Application of artificial intelligence technologies in medical education: current approaches and implementation factors

• Tatyana A. Gaydina
• Arkady V. Moiseev
• Alexey A. Silin
• Alexandr V. Chuvakov
• Svetlana A. Dodonova
• Olga M. Shepeleva
• Irina V. Imideeva
• Alexandr A. Nudga

Abstract

Background. Artificial intelligence (AI) is becoming a significant driver of transformation in medical education, enabling personalized learning, the development of simulation technologies, and the automation of knowledge assessment. However, its implementation is accompanied by methodological, ethical, and organizational challenges, as well as a lack of empirical data and heterogeneity of research outcomes.

The aim is to analyze the application of artificial intelligence technologies in medical education and to identify factors influencing their implementation in the educational process.

Material and methods. A narrative literature review with a systematic search (PRISMA) was conducted using the PubMed and ERIC databases. Additionally, a survey of 87 academic staff members from 68 departments of Pirogov Russian National Research Medical University was conducted. Cluster analysis and multinomial logistic regression were applied.

Results. Three clusters reflecting different strategies of attitudes toward AI were identified: active use, potential use, and limited acceptance. Despite a comparable level of perceived barriers, differences between the groups were determined by the level of readiness and underlying attitudes. The key predictor of readiness for implementation was the presence of an articulated request for support (OR >4.88), whereas recognition of the inevitability of AI was not associated with its practical application. Skepticism and fear did not act as independent barriers but reflected deeper professional attitudes.

Conclusion. The implementation of AI in medical education is determined not only by technological capabilities but also by the structure of professional attitudes among faculty and the availability of institutional support. The findings indicate the need for targeted strategies for AI integration, taking into account typological differences and aimed at preserving clinical reasoning and professional identity.

Keywords: medical education; higher education; artificial intelligence; educational modernization; digital learning environment

Искусственный интеллект (ИИ) активно внедряется в здравоохранение, расширяя возможности диагностики, прогнозирования и поддержки клинических решений. Его развитие сопровождается необходимостью нормативного и этического регулирования, что отражено в руководстве Всемирной организации здравоохранения по управлению большими мультимодальными моделями [1].

В медицинском образовании ИИ рассматривается как инструмент персонализации обучения, развития симуляционных технологий и автоматизации оценки знаний. Это связано с ограничениями традиционных образовательных моделей, включая трудности освоения возрастающего объема информации, дефицит практико-ориентированной подготовки и ограниченный доступ к клиническим случаям [2, 3]. Существенным фактором является ускорение роста медицинских знаний: время их удвоения сократилось с 3,5 года в 2010 г. до 73 дней в 2020 г. [4], что требует обновления образовательных программ с учетом инновационных технологий [5].

По данным литературы, ИИ позволяет формировать адаптивные образовательные траектории, повышать эффективность обучения и объективность оценки, однако сопровождается рядом ограничений, включая недостаток эмпирических и долгосрочных данных, гетерогенность результатов, а также риски недостоверной генерации информации и алгоритмической предвзятости. Это определяет актуальность анализа условий и перспектив его внедрения в образовательный процесс медицинского вуза.

Цель - проанализировать применение технологий ИИ в медицинском образовании и определить факторы их внедрения в образовательный процесс.

Материал и методы

Проведен обзор литературы с систематическим поиском в соответствии с рекомендациями PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Поиск осуществляли в электронных базах данных PubMed и ERIC; ресурсы КиберЛенинка и eLIBRARY.ru использовали на этапе дополнительного поиска, однако в PRISMA-схему включали только результаты, полученные в базах данных с воспроизводимой стратегией поиска. В обзор включали полнотекстовые публикации за последние 5 лет на русском и английском языках, посвященные применению ИИ, больших языковых моделей и машинного обучения в медицинском образовании. Исключались публикации, не относящиеся к сфере медицинского образования, не соответствующие тематике использования ИИ в обучении, работы без полного текста, публикации на иных языках, а также статьи с недостаточно описанной методологией. Нормативные документы, методологические источники, официальные интернет-ресурсы и отдельные публикации, использованные для контекстуализации проблемы, в PRISMA-анализ не включались. Данные литературы анализировались методом нарративного синтеза. Результаты поиска и отбора публикаций в обзор представлены на рис. 1.

Дополнительно проведен опрос 87 сотрудников 68 кафедр ФГАОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России, направленный на изучение отношения к применению ИИ в медицинском образовании, а также актуальных и перспективных направлений его внедрения. Статистический анализ результатов опроса выполняли с использованием языка программирования Python (версия 3.12) и библиотек pandas, NumPy и scikit-learn. Кластерный анализ проводили методом k-средних с предварительной стандартизацией признаков. Для оценки факторов, связанных с принадлежностью к кластерам, использовали мультиномиальную логистическую регрессию. Дополнительно применяли перекрестную проверку (cross-validation) для оценки устойчивости модели. Для интерпретации открытых ответов применяли тематическое кодирование.

Результаты

В области здравоохранения под технологиями ИИ понимают методы машинного обучения, обработки естественного языка и робототехники. Введение с 1 февраля 2026 г. национального стандарта ГОСТ Р 72484-2025 "Системы искусственного интеллекта в здравоохранении. Термины и определения. Классификация" фиксирует переход от разрозненного использования ИИ к этапу терминологической и нормативной унификации, что важно и для практики здравоохранения, и для медицинского образования.

Современные исследования показывают, что ИИ уже оказывает заметное влияние на клиническую медицину. Алгоритмы машинного и глубокого обучения используются для анализа больших массивов данных и построения прогнозов [6-8]. Наи­более убедительные результаты получены в онкологии, лучевой диагностике, интенсивной терапии и кардиологии, где ИИ применяется для выявления опухолей, интерпретации КТ- и МРТ-изображений, предоперационной оценки, прогнозирования осложнений и поддержки решений в условиях высокой клинической неопределенности [9-23]. В психиатрии и геномной медицине его значение связано прежде всего с интеграцией мультимодальных данных, улучшением прогноза и ускорением обработки сложной биомедицинской информации [24, 25].

Расширение клинического применения ИИ закономерно ставит вопрос о пересмотре подготовки врача. Если интеллектуальные системы становятся частью диагностики, прогнозирования и выбора лечения, то будущий специалист должен понимать не только их возможности, но и ограничения, риски ошибок и этические последствия применения [6, 26]. Эта необходимость усиливается на фоне стремительного роста объема медицинских знаний, который удваивается каждые 73 дня [1]. В этих условиях возрастает значение "вычислительной педагогики", ориентированной на оптимизацию обучения с помощью ИИ [27, 28].

