Аннотация
Введение. Персонализированная (прецизионная) медицина (ПМ) стремительно меняет современное здравоохранение, смещая акцент с лечения заболеваний на их предупреждение и индивидуализированный подход к пациенту. Интеграция технологий искусственного интеллекта (ИИ) и молекулярной медицины открывает новые возможности для раннего выявления заболеваний, оценки факторов риска и подбора оптимальной профилактики и терапии с учетом генетических особенностей. Цель исследования. Проанализировать роль информационных технологий на основе ИИ в контексте персонализированной (молекулярной) медицины. Материал и методы. Проведен анализ научных публикаций последних 5 лет из баз данных PubMed и Scopus, демонстрирующих эффективность ИИ-алгоритмов в ранней диагностике, успешные примеры применения полного геномного секвенирования, полигенных индексов риска и других генетических технологий для прогнозирования заболеваний. Результаты. Рассмотрены современные информационные технологии на основе ИИ в контексте персонализированной оценки здоровья: скрининговые программы, интеллектуальный анализ медицинских данных, геномные и иные «омикс» технологии. Обсуждаются перспективы внедрения ИИ в клиническую практику, в том числе мультимодальные модели, объединяющие клинические и молекулярные данные, и рассматриваются актуальные барьеры (недостаток ресурсов, нормативные ограничения, этические вопросы) на пути реализации ПМ. Заключение. Цифровая молекулярная медицина с применением ИИ повышает эффективность профилактики, диагностики и лечения заболеваний, что подтверждается как клиническими, так и экономическими показателями, однако требует комплексного подхода к внедрению и стандартизации.
Ключевые слова
Авторы и аффилиации
П.В. Селиверстов(1), В.В. Шаповалов(2), Ю.А. Кравчук(1), С.П. Саликова(1),
Ф.В. Шаваева(3), П.А. Исаева(4), М.М. Салманова(4), Р.М. Арсланбекова(4)
1-ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» МО РФ, Российская Федерация, 194044, Санкт-Петербург, ул. Лебедева, 6; 2-ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Российская Федерация, 194064, Санкт-Петербург, ул. Политехническая, д. 29; 3-ФГБОУ ВО «Кабардино-Балкарский государственный университет им. Х.М. Бербекова»,
Медицинская академия, Российская Федерация, 360004, Нальчик, ул. Чернышевского, д. 173;
4-ФГБОУ ВО «Дагестанский государственный медицинский университет» Минздрава России,
Российская Федерация, 367000, Махачкала, пл. Ленина, 1
Литература
Тайц Б.М. «10П медицина» в решении вопросов снижения смертности, увеличения продолжительности и повышения качества жизни пожилого населения. Клиническая геронтология. 2021; 27 (11–12): 76–9. https://doi.org/10.26347/1607-2499202111-12076-079 [Tayts BM. «P10 Medicine» for lower mortality, longer life expectancy and better quality of life in elderly people. Clin Gerontol. 2021; 27 (11–12): 76–9. https://doi.org/10.26347/1607-2499202111-12076-079 (in Russian)]
Blobel B., Kalra D. Editorial: Managing healthcare transformation towards P5 medicine. Front Med (Lausanne). 2023; 10:1244100. DOI: 10.3389/fmed.2023.1244100.
Denysyuk H.V., Pires I.M., Garcia N.M. A roadmap for empowering cardiovascular disease patients: a 5P-Medicine approach and technological integration. PeerJ. 2024; 12: e17895. DOI: 10.7717/peerj.17895.
Blobel B., Ruotsalainen P., Brochhausen M., Oemig F., Uribe G.A. Autonomous Systems and Artificial Intelligence in Healthcare Transformation to 5P Medicine – Ethical Challenges. Stud Health Technol Inform. 2020; 270: 1089–93. DOI: 10.3233/SHTI200330.
Селиверстов П.В., Бакаева С.Р., Шаповалов В.В. Оценка рисков социально значимых хронических неинфекционных заболеваний c использованием телемедицинской системы. Врач. 2020; 31 (10): 68–73. https://doi.org/10.29296/25877305-2020-10-13. [Seliverstov P, Bakaeva S, Shapovalov V. A telemedicine system in the assessment of risks for socially significant chronic non-communicable diseases. Vrach. 2020; 31 (10): 68–73. https://doi.org/10.29296/25877305-2020-10-13 (in Russian)]
Liu X., Faes L., Kale A.U., Wagner S.K., Fu D.J., Bruynseels A., Mahendiran T. еt al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019; 1 (6): 271–97. DOI: 10.1016/S2589-7500(19)30123-2.
Селиверстов П.В., Шаповалов В.В., Алешко О.В. Внедрение телемедицинских технологий на основе искусственного интеллекта в практику оказания амбулаторно-поликлинической помощи для проведения медицинского осмотра. Медицинский алфавит. 2023; 28: 44–9. https://doi.org/10.33667/2078-5631-2023-28-44-49. [Seliverstov P.V., Shapovalov V.V., Aleshko O.V. Introduction of telemedicine technologies based on artificial intelligence into practice of providing outpatient care for medical examination. Medical alphabet. 2023; 28: 44–9. https://doi.org/10.33667/2078-5631-2023-28-44-49 (in Russian)]
Lou S., Du F., Song W., Xia Y., Yue X., Yang D., Cui B., Liu Y., Han P. Artificial intelligence for colorectal neoplasia detection during colonoscopy: a systematic review and meta-analysis of randomized clinical trials. EClinicalMedicine. 2023; 66: 102341. DOI: 10.1016/j.eclinm.2023.102341.
