Польза и риски внедрения системы поддержки принятия врачебных решений Neuromed AI в кардиологическую службу Республики Узбекистан
Аннотация
Аннотация:
Цель. Клиническая апробация интеллектуальной системы NeuromedAI Cardio, предназначенной для автоматизации рутинных задач врачей-кардиологов и повышения качества медицинской помощи;
Материалы и методы. В рамках исследования была использована интеллектуальная система NeuromedAI Cardio и анкета, включающая 28 вопросов, направленных на экспертную оценку потенциальной пользы системы для врачей. С помощью анкетирования удалось определить основные требования к системе, а также сформулировать рекомендации по доработке модели. В частности, были выделены направления для обогащения обучающего датасета и дообучения модели с целью повышения точности ответов;
Результаты. В рамках пилотного исследования системы Neuromed AI Cardio, проведённого в 2024 году, было организовано анонимное анкетирование 21 врача-кардиолога. Средний стаж участников составил 17 ± 11,1 года. Анализ анкет показал, что в ходе взаимодействия с системой специалисты задали в общей сложности 400 вопросов, что отражает высокий уровень интереса к технологии и активное её тестирование в профессиональной среде;
Заключение. На основании полученных результатов планируется разработка рекомендаций по адаптации системы для внедрения в практику первичной медицинской помощи в Республике Узбекистан. Ожидается, что адаптированная система позволит повысить точность диагностики и эффективность лечения на уровне первичного звена, что отразится в улучшении ключевых показателей здоровья населения и получит положительные отзывы от медицинских работников.
Об авторах
Список литературы
M. Lindstrom, «Global Burden of Cardiovascular Diseases and Risks Collaboration, 1990-2021», J Am Coll Cardiol, т. 80, issue. 25, сс. 2372–2425, Dec. 2022, https://doi.org/10.1016/j.jacc.2022.11.001.
F. L. J. Visseren, «2021 ESC Guidelines on cardiovascular disease prevention in clinical practice», Eur Heart J, т. 42, issue. 34, сс. 3227–3337, september. 2021, https://doi.org/10.1093/eurheartj/ehab484.
K. Kotseva, «Lifestyle and impact on cardiovascular risk factor control in coronary patients across 27 countries: Results from the European Society of Cardiology ESC-EORP EUROASPIRE V registry», Eur J Prev Cardiol, т. 26, issue. 8, сс. 824–835, May 2019, https://doi.org/10.1177/2047487318825350.
M. J. Boonstra, D. Weissenbacher, J. H. Moore, G. Gonzalez-Hernandez, and F. W. Asselbergs, «Artificial intelligence: revolutionizing cardiology with large language models», Eur Heart J, т. 45, issue. 5, сс. 332–345, February. 2024, https://doi.org/10.1093/eurheartj/ehad838.
Perepech NB, Tregubov AV, Mikhaylova IE. Analysis of factors influencing physicians’ knowledge of clinical guidelines for treating chronic heart failure. Russian Journal of Cardiology. 2024;29(1S):Art. 1S. https://doi.org/10.15829/1560-4071-2024-5722. In Russian: Н. Б. Перепеч, А. В. Трегубов, и И. Е. Михайлова, «Анализ факторов, влияющих на знание врачами положений клинических рекомендаций по лечению хронической сердечной недостаточности», Российский кардиологический журнал, т. 29, вып. 1S, Art. вып. 1S, фев. 2024, https://doi.org/10.15829/1560-4071-2024-5722.
S. Parsa, S. Somani, R. Dudum, S. S. Jain, and F. Rodriguez, «Artificial Intelligence in Cardiovascular Disease Prevention: Is it Ready for Prime Time?», Curr Atheroscler Rep, т. 26, issue. 7, сс. 263–272, Jul. 2024, https://doi.org/10.1007/s11883-024-01210-w.
E. K. Oikonomou and R. Khera, «Artificial intelligence-enhanced patient evaluation: bridging art and science», Eur Heart J, т. 45, issue. 35, сс. 3204–3218, september. 2024, https://doi.org/10.1093/eurheartj/ ehae415.
A. Nolin-Lapalme, «Maximising Large Language Model Utility in Cardiovascular Care: A Practical Guide», Can J Cardiol, т. 40, issue. 10, сс. 1774–1787, Oct. 2024, https://doi.org/10.1016/j.cjca.2024.05.024.
A. J. Thirunavukarasu, D. S. J. Ting, K. Elangovan, L. Gutierrez, T. F. Tan, и D. S. W. Ting, «Large language models in medicine», Nat Med, т. 29, issue. 8, сс. 1930–1940, Aug. 2023, https://doi.org/10.103 8/s41591-023-02448-8.
H. Ji, «Large language model comparisons between English and Chinese query performance for cardiovascular prevention», Commun Med, т. 5, issue. 1, сс. 1–8, May 2025, https://doi.org/10.1038/s43856-025-00802-0.
S. Law, B. Oldfield, W. Yang, and Global Obesity Collaborative, «ChatGPT/GPT-4 (large language models): Opportunities and challenges of perspective in bariatric healthcare professionals», Obes Rev, т. 25, issue. 7, с. e13746, Jul. 2024, https://doi.org/10.1111/obr.13746.
Y. Kaneda, «Assessing the Performance of GPT-3.5 and GPT-4 on the 2023 Japanese Nursing Examination», Cureus, т. 15, вып. 8, с. e42924, авг. 2023, https://doi.org/10.7759/cureus.42924.
T. K. W. Hung, «Performance of Retrieval-Augmented Large Language Models to Recommend Head and Neck Cancer Clinical Trials», J Med Internet Res, т. 26, с. e60695, окт. 2024, https://doi.org/10.2196/60 695.
L. Y. Jiang, «Health system-scale language models are all-purpose prediction engines», Nature, т. 619, вып. 7969, сс. 357–362, июл. 2023, https://doi.org/10.1038/s41586-023-06160-y.
«(PDF) Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications», ResearchGate, https://doi.org/10.1109/JPROC.2021.3060483.
A. Nolin-Lapalme, «Maximising Large Language Model Utility in Cardiovascular Care: A Practical Guide», Can J Cardiol, т. 40, вып. 10, сс. 1774–1787, окт. 2024, https://doi.org/10.1016/j.cjca.2024.05.024.
E. Goh, «Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial», JAMA Netw Open, т. 7, вып. 10, с. e2440969, окт. 2024, https://doi.org/10.1001/jamanetworkopen.2024.40969.
«9781003539483 | PDF | Artificial Intelligence | Intelligence (AI) Semantics». Просмотрено: 11 июнь 2025 г. [Онлайн]. Доступно на: https://ru.scribd.com/document/860159908/9781003539483.
Copyright (c) 2025 Х.Г. Фозилов, Р.Х. Тригулова (Автор)

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.