ПЕРСОНАЛИЗИРОВАННАЯ МЕДИЦИНА НА ОСНОВЕ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Цель – изучить проблемы развития персонализированной медицины, её преимущества и недостатки, рассмотреть возможности современных технологий машинного обучения для анализа больших объемов данных о здоровье пациентов, оптимизации их лечения.

Материалы и методы. При написании работы использовались общетеоретические методы синтеза, анализа, обобщения литературных данных, а также был проведен социологический опрос среди населения Курской области. Для написания данной статьи авторами был проведен социологический опрос среди 128 респондентов, относящихся к
различным возрастным группам. Целью анкетирования являлось узнать отношение населения Курской области к использованию данной технологии на практике.

Результаты. В ходе опроса, который проводился среди граждан Курской области, было выявлено, что, по мнению респондентов, технология использования персонализированной медицины с алгоритмами машинного обучения на данной территории развита недостаточно.Установлено, что большинство респондентов знакомо с данной отраслью медицины, но не изучали её преимущества. В современном здравоохранении создаются новые инновационные технологии, так, например, в НМИЦ им. В.А. Алмазова Минздрава
России и Национального центра сервисной интеграции и компании WaveAccess направлено на разработку медицинского устройства, которое использует технологии искусственного интеллекта для автоматического определения размеров сердца, объемных характеристик и других параметров, ранее доступных только на дорогостоящем оборудовании экспертного уровня.

Заключение. Анализ литературы по использованию искусственного интеллекта в медицине показал его новый вектор, который заключается в смещении его применения в сторону персонализированной медицины. В результате проведенной работы были изучены общие аспекты и направления персонализированной медицины с использованием
алгоритмов машинного обучения. Благодаря проведенному социологическому опросу были выделены преимущества и недостатки персонализированной медицины и отношение к ней жителей Курской области.

Objective:to study the problems of the development of personalized medicine, its advantages and disadvantages, to consider the possibilities of modern machine learning technologies for analyzing large amounts of data on the health of patients, optimizing their treatment.

Materials and methods. When writing the work, general theoretical methods of synthesis, analysis, generalization of literary data were used, and a sociological survey was conducted among the population of the Kursk region. To write this article, the authors conducted a sociological survey among 128 respondents belonging to various age groups. The purpose of the survey was to find out the attitude of the population of the Kursk region to the use of
this technology in practice.

Results.It was revealed that the majority of respondents are familiar with this branch of medicine, but have not studied its benefits.During the survey, which was conducted among citizens of the Kursk region, it was revealed that, in the opinion of respondents, the technology of using personalized medicine with machine learning algorithms in this territory is not sufficiently developed.New innovative technologies are being created in modern healthcare, for example, at the Almazov NMIC of the Ministry of Health of the Russian Federation and the National Center for Service Integration and WaveAccess company, it is aimed at developing a medical device that uses artificial intelligence technologies to automatically determine the size of the heart, volumetric characteristics and other parameters previously available only on expensive expert-level equipment.

Conclusion. An analysis of the literature on the use of artificial intelligence in medicine has shown its new vector, which consists in shifting its application towards personalized medicine. As a result of the work carried out, the general aspects and directions of personalized medicine using machine learning algorithms were studied. Thanks to the conducted sociological survey, the advantages and disadvantages of personalized medicine
and the attitude of residents of the Kursk region towards it were highlighted.

1. Грицков И.О., Говоров А.В., Васильев А.О., Ходырева Л.А., Ширяев А.А., Пушкарь Д.Ю. Data Science – глубокое обучение нейросетей и их применение в здравоохранении. Здоровье мегаполиса. 2021;2(2):109-115. DOI: 10.47619/2713-2617.zm.2021.v2i2;109-115. – EDN: SGWBPD.

2. Белоусов Д.Ю. Будущее развитие прецизионной и персонализированной медицины. Пациентоориентированная медицина и фармация. 2023;1(4):8-14. DOI: 10.37489/2949-1924-0027. EDN: QQLIYP.

3. Берг Л.Н. Персонализированная медицина: правовые и организационные основы медицины будущего. Lex Genetica. 2023;2(1):7-23. DOI: 10.17803/lexgen-2023-2-1-7-23. EDN: ERZFVM.

