ОПЫТ ВНЕДРЕНИЯ ЭЛЕКТИВНОЙ ДИСЦИПЛИНЫ "ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНЕ" В УЧЕБНЫЙ ПЛАН СПЕЦИАЛЬНОСТИ "ЛЕЧЕБНОЕ ДЕЛО"

• Авачева Татьяна Геннадиевна
• Ененков Никита Васильевич
• Милованова Оксана Александровна

Резюме

Здравоохранение развивается, а вместе с этим возникает необходимость реформирования медицинского образования. По мере роста уровня медицинских знаний необходимы такие технологии, как искусственный интеллект, позволяющие медицинским работникам эффективно использовать эти знания в медицинской практике. Медицинские работники должны быть надлежащим образом обучены этой новой технологии, знать ее преимущества для повышения качества и доступности медицинской помощи, а также ее недостатки. Искусственный интеллект должен быть органично интегрирован в различные аспекты учебной программы. В данной статье мы рассмотрели роль искусственного интеллекта в здравоохранении и медицинском образовании, а также представили вариант внедрения в учебный план дисциплины "Искусственный интеллект в медицине" в качестве элективной.

Ключевые слова: искусственный интеллект; медицинское образование; непрерывное образование; науки о данных; электив

Медицинское образование должно развиваться, так как будущие врачи будут сталкиваться с пациентами в условиях, совершенно отличных от современных. Повсеместно оцифрованные системы здравоохранения позволяют как врачам, так и пациентам легко получать доступ к биомедицинской информации [1]. Экспоненциально расширяющиеся медицинские знания требуют от врачей не вспоминать, а обновлять то, что они знают, и выбирать правильную тактику лечения из множества вариантов.

Искусственный интеллект (ИИ) - это новая научная дисциплина, которая фокусируется на понимании и создании компьютерных алгоритмов, способных выполнять задачи, которые обычно свойственны людям [2]. ИИ призван сократить усилия, необходимые врачам для интерпретации цифровых данных, и улучшить постановку диагноза, оценку прогноза заболевания и тактику фармакотерапии [3].

В настоящее время ИИ набирает значительные обороты в здравоохранении. С момента первого упоминания о нем в основополагающей статье А.М. Turing (1950) "Вычислительная техника и интеллект" [4], где был предложен вопрос "Могут ли машины мыслить?", ИИ прошел долгий путь. Он апробируется в здравоохранении для более быстрой и точной диагностики [5], расширения возможностей радиологии [6], снижения медицинских расходов [7], оказания помощи и замены повторяющихся и трудоемких задач [8], минимально инвазивной хирургии [9] и снижения уровня смертности [10]. В связи с этим будущему поколению врачей необходимо получить базовые знания в области работы в системах ИИ.

Цель - провести анализ данных литературы, посвященных роли ИИ в здравоохранении и медицинском образовании, а также разработать программу дисциплины по выбору "Искусственный интеллект в медицине" для студентов, обучающихся по специальности 31.05.01 "Лечебное дело", проанализировать влияние внедрения дисциплины в учебный процесс на осведомленность студентов о технологиях ИИ.

Материал и методы

Для оценки уровня осведомленности студентов об ИИ и их тревожности в отношении его внедрения в медицинскую практику нами применялся опросник Wang (искусственно-интеллектуальная тревожность, AI Anxiety Scale) в модификации на русском языке [11].

Опросник включает 21 пункт, сгруппированный в 4 подшкалы.

Обучение в масштабе (Scale learning).

Смена работы (Job displacement).

Социотехническая слепота (Sociotechnical blindness).

Конфигурация искусственного интеллекта (AI configuration).

Каждый вопрос оценивается по 7-балльной шкале Лайкерта (от "полностью не согласен" до "полностью согласен").

Минимальная сумма баллов по всем 21 пунктам составляет 21, максимальная - 147.

С учетом наработок по валидизации шкалы тревожность подразделяют на низкую (общий балл <49), умеренную (50-98), высокую (>98).

В исследование включили две основные группы обучающихся лечебного факультета нашего университета: студенты I-III курсов (n=120), студенты IV-VI курсов (n=120).

