Наука о хирургических данных (Surgical Data Science, SDS) – дисциплина, направленная на повышение качества хирургической помощи через сбор, организацию, анализ и моделирование данных. Показано, что прогресс науки о хирургических данных можно определить коэволюцией трех ее компонентов: систем сбора интраоперационных данных, наборов данных, на которых обучаются алгоритмы искусственного интеллекта (ИИ), и самих алгоритмов. В настоящем исследовании предложена авторская концептуальная периодизация этой коэволюции, охватывающая период с середины 2010-х гг. – времени институционального оформления науки о хирургических данных, – до настоящего времени. Она включает три этапа: этап проприетарных интегрированных операционных (≈середина 2010-х гг. – 2019), характеризующийся закрытостью систем сбора данных; этап обхода ограничений проприетарных систем (≈2019 – 2024); и этап интероперабельности и фонового искусственного интеллекта (≈2024 – наст.вр.). Параллельно прослеживается периодизация наборов данных, создаваемых на каждом из этих этапов, – от мономодальных и многоканальных к масштабным мультимодальным наборам данных. Показано, что каждый этап исходно определялся системами сбора данных, которые задавали границы качества синхронизации, состава модальностей и создаваемых наборов данных, тогда как потребности алгоритмов ИИ определяли направление архитектурной эволюции систем. Поиск проведён по PubMed, IEEE Xplore, arXiv, материалам конференций MICCAI и CVPR, официальным сайтам производителей и технической документации. Из 127 первично выявленных публикаций после скрининга и полнотекстового анализа в работу включено 68 научных публикаций, дополненных 29 источниками технической документации и официальных сайтов производителей (всего 97 источников). Ключевыми факторами дальнейшего прогресса станут принятие и применение стандартов интероперабельности медицинских устройств, развитие мультимодальных наборов данных, фундаментальных ИИ-моделей и мультиагентных архитектур, их внедрение в пространство интегрированной операционной.

Пропущенные данные представляют собой одну из ключевых характеристик/особенностей данных реальной клинической практики и являются неотъемлемой частью исследований реальной клинической практики (ИРКП), они возникают на всех этапах сбора информации как в проспективных, так и в ретроспективных дизайнах. Настоящий обзор посвящен всестороннему анализу проблемы пропущенных данных в ИРКП на всех этапах исследовательского процесса — от планирования научной концепции исследования до интерпретации результатов и их представления в научных публикациях.

В первой части обзора рассматриваются теоретические основы: термин «пропущенные данные» («missing data») в нормативных документах ICH, FDA, EMA, ЕАЭС и его различающиеся определения, роль источника данных в формировании пропусков, классификация механизмов пропусков по Рубину (MCAR, MAR, MNAR) и их значение для выбора статистических методов. Вторая часть обзора посвящена системному подходу и описывает 8 этапов работы с пропущенными данными.

Подчеркивается, что эффективное управление пропущенными данными начинается задолго до статистического анализа — на этапе разработки дизайна исследования. Эффективное управление пропущенными данными представляет собой сквозной, проактивный процесс, интегрированный в жизненный цикл ИРКП.

Завершающая часть отчета описывает статистические подходы к пропущенным данным: подходы к анализу данных без замещения пропусков, методы однократного замещения, множественное замещение. Определяются требования к отчету об ИРКП и научным публикациям с точки зрения пропущенных данных.

В заключении обосновывается необходимость системного подхода к проблеме пропущенных данных как важному элементу обеспечения надежности ИРКП, имеющего прямое значение для их применения решений в системе здравоохранения.

Цель. Оценить пригодность больших языковых моделей (Large Language Models, LLM; далее – БЯМ), работающих в закрытом контуре, для прогнозирования показателей тревоги и депрессии по Госпитальной шкале тревоги и депрессии (Hospital Anxiety and Depression Scale, HADS) на выборке российских студентов.

Материалы и методы. Эмпирическую базу составили деперсонализированные ответы 946 студентов-первокурсников (669 женщин, 277 мужчин) российского вуза на 14 вопросов HADS. Для 11 моделей (DeepSeek-R1-32B, Qwen3- 32B, T-pro-2.0/2.1, YandexGPT-8B, GigaChat-20B и др.), развернутых локально на GPU, распределения вероятностей ответов извлекались из логарифмических вероятностей токенов. Экспериментальный дизайн включал 5 групп промптов (текстовых инструкций модели), 2 формата подачи (структурированный диалог и неструктурированный текст) и 4 варианта формулировок. Модельные и эмпирические распределения сравнивались по расстоянию Вассерштейна (W); дополнительно рассчитывались ожидаемые баллы субшкал HADS.