Обзор литературы показывает, что до 2020 г. исследования ИИ в медицинском образовании были единичными, однако с 2021 г. их число резко возросло, а в 2023-2024 гг. интерес особенно усилился на фоне распространения генеративного ИИ [29]. По данным B. Li и соавт., наибольший потенциал для трансформации медицинского образования связан с анализом больших данных, мобильным обучением, виртуальной и дополненной реальностью, обработкой естественного языка и адаптивными образовательными технологиями [30]. В концептуальном плане образовательные модели с применением ИИ рассматриваются в рамках 5‑й промышленной революции как сочетание технологической интеграции, новых компетенций взаимодействия человека и ИИ, трансформации педагогических подходов и адаптивной оценки [31].

На практическом уровне ИИ уже используется в разных форматах. Виртуальные пациенты позволяют безопасно отрабатывать сбор анамнеза, диагностику и планирование лечения, а системы обработки естественного языка - автоматизировать оценку письменных ответов и отдельных аспектов клинического мышления студентов [32]. Применение виртуальной реальности и методов машинного обучения связано с повышением технической компетентности, сокращением кривой обучения и построением индивидуальных образовательных траекторий [33]. ИИ-поддерживаемые VR-симуляции также обеспечивают обратную связь в реальном времени и повышают готовность к практике [34], тогда как в более общем плане ИИ рассматривается как средство адаптации образовательного контента и оптимизации учебного процесса [35].

Особое место занимают генеративные модели. Применение ChatGPT связывают с повышением эффективности обучения, развитием навыков самообразования и коммуникации, а также с упрощением разработки учебных программ [36]. В стоматологическом образовании показана перспективность ChatGPT и Google Gemini для повышения вовлеченности и персонализации обучения [37]. По данным Z. Alsahafi и сотр., студенты-медики в целом положительно оценивают ИИ-инструменты, связывая их с улучшением обучения, клинического мышления и исследовательских возможностей, однако большинство осваивают их вне формального образовательного процесса - через социальные сети, взаимодействие со сверстниками и самостоятельное изучение [38]. В ряде работ представлены и количественные эффекты: сокращение времени ответа на 20%, времени оценки на 50% и повышение сохранности знаний на 35% в радиологии и хирургии [39].

При этом распределение данных по направлениям неодинаково. В хирургическом образовании ИИ особенно активно используется в малоинвазивной хирургии, нейрохирургии и лапароскопии [40-44]. Здесь применяются системы оценки на основе отслеживания движений, адаптивные симуляции виртуальной и дополненной реальности, анализ хирургических видео и роботизированные платформы, включая da Vinci, с автоматизированной оценкой навыков и персонализированной обратной связью [40, 41]. В сестринском образовании ИИ связан не только с обучением [45, 46], но и с клиническими эффектами: использование модели COMPOSER для раннего прогнозирования сепсиса сопровождалось абсолютным снижением внутрибольничной смертности на 1,9% и относительным снижением на 17%, а также абсолютным увеличением соблюдения протокола лечения сепсиса на 5,0% и относительным увеличением на 10% [47].

Часть исследований касается уже не столько технологий как таковых, сколько новых организационных форм обучения. Показана возможность применения высокореалистичных ИИ-симуляторов для формирования конкретных практических навыков, в частности экзофтальмометрии и офтальмоскопии [48]. Описаны системы анализа эмоций, используемые для оценки коммуникативных и поведенческих реакций, хотя их точность ограничена культурными, возрастными и социальными различиями [49]. Разрабатываются интерактивные онлайн-курсы [50], методические рекомендации [51], а в отдельных университетах внедряются локальные решения, включая использование FotoFinder ATBM bodystudio в обучении дерматовенерологии, применение ИИ при обучении бронхоскопии [52] и ранней диагностике злокачественных опухолей [22, 53].

ИИ все заметнее присутствует и в повседневной учебной деятельности студентов. Использование цифровых технологий соответствует запросу обучающихся на быстрое получение и обработку информации [54]. ChatGPT применяется для поиска информации, подготовки эссе, курсовых работ и обзоров литературы [55]. Возможности больших языковых моделей подтверждаются и в системе медицинской аттестации: GPT-4 продемонстрировал более высокий уровень клинического рассуждения по сравнению с GPT-3.5 и сдал британский экзамен по радиологии с результатом 75,5% [56]. По данным C. Ganjavi и сотр., из 415 опрошенных студентов 52,0% использовали ChatGPT для учебных задач по медицине, 61,3% - для внеучебных целей, 60,1% считали его полезным в обучении, а 12,6% не видели у него значимой роли [57].

Наряду с этим ИИ используется и для персонализации образовательного процесса. Он может применяться при подготовке письменных работ и презентаций, переводе текстов, анализе статистических данных, объяснении сложных тем, планировании учебного времени, создании визуальных материалов и развитии критического мышления [58, 59]. Для дисциплины "Иностранный язык" это особенно важно в связи с освоением профессиональной медицинской лексики, переводом, произношением и запоминанием сложных терминов [60, 61]. Показано также, что ИИ-системы способны выявлять пробелы в знаниях, рекомендовать дополнительные ресурсы и подбирать формат контента в соответствии со стилем обучения студента [62]. В ФГАОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России уже внедряются решения для генерации тестов, подготовки олимпиадных заданий и обучения поиску научной информации с использованием нейросетевых технологий. На кафедре судебной медицины им. П.А. Минакова тестируется подготовка студенческих рефератов с использованием нейросетей и корректным оформлением цитирования.

Существенным направлением становятся ИИ-наставничество и персонализированная обратная связь. В Университете Тибы (Япония) внедрен ИИ-наставник клинической практики AI-CCM на основе ChatGPT и больших языковых моделей [63]. В Университете Перадения (Индия) разработан инструмент обратной связи на базе GPT-4, где 100% студентов отметили способность системы точно выявлять сильные стороны и зоны развития, а 90% - формировать четкие планы действий в соответствии с моделью Пендлтона [64]. Отдельный интерес представляет опыт ФГБОУ ВО РязГМУ Минздрава России, где элективный курс "Искусственный интеллект в медицине" сопровождался ростом осведомленности об ИИ у 100% опрошенных и готовностью к использованию таких систем в клинической практике у 89% [5].

