекта в офтальмологии: настоящее и будущее
 * Библиографическое описание:
   Нероев В. В., Зайцева О. В., Петров С. Ю., Брагин А. А. Применение искусственного интеллекта в офтальмологии: настоящее и будущее // Российский офтальмологический журнал. — 2024. — Т. 17, № 2. — С. 135–141.
   DOI: 10.21516/2072-0076-2024-17-2-135-141
   Ссылка: https://roj.igb.ru/jour/article/view/1505
 * Задача:
   Систематизация и критический анализ внедрения технологий искусственного интеллекта, компьютерного зрения и экспертных систем в дифференциальную диагностику социально значимых заболеваний органа зрения (глаукома, диабетическая ретинопатия, возрастная макулярная дегенерация, патологии сетчатки у недоношенных) в клинической практике РФ.
 * Принцип работы:
   Авторы обобщают методологию применения глубокого машинного обучения (сверточные нейросети для сегментации и классификации фундус-фотографий и сканов ОКТ) в комбинации с клиническими решающими правилами. Рассматривается сквозной процесс: от предобработки разнородных диагностических данных до формирования интеллектуального заключения и интеграции алгоритмов в региональные медицинские информационные системы (МИС) и телемедицинские сервисы.
 * Вход/выход:
   * Вход: Данные скрининговых обследований (цветные снимки глазного дна, срезы оптической когерентной томографии, показатели тонометрии и периметрии).
   * Выход: Оценка рисков развития патологий, автоматизированная дифференциация стадий заболеваний и маршрутизация пациентов по группам диспансерного наблюдения.
 * Преимущества:
   * Высокая скорость массового скрининга и выявления бессимптомных стадий хронических глазных болезней;
   * Снижение нагрузки на врачей первичного звена и уменьшение диагностических ошибок на амбулаторном этапе;
   * Анализ готовности отечественной клинической базы и нормативно-правового поля к интеграции ИИ-сервисов.
 * Недостатки:
   * Проблема «черного ящика» (Black Box) глубоких нейросетей, затрудняющая интерпретацию выводов для лечащего врача;
   * Зависимость точности моделей от разрешения и однородности калибровки оборудования в различных клиниках.
 * Ограничения:
   * Рассматриваемые решения ориентированы преимущественно на узкоспециализированные скрининговые задачи и не способны полностью заменить комплексное клиническое мышление офтальмолога при атипичном или сочетанном течении болезней;
   * Требуется обязательный клинический аудит результатов и гармонизация моделей со стандартами доказательной медицины.


Укина А. О., Мякошина Е. Б. (2026) — Искусственный интеллект: аспекты применения в офтальмологии. Ч. 1
 * Библиографическое описание:
   Укина А. О., Мякошина Е. Б. Искусственный интеллект: аспекты применения в офтальмологии. Ч. 1 // Офтальмология. — 2026. — Т. 23, № 1. — С. 14–21.
   DOI: 10.18008/1816-5095-2026-1-14-21
   Ссылка: https://www.ophthalmojournal.com/opht/article/view/1800
 * Задача:
   Анализ современного состояния и перспектив применения технологий искусственного интеллекта и компьютерного зрения для скрининга, ранней диагностики и дифференциального разграничения офтальмологических патологий (включая глаукому, диабетическую ретинопатию и новообразования органа зрения).
 * Принцип работы:
   Авторы проводят аналитический обзор существующих архитектур сверточных и глубоких нейронных сетей (CNN, ResNet, EfficientNet), алгоритмов сегментации анатомических структур и экспертных решающих правил. Исследуется механизм преобразования биомедицинских офтальмологических изображений в информативные векторные признаки, методы валидации моделей на мультицентровых выборках и алгоритмические подходы к снижению числа ложноположительных и ложноотрицательных заключений.
 * Вход/выход:
   * Вход: Результаты визуализирующих методов исследования глаза (цифровые фундус-снимки глазного дна, B-сканы оптической когерентной томографии, биомикроскопические изображения переднего отрезка).
   * Выход: Классификационные метки патологий, карты вероятности наличия заболеваний, сегментированные зоны поражения сетчатки/диска зрительного нерва и аналитическая оценка применимости моделей в клинике.
 * Преимущества:
   * Высокая чувствительность и специфичность современных архитектур глубокого обучения при выявлении ранних микроструктурных нарушений;
   * Автоматизация рутинных массовых скрининговых исследований, ускоряющая первичный отбор пациентов группы риска;
   * Систематизация отечественного и мирового клинического опыта внедрения цифровых ассистентов врача.
 * Недостатки:
   * Проблема валидации: переобучение и падение диагностической точности моделей при смене аппаратуры или переходе на снимки из других клинических баз;
   * Дефицит интерпретируемости (эффект «черного ящика»), затрудняющий понимание клинической логики работы нейросети врачом-экспертом.
 * Ограничения:
   * Рассматриваемые алгоритмы эффективны преимущественно при изолированных типичных патологиях и теряют надежность при сочетанных или редких коморбидных офтальмологических заболеваниях;
   * Требуется жесткий предварительный контроль качества входных изображений (отсутствие артефактов катаракты, засветов и искажений фокуса) и верификация диагноза врачом.


