Главная → Архив → 2026 год, выпуск №3 → Системы поддержки принятия врачебных решений на базе искусственного интеллекта для курирования коморбидных пациентов в практике врачей–терапевтов. Отечественный опыт

Системы поддержки принятия врачебных решений на базе искусственного интеллекта для курирования коморбидных пациентов в практике врачей–терапевтов. Отечественный опыт

Е.С. Герасимова1, Т.С. Воробьёва2, О.В. Казаева1, Н.Н. Перегудова1, А.Л. Сотников3
________________________________________________________________________________________________________
1 Рязанский государственный медицинский университет имени академика И.П. Павлова, Рязань, Российская Федерация;
2 Елецкий государственный университет имени И.А. Бунина, Елец, Российская Федерация;
3 Воронежский государственный медицинский университет имени Н.Н. Бурденко, Воронеж, Российская Федерация
________________________________________________________________________________________________________

Обоснование. Коморбидность — значимая социально‑экономическая проблема современного здравоохранения. Её распространённость, особенно среди пожилых пациентов, достигает 60–80%. Коморбидность негативно влияет на прогноз и качество жизни пациентов, существенно увеличивает нагрузку на систему здравоохранения и приводит к снижению трудоспособности населения. В терапевтической практике ведение таких больных осложняется рисками полипрагмазии и лекарственных взаимодействий, фрагментарностью помощи при участии множества специалистов, дефицитом времени на приёме, а также трудностями применения инструментов доказательной медицины.

Цель. Проанализировать отечественные ИИ-решения для поддержки принятия врачебных решений при ведении терапевтических коморбидных пациентов, оценить их функционал, точность и вклад в повышение безопасности и эффективности терапии, а также раскрыть потенциал искусственного интеллекта (ИИ) в решении ключевых клинических задач и обозначить существующие ограничения и вызовы.

В работе проведён обзор отечественных ИИ-систем для поддержки принятия врачебных решений: AIDA (AI Diagnostic Assistant), Webiomed, MedicBK и «Электронный клинический фармаколог». Для каждой из систем описаны функционал, точность, особенности применения и вклад в безопасность и эффективность терапии. Дополнительно рассмотрены инструменты дистанционного мониторинга (в том числе в рамках федерального проекта «Персональные медицинские помощники») и цифровые платформы для пациентов («Здоровье.ру», «Умный мониторинг здоровья», Aterostop). Выявлен потенциал ИИ-систем в решении ряда ключевых задач: ранняя диагностика коморбидности, стратификация рисков, индивидуализация подхода, контроль лекарственных взаимодействий и повышение приверженности к терапии. Вместе с тем обозначены существенные ограничения: сложность учёта нелинейных взаимодействий патологий, недостаточная интерпретируемость моделей, динамичность состояния пациентов, проблемы качества и полноты обучающих данных, а также трудности интеграции мультидисциплинарного контекста в работу алгоритмов.

Заключение. Отечественные ИИ-системы уже выступают перспективным вспомогательным инструментом в работе терапевта при ведении коморбидных больных. При этом они требуют дальнейшего развития и адаптации к реальным клиническим условиям. Устранение выявленных ограничений (в частности, повышение интерпретируемости моделей и качества данных, учёт динамических и нелинейных процессов) позволит расширить практическое применение ИИ и повысить эффективность комплексного ведения пациентов с коморбидностью.

Ключевые слова: поддержка принятия врачебных решений; коморбидность; искусственные нейронные сети; электронные медицинские карты; глубокое обучение.