Результаты. Лучшую точность воспроизведения распределений показала DeepSeek-R1-32B (W = 0,293), однако она систематически занижала ожидаемый балл тревожности (5,6 против 7,7 у людей). Наиболее точные ожидаемые баллы тревожности продемонстрировали YandexGPT-pretrain (7,2) и T-pro-2.0 (7,1). Выбор модели объяснял 47% дисперсии метрики; детализация описания персоны и пол не влияли на результат (p > 0,05). Субшкала депрессии воспроизводилась хуже субшкалы тревожности.

Выводы. Оценки устойчивы к вариациям промпта: детализация описания персоны и формулировка не влияют на результат – достаточно минимального описания респондента. Модели с англоязычным обучением предпочитают англоязычные промпты; для русскоязычных моделей языковые предпочтения определяются базовой архитектурой. Гипотеза о систематическом преимуществе русскоязычных моделей не подтвердилась: качество определяется доменной адаптацией, а не языковой принадлежностью. Для практического применения необходима валидация на эксперименте с людьми. Модели не заменяют клиническую оценку специалиста.

Актуальность. По данным Министерства здравоохранения Российской Федерации ежегодно с заболеваниями уха более 6% населения страны обращается к ЛОР-врачу. В условиях высокой нагрузки на специалистов необходимо ускоренное внедрение методов искусственного интеллекта (ИИ) для помощи в постановке диагнозов.

Цель исследования. Разработка прототипа медицинской системы с ИИ (МС ИИ) для диагностики заболеваний уха по отоскопическим изображениям (ОИ) с достижением диагностической точности на тестовом наборе не менее 95% за счет применения методик на основе трансферного обучения предварительно обученных глубоких нейронных сетей (НС).

Материалы и методы. Выбран и подготовлен размеченный набор данных ОИ для 5 сбалансированных диагностических классов, представленный на ресурсе Kaggle.com. Для эффективной реализации трансферного обучения нейросетевых моделей (НСМ) и предотвращения переобучения был реализован конвейер предварительной обработки и аугментации данных. Представлены разработанный пользовательский веб-интерфейс для интеграции НСМ и применение метода Grad-CAM для визуализации областей диагностики на изображениях.

Результаты. Для трансферного обучения выбраны CNN-модели: ResNet18, ResNet50, EfficientNet-B0 и EfficientNet- B2. Диагностика заболеваний уха по ОИ для 5 диагностических категорий показала следующую точность моделей в порядке упоминания по итогам экспериментов с «мягкой» аугментацией обучающей выборки: 95,3%; 96,1%, 97,8% и 99,7%. Модель ResNet50 с «мягкой» аугментацией обучающей выборки для 3 классов показала общую точ- ность на тестовых данных 97%. Представлены тепловые карты визуализации результатов диагностики с применением метода Grad-CAM.

Заключение. Трансферное обучение с адаптацией выбранных предобученных архитектур ResNet18, ResNet50, EfficientNet-B0 и EfficientNet-B2 к задаче многоклассовой классификации ОИ для сбалансированных классов обеспечило достижение заданной точности автоматической диагностики. Подготовлены условия для организации совместных действий с Могилевской областной клинической больницей по разработке МС ИИ для диагностики болезней уха.

Разработана модифицированная модель глубокого обучения для бинарной сегментации почечных патологий на компьютерной томографии. Актуальность исследования определяется потребностью в повышении точности и эффективности выявления аномалий на этапе первичной диагностики, особенно в условиях высокой нагрузки на медицинские учреждения.

Цель работы – создание универсальной системы автоматической детекции и локализации патологий почек без предварительной классификации их морфологического типа.

Методы. В основе модели лежит модифицированная архитектура U-Net с пятью уровнями энкодера и декодера. Внесены изменения: замена максимального пулинга на свёртку с шагом два, использование групповой нормализа- ции и регуляризации методом исключений. Обучение проводилось на клиническом наборе данных из более чем 400 мультиспиральных компьютерных томографий с венозным контрастированием. Предварительная обработка включала преобразование интенсивностей в единицы Хаунсфилда, нормализацию без жёсткого ограничения диапазона и аугментацию данных. Для обучения применялась гибридная функция потерь, сочетающая коэффициент Дайса и бинарную кросс-энтропию.