Однако именно на этом фоне особенно заметны ограничения современных исследований. Отмечаются низкая представленность эмпирических исследований, дефицит количественных данных об эффективности и долгосрочных наблюдений [40], а также выраженная гетерогенность дизайна и результатов, что обусловливает умеренный или слабый уровень доказательности [29, 41]. Значительная часть данных получена в симуляционных средах, тогда как вопрос переноса навыков в реальную клиническую практику остается недостаточно изученным [33].

Не менее важны риски, связанные с самими моделями. Большие языковые модели склонны к "галлюцинациям", включая фабрикацию источников и фактических данных [65, 66]. В литературе описаны опасения по поводу конфиденциальности данных [42, 67, 68], алгоритмической предвзятости [33, 39, 41, 47, 69], недостаточной прозрачности моделей и ограниченного принятия врачами [70]. Отмечаются также риск плагиата, зависимость от ИИ, снижение качества обучения в отдельных сценариях [36, 39, 71], дефицит инфраструктуры и сопротивление преподавателей [72], а также отсутствие включения обучения работе с ИИ в образовательные программы [38]. J.A. Leal и соавт. подчеркивают, что ИИ не заменяет хирургическое наставничество [42]. Этические, учебные и нормативные аспекты остаются недостаточно разработанными [33], а вопрос юридической ответственности за вред, причиненный пациенту при использовании ИИ, остается неурегулированным [73].

Отдельную группу опасений составляют риски, касающиеся самой клинической культуры. По мнению A.G. van der Niet и A. Bleakley, чрезмерная технологизация может ослаблять биопсихосоциальный подход и смещать акцент с практической медицины у постели больного на инструментально усиленные, но редуцированные формы клинической работы [74]. В этом контексте "холодные" технологии и "теплые" практики медицины не исключают, а должны дополнять друг друга, однако такое сочетание не возникает автоматически и требует продуманной педагогической рамки. Сходные опасения высказываются и в других работах [69].

Наконец, интеграция ИИ в образование сталкивается и с организационно-экономическими ограничениями. Она требует междисциплинарного взаимодействия, подготовки преподавателей и адаптации образовательных моделей [75]. Хотя экономические оценки указывают на высокую ценность ИИ-диагностических инструментов [76], внедрение связано со значительными затратами на инфраструктуру, программное обеспечение и обслуживание, особенно в условиях ограниченных ресурсов. В России развиваются платформы Third Opinion, Celsus, CHEST-IRA, Webiomed, MedicBK, I amd, BrainPhone, Digital Pathology и PathVision.ai [77], однако их использование в образовательной среде требует адаптации к локальным программам, нормативной базе и существующим цифровым системам.

Таким образом, литературные данные фиксируют не только быстрый рост интереса к ИИ в медицинском образовании, но и выраженную неоднородность как самих технологий, так и условий их внедрения. Уже описаны успешные кейсы, количественные эффекты и локальные инициативы, однако они сосуществуют с дефицитом доказательной базы, этическими и правовыми неопределенностями, инфраструктурными ограничениями и неоднозначным восприятием ИИ участниками образовательного процесса. В этой связи изучение отношения преподавателей кафедр к технологиям ИИ представляется актуальным.

Результаты опроса преподавателей кафедр

Для изучения отношения научно-педагогических работников кафедр ФГАОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России к использованию технологии ИИ в медицинском образовании была разработана авторская анкета, которая включала как закрытые, так и открытые вопросы, направленные на выявление представлений респондентов о будущем ИИ и условиях его внедрения. В исследование были включены 87 научно-педагогических работников, представлявших 68 кафедр.

Анализ распределения ответов показал, что заинтересованность во внедрении хотя бы одного сценария ИИ выразили 73 респондента (83,9%), в то время как отсутствие внедренных ИИ решений отметили 45 респондентов (51,7%). Для типологизации полученных профилей был проведен кластерный анализ.

Так, кластер 1 ("активное использование ИИ") объединил респондентов, на кафедрах которых уже внедрены ИИ-инструменты и реализуются соответствующие сценарии. Для данной группы была характерна высокая заинтересованность в дальнейшем внедрении ИИ-технологий. Кластер 2 ("потенциальное использование ИИ") включал представителей кафедр, не использующих ИИ на момент опроса, но демонстрирующих готовность к его внедрению. Кластер 3 ("ограниченное принятие ИИ") составили респонденты, характеризующиеся ограниченным принятием или отказом от внедрения ИИ (табл. 1).

Анализ показал, что ключевые различия между кластерами определяются показателями фактического внедрения ИИ-сценариев в образовательный процесс (H¹=70,67; p<0,001) и готовности к их внедрению (H=33,91; p<0,001), тогда как уровень барьеров статистически не различался (H=0,04; p=0,978). Это указывает на то, что выявленные поведенческие стратегии респондентов определяются не столько внешними ограничениями, сколько внутренними установками и готовностью к использованию ИИ.

 ¹ Тест Краскела-Уоллиса.

Статистически значимые различия между кластерами выявлены по ряду параметров. Для кластера 1 было характерно преобладание уже внедренных инструментов ИИ для генерации учебных заданий, тестов и поиска научной литературы (p<0,001), ChatGPT и аналогов для подготовки и оценки знаний (p<0,001), а также систем поддержки принятия клинических решений на основе ИИ (p<0,01). Кластер 2 отличался более выраженной готовностью к внедрению систем поддержки принятия клинических решений на основе ИИ (p<0,001) и инструментов ИИ для генерации учебных заданий, тестов и поиска научной литературы (p<0,001). Стремление к внедрению интеллектуальных симуляторов и виртуальных пациентов с адаптивными сценариями (p<0,01), а также ChatGPT и его аналогов для подготовки и оценки знаний (p<0,01) чаще отмечалось в кластерах 1 и 2.

Кластер 3 характеризовался более выраженными опасениями, связанными с риском снижения клинического мышления и "обезличивания" медицины (p<0,001), тогда как по другим барьерам и опасениям статистически значимых различий не выявлено. Число содержательных открытых ответов о необходимой поддержке для внедрения ИИ и о будущем ИИ в медицинском образовании также различалось между тремя кластерами (p<0,001).

Выявленные различия и нарративы высказываний респондентов позволили установить предикторы принадлежности респондента к типологическому кластеру. Для построения модели использовалась логистическая регрессия.

Точность классификации (accuracy) на исходной выборке составила 0,575, что отражает умеренное качество модели и указывает на необходимость осторожной интерпретации полученных прогностических оценок.

Согласно данным табл. 2, наиболее выраженным предиктором принадлежности к кластерам, ориентированным на внедрение ИИ, являлось наличие содержательного ответа о необходимой поддержке. Данный показатель существенно увеличивал вероятность принадлежности к кластеру активного использования (ОШ=3,36) и особенно к кластеру потенциального использования (ОШ=4,88), одновременно снижая вероятность принадлежности к кластеру ограниченного принятия (ОШ=0,06).

