Главная / Искусственный интеллект в медицине

Технологии в медицине | Обновлено: 18 июня 2025

Искусственный интеллект в медицине и наркологии

ИИ-технологии уже сегодня меняют способы диагностики зависимостей, прогнозирования рецидивов и персонализации лечения. Разбираем, как именно работают эти системы, что о них говорит наука и какие вопросы пока остаются открытыми.

АК

Анна Климова Медицинский журналист, специализация — цифровое здравоохранение

Что такое искусственный интеллект в контексте медицины

Искусственный интеллект (ИИ) в медицине — это совокупность вычислительных методов, позволяющих машинам обрабатывать медицинские данные, распознавать закономерности и поддерживать принятие клинических решений. К ним относятся машинное обучение (ML), глубокое обучение (Deep Learning), обработка естественного языка (NLP) и компьютерное зрение.

По данным аналитической компании Grand View Research, объём мирового рынка ИИ в здравоохранении в 2023 году превысил 20 млрд долларов США и продолжает ежегодно расти на 37–40%. В России интерес к теме резко вырос после 2020 года: Минздрав РФ включил цифровую медицину и ИИ-диагностику в перечень приоритетных направлений развития отрасли.

В наркологии ИИ-решения находят применение в нескольких принципиально разных областях: скрининг и диагностика, оценка риска рецидива, персонализация терапии, мониторинг состояния пациентов и анализ популяционных данных для организации помощи.

Схема применения искусственного интеллекта в медицине: диагностика, прогнозирование, персонализация лечения

ИИ в диагностике и скрининге зависимостей

Одно из наиболее практически развитых направлений — автоматизированный скрининг расстройств, связанных с употреблением психоактивных веществ. Традиционные инструменты (опросники AUDIT, DAST) требуют участия специалиста и зависят от честности пациента. ИИ-системы способны анализировать косвенные маркеры, которые сложно скрыть или подделать.

Биомаркеры и нейровизуализация

Алгоритмы глубокого обучения, обученные на данных МРТ и фМРТ, позволяют выявлять структурные и функциональные изменения головного мозга, характерные для хронической алкогольной зависимости или опиоидного расстройства. Исследование 2022 года (Журнал нейронаук, США) показало, что нейросетевая модель определяет алкогольную зависимость по снимкам МРТ с точностью 89%, что сопоставимо с оценкой опытного нейрорадиолога.

Анализ речи и поведения

Системы на основе NLP анализируют характеристики речи (темп, тональность, лексические паттерны) во время первичного интервью. В ряде пилотных проектов такой подход позволял с высокой чувствительностью выявлять пациентов с алкогольным расстройством даже при отрицании ими проблемы. Схожие методы применяются в телемедицинских платформах для мониторинга состояния пациентов в период ремиссии.

Лабораторные данные

Нейросетевые модели, обученные на больших массивах данных общеклинических анализов, умеют выделять комбинации показателей (ГГТ, МСВ, АСТ/АЛТ и другие), характерные для хронического злоупотребления алкоголем, — иногда раньше, чем симптомы становятся очевидными клинически.

Прогнозирование рецидивов: как ИИ оценивает риск

Рецидив — одна из главных проблем наркологии: по различным оценкам, в течение первого года после завершения лечения к употреблению возвращаются от 40 до 60% пациентов. Предсказать, у кого риск наиболее высок, — значит своевременно усилить поддержку именно этому человеку.

Модели машинного обучения для прогноза рецидива используют сотни переменных одновременно: демографические данные, историю лечения, социальные факторы, данные мониторинга настроения через мобильные приложения, физиологические показатели носимых устройств (частота пульса, качество сна, уровень активности).

«Традиционные клинические шкалы учитывают 5–10 переменных. Современные ИИ-модели работают с тысячами параметров и находят нелинейные зависимости, которые человек-эксперт просто не в состоянии отследить вручную.»
— из обзора Nature Medicine, 2023

Пример: системы EMA (Ecological Momentary Assessment)

В ряде клинических исследований пациентам в ремиссии выдавали смартфоны с приложениями, которые несколько раз в день задавали короткие вопросы о настроении, уровне стресса и тяге к веществу. ИИ-алгоритм в режиме реального времени анализировал ответы и уведомлял специалиста о нарастающем риске. В одном из исследований (Вашингтонский университет, 2021) такая система позволила снизить частоту рецидивов на 23% по сравнению со стандартным наблюдением.