Анкетирование проводили в конце весеннего семестра в формате анонимного онлайн-опроса добровольно. При этом дополнительно определяли уровень осведомленности об ИИ по следующему критерию: студент отмечал, что (a) как минимум слышал/читал о технологиях ИИ в медицине и (б) понимает их базовые преимущества и ограничения. Тем, кто утвердительно отвечал на оба пункта, фиксировали "Да" = осведомлен (1), в остальных случаях - "Нет" (0). Процент "1" трактовали как уровень осведомленности в группе.

Все данные обрабатывали в пакете IBM Statistics 13.0, серийный номер (SN) AXA003J115213FAACD-X. Проверку на нормальность распределения выполняли с помощью критерия Шапиро-Уилка. Данные не удовлетворяли критерию нормальности, поэтому применяли непараметрический критерий Манна-Уитни. Статистически значимыми считали различия при p<0,05.

Возможности искусственного интеллекта в здравоохранении

В последние годы ИИ используется для улучшения оказания медицинской помощи различными методами. Одним из ключевых преимуществ ИИ в здравоохранении является способность предоставлять персонализированную медицинскую информацию. Анализируя данные о пациентах, такие как истории болезни и факторы образа жизни, алгоритмы ИИ могут предоставлять пациентам индивидуальные рекомендации.

ИИ предлагает высокоточные прогностические модели для анализа клинических и биологических данных, для выявления закономерностей и ассоциаций, которые могут быть использованы для прогнозирования будущих результатов. Алгоритмы машинного обучения могут выявлять факторы, способствующие развитию и прогрессированию заболеваний. Затем эта информация может быть использована для создания более точных прогностических моделей для выявления пациентов с риском развития определенных состояний и оптимизации планов лечения. Кроме того, ИИ позволяет разрабатывать персонализированные прогностические модели путем анализа данных пациентов, таких как геномика, протеомика и метаболомика. Он помогает выявлять индивидуальные различия в процессе заболевания, которые могут быть использованы для создания персонализированных прогностических моделей. Затем эта информация используется для разработки персонализированных планов лечения, адаптированных к конкретным потребностям отдельных пациентов. Более того, ИИ может выявлять возможности для создания новых лекарств путем изучения биологических данных. Он может выявлять мишени и пути, связанные с конкретными заболеваниями, что позволит разрабатывать лекарства, направленные на эти пути, и повышать эффективность существующих [12, 13].

Используя алгоритмы машинного обучения для анализа данных с носимых устройств, электронных медицинских карт и других источников, ИИ может выявлять изменения в состоянии здоровья пациентов, которые могут быть не сразу очевидны медицинским работникам. Затем эта информация может быть использована для предупреждения медицинских работников о потенциальных проблемах и предоставления им возможности принимать упреждающие меры для предотвращения осложнений. Кроме того, ИИ может предоставлять информацию о состоянии здоровья пациентов в режиме реального времени с помощью обработки естественного языка и других технологий ИИ. Например, алгоритмы ИИ могут анализировать данные о пациентах для выявления тенденций и закономерностей, указывающих на необходимость корректировки приема лекарств, изменения образа жизни или других вмешательств. ИИ также может повысить точность и эффективность мониторинга пациентов за счет автоматизации рутинных задач, таких как ввод и анализ данных, позволяя поставщикам медицинских услуг сосредоточиться на более сложных задачах и повысить качество ухода за пациентами. Кроме того, ИИ может сократить время и затраты, связанные с мониторингом пациентов, позволяя поставщикам медицинских услуг одновременно наблюдать за большим количеством пациентов и выявлять потенциальные проблемы на раннем этапе [14].

Интеграция ИИ в диагностическую гистопатологию может произвести революцию в области медицины. Одним из ключевых способов использования ИИ в гистопатологической диагностике является анализ гистологических микропрепаратов. Алгоритмы ИИ могут анализировать образцы тканей с целью прогнозирования прогрессирования онкологических заболеваний [15, 16].