Наличие содержательного ответа о будущем ИИ также ассоциировалось с кластерами активного и потенциального использования, тогда как для кластера ограниченного принятия данный показатель имел отрицательную направленность (ОШ=0,75). Нарратив страха перед внедрением ИИ демонстрировал умеренную связь с кластером ограниченного принятия (ОШ=1,27), однако не являлся ведущим фактором, что указывает на более сложную структуру установок, лежащих в основе отказа от внедрения ИИ.

В целом полученные результаты свидетельствуют о том, что ключевую роль в формировании поведенческих стратегий играет не столько оценка рисков, сколько наличие артикулированного запроса на внедрение и готовности к институциональной поддержке.

Заключение

Таким образом, преподаватели кафедр ФГАОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России в большинстве демонстрируют готовность к внедрению хотя бы одного сценария использования ИИ (83,9%), при том что о фактическом применении ИИ-инструментов сообщили 48,3% респондентов. При этом 16,1% опрошенных занимают позицию отказа от внедрения ИИ, допуская его использование лишь в узких областях и связывая его с риском снижения клинического мышления и "обезличивания" медицины.

Выделенные кластеры отражают различные стратегии адаптации к технологии. Представители кластера активного использования (n=37) уже применяют ИИ в образовательном процессе и ориентированы на расширение его использования. Кластер потенциального использования (n=37) характеризуется отсутствием практического опыта при наличии выраженной готовности к внедрению. Кластер ограниченного принятия включает респондентов, не использующих ИИ в образовательной практике (61,5%) и в большинстве случаев отвергающих необходимость его внедрения, что сопровождается акцентом на рисках утраты клинического мышления. При этом различия между кластерами определяются не уровнем воспринимаемых барьеров, а особенностями установок и готовностью к использованию технологии.

Ключевым предиктором кластерной принадлежности выступает наличие артикулированного запроса на внедрение ИИ. Способность сформулировать необходимую поддержку является значимым фактором, ассоциированным с готовностью к интеграции ИИ в образовательный процесс. В то же время признание неизбежности распространения ИИ не определяет готовности к его практическому применению.

Скепсис и нарратив страха, характерные для респондентов кластера ограниченного принятия, не выступают самостоятельными барьерами, а отражают более глубокую систему профессиональных установок. В этом контексте скептическая позиция выполняет регуляторную функцию, задавая допустимые границы использования технологии. Полученные данные согласуются с результатами обзора литературы, указывающими на разрыв между декларируемым потенциалом ИИ и ограниченностью его реального внедрения, а также на зависимость образовательных эффектов от качества интеграции и институциональной поддержки. Несмотря на доказанную эффективность ИИ в персонализации обучения, симуляционных технологиях и автоматизированной оценке, его внедрение сопровождается недостатком эмпирических и долгосрочных данных, гетерогенностью результатов и рисками недостоверной генерации информации.

Анализ барьеров позволил выделить ключевые мишени воздействия, направленные на повышение готовности к внедрению ИИ: сохранение клинического мышления, нормативно-этическая регуляция, повышение прозрачности алгоритмов, формирование доказательной базы эффективности, развитие цифровой грамотности и снижение организационной неопределенности. При этом содержание данных мишеней варьирует в зависимости от типологической группы: для кластера активного использования более значимы вопросы безопасного и регулируемого применения, для кластера потенциального использования - доказательность и институциональная поддержка, для кластера ограниченного принятия - сохранение профессиональной идентичности врача и определение границ допустимого применения ИИ.

В целом полученные результаты указывают на то, что внедрение ИИ в медицинское образование определяется не только технологическими возможностями, но и структурой профессиональных установок, уровнем готовности к изменениям и наличием институциональных механизмов поддержки.

Ограничения исследования

Настоящее исследование имеет ряд ограничений. Во-первых, выборка ограничена сотрудниками одного медицинского университета, что может снижать обобщаемость полученных результатов на другие образовательные учреждения и контексты. Во-вторых, исследование носит поперечный характер и отражает актуальное состояние установок и практик на момент опроса, не позволяя оценить их динамику во времени.

В-третьих, использованный метод самоотчета может быть связан с риском субъективных и социально желательных ответов, особенно в отношении оценки готовности к внедрению ИИ. Кроме того, часть показателей была операционализирована на основе открытых ответов, что, несмотря на применение тематического кодирования, может сопровождаться элементами интерпретационной вариативности.

Ограничением также является умеренное качество прогностической модели (accuracy = 0,575), что требует осторожной интерпретации выявленных предикторов и подтверждения результатов на более крупных и независимых выборках.

Наконец, в обзорной части исследования учитывались преимущественно публикации последних лет и работы, доступные в полнотекстовом формате, что могло повлиять на полноту представления данных и привести к смещению в сторону более современных исследований.