Результаты. На независимой тестовой выборке достигнуто значение средневзвешенного коэффициента Дайса 0,85. Модель демонстрирует высокую точность сегментации при различных типах патологий – кистах (включая сложные по классификации Bosniak), солидных опухолях и смешанных структурах. Сохраняется устойчивость при анатомических аномалиях (подковообразная почка, дистопия) и при малых размерах очагов (менее 5 мм).

Выводы. Предложенная модель обеспечивает высокую универсальность и применимость в рутинной клинической практике. Возможность детекции широкого спектра патологий без предварительной типизации повышает её клиническую значимость и пригодность для скрининга.

Область применения. Результаты могут быть использованы в онкоурологии для первичного анализа компьютерной томографии, подготовки к хирургическому вмешательству и обучения медицинских специалистов. Перспективна интеграция модели в системы хранения и передачи медицинских изображений для автоматической предобработки исследований.

Цель. Сравнить архитектуры глубокого обучения и схемы классификации дерматоскопических изображений новообразований кожи и оценить их обобщаемость при переносе с открытых международных наборов на независимые клинические наборы российской практики.

Материалы и методы. Четыре архитектуры (ViT-B/16, Swin-S, ConvNeXt-S, EfficientNetV2-S) сравнивались в трех схемах: бинарной (злокачественные / доброкачественные), одноэтапной четырехклассовой и каскадной двухэтапной (бинарный отбор с настраиваемым порогом – дифференциация MEL / SCC / BCC). Все модели инициализированы весами ImageNet, обучены на объединении открытых наборов ISIC Archive и оценены на внутренней отложенной выборке и двух клинических наборах (Melanoscope AI; Сеченовский университет). Значимость различий проверена критериями DeLong, МакНемара и стратифицированным бутстрэпом.

Результаты. На внутренней выборке ROC-AUC бинарного этапа составил 0,952–0,966; при переносе на наиболее сложный внешний клинический набор он снижается до 0,797–0,893, чувствительность – до 0,53–0,67, а калибровочная ошибка (ECE) возрастает с 0,02 до 0,27–0,39 с недооценкой злокачественности. Статистически подтвержден лишь дефицит ViT-B/16 на этапе бинарного отбора; на этапе нозологической дифференциации преимущества архитектур не выявлены при имеющемся объеме злокачественных случаев. Прирост каскада значим только для ViT-B/16.

Заключение. Каскадная декомпозиция с настраиваемым порогом обеспечивает управление чувствительностью, недостижимое в одноэтапной классификации. Сохраняющийся разрыв обобщаемости определяет необходимость внешней клинической валидации и перекалибровки перед внедрением.

В медицинских учреждениях и клиниках накапливается значительный объем информации, который может и должен быть использован при планировании лечебной и организационной деятельности. При этом между влияющими факторами и целевыми KPI имеются интуитивно понятные связи, которые не могут быть описаны функциональными зависимостями. В таких условиях возникает богатый спектр различных задач, для решения которых могут привлекаться методы машинного обучения и искусственного интеллекта.

В настоящей статье рассматривается задача прогнозирования кровопотери при хирургическом лечении заболеваний органов эндокринной системы. Для оценки кровопотерь применяются методы машинного обучения, основанные на решающих деревьях. Данные для исследования предоставлены одной из ведущих мировых клиник.

Анализ когнитивных состояний с помощью электроэнцефалографии (ЭЭГ) является ключевой задачей для нейроинтерфейсов. Несмотря на успехи методов глубокого обучения, классические свёрточные нейронные сети (CNN) имеют существенные ограничения при работе с нестационарными сигналами ЭЭГ: они плохо адаптируются к локальным временно-частотным особенностям, а их решения сложно интерпретировать. Перспективным направлением является интеграция архитектуры Колмогорова–Арнольда (KAN), заменяющей линейные веса на обучаемые вейвлет-функции, что позволяет создавать более гибкие и интерпретируемые модели для анализа ЭЭГ.

Цель. Изучить влияние замены классических свёрточных слоёв на слои, реализованные на основе архитектуры Колмогорова–Арнольда с различными вейвлет-функциями активации, на качество идентификации когнитивных состояний различных уровней сложности.