Использование ИИ в медицинской радиологии потенциально может привести к значительному улучшению результатов лечения пациентов и точности постановки диагнозов. Одним из ключевых способов использования ИИ в медицинской радиологии является анализ медицинских изображений, таких как рентгеновские снимки и компьютерная томография. Алгоритмы ИИ способны анализировать эти изображения, выявлять отклонения и помогать в диагностике различных заболеваний. Кроме того, алгоритмы ИИ могут использоваться для автоматического обнаружения патологий на медицинских изображениях, что позволит снизить риск пропущенных диагнозов и улучшить результаты лечения пациентов [17].

Таким образом, ИИ потенциально может сыграть значительную роль в повышении качества медицинской помощи. Кроме того, еще одна область, в которой ИИ может принести большую пользу врачам, - это непрерывное медицинское образование.

Искусственный интеллект в медицинском образовании

ИИ все шире внедряется в медицинское образование, предлагая многочисленные преимущества как студентам, так и преподавателям. Одним из основных применений ИИ в этой области является виртуальное моделирование и обучение, позволяющее студентам отрабатывать сложные процедуры на виртуальных пациентах без риска причинения вреда реальным больным. Этот тип практического обучения также настраивается, позволяя студентам работать в своем собственном темпе и повторять процедуры до тех пор, пока они не будут успешно освоены [18].

ИИ также используется в преподавании в университетах, что потенциально может значительно облегчить процесс обучения студентов и улучшить результаты обучения. Алгоритмы ИИ могут анализировать данные учащихся для обеспечения персонализированного процесса обучения и могут использоваться для оценки заданий и создания интеллектуальных систем обучения. ИИ также может использоваться для создания виртуальной реальности и симуляций, позволяя учащимся приобретать практический опыт в контролируемой среде [19].

Однако интеграция ИИ в медицинское образование сопряжена с определенными трудностями. Могут возникнуть опасения по поводу потери человеческого контакта и сопереживания при постановке медицинских диагнозов и лечении, а также существует риск того, что учащиеся станут чрезмерно зависимыми от ИИ и будут пренебрегать развитием критического мышления и навыков решения проблем. Кроме того, могут возникнуть проблемы с обеспечением точности и непредвзятости алгоритмов ИИ, что может привести к неправильным диагнозам или планам лечения [20].

В контексте подготовки к экзаменам и оценки ИИ обладает потенциалом для придания процессу объективности, адаптивности, эффективности и снижения затрат. Однако существуют также опасения по поводу качества вопросов, генерируемых ИИ, непредсказуемости, отсутствия креативности и этических соображений. Использование алгоритмов ИИ при генерации вопросов может обеспечить справедливую, непредвзятую и последовательную оценку знаний и навыков студентов-медиков. Алгоритмы ИИ также могут персонализировать экзамены, анализируя данные об успеваемости учащихся и генерируя вопросы, которые фокусируются на слабых сторонах, тем самым улучшая обучение учащихся. Кроме того, алгоритмы ИИ могут автоматизировать многие рутинные процессы, связанные с подготовкой к экзаменам и выставлением оценок, сокращая время, усилия и затраты.

Однако существуют также опасения по поводу качества вопросов, генерируемых ИИ, по сравнению с теми, которые создаются экзаменаторами - людьми с многолетним опытом и знаниями. Алгоритмы ИИ также могут генерировать вопросы, которые слишком просты, чересчур сложны или не имеют отношения к материалу курса. Недостаток креативности в вопросах, сгенерированных ИИ, также может привести к тому, что экзамены будут менее увлекательными для студентов.

Элективная дисциплина "Искусственный интеллект в медицине"

В сети Интернет имеются многочисленные платные курсы, посвященные изучению ИИ в медицине, однако в рамках основной образовательной программы специалитета в медицинских вузах данная дисциплина в большинстве случаев отсутствует, и изучение методов ИИ относится к базовому курсу медицинской информатики (МИ). МИ преимущественно изучается на I курсе, когда студенты еще не знакомы со спецификой работы врача, имеют слабые навыки работы с простейшими информационными системами. Поэтому актуальным является предложение элективной дисциплины "Искусственный интеллект в медицине" для изучения на более старших курсах.