References

1. World Health Organization. Ethics and governance of artificial intelligence for health: guidance on large multi-modal models. URL: https://www.who.int/publications/i/item/9789240084759 (date of access 18.02.2026)
2. Moran J., Briscoe G., Peglow S. Current technology in advancing medical education: perspectives for learning and providing care. Acad Psychiatry. 2018; 42: 796–99. DOI: https://doi.org/10.1007/s40596-018-0946‑y
3. Vinokur V.A. Psychological aspects of the formation of a problem-oriented approach in medical education. Meditsinskaya psikhologiya v Rossii [Medical Psychology in Russia]. 2019; 11 (2): 4. DOI: https://doi.org/10.24412/2219-8245-2019-2-4 (in Russian)
4. Johnston S. Anticipating and training the physician of the future: the importance of caring in an age of artificial intelligence. Acad Med. 2018; 93 (8): 1105–6. DOI: https://doi.org/10.1097/ACM.0000000000002175
5. Avacheva TG, Enenkov NV, Milovanova OA. The experience of introducing the elective discipline «Artificial Intelligence in medicine» into the curriculum of the specialty «General Medicine». Meditsinskoe obrazovanie i professionalnoe razvitie [Medical Education and Professional Development]. 2025; 16 (2): 156–70. DOI: https://doi.org/10.33029/2220-8453-2025-16-2-156-170 (in Russian)
6. Faiyazuddin M., Rahman S., Anand G., et al. The impact of artificial intelligence on healthcare: a comprehensive review. Health Sci Rep. 2025; 8 (1): e70312. DOI: https://doi.org/10.1002/hsr2.70312
7. Gaydina T., Dvornikova E. Efficacy of smartphone-compatible optical instrument for assessing melanocytic nevi. Bull RSMU. 2020; (5):108–12. DOI: https://doi.org/10.24075/brsmu.2020.065
8. Wang Q., Jiao J., Zhang C. Application of artificial intelligence in portal hypertension. World J Gastroenterol. 2025; 31 (24): 108508. DOI: https://doi.org/10.3748/wjg.v31.i24.108508
9. Tak D., Garomsa B., Chaunzwa T., et al. A foundation model for generalized brain MRI analysis. medRxiv. 2024. DOI: https://doi.org/10.1101/2024.12.02.24317992
10. Song B., Yadav I., Tsai J., et al. Artificial intelligence for head and neck cancer. Am Soc Clin Oncol Educ Book. 2025; 45 (3): e472464. DOI: https://doi.org/10.1200/EDBK-25-472464
11. Chierici A., Lareyre F., Iannelli A., et al. Applications of artificial intelligence in liver cancer. Artif Intell Med. 2025: 103244. DOI: https://doi.org/10.1016/j.artmed.2025.103244
12. Coelho F., Baroni R. Strategies for improving image quality in prostate MRI. Abdom Radiol. 2024; 49 (12): 4556–73. DOI: https://doi.org/10.1007/s00261-024-04396-4
13. Núñez L., Ferreira C., Mojtahed A., et al. AI-assisted liver segmentation performance. Abdom Radiol. 2024; 49 (12): 4264–72. DOI: https://doi.org/10.1007/s00261-024-04507-1
14. Lonsdale H., Burns M., Epstein R., et al. AI in anesthesiology: research council report. Anesthesiology. 2025; 142 (4): 599–610. DOI: https://doi.org/10.1097/ALN.0000000000005326
15. Sahashi Y., Ouyang D., Okura H., Kagiyama N. AI-echocardiography. J Cardiol. 2025; 85 (6): 458–64. DOI: https://doi.org/10.1016/j.jjcc.2025.02.005
16. Maznyczka A., Nuis R., Shiri I., et al. AI in valvular heart disease. JACC Cardiovasc Interv. 2025; 18 (20): 2439–57. DOI: https://doi.org/10.1016/j.jcin.2025.08.031
17. Howard J., Zhang Q., Salih A., et al. AI in cardiovascular imaging. Heart. 2025. DOI: https://doi.org/10.1136/heartjnl-2024-324612
18. Dabbagh A., Sabouri A. AI in anesthesiology and perioperative care. Anesthesiol Clin. 2025; 43 (3): 389–403. DOI: https://doi.org/10.1016/j.anclin.2025.04.002
19. Sufriyana H., Chen C., Chiu H., et al. Explainable AI in infection risk prediction. Am J Infect Control. 2025; 53 (3): 368–74. DOI: https://doi.org/10.1016/j.ajic.2024.10.027
20. Khoury P., Oppenheimer J., Bunyavanich S., et al. Preparing allergists with AI. J Allergy Clin Immunol Pract. 2025; 13 (11): 2927–35. DOI: https://doi.org/10.1016/j.jaip.2025.09.012
21. Tian B., Liu Y., Zhou Z., et al. Mixed reality in bronchoscopy education. J Thorac Dis. 2025; 17 (9): 7406–13. DOI: https://doi.org/10.21037/jtd-2025-565
22. Larina V.N., Gaydina T.A., Dvornikov A.S., Nazimkin K.E. The principles of examination of patients with detected melanoma suspected skin neoplasm in the primary health care stage. Arkhiv vnutrenney meditsiny [Archive of Internal Medicine]. 2022; 12 (2): 85–92. DOI: https://doi.org/10.20514/2226-6704-2021-12-2-85-92 (in Russian)
23. Ruberto A., Rodenburg D., Ross K., et al. Adaptive simulation in medical education. AEM Educ Train. 2021; 5 (3): e10605. DOI: https://doi.org/10.1002/aet2.10605
24. Sun J., Lu T., Shao X., et al. AI in psychiatry. Mol Psychiatry. 2025; 30 (9): 4399–408. DOI: https://doi.org/10.1038/s41380-025-03072-3
25. Rednikina V. From natural to artificial design of living systems. Patria. 2025; (3): 82–91. DOI: https://doi.org/10.17323/3034-4409-2025-2-3-82-91 (in Russian)
26. URL: https://futurism.com/health-medicine/startup-altman-gene-hacking (date of access 28.12.2025)
27. Baker T., Smith L., Anissa N. Educ-AI-tion rebooted? Nesta Foundation. 2019.
28. Jafari F., Keykha A., Taheriankalati A., et al. The role of AI in shaping medical education. J Adv Med Educ Prof. 2025; 13 (4): 270–93. DOI: https://doi.org/10.30476/jamp.2025.105625.2116
29. Tbaishat D.M., Elfadel M.W. Artificial intelligence for social innovation in health education. BMC Med Educ. 2025; 26 (1): 123. DOI: https://doi.org/10.1186/s12909-025-08462-3
30. Li B., Wu G., Shi L., et al. Innovative strategies for reconstructing medical education. Front Psychol. 2025; 16: 1609589. DOI: https://doi.org/10.3389/fpsyg.2025.1609589
31. Pepito J.A., Babate F.J., Ismael J.D., et al. Redesigning nursing curricula for human-AI collaboration. SAGE Open Nurs. 2026; 12: 23779608261433312. DOI: https://doi.org/10.1177/23779608261433312
32. Sriram A., Ramachandran K., Krishnamoorthy S. Artificial intelligence in medical education. Cureus. 2025; 17 (3): e80852. DOI: https://doi.org/10.7759/cureus.80852
33. Banskota B., Bhusal R., Yadav P.K., et al. AI in orthopaedic education. BMC Med Educ. 2025; 25 (1): 1594. DOI: https://doi.org/10.1186/s12909-025-08162‑y
34. Chance E.A. AI and VR in healthcare education. BMC Med Educ. 2025; 25 (1): 1039. DOI: https://doi.org/10.1186/s12909-025-07589-7
35. Almansour M., Soliman M., Aldekhyyel R., et al. Generative AI in medical education. Cureus. 2025; 17 (3): e81145. DOI: https://doi.org/10.7759/cureus.81145
36. Keykha A., Fazlali B., Behravesh S., et al. ChatGPT in medical education. J Adv Med Educ Prof. 2025; 13 (3): 155–72. DOI: https://doi.org/10.30476/jamp.2024.104617.2071
37. Bh M.P., Yellapurkar S., Chengappa K., et al. AI in dental education. Int J Dent. 2026; 2026: 8928166. DOI: https://doi.org/10.1155/ijod/8928166
38. Alsahafi Z., Baashar A. AI awareness among students. Cureus. 2025; 17 (5): e83437. DOI: https://doi.org/10.7759/cureus.83437