Список литературы

  1. Moffat K, Mercer SW. Challenges of managing people with multimorbidity in today’s healthcare systems. BMC Fam Pract. 2015;16:129. doi: 10.1186/s12875-015-0344-4 EDN: XHHIAI
  2. Kalinina AM, Savchenko DO, Voshev DV, et al. Pervichnaya mediko-sanitarnaya pomoshch, obshchestvennoye zdorovye i organizatsiya zdravookhraneniya. Spravochnik ponyatiy i terminov. Moscow: RSPNID, SiliceaPolygraph; 2023. (In Russ.) doi: 10.15829/ROPNIZ-k1-2023 EDN: EDXLEM
  3. Oganov RG, Simanenkov VI, Bakulin IG, et al. Comorbidities in clinical practice. Algorithms for diagnostics and treatment. Cardiovascular Therapy and Prevention. 2019;18(1):5–66. doi: 10.15829/1728-8800-2019-1-5-66 EDN: YXKKAP
  4. Fortin M, Stewart M, Poitras ME, et al. A systematic review of prevalence studies on multimorbidity: toward a more uniform methodology. Ann Fam Med. 2012;10(2):142–151. doi: 10.1370/afm.1337
  5. Nunes BP, Flores TR, Mielke GI, et al. Multimorbidity and mortality in older adults: a systematic review and meta-analysis. Arch Gerontol Geriatr. 2016;67:130–138. doi: 10.1016/j.archger.2016.07.008
  6. Palladino R, Lee JT, Ashworth M, et al. Associations between multimorbidity, healthcare utilisation and health status: evidence from 16 European countries. Age Ageing. 2016;45(3):431–435. doi: 10.1093/ageing/afw044 EDN: WUGEWZ
  7. Blakely T, Kvizhinadze G, Atkinson J, et al. Health system costs for individual and comorbid noncommunicable diseases: An analysis of publicly funded health events from New Zealand. PLoS Med. 2019;16(1):e1002716. doi: 10.1371/journal.pmed.1002716 EDN: FKVXUJ
  8. Cabral GG, Dantas de Souza AC, Barbosa IR, et al. Multimorbidity and Its Impact on Workers: A Review of Longitudinal Studies. Saf Health Work. 2019;10(4):393–399. doi: 10.1016/j.shaw.2019.08.004
  9. Austin PC, White IR, Lee DS. Missing data on clinical research: A tutorial on multiple imputation. Can J Cardiol. 2021;37(9):1322–1331. doi: 10.1016/j.cjca.2020.11.010 EDN: CEECZN
  10. Daunt R, Curtin D, O’Mahony D. Polypharmacy stewardship: a novel approach to tackle a major public health crisis. Lancet Healthy Longev. 2023;4(5):e228–e235. doi: 10.1016/s2666-7568(23)00036-3 EDN: ICHIJN
  11. Joo JY. Fragmented care and chronic illness patient outcomes: A systematic review. Nurs Open. 2023;10(6):3460–3473. doi: 10.1002/nop2.1607 EDN: OQBKLZ
  12. Schuttner L, Hockett Sherlock S, Simons C, et al. Factors affecting primary care physician decision-making for patients with complex multimorbidity: a qualitative interview study. BMC Prim Care. 2022;23(1):25. doi: 10.1186/s12875-022-01633-x  EDN: GKFLZY
  13. Choudhury A, Asan O. Role of Artificial Intelligence in Patient Safety Outcomes: Systematic Literature Review. JMIR Med Inform. 2020;8(7):e18599. doi: 10.2196/18599  EDN: JMJVJD
  14. Sarsenbayeva GI, Tursynbekova AE. Modern approaches to the assessment of comorbidity in patients. CardioSomatics. 2019;10(1):19–23. doi: 10.26442/22217185.2019.1.180073 EDN: MFNTTC
  15. Kirina MV, Bezymyannyy AS, Vasilev YuA, et al. Evaluation of the effectiveness of a medical decision support system for preliminary diagnosis in Moscow outpatient clinics. Medical Doctor and Information Technologies. 2025;(3):36–49. doi: 10.25881/18110193_2025_3_36EDN: TEUSUY
  16. Umerenkov D, Nesterov A, Shaposhnikov V, et al. AI Diagnostic Assistant (AIDA): A Predictive Model for Diagnoses from Health Records in Clinical Decision Support Systems. In: Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence (IJCAI-25) “Special Track on AI and Social Good”; Montreal, Canada, August 16–22, 2025. 2025;1098:9880–9889. doi: 24963/ijcai.2025/1098
  17. Zeng Q, Huang C, Zhu J. AI-driven transformation of precision medicine: a comprehensive narrative review of key application areas, emerging paradigms, and future directions. Front Public Health. 2026;13:1656603. doi: 10.3389/fpubh.2025.1656603 EDN: NAQCTD
  18. Shangina AM, Benimetskaya KS, Efremova YuE, et al. Personalized approach to treatment choice using a digital profile of patient with cardiovascular diseases: the features of clinical decision-making support service. Russian Cardiology Bulletin. 2024;19(4–2):105–112. doi: 17116/Cardiobulletin202419042105 EDN: OJKNTL
  19. Shaderkin IA. Remote monitoring of human health and the environment: opportunities and limitations. Russian Journal of Telemedicine and E-Health. 2022;8(3):45–54. doi: 10.29188/2712-9217-2022-8-3-45-54 EDN: QKWIVW
  20. Chumalaeva ShR, Kozhevnikova MV, Zektser VYu, et al. Impact of Remote Monitoring Using an AI-Powered Voice-Activated Robotic Assistant on the Dynamics of Metabolic Parameters: Results of a Prospective Comparative Study. Kardiologiia. 2026;66(3):3–11. (In Russ.) doi: 10.18087/cardio.2026.3.n3104 EDN: UYJXOZ
  21. Sergienko IV, Ansheles AA, Boytsov SA. Mobile application «Aterostop» for a comprehensive assessment of cardiovascular risk in patients in the Russian population. Terapevticheskii Arkhiv. 2021;93(4):415–420. doi: 26442/00403660.2021.04.200683 EDN: KLSGXF
  22. Van der Heide I, Uiters E, Sørensen K, et al. Health literacy in Europe: the development and validation of health literacy prediction models. Eur J Public Health. 2016;26(6):906–911. doi: 10.1093/eurpub/ckw078
  23. Polozova E, Skvortsov V, Aksenova S, et al. Comorbidity and polypharmacy in the practice of a general practitioner. 2021;32(3):34–39. doi: 10.29296/25877305-2021-03-06 EDN: CBLHLA
  24. Midão L, Giardini A, Menditto E, et al. Polypharmacy prevalence among older adults based on the survey of health, ageing and retirement in Europe. Arch Gerontol Geriatr. 2018;78:213–220. doi: 10.1016/j.archger.2018.06.018
  25. Xu Zh, Liang X, Zhu Yu, et al. Factors associated with potentially inappropriate prescriptions and barriers to medicines optimisation among older adults in primary care settings: a systematic review. Fam Med Community Health. 2021;9(4):e001325. doi: 10.1136/fmch-2021-001325 EDN: ITLKXE
  26. Bledzhyants G. Pomoshchnik vracha — sistema podderzhki prinyatiya vrachebnykh resheniy “Elektronnyy klinicheskiy farmakolog”. Glavnyy Vrach Yuga Rossii. 2020;(4):5. (In Russ.) EDN: NEFQSR
  27. Losik DV, Kozlova SN, Krivosheev YuS, et al. Retrospective analysis of clinical decision support system use in patients with hypertension and atrial fibrillation (INTELLECT). Russian Journal of Cardiology. 2021;26(4):4406. doi: 15829/1560-4071-2021-4406 EDN: SMNYSE
  28. Drapkina OM, Kontsevaya AV, Kalinina AM, et al. Comorbidity of patients with noncommunicable diseases in general practice. Eurasian guidelines. Cardiovascular Therapy and Prevention. 2024;23(3):3996. doi: 10.15829/1728-8800-2024-3996  EDN: AVZLPJ
  29. Kupatenko YG, Miruk AK, Lomonosova AV, Kozlova AA. Artificial intelligence in medicine: an overview of the current situation and tendencies. Cifra. Biomedical Sciences. 2024;2(2):4. doi: 60797/BMED.2024.2.4 EDN: KICZWM
  30. Chen RJ, Wang JuJ, Williamson DFK, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng. 2023;7(6):719–742. doi: 10.1038/s41551-023-01056-8  EDN: BDAPFM