Методы. Использовались данные открытого набора COG-BCI, включающего записи 29 участников, выполнявших когнитивные задачи N-Back (рабочая память) и MATB-II (многозадачность). Исходная архитектура FFCLNetEEG была модифицирована путём замены CNN-слоёв на свёрточные слои KAN и WavKAN с различными вейвлетами (Gabor, DOG, Mexican Hat, Morlet, Meyer, Shannon). Оценка проводилась по метрикам Accuracy, Precision, Recall, F1-score и Specificity с использованием попарных тестов Уилкоксона с поправкой Бонферрони (p < 0,05).

Результаты. В задаче N-Back наилучшие результаты показала модель FFCLNetEEG-WavKAN-DOG со средней точностью 0,790±0,059, значимо превосходя модели FFCLNetEEG-KAN, FFCLNetEEG-WavKAN-Meyer и FFCLNetEEG-WavKANMorlet (p < 0,001 после поправки). В задаче MATB-II лучшей стала модель FFCLNetEEG-WavKAN-Gabor (средняя точность 0,892±0,005). Анализ трёх независимых сессий показал высокую воспроизводимость результатов с коэффициентами корреляции между сессиями до 0,653 для лучших моделей.

Заключение. Интеграция архитектуры Колмогорова–Арнольда со встроенными вейвлетфункциями позволяет достоверно повысить качество классификации когнитивных состояний по данным ЭЭГ. Выбор оптимального вейвлета зависит от типа когнитивной задачи: DOG – для рабочей памяти (N-Back), Gabor – для многозадачности (MATB-II). Полученные данные имеют прикладное значение для разработки нейроадаптивных интерфейсов, систем когнитивного мониторинга и реабилитации.

Цель исследования: провести проспективную валидацию ранее разработанной модели машинного обучения для прогнозирования развития сепсиса у данной категории пациентов.

Материалы и методы: Проспективная валидация выполнена в соответствии с рекомендациями TRIPOD+AI на данных базы “Russian Intensive Care Dataset” (RICD v3.0). Использовалась модель XGBoost, оценивающая риск развития сепсиса каждый час госпитализации с периодом прогнозирования 6 часов на основе антропометрических, клинических, лабораторных и витальных показателей, агрегированных в динамические временные окна. Эффективность модели оценивалась по площади под ROC-кривой (AUROC) с 95% доверительным интервалом (ДИ), а также по диагностическим метрикам при оптимальной отрезной точке.

Результаты: Валидация проведена на когорте пациентов, госпитализированных в ОРИТ ФНКЦ РР в период с октября 2024 по сентябрь 2025 года (n = 103; 53 561 пациенто-час наблюдения). Длительность пребывания в ОРИТ составила 32 (27; 38) суток. Модель XGBoost продемонстрировала AUROC 0,737, что соответствовало исходным результатам внутреннего тестирования (AUROC 0,752; 95% ДИ 0,730; 0,767). Ранее определенная оптимальная точка отсечения (0,5651) обеспечила чувствительность 60,3%, специфичность 81,5% и высокую прогностическую ценность отрицательного результата (97,4%). Ввиду высокой доли ложноположительных срабатываний модель показала наибольшую клиническую применимость для исключения сепсиса в ближайшие 6 часов. Вместе с тем, использование многоуровневого подхода к интерпретации делает модель потенциально полезной для стратификации пациентов по вероятности развития сепсиса.

Заключение: Проспективная валидация подтвердила устойчивость и воспроизводимость модели машинного обучения для прогнозирования сепсиса у пациентов, длительно находящихся в ОРИТ. Результаты свидетельствуют о возможности интеграции модели в медицинскую информационную систему как компонента системы поддержки принятия врачебных решений для последующей оценки в условиях реальной клинической практике.

В статье представлен ситуационный алгоритм анализа цепочек событий с целью прогнозирования временных послеоперационных параметров хирургических операций, таких как длительность пребывания в стационаре и в отделении реанимации после операции. Описано построение модели события с использованием специализированных языковых нейросетевых моделей. На основе обезличенных данных архива электронных медицинских карт и заключений выписных эпикризов пациентов с выполненными кардиохирургическими операциями проведена алгоритмическая обработка, которая позволяет выделять кластеры операций и прогнозировать значения временных послеоперационных параметров. В статье представлен алгоритм формирования цепочек событий, описание метода их анализа и результаты экспериментальной проверки метода.