Аннотация:Обоснование. Область лабораторной медицины в связи с нарастающим потоком данных нуждается в автоматизации и стандартизации рутинных процессов для разгрузки медицинских работников и высвобождения их времени на решение более специализированных задач. Модели машинного обучения и искусственные нейронные сети помогают распознавать изображения и анализировать большие массивы данных, что потенциально позволяет внедрить их в работу лабораторий для решения рутинных задач.
Цель исследования. Проанализировать мировую литературу в области применения технологий искусственного интеллекта в лабораторной медицине, оценить их возможности в отношении решения существующих задач, а также выявить возможные проблемы, затрудняющие внедрение искусственного интеллекта в лабораторные процессы.
Методы. Поиск работ проводили в поисковой системе PubMed, на сайтах производителей готовых лабораторных решений и в списках литературы других обзоров. Кроме того, использовали программу для управления библиографической информацией Mendeley. Временной интервал — 2019–2024 гг. Из найденных публикаций извлекали библиометрические данные, область исследований, основные методические характеристики, значения диагностической эффективности искусственного интеллекта и медицинских работников, число и опыт задействованных медицинских специалистов, подтверждённые результаты его внедрения. Качество исследований оценивали с помощью модифицированного опросника QUADAS-CAD.
Результаты. Всего в обзор включили 23 публикации, в которых представлены исследования на преаналитическом, аналитическом и постааналитическом этапах лабораторного анализа — 1, 19 и 3 соответственно. Большинство исследований проведено в области цитологии и микробиологии — 48 и 35% соответственно. Искусственный интеллект демонстрирует высокую эффективность в отношении решения задач на всех этапах лабораторного процесса. Кроме того, его диагностическая точность сопоставима с уровнем медицинских работников, а скорость принятия решений значительно выше. Тем не менее во всех работах наблюдали риск систематической ошибки, что связано с несбалансированностью выборок, отсутствием внешней валидации данных, а также точного их описания и методов анализа.
Заключение. Искусственный интеллект обладает высоким потенциалом в отношении диагностической точности и скорости работы, что делает его перспективным инструментом для внедрения в лабораторную практику и автоматизации рутинных процессов. Однако для этого необходимо стандартизировать методики исследования искусственного интеллекта для снижения риска систематических ошибок, установить референсные значения для лабораторий с целью обеспечения воспроизводимости и обобщаемости результатов, повысить осведомлённость медицинских работников и пациентов о принципах его работы для преодоления предубеждений, а также разработать надёжные механизмы защиты персональных данных при использовании искусственного интеллекта.