39. Khakpaki A. AI transforming medical education. Med Educ Online. 2025; 30 (1): 2542807. DOI: https://doi.org/10.1080/10872981.2025.2542807
40. Bhakar R., Miller J., Simenacz A. AI in surgical education UK. Cureus. 2025; 17 (12): e98231. DOI: https://doi.org/10.7759/cureus.98231
41. Escobar-Castillejos D., Barrera-Animas A.Y., Noguez J., et al. AI in surgical training. J Med Internet Res. 2025; 27: e58966. DOI: https://doi.org/10.2196/58966
42. Leal J.A. AI in orthopaedic education. JAAOS Glob Res Rev. 2025; 9 (9): e25.00174. DOI: https://doi.org/10.5435/JAAOSGlobal-D-25-00174
43. Negrete D., Lopes S.L.P.C., Barretto M.D.A., et al. AI in dentomaxillofacial education. Dent J. 2025; 13 (6): 245. DOI: https://doi.org/10.3390/dj13060245
44. Zerrouki Y., Baran J., Bandi R., et al. AI in surgical training. Cureus. 2025; 17 (10): e93793. DOI: https://doi.org/10.7759/cureus.93793
45. Doston T., Fontenot J., Morris D., Hebert M. AI in nursing education. J Nurs Educ. 2025; 64 (8): 479–88. DOI: https://doi.org/10.3928/01484834-20250313-03
46. Chan M., Wan A., Cheung D., et al. AI in nursing simulation. Nurse Educ. 2025; 50 (4): 195–200. DOI: https://doi.org/10.1097/NNE.0000000000001851
47. Yip S.S.W., Ning S., Wong N.Y.K., et al. Machine learning in nursing. Front Digit Health. 2025; 7: 1514133. DOI: https://doi.org/10.3389/fdgth.2025.1514133
48. Bakutkin V.V., Bakutkin I.V., Zelenov V.A. Artificial intelligence in medical education using the ophthalmological simulators “Oftalmosim” as an example. Virtualnye tekhnologii v meditsine [Virtual Technologies in Medicine]. 2024; (3): 279. DOI: https://doi.org/10.46594/2687-0037_2024_3_1946 (in Russian)
49. URL: https://iac.gatech.edu/featured-news/2025/07/researchers-increase-awareness-emotion-ai (date of access 28.12.2025)
50. Schaaf J., Weber M., Pantel J., et al. AI course development. Stud Health Technol Inform. 2025; 323: 506–10. DOI: https://doi.org/10.3233/SHTI250142
51. Kareemi H., Li H., Rajaram A., et al. AI clinical decision support standards. CJEM. 2025; 27 (2): 87–95. DOI: https://doi.org/10.1007/s43678-024-00826‑w
52. Agbontaen K., Cold K., Woods D., et al. AI bronchoscopy training. Crit Care Med. 2025; 53 (5): e1105–e1115. DOI: https://doi.org/10.1097/CCM.0000000000006629
53. Farooq F., Warraich M., Ud Din M., et al. AI in gastroenterology training. Cureus. 2025; 17 (8): e90085. DOI: https://doi.org/10.7759/cureus.90085
54. Fertikova T.E., Chernykh N.Yu., Melikhova E.P., et al. Features of teaching hygiene in the medical university considering specialization and digitalization. Rossiyskiy vestnik gigieny [Russian Bulletin of Hygiene]. 2023; (4): 35–40. DOI: https://doi.org/10.24075/rbh.2023.083 (in Russian)
55. Khudik V.A. The role of artificial intelligence in optimizing the educational process at a medical university. Vestnik SPb NII pedagogiki i psikhologii vysshego obrazovaniya [Bulletin of Research Institute of Pedagogy]. 2025; 1 (13): 5–18. (in Russian)
56. Hallquist E., Gupta I., Montalbano M., Loukas M. AI in medical education systematic review. Cureus. 2025; 17 (3): e79878. DOI: https://doi.org/10.7759/cureus.79878
57. Ganjavi C., Eppler M., O’Brien D., et al. ChatGPT awareness among medical students. PLOS Digit Health. 2024; 3 (9): e0000596. DOI: https://doi.org/10.1371/journal.pdig.0000596
58. Viktorov V.V., Gafurova R.R., Kudayarova L.R., et al. Artificial intelligence in medical education of students: opportunities and risks. Virtualnye tekhnologii v meditsine [Virtual Technologies in Medicine]. 2025; (3): 263–5. DOI: https://doi.org/10.46594/2687-0037_2025_3_2075 (in Russian)
59. Atakhanov S., Maksumov M. Technology for developing critical thinking among medical students through modeling biological problems. Obshchestvo i innovatsii [Society and Innovations]. 2024; 5 (11): 287–91. (in Russian)
60. Kovaleva M.B., Ogorodnikova E.Yu., Yavorskaya O.A. Artificial intelligence and professionally oriented foreign language teaching. In: Obrazovanie. Nauka. Proryv [Education. Science. Breakthrough: collection of articles of the III All-Russian Scientific Research Competition, Petrozavodsk, October 22, 2025]. 2025: 20–6. (in Russian)
61. Pustovedova V.A., Tupikova S.E., Bykova N.O. AI in English teaching for medical students. Voprosy metodiki prepodavaniya v vuze [Teaching Methods in Higher Education]. 2025; 14 (2): 114–27. (in Russian)
62. Panina O.A., Kryuchkova A.V., Semyinina N.M., et al. Possibilities and prospects of artificial intelligence in medical education. In: "Meditsinskoe obrazovanie: vybor pokoleniy XXI veka" [Proceedings of the XI International educational and methodological Conference "Medical education: the choice of generations of the XXI century": collection of materials]. Kazan: Kazan State Medical University, 2025. Kazan: Kazan State Medical University; 2025. (in Russian)
63. Ebihara H., Kasai H., Shimizu I., et al. AI clinical mentor. JMIR Med Educ. 2025; 11: e76702. DOI: https://doi.org/10.2196/76702
64. Seneviratne T., Manathunga S., Idirisingha W., et al. AI feedback system. PLoS One. 2025; 20 (12): e0336154. DOI: https://doi.org/10.1371/journal.pone.0336154
65. Eysenbach G. ChatGPT in medical education. JMIR Med Educ. 2023; 9: e46885. DOI: https://doi.org/10.2196/46885
66. Berryman J., Ziegler A. Prompt engineering for LLMs. O’Reilly Media; 2024.
67. Clark P.A., ed. Bioethics: medical, ethical and legal perspectives. BoD–Books on Demand; 2016. DOI: https://doi.org/10.5772/62798
68. Crowson M.G., Tan J.Z.H., Dunn J., et al. Health data transaction transparency. Lancet Digit Health. 2026; 8: 100947. DOI: https://doi.org/10.1016/j.landig.2025.100947
69. Mir M.M., Mir G.M., Raina N.T., et al. AI in medical education: current scenario. J Adv Med Educ Prof. 2023; 11 (3): 133–40. DOI: https://doi.org/10.30476/JAMP.2023.98655.1803
70. Singla B., Afridi S., Vayolipoyil S., et al. AI in medical science. Cureus. 2025; 17 (9): e91514. DOI: https://doi.org/10.7759/cureus.91514
71. Ghorashi N., Ismail A., Ghosh P., Sidawy A., Javan R. AI chatbots in medical education. Cureus. 2023; 15 (8): e43271. DOI: https://doi.org/10.7759/cureus.43271
72. Baxmann M., Kárpáti K., Baráth Z. AI in dental education systematic review. BMC Oral Health. 2025; 25 (1): 905. DOI: https://doi.org/10.1186/s12903-025-06070-7
73. Cestonaro C., Delicati A., Marcante B., et al. Medical liability and AI. Front Med. 2023; 10: 1305756. DOI: https://doi.org/10.3389/fmed.2023.1305756
74. van der Niet A.G., Bleakley A. Does technology care? Med Educ. 2021; 55 (1): 30–6. DOI: https://doi.org/10.1111/medu.14131
75. Turner L., Knopp M.I., Mendonca E.A., Desai S. Alignment paradox in AI education. ATS Scholar. 2025; 6 (2): 135–48. DOI: https://doi.org/10.34197/ats-scholar.2024-0086PS
76. Khanna N., Maindarkar M., Viswanathan V., et al. Economics of AI in healthcare. Healthcare (Basel). 2022; 10 (12): 2493. DOI: https://doi.org/10.3390/healthcare10122493
77. Electronic resource. URL: https://minobrnauki.gov.ru/action/stat/highed/ (date of access 28.12.2025)

40. Bhakar R., Miller J., Simenacz A. Artificial intelligence and surgical education in the UK: a systematic review of current use, evidence gaps and future directions // Cureus. 2025. Vol. 17, N 12. P. e98231. DOI: https://doi.org/10.7759/cureus.98231

41. Escobar-Castillejos D., Barrera-Animas A.Y., Noguez J., Magana A.J., Benes B. Transforming surgical training with AI techniques for training, assessment, and evaluation: scoping review // J. Med. Internet Res. 2025. Vol. 27. P. e58966. DOI: https://doi.org/10.2196/58966

42. Leal J.A. Artificial intelligence in orthopaedic and trauma surgery education: applications, ethics, and future perspectives // J. Am. Acad. Orthop. Surg. Glob. Res. Rev. 2025. Vol. 9, N 9. P. e25.00174. DOI: https://doi.org/10.5435/JAAOSGlobal-D-25-00174

43. Negrete D., Lopes S.L.P.C., Barretto M.D.A., et al. Artificial intelligence and dentomaxillofacial radiology education: innovations and perspectives // Dent. J. (Basel). 2025. Vol. 13, N 6. P. 245. DOI: https://doi.org/10.3390/dj13060245

44. Zerrouki Y., Baran J., Bandi R., et al. Artificial intelligence in U.S. surgical training: a scoping review mapping current applications and identifying gaps for future research applications // Cureus. 2025. Vol. 17, N 10. P. e93793. DOI: https://doi.org/10.7759/cureus.93793

45. Doston T., Fontenot J., Morris D., Hebert M. The use of artificial intelligence in nursing education: a scoping review // J. Nurs. Educ. 2025. Vol. 64, N 8. P. 479-488. DOI: https://doi.org/10.3928/01484834-20250313-03

46. Chan M., Wan A., Cheung D., et al. Integration of artificial intelligence in nursing simulation education: a scoping review // Nurse Educ. 2025. Vol. 50, N 4. P. 195-200. DOI: https://doi.org/10.1097/NNE.0000000000001851

47. Yip S.S.W., Ning S., Wong N.Y.K., et al. Leveraging machine learning in nursing: innovations, challenges, and ethical insights // Front. Digit. Health. 2025. Vol. 7. P. 1514133. DOI: https://doi.org/10.3389/fdgth.2025.1514133

48. Бакуткин В.В., Бакуткин И.В., Зеленов В.А. Использование искусственного интеллекта в медицинском образовании на примере офтальмологических симуляторов "Офтальмосим" // Виртуальные технологии в медицине. 2024. № 3. С. 279. DOI: https://doi.org/10.46594/2687-0037_2024_3_1946

49. Электронный ресурс. URL: https://iac.gatech.edu/featured-news/2025/07/researchers-increase-awareness-emotion-ai (дата обращения 28.12.2025)

50. Schaaf J., Weber M., Pantel J., Lemos M., Noll R. Development of an interactive online course on artificial intelligence in medicine: a study on design and implementation // Stud. Health Technol. Inform. 2025. Vol. 323. P. 506-510. DOI: https://doi.org/10.3233/SHTI250142

51. Kareemi H., Li H., Rajaram A., et al. Establishing methodological standards for the development of artificial intelligence-based clinical decision support in emergency medicine // CJEM. 2025. Vol. 27, N 2. P. 87-95. DOI: https://doi.org/10.1007/s43678-024-00826‑w

52. Agbontaen K., Cold K., Woods D., et al. Artificial intelligence-guided bronchoscopy is superior to human expert instruction for the performance of critical-care physicians: a randomized controlled trial // Crit. Care Med. 2025. Vol. 53, N 5. P. e1105-e1115. DOI: https://doi.org/10.1097/CCM.0000000000006629

53. Farooq F., Warraich M., Ud Din M., et al. Role of artificial intelligence in gastroenterology training (2005-2025): trends, tools, and challenges // Cureus. 2025. Vol. 17, N 8. P. e90085. DOI: https://doi.org/10.7759/cureus.90085

54. Фертикова Т.Е., Черных Н.Ю., Мелихова Е.П. и др. Особенности преподавания гигиены в медицинском университете с учетом профильности и цифровизации // Российский вестник гигиены. 2023. № 4. С. 35-40. DOI: https://doi.org/10.24075/rbh.2023.083

55. Худик В.А. Роль искусственного интеллекта в оптимизации учебного процесса в медицинском вузе // Вестник Санкт-Петербургского научно-исследовательского института педагогики и психологии высшего образования. 2025. Т. 1, № 13. С. 5-18.

56. Hallquist E., Gupta I., Montalbano M., Loukas M. Applications of artificial intelligence in medical education: a systematic review // Cureus. 2025. Vol. 17, N 3. P. e79878. DOI: https://doi.org/10.7759/cureus.79878

57. Ganjavi C., Eppler M., O’Brien D. et al. ChatGPT and large language models (LLMs) awareness and use: a prospective cross-sectional survey of U.S. medical students // PLOS Digit. Health. 2024. Vol. 3, N 9. P. e0000596. DOI: https://doi.org/10.1371/journal.pdig.0000596

58. Викторов В.В., Гафурова Р.Р., Кудаярова Л.Р. и др. Искусственный интеллект в медицинском образовании обучающихся: возможности и риски // Виртуальные технологии в медицине. 2025. № 3. С. 263-265. DOI: https://doi.org/10.46594/2687-0037_2025_3_2075

59. Атаханов С., Максумов М. Технология развития критического мышления у студентов медицинских вузов через моделирование биологических проблем // Общество и инновации. 2024. Т. 5, № 11/S. С. 287-291.

60. Ковалева М.Б., Огородникова Э.Ю., Яворская О.А. Искусственный интеллект и профессионально ориентированное обучение иностранному языку // Образование. Наука. Прорыв: сборник статей III Всероссийского научно-исследовательского конкурса, Петрозаводск, 22 октября 2025 года. Петрозаводск: Международный центр научного партнерства "Новая Наука" (ИП Ивановская И.И.), 2025. С. 20-26.

61. Пустоведова В.А., Тупикова С.Е., Быкова Н.О. Применение искусственного интеллекта в обучении английскому языку студентов медицинских специальностей // Вопросы методики преподавания в вузе. 2025. Т. 14, № 2. С. 114-127.

62. Панина О.А., Крючкова А.В., Семынина Н.М., Кондусова Ю.В. Возможности и перспективы искусственного интеллекта в медицинском образовании // Материалы XI Международной учебно-методической конференции "Медицинское образование: выбор поколений XXI века": сборник материалов. Казань: Казанский ГМУ, 2025.

63. Ebihara H., Kasai H., Shimizu I. et al. Development of a clinical clerkship mentor using generative AI and evaluation of its effectiveness in a medical student trial compared to student mentors: 2-part comparative study // JMIR Med. Educ. 2025. Vol. 11. P. e76702. DOI: https://doi.org/10.2196/76702

64. Seneviratne T., Manathunga S., Idirisingha W. et al. Artificial intelligence based personalized student feedback system - “Sisu Athwala” to enhance exam performance of medical undergraduates // PLoS One. 2025. Vol. 20, N 12. P. e0336154. DOI: https://doi.org/10.1371/journal.pone.0336154

65. Eysenbach G. The role of ChatGPT, generative language models, and artificial intelligence in medical education: a conversation with ChatGPT and a call for papers // JMIR Med. Educ. 2023. Vol. 9. P. e46885. DOI: https://doi.org/10.2196/46885

66. Berryman J., Ziegler A. Prompt engineering for LLMs: the art and science of building large language model-based applications. O’Reilly Media, 2024.

67. Clark P.A. (ed.). Bioethics: medical, ethical and legal perspectives. BoD-Books on Demand, 2016. DOI: https://doi.org/10.5772/62798

68. Crowson M.G., Tan J.Z.H., Dunn J. et al. The need to develop health data transaction disclosure requirements to balance transparency, privacy, and progressive use // Lancet Digit. Health. 2026. Vol. 8. P. 100947. DOI: https://doi.org/10.1016/j.landig.2025.100947

69. Mir M.M., Mir G.M., Raina N.T. et al. Application of artificial intelligence in medical education: current scenario and future perspectives // J. Adv. Med. Educ. Prof. 2023. Vol. 11, N 3. P. 133-140. DOI: https://doi.org/10.30476/JAMP.2023.98655.1803

70. Singla B., Afridi S., Vayolipoyil S. et al. The evolving role of artificial intelligence in medical science: advancing diagnostics, clinical decision-making, and research // Cureus. 2025. Vol. 17, N 9. P. e91514. DOI: https://doi.org/10.7759/cureus.91514

71. Ghorashi N., Ismail A., Ghosh P., Sidawy A., Javan R. AI-powered chatbots in medical education: potential applications and implications // Cureus. 2023. Vol. 15, N 8. P. e43271. DOI: https://doi.org/10.7759/cureus.43271

72. Baxmann M., Kárpáti K., Baráth Z. The potentials and challenges of integrating generative artificial intelligence (AI) in dental and orthodontic education: a systematic review // BMC Oral Health. 2025. Vol. 25, N 1. P. 905. DOI: https://doi.org/10.1186/s12903-025-06070-7

73. Cestonaro C., Delicati A., Marcante B., Caenazzo L., Tozzo P. Defining medical liability when artificial intelligence is applied on diagnostic algorithms: a systematic review // Front. Med (Lausanne). 2023. Vol. 10. P. 1305756. DOI: https://doi.org/10.3389/fmed.2023.1305756

74. van der Niet A.G., Bleakley A. Where medical education meets artificial intelligence: “Does technology care?” // Med Educ. 2021. Vol. 55, N 1. P. 30-36. DOI: https://doi.org/10.1111/medu.14131

75. Turner L., Knopp M.I., Mendonca E.A., Desai S. Bridging artificial intelligence and medical education: navigating the alignment paradox // ATS Sch. 2025. Vol. 6, N 2. P. 135-148. DOI: https://doi.org/10.34197/ats-scholar.2024-0086PS

76. Khanna N., Maindarkar M., Viswanathan V. et al. Economics of artificial intelligence in healthcare: diagnosis vs. treatment // Healthcare (Basel). 2022. Vol. 10, N 12. P. 2493. DOI: https://doi.org/10.3390/healthcare10122493

77. Электронный ресурс. URL: https://minobrnauki.gov.ru/action/stat/highed/ (дата обращения: 28.12.2025)

All articles in our journal are distributed under the CC BY-NC-ND 4.0 (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International)