Подход к прогнозированию	Используемые данные	Точность (AUC)	Статус
Клинические шкалы (AUDIT, DAST)	Опросники	0.65–0.72	Стандарт практики
ML на ЭМК	Электронные медкарты	0.78–0.84	Пилотные внедрения
EMA + нейросеть	Мобильный мониторинг	0.81–0.87	Клинические исследования
Мультимодальные модели	МРТ + ЭМК + носимые устройства	0.88–0.93	Исследовательские разработки

AUC — площадь под ROC-кривой; значение 1.0 соответствует идеальному предсказанию, 0.5 — случайному угадыванию.

Персонализация лечения и поддержка принятия решений

В наркологии давно известно: одна и та же схема лечения даёт разные результаты у разных пациентов. Выбор препарата, интенсивности психосоциальных вмешательств, длительности стационарного этапа — всё это решается преимущественно на основе опыта врача. ИИ предлагает аналитическую поддержку этих решений.

Фармакогеномика и подбор терапии

Алгоритмы, интегрирующие данные генетического тестирования с клиническими параметрами, помогают предсказать эффективность конкретных препаратов для конкретного пациента. Применительно к наркологии это актуально, например, для налтрексона при алкогольной зависимости: носители определённых полиморфизмов гена OPRM1 демонстрируют значительно лучший ответ на терапию.

Системы клинической поддержки (CDSS)

CDSS (Clinical Decision Support Systems) — это программные решения, интегрированные в медицинские информационные системы. Они анализируют данные пациента и предлагают врачу рекомендации, основанные на актуальных клинических руководствах. В наркологии такие системы помогают выявлять опасные комбинации препаратов, отслеживать динамику состояния и напоминать о плановых обследованиях.

Врач нарколог работает с планшетом на котором отображается интерфейс системы поддержки клинических решений на основе ИИ

Цифровые терапевтические вмешательства

Отдельный класс решений — цифровые терапевтики (DTx). Это приложения, прошедшие клиническую проверку и использующие алгоритмы адаптивной когнитивно-поведенческой терапии. ИИ-компонент в них отвечает за персонализацию упражнений, подбор контента и изменение интенсивности программы в зависимости от прогресса пациента. Ряд таких приложений одобрен FDA (США) в качестве дополнения к стандартному лечению расстройств, связанных с употреблением психоактивных веществ.

Этические и регуляторные вопросы

Внедрение ИИ в столь чувствительную область, как наркология, неизбежно порождает серьёзные этические вызовы. Они обсуждаются как в международных медицинских организациях (ВОЗ, ISAM), так и на уровне национальных регуляторов.

Конфиденциальность и безопасность данных

Обучение ИИ-моделей требует огромных массивов персональных медицинских данных. Пациенты с наркологическими диагнозами особенно уязвимы: утечка информации может повлечь социальную стигматизацию, проблемы с трудоустройством или страхованием. Требования к анонимизации, хранению и использованию таких данных в России регулируются Федеральным законом № 323-ФЗ и № 152-ФЗ, однако специфика ИИ-обработки в нормативной базе пока прописана недостаточно детально.

Предвзятость алгоритмов (Bias)

Если обучающая выборка не репрезентативна — например, содержит данные преимущественно о мужчинах среднего возраста — модель будет хуже работать для женщин, пожилых людей или представителей этнических меньшинств. В наркологии это особенно критично, поскольку недооценка риска у отдельных групп пациентов ведёт к реальному вреду.

«Чёрный ящик» и объяснимость

Многие высокоточные нейросетевые модели непрозрачны: они дают результат, но не объясняют, почему. Это создаёт проблему для клинической практики — врач должен понимать логику рекомендации, чтобы нести за неё профессиональную ответственность. Развивается отдельная область — Explainable AI (XAI), цель которой — сделать решения алгоритмов интерпретируемыми.

Регуляторный статус в России

В 2021–2024 годах Росздравнадзор зарегистрировал несколько отечественных ИИ-решений для анализа медицинских изображений. Применительно к наркологии специализированных регуляторных требований к ИИ-системам пока нет, хотя Минздрав РФ разрабатывает соответствующую нормативную базу в рамках программы «Цифровая экономика».

Вопросы и ответы

Может ли ИИ полностью заменить врача-нарколога?

Нет. Современные ИИ-системы разработаны как инструменты поддержки принятия решений, а не их замены. Клиническое решение остаётся за врачом, который несёт за него юридическую и этическую ответственность. ИИ помогает обработать большой объём данных, выявить скрытые паттерны и снизить нагрузку на специалиста, но не воспроизводит клинического мышления, эмпатии и контекстного понимания ситуации пациента.

Насколько точны ИИ-системы для диагностики зависимостей?