2026 год, выпуск №3
Научный обзор
Читать статью (pdf) →
DOI: 10.23888/HMJ2026143567-577
Как цитировать:
Герасимова Е.С., Воробьёва Т.С., Казаева О.В., Перегудова Н.Н., Сотников А.Л. Системы поддержки принятия врачебных решений на базе искусственного интеллекта для курирования коморбидных пациентов в практике врачей–терапевтов. Отечественный опыт// Наука молодых (Eruditio Juvenium). 2026. Т. 14, № 3. С. 567–577. doi: 10.23888/HMJ2026143567-577  EDN: VHHVRZ
Дополнительная информация:
Источники финансирования. Отсутствуют.
Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Об авторах:
*Герасимова Екатерина Сергеевна, канд. мед. наук, доцент; доцент кафедры общественного здоровья и здравоохранения;
адрес: Российская Федерация, 390026, Рязань, ул. Высоковольтная, д. 9;
ORCID: 0000-0002-6508-4378; eLibrary SPIN: 2680-7241; e-mail: 9707799@mail.ru
Воробьёва Татьяна Сергеевна, канд. мед. наук; доцент кафедры фундаментальных медицинских дисциплин; ORCID: 0009-0001-2304-7341; eLibrary SPIN: 9120-1186; e-mail: vorobyeva.t.s@gmail.com
Казаева Ольга Викторовна, канд. мед. наук, доцент; доцент кафедры профильных гигиенических дисциплин; ORCID: 0000-0003-1630-6437; eLibrary SPIN: 5362-5040; e-mail: olga--kazaeva@yandex.ru
Перегудова Наталия Николаевна, канд. мед. наук; доцент кафедры госпитальной терапии с курсом медико-социальной экспертизы; ORCID: 0000-0001-6177-1405; eLibrary SPIN: 6639-0651; e-mail: docperegudova@yandex.ru
Сотников Алексей Леонидович; студент; ORCID: 0009-0000-1413-0218; eLibrary SPIN: 5786-1801; e-mail: sotnikovaeb@yandex.ru