В исследовании Özbek Güven и соавт. (2024) было установлено, что уровень тревожности студентов по поводу ИИ умеренный. По мнению авторов, причина беспокойства студентов заключается в том, что они не обладают достаточными знаниями о приложениях ИИ и еще не сталкивались с такими технологиями [21]. Нами был проведен опрос среди студентов I-III (n=120) и IV-VI (n=120) курсов лечебного факультета ФГБОУ ВО РязГМУ Минздрава России об осведомленности по вопросам внедрения ИИ в здравоохранение и их отношения к данным технологиям. Опрос проводился с использованием шкалы Wang. Шкала тревожности по поводу ИИ Wang состоит из 4 подпространств, включая обучение в масштабе, смену работы, социотехническую слепоту и конфигурацию ИИ, и состоит из 21 пункта. Шкала представляет собой 7-балльную шкалу типа Лайкерта. По этой шкале могут быть получены минимальная оценка 21 и максимальная 147 баллов [11].

В результате анализа результатов анкетирования показано, что среди студентов I-III курсов уровень осведомленности составил 47%, а уровень тревожности по поводу ИИ был умеренный. В группе IV-VI курсов уровень осведомленности оказался выше (79%), а уровень тревожности - также умеренный, аналогично исследованию Özbek Güven. Считается, что самый важный способ снизить тревожность по поводу применения ИИ - это повысить знания студентов, осведомленность и подготовку в области ИИ в медицине.

В ФГБОУ ВО РязГМУ Минздрава России на кафедре математики, физики и медицинской информатики внедрена дисциплина "Искусственный интеллект в медицине", относящаяся к вариативной части блока 1 основных профессиональных образовательных программ специалитета и являющаяся дисциплиной по выбору. Рабочая программа дисциплины "Искусственный интеллект в медицине" разработана в соответствии с приказом Минобрнауки России от 12.08.2020 № 988 "Об утверждении федерального государственного образовательного стандарта высшего образования - специалитет по специальности 31.05.01 "Лечебное дело" и приказом Министерства образования и науки РФ 6 апреля 2021 г. № 245 "Об утверждении Порядка организации и осуществления образовательной деятельности по образовательным программам высшего образования - программам бакалавриата, программам специалитета, программам магистратуры".

Объем дисциплины составляет 72 часа учебной работы: 24 часа - контактная работа, 48 часов - самостоятельная работа. Темы семинарских занятий (8) включают знакомство с основными понятиями и структурой ИИ в медицине, изучение алгоритмов и методов работы в системах ИИ (см. таблицу).

В рамках учебной программы освещены основы ИИ, а также наиболее распространенные инструменты ИИ, которые активно разрабатываются и внедряются в клиническую практику.

На первых двух занятиях студенты знакомятся с методами машинного обучения, которые используют различные алгоритмы решения сложных задач с большими данными путем выявления моделей взаимодействия между различными переменными. В отличие от традиционной статистики, в которой алгоритм может быть закодирован с использованием известных функций, при машинном обучении (МО) компьютер снабжается набором данных и соответствующими выходными данными. Он изучает и генерирует алгоритм, который описывает взаимосвязь между данными для анализа новых наборов данных. Например, машинное обучение можно использовать для ранней диагностики заболеваний. Это наиболее актуально для болезней, которые в настоящее время диагностируются на необратимой стадии или когда уже произошло повреждение, например остеоартрит. При этом заболевании на изображениях можно увидеть едва заметные паттерны, которые не видны человеческому глазу, но могут быть обнаружены с помощью ИИ. Так, с помощью магнитно-резонансной томографии коленного хряща и статистического распознавания образов удалось с точностью 78% предсказать, у каких пациентов через 3 года разовьется остеоартрит [22].

Третье занятие посвящено применению ИИ в практике врача-хирурга. В хирургической практике ИИ находит множество применений в диагностике заболеваний, предоперационном планировании, интраоперационной помощи, обучении и оценке хирургов, а также в робототехнике. Студентам приводится пример планирования хирургического вмешательства с помощью трехмерной (3D) виртуальной реконструкции. Так, разработанные системы могут создавать сегментированные 3D-анатомические модели с помощью компьютерной томографии, что обеспечивает индивидуальный подход к хирургическим решениям и лучшее понимание анатомии пациентов [23].