Комаровских Е. Н., Подтынных Е. В. (2023) — Результаты применения искусственных нейронных сетей для ранней диагностики глаукомы
 * Библиографическое описание:
   Комаровских Е. Н., Подтынных Е. В. Результаты применения искусственных нейронных сетей для ранней диагностики глаукомы // Российский офтальмологический журнал. — 2023. — Т. 16, № 2. — С. 28–32.
   DOI: 10.21516/2072-0076-2023-16-2-28-32
   Ссылка: https://roj.igb.ru/jour/article/view/1376
 * Задача:
   Повышение точности ранней дифференциальной диагностики первичной открытоугольной глаукомы (ПОУГ) и разграничение начальной стадии заболевания с возрастной нормой и офтальмогипертензией на основе комплексного анализа клинико-функциональных биомаркеров.
 * Принцип работы:
   Авторы разработали и обучили многослойную полносвязную искусственную нейронную сеть (перцептрон) на выборке верифицированных клинических случаев. Модель агрегирует разнородные диагностические признаки — гемодинамические, гидродинамические и структурно-морфометрические параметры глаза — взвешивает их взаимное влияние и вычисляет интегральную вероятность наличия начальной глаукомной оптической нейропатии.
 * Вход/выход:
   * Вход: Комплекс клинических биомаркеров пациента: уровень внутриглазного давления (тонометрия), параметры гидродинамики глаза (коэффициент оттока, продукция внутриглазной жидкости), показатели статической периметрии (дефекты поля зрения) и морфометрические параметры диска зрительного нерва (экскавация ДЗН, толщина сетчатки).
   * Выход: Количественная вероятность наличия глаукомы (норма / подозрение на глаукому / манифестная начальная стадия ПОУГ) и классификационное решение для врача.
 * Преимущества:
   * Высокая диагностическая чувствительность и специфичность при выявлении доклинических и ранних стадий ПОУГ, когда стандартные методы дают пограничные значения;
   * Эффективный учет скрытых нелинейных взаимосвязей между гидродинамическими и структурными показателями;
   * Минимизация субъективизма врача при оценке сомнительных диагностических результатов.
 * Недостатки:
   * Эффект «черного ящика»: нейросеть выдает итоговую вероятность, но не генерирует текстовое или онтологическое логическое объяснение причин выбора конкретного класса;
   * Качество работы напрямую зависит от объема, репрезентативности и точности исходной обучающей выборки.
 * Ограничения:
   * Модель требует строго полного набора специализированных инструментальных измерений (при отсутствии данных тонографии или периметрии точность падает);
   * Сфокусирована только на первичной открытоугольной глаукоме и не дифференцирует вторичные, узкоугольные или сочетанные формы патологии зрительного нерва.



Кужавская О. А., Усов А. В., Заболотний А. Г. — Применение искусственных нейронных сетей для классификации изображений глаз с катарактой, полученных с помощью фотощелевой лампы
 * Библиографическое описание:
   Кужавская О. А., Усов А. В., Заболотний А. Г. Применение искусственных нейронных сетей для классификации изображений глаз с катарактой, полученных с помощью фотощелевой лампы // Офтальмохирургия. — 2025. — № 4. — С. 13–20.
   DOI: 10.25276/0235-4160-2022-4S-13-20
   Ссылка: https://ophthalmosurgery.ru/index.php/opht/article/view/13
 * Задача:
   Автоматизация скрининга, объективизация оценки степени помутнения хрусталика и дифференциальная классификация клинических стадий катаракты (начальная, незрелая, зрелая, перезрелая) по биомикроскопическим изображениям переднего отрезка глаза.
 * Принцип работы:
   Авторы применяют сверточные нейронные сети (CNN) глубокого обучения, дообученные на цифровых снимках щелевой лампы. Алгоритм выполняет предварительную фильтрацию и локализацию зоны хрусталика в оптическом срезе, извлекает текстурные и яркостные паттерны светорассеяния и сопоставляет их с экспертной классификационной шкалой плотности ядра и кортикальных слоев.
 * Вход/выход:
   * Вход: Цифровые цветные фотоснимки переднего отрезка глаза, полученные в ходе биомикроскопии на фотощелевой лампе при стандартном освещении.
   * Выход: Класс стадии катаракты, количественная оценка плотности помутнения хрусталика и вероятность правильности отнесения к заданной категории.
 * Преимущества:
   * Высокая объективность: снижает влияние субъективного человеческого фактора при градации плотности ядра хрусталика;
   * Быстродействие алгоритма, позволяющее интегрировать его в цифровые модули современных офтальмологических микроскопов и щелевых ламп для оценки в реальном времени;
   * Стандартизация предоперационной оценки пациента при подготовке к факоэмульсификации.
 * Недостатки:
   * Модель типа «черный ящик» (Black Box), не предоставляющая текстового патоморфологического объяснения распределения мутностей;
   * Высокая зависимость точности классификации от угла падения щелевого луча, ширины щели и уровня освещенности при фотофиксации.
 * Ограничения:
   * Метод ориентирован исключительно на патологию хрусталика (катаракту) и не диагностирует сопутствующие поражения глубжележащих оптических сред и сетчатки;
   * Не учитывает функциональные жалобы пациента (остроту зрения, светорассеяние в темноте) без подключения дополнительных клинических данных.
Больше возможностей при регистрации:
