Digital transformation in psychiatry: is artificial intelligence changing approaches to diagnosis and treatment of mental disorders?

Vladimir D. Mendelevich; Менделевич Владимир Давыдович; Genshat S. Galyautdinov; Галяутдинов Геншат Саляхутдинович; Alexandr G. Zhidyaevskij; Жидяевский Александр Геннадьевич; Alexander A. Andrianov; Андрианов Александр Арсентьевич; Sergey A. Kichatov; Кичатов Сергей Александрович

doi:10.17816/nb677833

Цифровая трансформация психиатрии: меняет ли искусственный интеллект подходы к диагностике и терапии психических расстройств?

Авторы: Менделевич В.Д.¹, Галяутдинов Г.С.¹, Жидяевский А.Г.¹, Андрианов А.А.¹, Кичатов С.А.¹
Учреждения:
1. Казанский государственный медицинский университет
Выпуск: Том LVII, № 3 (2025)
Страницы: 199-208
Раздел: Научные обзоры
Статья получена: 29.03.2025
Статья одобрена: 29.06.2025
Статья опубликована: 30.09.2025
URL: https://journals.eco-vector.com/1027-4898/article/view/677833
DOI: https://doi.org/10.17816/nb677833
EDN: https://elibrary.ru/MKSMND
ID: 677833

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Доступ платный или только для подписчиков

Аннотация
Полный текст
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

В статье рассматриваются достижения и перспективы применения искусственного интеллекта в психиатрии. Основное внимание уделено его роли в диагностике, терапии и прогнозировании психических расстройств. Искусственный интеллект демонстрирует высокую эффективность в анализе речевых паттернов, данных нейровизуализации и прогнозировании ответа на лечение, что открывает новые возможности для персонализированной медицины в психиатрии. Вместе с тем внедрение искусственного интеллекта в клиническую практику сопряжено с рядом вызовов и ограничений, включая необходимость стандартизации обучающих данных, обеспечения прозрачности алгоритмов, а также защиты конфиденциальности и персональных данных пациентов. Существенным ограничением применения искусственного интеллекта в психиатрии является его неспособность проявлять эмпатию, что снижает эффективность использования данных технологий в терапевтическом процессе. В перспективе искусственный интеллект может стать ключевым инструментом поддержки врача, автоматизируя процессы диагностики, мониторинга состояния пациентов и подбора медикаментозной терапии. Однако успешная интеграция искусственного интеллекта в клиническую практику требует учёта существующих технологических и этических ограничений, повышения цифровой грамотности специалистов, а также разработки и совершенствования нормативно-правовой базы, регулирующей применение подобных технологий в медицине.

Ключевые слова

искусственный интеллект, персонализированная медицина, диагностика и лечение психических расстройств

Полный текст

ВВЕДЕНИЕ

Современная медицина активно движется по пути внедрения технологий искусственного интеллекта (ИИ), пришедших на смену классическому программному обеспечению. Первоначально ИИ использовался для упрощения доступа к информации, но в настоящее время его достижения в сфере здравоохранения активно способствуют развитию многих областей медицины. Так, способность ИИ анализировать большие массивы медицинских данных, а также эффективно распознавать признаки заболеваний может позволить осуществлять более быструю и точную диагностику [1]. Анализ историй болезни, образа жизни пациента, его генетических данных при помощи ИИ способствует персонализации лекарственной терапии, повышая её результативность и снижая риск проявления побочных эффектов [2]. Возможность использования ИИ с целью интерпретации нейровизуализационных данных позволяет совершенствовать точность таких диагностических инструментов, как КТ и МРТ [2]. Внедрение ИИ в сферу роботизированной хирургии повышает точность и снижает объём инвазивных вмешательств [3]. Применение ИИ в целях изучения эффективности препаратов и вакцин поможет ускорить их создание [4]. Оптимизация рабочих процессов при помощи алгоритмов, созданных ИИ, повышает эффективность работы медицинского персонала [4]. Также ИИ имеет потенциал в прогнозировании эволюции вирусов [5].

На данный момент в отечественной медицине внедрено более 50 искусственных интеллект-сервисов, которые способны анализировать признаки 38 различных патологий. Эти системы активно используются для улучшения диагностики и повышения эффективности медицинских услуг¹.

МЕХАНИЗМ РАБОТЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Наиболее изученным инструментом в области ИИ являются искусственные нейронные сети. Они представляют собой математические модели, имитирующие работу человеческого мозга, и используются для решения сложных задач, таких как распознавание образов и прогнозирование [6].

Основной принцип работы нейросетей заключается в обучении на больших объёмах данных, где каждый нейрон обрабатывает входные сигналы и передаёт результаты другим нейронам, что позволяет выявлять закономерности и обобщать информацию там, где статистические методы исследования оказываются неприменимы [7].