Далее предлагается тема нейронных сетей, которые имеют многоуровневую структуру, основанную на наборе единиц (также называемых узлов или нейронов) для каждого уровня. Студенты знакомятся с нейронными сетями, которые используются в здравоохранении для клинической диагностики, прогнозирования и поддержки принятия решений, например, в онкологии и кардиологии [24].

Актуальным, на наш взгляд, является область ИИ, которая направлена на прогнозирование развития заболеваний. Например, была разработана модель прогнозирования терминальной стадии почечной недостаточности с помощью искусственной нейронной сети для пациентов с первичной иммуноглобулиновой нефропатией (IgAN) на основе ретроспективного анализа данных 948 пациентов с IgAN. Инструмент основан на двухэтапной процедуре: модели-классификаторе, которая прогнозирует терминальную стадию почечной недостаточности, и регрессионной модели, которая прогнозирует развитие терминальной стадии почечной недостаточности с течением времени. Модель-классификатор показала эффективность 0,82 (площадь под ROC-кривой) при наблюдении за пациентами в течение 5 лет, которая улучшилась до 0,89 при наблюдении в течение 10 лет. Обе модели показали высокий уровень точности, что свидетельствует о практичности инструмента [25].

Кроме того, приводя примеры разработанных систем ИИ, студенты в рамках открытого диалога предлагают собственные идеи для разработок программ ИИ.

Методическая поддержка самостоятельной работы осуществляется с применением дистанционного учебного курса "Искусственный интеллект в медицине" в системе дистанционного обучения ФГБОУ ВО РязГМУ Минздрава России на базе LMS Moodle. Курс содержит необходимые учебные, методические, справочные материалы для подготовки к занятиям; список источников для дополнительного изучения; практические задания; средства для обеспечения интерактивного взаимодействия участников курса, получения оперативной консультационной помощи преподавателя в формате chat-сессий.

После внедрения элективной дисциплины в учебный план студентов лечебного факультета V курса, которые проходили начальный опрос, были проведены аналогичные тест-опросники. Результаты опроса представлены на рисунке.

Для оценки уровня осведомленности об ИИ и тревожности применяли модификацию шкалы Wang [21], содержащую 21 пункт, распределенный по 4 подшкалам (обучение в масштабе, смена работы, социотехническая слепота, конфигурация ИИ). Каждый пункт оценивается по 7-балльной шкале Лайкерта (1 - "полностью не согласен", 7 - "полностью согласен"). Минимально возможная сумма баллов - 21, максимально - 147. Тревожность по поводу искусственного интеллекта классифицировали как низкую (балл <49), умеренную (50-98) или высокую (>98).

В исследовании участвовали две основные группы:

· 1‑я группа: студенты I-III курсов (n=120);

· 2‑я группа: студенты IV-VI курсов (n=120).

Анкетирование проводили в конце весеннего семестра, все участники заполнили опросник в режиме анонимного онлайн-опроса. Для проверки гипотез о различиях между группами применяли непараметрический критерий Манна-Уитни (отличия от нормальности проверяли по тесту Шапиро-Уилка). Уровень значимости во всех тестах принимали р<0,05.

Сравнительный анализ после внедрения дисциплины

После прохождения элективного курса "Искусственный интеллект в медицине" студентами V курса (часть из них входила ранее во вторую группу), тем же опросником Wang повторно оценивали их уровень тревожности и осведомленности. Расчет проводили аналогично исходному: суммировали баллы, определяли уровень тревожности (низкий, умеренный или высокий).

В 1‑й группе (I-III курсы) средний балл по шкале осведомленности составил 47± 5% (или "47% обучающихся утверждали, что слышали об ИИ, понимают возможности и ограничения"), при этом средний итоговый балл тревожности был 59±12, что соответствует умеренному уровню (50-98).

Во 2‑й группе (IV-VI курсы) этот показатель осведомленности оказался выше (79± 6%), а средний итоговый балл тревожности по шкале Wang составил 56±10, статистически не отличаясь от результатов 1‑й группы в рамках "умеренного" диапазона (p>0,05), но находясь ближе к нижней границе умеренной тревожности.