Точность варьируется в зависимости от типа системы, используемых данных и конкретной задачи. По данным систематических обзоров, лучшие модели достигают AUC 0.85–0.93 для ряда задач скрининга и прогнозирования. Однако большинство исследований проводились в контролируемых условиях; реальная эффективность в рутинной клинической практике нередко ниже. Экстраполяция результатов на другие популяции требует осторожности.

Используются ли ИИ-системы в российских наркологических клиниках?

В России ИИ в наркологии пока преимущественно на стадии пилотных проектов и научных исследований. Ряд крупных государственных наркологических учреждений участвует в исследовательских программах совместно с университетами и IT-компаниями. Широкого клинического внедрения специализированных наркологических ИИ-решений по состоянию на 2025 год не зафиксировано, хотя общемедицинские инструменты (анализ ЭКГ, рентгенограмм) уже используются в системе ОМС.

Безопасно ли передавать личные медицинские данные ИИ-системе?

Это зависит от конкретной системы, политики её оператора и применяемых мер защиты данных. Законодательство РФ (152-ФЗ) требует получения информированного согласия пациента на обработку персональных данных. Пациент вправе уточнить у медицинской организации, каким образом и кем обрабатываются его данные, передаются ли они третьим лицам и на каком основании.

Что такое большие языковые модели (LLM) и как они применяются в медицине?

LLM (Large Language Models) — класс ИИ-моделей, обученных на огромных массивах текста. В медицине их используют для обработки неструктурированных клинических записей, автоматического кодирования диагнозов по МКБ, генерации резюме для выписных эпикризов, а также в качестве основы для медицинских чат-ботов. В наркологии LLM исследуются как инструмент первичного скрининга в формате диалога и как поддержка пациентов в промежутках между визитами к врачу. Важно понимать: ни одна LLM не является медицинским устройством и не должна использоваться для самодиагностики.

Перспективы: что будет дальше

Развитие ИИ в наркологии сдерживается несколькими факторами: дефицитом качественных размеченных данных, фрагментарностью медицинских информационных систем, недостаточной грамотностью клиницистов в области цифровых технологий и отставанием регуляторной базы от темпов технологического развития.

Тем не менее ряд направлений имеет очевидный потенциал к масштабированию в ближайшие 5–10 лет:

Федеральные реестры и большие данные. Накопление обезличенных данных государственных наркологических служб создаст базу для обучения российских ИИ-моделей на репрезентативной популяции.
Интеграция с носимыми устройствами. Смарт-часы и браслеты уже позволяют отслеживать вариабельность сердечного ритма, качество сна и уровень стресса — параметры, коррелирующие с риском рецидива.
Телемедицина и дистанционный мониторинг. ИИ-поддержка дистанционного наблюдения за пациентами в ремиссии снизит нагрузку на амбулаторные службы и повысит охват труднодоступных территорий.
Мультимодальные диагностические платформы. Объединение нейровизуализации, геномики, клинических данных и данных о поведении в единую аналитическую систему обещает принципиально новый уровень точности стратификации риска.

Ключевым условием успешного внедрения остаётся тесное взаимодействие разработчиков ИИ-систем с клиницистами, биоэтиками, пациентскими организациями и регуляторами. Технология, созданная без учёта реальных нужд врача и пациента, не находит применения вне лаборатории.

Источники

1. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44–56.
2. Chekroud A.M. et al. The promise of machine learning in predicting treatment outcomes in psychiatry. World Psychiatry. 2021;20(2):154–170.
3. Miner A.S. et al. Smartphone-based conversational agents and responses to questions about mental health, interpersonal violence, and physical health. JAMA Internal Medicine. 2016;176(5):619–625.
4. Scheinost D. et al. Ten simple rules for predictive modeling of individual differences in neuroimaging. NeuroImage. 2019;193:35–45.
5. Институт развития информационного общества. Цифровая медицина в России: аналитический доклад. Москва, 2023.
6. Nahum-Shani I. et al. Just-in-Time Adaptive Interventions (JITAIs) in Mobile Health. Annals of Behavioral Medicine. 2018;52(6):446–462.
7. ВОЗ. Ethics and governance of artificial intelligence for health: WHO guidance. Женева, 2021.
8. Федеральный закон № 323-ФЗ «Об основах охраны здоровья граждан в Российской Федерации». Актуальная редакция.

Информационно-справочный материал. Не является рекламой и медицинской рекомендацией. При наличии симптомов заболевания или иных проблем со здоровьем следует обратиться к врачу.

18+ | Материал предназначен для совершеннолетних читателей.