В машинном обучении выделяют три основных подхода (рис. 1): обучение с учителем (Supervised Learning), где используются размеченные данные для тренировки моделей, обучение без учителя (Unsupervised Learning), при котором алгоритмы ищут скрытые структуры в неразмеченных данных, и обучение с подкреплением (Reinforcement Learning), когда алгоритм обучается, взаимодействуя со средой и получая положительное подкрепление при осуществлении правильных действий [8]. Таким образом, в процессе многократного обучения нейронные сети способны адаптироваться к новым данным и улучшать свои результаты с течением времени, что делает их мощным инструментом в области ИИ [9].

Рис. 1. Машинное обучение.

Другим важным аспектом взаимодействия с ИИ является обработка естественного языка (NLP; рис. 2) — направление, изучающее понимание человеческой речи с помощью компьютера [10] и представляющее собой область исследований в ИИ и лингвистике. Основная цель NLP — разработка методов и технологий, позволяющих компьютерам распознавать речь, определять смысл слов, анализировать эмоциональный окрас, интерпретировать и генерировать естественный язык так, как это делают люди [10].

Рис. 2. Обработка естественного языка (NLP).

ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПСИХИАТРИИ

Модели нейронных сетей могут использоваться на разных этапах лечебно-диагностического процесса. Первым из таких этапов является процесс диагностического поиска. Так, исследования показывают, что алгоритмы машинного обучения могут выявлять тонкие изменения в структуре речи, которые предшествуют клинически значимым событиям, например, эпизодам маниакального или депрессивного характера при биполярном аффективном расстройстве [11]. Это открывает перспективы для создания инструментов, которые будут автоматизировать раннюю диагностику психических расстройств на основе анализа речи пациентов [12]. Не менее значимым является опыт применения нейронной сети Deep Patient в обработке неразмеченного массива данных пациентов с различными соматическими патологиями и психическими расстройствами. В результате работы нейросети точность распознавания такого диагноза, как «шизофрения» была выше, чем острого инфаркта миокарда и множественной миеломной болезни [13]. Это касается и возможности использования нейронных сетей с целью диагностики расстройств, связанных со стрессом, в том числе и посттравматическим стрессовым расстройством. В систематическом обзоре, проведённом L.F. Ramos-Lima и соавт. [14], нейросети анализировали с этой целью самые разнообразные данные, полученные от пациентов: от данных опросников, текстов, генетических находок до аудио- и видеозаписей. При этом в девяти из 18 исследований, посвящённых определению прогноза, и шести классификационных показали точность более 80%, что оценено авторами как превосходный результат.

Не менее важным направлением является обработка данных, полученных инструментами нейровизуализации, анализ которых может представлять определённые сложности даже для опытного специалиста. Так, глубокие нейронные сети, особенно свёрточные, показали высокую эффективность в обработке изображений мозга. Исследование, проведённое R. Li и соавт. [15], показало, что использование глубоких свёрточных нейросетей для анализа данных МРТ позволяет точно дифференцировать пациентов с биполярным расстройством и депрессией. Это свидетельствует о том, что нейросети могут облегчить работу врачей, предоставляя точные инструменты для анализа данных нейровизуализации и диагностики психических расстройств.

Использование нейронных сетей также позволяет персонализировать терапию психических расстройств. Исследование W. Huang и соавт. [16] представило результаты использования машинного обучения для предсказания ответа на лечение антидепрессантами у пациентов с большим депрессивным расстройством. Алгоритмы машинного обучения использовали данные о генетических предрасположенностях, результаты опросов и биомаркеры. Точность прогноза положительного ответа на терапию в течение первых шести недель составила 80% [16]. Эти данные подчёркивают потенциал машинного обучения в создании персонализированных рекомендаций по лечению психических расстройств. Аналогичным примером может служить корейская ARPNet, которая сравнительно точно определяла будущий эффект антидепрессанта [17]. Предполагается использование алгоритмов машинного обучения для более точного определения целевых групп скрининга на наркотическую, алкогольную и прочие типы зависимостей, а также для улучшения понимания причин рецидивов аддиктивного поведения [18].

Важным направлением является прогнозирование исхода психических расстройств, а также оценка вероятности экзацербации. В исследовании, проведённом под руководством L. Schmaal [19], нейронная сеть использовала данные нейровизуализации и клинические наборы данных (включая продолжительность, сопутствующую патологию и исходную тяжесть), чтобы определить исход рекуррентного депрессивного расстройства в рамках трёх траекторий: быстрая ремиссия, постепенное улучшение и хронификация при помощи алгоритма гауссовских процессов, достигая при этом высокой точности. Также алгоритмы глубокого обучения могут использоваться для прог-нозирования риска суицидального поведения на основе анализа данных МРТ и клинических опросов [20]. Это направление исследований особенно важно в контексте разработки инструментов для предотвращения суицида у пациентов с высоким риском [21].