Разница в осведомленности (47% против 79%) объясняется в первую очередь более широким кругом клинических дисциплин, с которыми знакомятся студенты старших курсов, а также их участием в научных кружках, научных исследованиях и т. д. Многие из студентов уже сталкивались с цифровыми технологиями в рамках клинических дисциплин и учебных практик, что и отражается в большей осведомленности по поводу реального применения ИИ в медицине. При этом суммарный показатель тревожности у обеих групп остался в рамках "умеренного" уровня, хотя на IV-VI курсе среднее значение оценки было чуть ниже.

Таким образом, "знание об ИИ" выросло до 100% (студенты отметили, что, по крайней мере, в общих чертах знают возможности и ограничения технологий ИИ). Кроме того, 89% выразили готовность применять системы ИИ в клинической практике (против ~70% до курса). Данный результат подтверждает эффективность дополнительного обучения для снижения опасений и повышения уверенности в использовании систем (технологий) искусственного интеллекта.

Наши данные согласуются с результатами Özbek Güven и соавт. (2024), которые также показали умеренный уровень тревожности у студентов, недостаточно знакомых с технологиями ИИ [20]. При этом повышение информированности и практического опыта ведет к уменьшению опасений и росту мотивации применять ИИ-методы в дальнейшей работе. Учитывая, что на старших курсах доля "осведомленных" выше, можно сделать вывод, что знакомство с технологиями ИИ в рамках клинических дисциплин и дисциплин по выбору реальными примерами использования ИИ дает положительный эффект для формирования более уверенного отношения к цифровым инструментам.

Особо стоит подчеркнуть, что повторная оценка тех же студентов после внедрения элективной дисциплины выявила статистически значимое снижение среднего балла тревожности до уровня "низкого". Этот факт подтверждает важность целенаправленного обучения методам ИИ, а не только эпизодического упоминания их в курсе медицинской информатики и клинических примерах. Формирование базовых навыков в области машинного обучения, компьютерного зрения и анализа больших данных позволяет студентам понимать принципы работы алгоритмов, что снимает часть тревоги, вызванной "непрозрачностью" решений ИИ.

Несмотря на распространение применения ИИ в медицине, важно снизить уровень тревожности у студентов-медиков за счет повышения их готовности к использованию систем ИИ. Именно внедрение элективной дисциплины "Искусственный интеллект в медицине" в образовательную программу высшего образования повышает уровень осведомленности студентов об использовании, разработке и преимуществах новых технологий ИИ. Несомненно, внедрение данного электива является эффективным решением для современного высшего медицинского образования.

Заключение

Интеграция ИИ в медицинское образование может революционизировать способы подготовки медицинских работников. От виртуальных пациентов на базе ИИ для практического обучения до экзаменационных вопросов, сгенерированных ИИ для объективной оценки, - возможности применения ИИ в медицинском образовании многочисленны и интересны. Однако, как и в случае с любой новой технологией, необходимы постоянные исследования и регулирование, чтобы гарантировать, что преимущества ИИ максимизированы, а потенциальные риски сведены к минимуму. Одной из самых больших проблем, стоящих перед использованием ИИ в медицинском образовании, является потребность в высококачественных данных для обучения алгоритмов ИИ. Поскольку медицинские данные часто сложны, конфиденциальны и плохо структурированы, важно, чтобы исследователи и преподаватели тесно сотрудничали с медицинскими работниками, специалистами по обработке данных и регулирующими органами, чтобы гарантировать, что данные, используемые для обучения алгоритмов ИИ, являются точными и получены с соблюдением этических норм.

Проведенный анализ результатов анкетирования по опроснику (шкале Wang) показал, что элективная дисциплина "Искусственный интеллект в медицине" способствует не только повышению осведомленности, но и существенному снижению тревожности студентов в отношении новых информационных технологий. Этот результат согласуется с утверждениями, что наилучший способ уменьшить сомнения и страх перед цифровыми инструментами - дать обучающимся достаточный объем знаний и навыков их реального применения.