Kim H., Park K.U. Clinical Circulating Tumor DNA Testing for Precision Oncology. Cancer Res Treat. 2023; 55 (2): 351–66. DOI: 10.4143/crt.2022.1026.
Sammut S.J., Crispin-Ortuzar M., Chin S.F. et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022; 601: 623–9. https://doi.org/10.1038/s41586-021-04278-5
Mars N., Koskela J.T., Ripatti P. et al. Polygenic and clinical risk scores and their impact on age at onset and prediction of cardiometabolic diseases and common cancers. Nat Med. 2020; 26:549-557. https://doi.org/10.1038/s41591-020-0800-0
Селиверстов П.В. Перспективы использования телемедицинских технологий на основе искусственного интеллекта при проведении медицинского осмотра. Медицинский совет. 2024; 18 (5): 104–11. https://doi.org/10.21518/ms2024-072. [Seliverstov P.V. Prospects for the use of telemedicine technologies based on artificial intelligence during medical examination. Meditsinskiy Sovet. 2024; 18 (5): 104–11. https://doi.org/10.21518/ms2024-072 (in Russian)]
Johnson K.B., Wei W.Q., Weeraratne D., Frisse M.E., Misulis K., Rhee K., Zhao J., Snowdon J.L. Precision Medicine, AI, and the Future of Personalized Health Care. Clin Transl Sci. 2021; 14 (1): 86–93. DOI: 10.1111/cts.12884.
Kwon J.M., Kim K.H., Jeon K.H., Park J. Deep learning for predicting in-hospital mortality among heart disease patients based on echocardiography. Echocardiography. 2019; 36 (2): 213–8. DOI: 10.1111/echo.14220.
Morozov S., Vladzymyrskyy A., Ledikhova N., Andreychenko A., Arzamasov K., Omelyanskaya O. et al. Diagnostic accuracy of artificial intelligence for analysis of 1.3 million medical imaging studies: the Moscow experiment on computer vision technologies [Preprint]. medRxiv. 2023. [cited 2025 May 14];2023.08.31.23294896. Available from: https://www.medrxiv.org/content/10.1101/2023.08.31.23294896v1.full
Perez M.V., Mahaffey K.W., Hedlin H., Rumsfeld J.S., Garcia A., Ferris T., Balasubramanian V. еt al. Apple Heart Study Investigators. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N. Engl. J. Med. 2019; 381 (20): 1909–17. DOI: 10.1056/NEJMoa1901183.
Короткова М.Н. Социальная политика государства: персонализированная медицина в контексте модернизации российской системы здравоохранения (теория и практика Пермского края). Общество: политика, экономика, право. 2020; 5. URL: https://cyberleninka.ru/article/n/sotsialnaya-politika-gosudarstva-personalizirovannaya-meditsina-v-kontekste-modernizatsii-rossiyskoy-sistemy-zdravoohraneniya. [Korotkova MN. State social policy: personalized medicine in the context of modernization of the Russian healthcare system (theory and practice of Perm Krai). Society: Politics, Economics, Law. 2020;(5). Available from: https://cyberleninka.ru/article/n/sotsialnaya-politika-gosudarstva-personalizirovannaya-meditsina-v-kontekste-modernizatsii-rossiyskoy-sistemy-zdravoohraneniya [cited 2025 May 14]. (in Russian)]
Селиверстов ПВ. Психология адаптации пациентов к использованию искусственного интеллекта при проведении скрининга хронических неинфекционных заболеваний. Медицинский Совет. 2024; 23: 266–72. https://doi.org/10.21518/ms2024-551. [Seliverstov PV. Psychology of patient adaptation to the use of artificial intelligence in screening for chronic noncommunicable diseases. Meditsinskiy sovet = Medical Council. 2024; 23: 266–72. https://doi.org/10.21518/ms2024-551 (in Russian)]
Lucas G.M., Rizzo A., Gratch J., Scherer S., Stratou G., Boberg J. et al. Reporting mental health symptoms: breaking down barriers to care with virtual human interviewers. Front Robot AI. 2017; 4: 51. DOI: 10.3389/frobt.2017.00051
Arndt B.G., Beasley J.W., Watkinson M.D., Temte J.L., Tuan W.J., Sinsky C.A., Gilchrist V.J. Tethered to the EHR: Primary Care Physician Workload Assessment Using EHR Event Log Data and Time-Motion Observations. Ann Fam Med. 2017; 15 (5): 419–26. DOI: 10.1370/afm.2121.
Министерство здравоохранения Российской Федерации. Паспорт федерального проекта «Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ)» [Интернет]. Москва: Минздрав России; [обновлено 2023; цитировано 2025 май 14]. Доступно по: https://minzdrav.gov.ru. [Ministry of Health of the Russian Federation. Passport of the federal project «Creation of a unified digital healthcare framework based on the Unified State Health Information System (USHIS)» [Internet]. Moscow: Ministry of Health of Russia; [updated 2023; cited 2025 May 14]. Available from: https://minzdrav.gov.ru (in Russian)]
Cowie M.R., Bax J., Bruining N., Cleland J.G., Koehler F., Malik M., Pinto F., van der Velde E., Vardas P. e-Health: a position statement of the European Society of Cardiology. Eur Heart J. 2016; 37 (1): 63–6. DOI: 10.1093/eurheartj/ehv416.
Sørensen K., Pelikan J.M., Röthlin F., Ganahl K., Slonska Z., Doyle G., Fullam J. еt al. HLS-EU Consortium. Health literacy in Europe: comparative results of the European health literacy survey (HLS-EU). Eur. J. Public Health. 2015; 25 (6): 1053–8. DOI: 10.1093/eurpub/ckv043.