4. Бодрин К.А., Красноперова А.А. Использование технологий машинного обучения в медицине. Теория и практика современной науки. 2018;10(40):52-56. EDN: YRRZOP.

5. Бритвина П.В. Машинное обучение в медицине: революция диагностики, лечения и персонализации. Вестник науки. 2024;1(70):442-444. EDN: OSVAMF.

6. Бурсов А.И. Применение искусственного интеллекта для анализа медицинских данных. Альманах клинической медицины. 2019;47(7):630-633. DOI: 10.18786/2072-0505-2019-47-071. EDN: CSBOEB.

7. Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении. Информационное общество. 2017;4(5):78-93. EDN: YUVYNE.

8. Зворыкина Е.И., Зворыкина Ю.В. Инновации в персонализированной медицине. Менеджмент и бизнес-администрирование. 2019;1:129-139. EDN: VWEFEK.

9. Каминская А.А. Информатизация сферы здравоохранения. Международный студенческий научный вестник. 2018;4(6):924-926. EDN: USCEBY.

10. Кузнецова А.В., Кузнецова Ю.О., Сенько О.В. Преодоление проблемы "черного ящика" при использовании методов машинного обучения в медицине. Врач и информационные технологии. 2018;1:74-80. EDN: YMKAOL.

11. Николаев В.А. Инновационные технологии персонализированной медицины. Forcipe. 2019;2(3):40-41. EDN UEPRRX.

12. Литвин А.А., Стома И.О, Шаршакова Т.М. Новые возможности искусственного интеллекта в медицине: описательный обзор. Проблемы здоровья и экологии. 2024;21(1):7-17. DOI: 10.51523/2708-6011.2024-21-1-01. EDN: BUJXUJ.

13. Айдынов З.П., Нурутдинов А.М. Перспектива использования технологии машинного обучения в медицине. Приоритетные направления инновационной деятельности в промышленности: Сборник научных статей по итогам пятой международной научной конференции. Казань: Общество с ограниченной ответственностью "КОНВЕРТ". 2020;2:70-73. EDN: USWAAW.

14. Курдюмов Д.А., Кашин А.В., Рябов Н.Ю. Опыт применения технологий искусственного интеллекта для развития профилактического здравоохранения на примере Кировской области. Менеджер здравоохранения. 2023;6:62-69. DOI:10.21045/1811-0185-2023-6-62-69. EDN: UHHGTM.

15. Ацапкина А.А., Гусева М.Н., Соколов А.А. Персонализированная медицина и лечение редких болезней – новая парадигма современной медицины. Вопросы гематологии/онкологии и иммунопатологии в педиатрии. 2010;9(3):6-12. EDN: NYNRYX.

16. Антонюк М.В., Гвозденко Т.А., Лебедев С.В., Юбицкая Н.С. Перспективы персонализированной восстановительной медицины. Бюллетень физиологии и патологии дыхания. 2021;79:117-126. DOI: 10.36604/1998-5029-2021-79-117-126. EDN: REDYQY.

17. Гусев А.В., Драпкина О.М., Концевая А.В., Мишкин И.А. Прогнозирование сердечно-сосудистых событий с помощью моделей пропорциональных рисков и моделей машинного обучения: систематический обзор. Кардиологический вестник. 2023;18(2):133-134. EDN: MTYMSY.

18. Адамов А.А., Гндоян И.А., Дятчина А.И., Храмов В.Н. Разработка классификатора фотоизображений патологий для ультрамалого набора. Математическая физика и компьютерное моделирование. 2023;26(1):33-48. DOI: 10.15688/mpcm.jvolsu.2023.1.3. EDN: EITBFN.

19. Шадеркин И.А. Слабые стороны искусственного интеллекта в медицине. Российский журнал телемедицины и электронного здравоохранения. 2021;7(2): 50-56. DOI: 10.29188/2712-9217-2021-7-2-50-52. EDN: JNVMQF.

20. Щербо С.Н., Щербо Д.С. Лабораторная медицина как основа персонализированной медицины. Применение биочипов в медицине. Клиническая лабораторная диагностика. 2014;59(5):4-11. EDN: SIKMFL.