Полученные данные подтверждают, что ключевым фактором в уменьшении тревожности студентов является их более детальное знакомство с принципами и примерами работы ИИ, а также практическая апробация алгоритмов компьютерного зрения, машинного обучения и экспертных систем. Как показал повторный опрос, систематическое изучение ИИ способствовало росту информированности вплоть до 100% и значимому снижению суммарного балла тревожности. Исходя из этого представляется целесообразным не только упоминать методы ИИ в рамках базового курса медицинской информатики и клинических дисциплин, но и предлагать отдельные элективные дисциплины, обеспечивающие студентам более глубокое понимание возможностей и ограничений современных цифровых технологий. Такой подход дает возможность будущим врачам уверенно применять инновационные алгоритмы в реальной клинической практике, что, по нашему мнению, станет важным фактором повышения качества и доступности медицинской помощи.

Литература

1. Friedman C.P., Donaldson K.M., Vantsevich A.V. Educating medical students in the era of ubiquitous information // Med. Teach. 2016. Vol. 38, N 5. P. 504-509. DOI: https://doi.org/10.3109/0142159X.2016.1150990

2. Schinkel M., Paranjape K., Nannan Panday R.S. еt al. Clinical applications of artificial intelligence in sepsis: A narrative review // Comput. Biol. Med. 2019. Vol. 115. Article ID 103488. DOI: https://doi.org/10.1016/j.compbiomed.2019.103488

3. Авачева Т.Г., Кадырова Э.А. Опыт внедрения e-learning и профессионально-ориентированных IT-технологий в образовательный процесс в медицинском университете // Медицинское образование и профессиональное развитие. 2021. Т. 12, № 2. С. 116-126. DOI: https://doi.org/10.33029/2220-8453-2021-12-2-116-126

4. Turing A.M. Computing Machinery and Intelligence // Mind. 1950. Vol. 59, N 236. P. 433-460. DOI: https://doi.org/10.1093/mind/LIX.236.433

5. Yu K., Beam A.L., Kohane I.S. Artificial intelligence in healthcare // Nat Biomed Eng. 2018. Vol. 2, N 10. P. 719-731. DOI: https://doi.org/10.1038/s41551-018-0305‑z

6. Dreyer K.J., Geis J.R. When machines think: radiology’s next frontier // Radiology. 2017. Vol. 285, N 3. P. 713-718. DOI: http://doi.org/10.1148/radiol.2017171183

7. Guo J., Li B. The application of medical artificial intelligence technology in rural areas of developing countries // Health Equity. 2018. Vol. 2, N 1. P. 174-181. DOI: https://doi.org/10.1089/heq.2018.0037

8. Lee I.R., Kim H.W., Lee Y., Koyanagi A. еt al. Changes in undergraduate medical education due to COVID-19: a systematic review // Eur. Rev. Med. Pharmacol. Sci. 2021. Vol. 25, N 12. Р. 4426-4434. DOI: https://doi.org/10.26355/eurrev_202106_26155

9. Wang Z., Majewicz Fey A. Deep learning with convolutional neural network for objective skill evaluation in robot-assisted surgery // Int. J. Comput. Assist. Radiol. Surg. 2018. Vol. 13, N 12. P. 1959-1970. DOI: https://doi.org/10.1007/s11548-018-1860-1

10. Weng S.F., Vaz L., Qureshi N., Kai J. Prediction of premature all-cause mortality: a prospective general population cohort study comparing machine-learning and standard epidemiological approaches // PLoS One. 2019. Vol. 14, N 3. Article ID e0214365. DOI: https://doi.org/10.1371/journal.pone.0214365

11. Terzi R. An adaptation of artificial intelligence anxiety scale into Turkish: reliability and validity study // Int. Online J. Educ. Teach (IOJET). 2020. Vol. 7, N 4. P. 1501-1515.

12. Toma M., Wei O.C. Predictive Modeling in Medicine // Encyclopedia. 2023. Vol. 3. P. 590-601. DOI: https://doi.org/10.3390/encyclopedia3020042

13. Yang C.C. Explainable artificial intelligence for predictive modeling in healthcare // J. Health. Inform Res. 2022. Vol. 6. P. 228-239. DOI: https://doi.org/10.1007/s41666-022-00114-1

14. Nosrati H., Nosrati M. Artificial intelligence in regenerative medicine: applications and implications // Biomimetics (Basel). 2023. Vol. 8, N 5. Article ID 442. DOI: https://doi.org/10.3390/biomimetics8050442

15. Черданцева Т.М., Некрасова М.С., Качкуркина А.А., Ененков Н.В. Применение информационных технологий при морфологическом изучении тканевых эозинофилов в коже: обзор литературы // Естественнонаучные основы медико-биологических знаний: сборник докладов IV Всероссийской конференции студентов и молодых ученых с международным участием, посвященной 80-летию РязГМУ. Рязань, 2023. С. 141-144.

16. Kowalewski K.F., Egen L., Fischetti C.E. еt al. Artificial intelligence for renal cancer: From imaging to histology and beyond // Asian J. Urol. 2022. Vol. 9, N 3. Р. 243-252. DOI: https://doi.org/10.1016/j.ajur.2022.05.003

17. Kelly B.S., Judge C., Bollard S.M., Clifford S.M., Healy G.M., Aziz A., Mathur P., Islam S., Yeom K.W., Lawlor A., Killeen R.P. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE) // Eur. Radiol. 2022. Vol. 32, N 11. P. 7998-8007. DOI: https://doi.org/10.1007/s00330-022-08784-6

18. Авачева Т.Г., Ененков Н.В. Методические приемы изучения основ электродинамики в медицинском ВУЗЕ // Российский вестник перинатологии и педиатрии. 2023. Т. 68, № 4. С. 365.

19. Han E.R., Yeo S., Kim M.J., Lee Y.H., Park K.H., Roh H. Medical education trends for future physicians in the era of advanced technology and artificial intelligence: an integrative review. BMC Med Educ. 2019. Vol. 19, N 1. Article ID 460. DOI: https://doi.org/10.1186/s12909-019-1891-5

20. Civaner M.M., Uncu Y., Bulut F., Chalil E.G., Tatli A. Artificial intelligence in medical education: a cross-sectional needs assessment // BMC Med. Educ. 2022. Vol. 22, N 1. Article ID 772. DOI: https://doi.org/10.1186/s12909-022-03852-3

21. Özbek Güven G., Yilmaz Ş., Inceoğlu F. Determining medical students’ anxiety and readiness levels about artificial intelligence // Heliyon. 2024. Vol. 10, N 4. Article ID e25894. DOI: https://doi.org/10.1016/j.heliyon.2024.e25894

22. Kundu S., Ashinsky B.G., Bouhrara M., Dam E.B., Demehri S., Shifat-E-Rabbi M. et al. Enabling early detection of osteoarthritis from presymptomatic cartilage texture maps via transport-based learning // Proc. Natl. Acad. Sci. U S A. 2020. Vol. 117, N 40. P. 24709-24719. DOI: https://doi.org/10.1073/pnas.1917405117

23. Gupta A., Singla T., Chennatt J.J., David L.E., Ahmed S.S., Rajput D. Artificial intelligence: A new tool in surgeon’s hand // J. Educ. Health Promot. 2022. Vol. 11, N 1. Article ID 93. DOI: https://doi.org/10.4103/jehp.jehp_625_21

24. Kantidakis G., Hazewinkel A.D., Fiocco M. Neural networks for survival prediction in medicine using prognostic factors: a review and critical appraisal // Comput. Math. Methods Med. 2022. Vol. 2022. Article ID 1176060. DOI: https://doi.org/10.1155/2022/1176060

25. Schena F.P., Anelli V.W., Trotta J., Di Noia T., Manno C., Tripepi G., D’Arrigo G., Chesnaye N.C., Russo M.L., Stangou M., Papagianni A., Zoccali C., Tesar V., Coppo R.; members of the VALIGA study. Development and testing of an artificial intelligence tool for predicting end-stage kidney disease in patients with immunoglobulin A nephropathy // Kidney Int. 2021. Vol. 99, N 5. P. 1179-1188. DOI: https://doi.org/10.1016/j.kint.2020.07.046

Материалы данного сайта распространяются на условиях лицензии CC BY-NC-ND 4.0 (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International)