Интересными могут оказаться некоторые решения на основе ИИ применительно к имитации психических расстройств, что может быть полезным в образовательном процессе студентов и молодых докторов, а также в более глубоком изучении психических и поведенческих расстройств. Так, ИИ DISCERN, основанный на рекуррентных нейронных сетях, способен генерировать текст в виде эталонного шизофренического бреда. Исследователи обучили ИИ пересказывать написанные заранее истории таким образом, чтобы тот игнорировал значимые детали повествования, акцентируя внимание на второстепенных. В результате ИИ начал путаться в деталях повествования, причинно-следственных связях, действующих лицах, аналогично бреду пациента, больного шизофренией².

Исследования, посвящённые применению ИИ в образовательных целях, показывают обнадёживающие результаты. Так, в исследовании, проведённом в медицинской школе Йельского университета, студенты, использовавшие ИИ для симуляции пациентов, сообщали о значительном снижении тревоги и повышении уверенности при последующем взаимодействии с реальными пациентами во время прохождения психиатрической практики [22]. Результаты исследования Y. Zhu [23] показывают, что модели симуляции на основе ИИ, такие как FASSLING, могут значительно улучшить приобретение навыков, способствовать принятию этичных решений и формировать более эмоционально отзывчивых и компетентных специалистов в области психического здоровья.

ОГРАНИЧЕНИЯ И ВЫЗОВЫ

При всём видимом благополучии возможностей и точек применения ИИ в современной психиатрии существует ряд значимых ограничений и препятствий, с которыми справиться «умный компьютер» всё ещё не в состоянии. Мы провели анализ сведений современной медицинской научной литературы о существующих границах функционирования ИИ. Так, использование ИИ с целью обработки конфиденциальных данных предъявляет повышенные требования к информационной безопасности [24, 25]. Недостаточная точность алгоритмов ИИ может привести к ошибочным медицинским решениям, что может сильно повлиять на здоровье пациентов [24, 26]. Алгоритмы ИИ не способны учитывать этические аспекты медицинской деятельности, что может привести к некорректным решениям [27] и дискриминации отдельных групп пациентов в силу алгоритмической предвзятости [28]. Последняя может проявляться на различных этапах жизненного цикла ИИ [29] — от использования нерепрезентативных данных в процессе обучения до неправильной оценки системы на способность работать с различными группами населения, отличающимися по социально-экономическим и медицинским показателям [30]. Так, обучающийся на данных электронных медицинских карт ИИ будет точнее в тех случаях, когда пациент получает более интенсивное и продолжительное лечение, в силу наличия большего количества данных в электронной медицинской карте [31]. Более того, электронные медицинские карты создаются медицинскими работниками, которые не всегда могут собрать полную и точную информацию о пациенте, что в последующем влияет на точность прогноза [32].

Психиатрия на сегодняшний день использует для постановки диагноза и оценки динамического состояния пациента в большей степени клинико-анамнестический подход [33]. Данный метод работы обособляет врачей-психиатров от других медицинский специальностей. В рамках применения ИИ в психиатрии мы вынуждены отметить препятствия, которые вряд ли имеют ближайшую перспективу преодоления. Первое из них — сложность поддержания необходимой точности входных данных. Так, их низкое качество снижает точность прог-нозирования, а потому повышает количество образцов, необходимых для обучения нейронной сети [34]. Отсутствие стандартизированного набора обучающих данных не позволяет верифицировать преимущество одних методов машинного обучения над другими, что имеет важнейшее значение в исследованиях. Кроме того, их отсутствие может приводить к критическим ошибкам. Потому прогнозы нейронной сети становятся актуальными только для данных из той выборки, из которых формировался массив обучающих данных [35]. Более того, нейронная сеть не видит разницы между причинно-следственными связями и ложными ассоциациями, а потому может использовать и те, и другие в поиске целевой переменной, что снижает точность [36]. Непрозрачность внутренних механизмов работы моделей машинного обучения затрудняет понимание клиницистами логики принятия решений ИИ-системами и не даёт возможности утверждать о валидности системы [37]. Разница в интерпретации и субъективность оценки симптоматики психических расстройств со стороны врачей-психиатров не даёт возможность качественно и в полном объёме привести вводимые данные к эталонному образцу [38, 39].

Мы сравнили выставленный диагноз психического расстройства пациенту в рамках клинического разбора с диагнозом, выставленным ИИ на основании введённых данных одним из участников обследования. Оператором ввода выступил психиатр, имевший опыт работы с нейросетями. Мнения о заключительном диагнозе участников в лице врачей-психиатров и одной из известных ИИ значительно разошлись. Так, доктора в большинстве сошлись во мнении о диагнозе расстройства аутистического спектра (РАС), в то время как ИИ сделал однозначное заключение о наличии параноидной шизофрении. Важно отметить, что мнение нейронной сети совпало с мнением того, кто вводил в неё данные о пациенте. Позже доктор признался, что интерпретировал проблемы с коммуникацией, свойственные людям с РАС, как паралогичность и непоследовательность мышления, а социофобическое содержание переживаний толковал как бред, что и внёс в нейронную сеть. Данный пример во многом показывает, что диагноз, выставляемый нейронной сетью, напрямую зависит от субъективной оценки врача.

Этические вопросы проведения исследований с использованием нейронных сетей также до настоящего времени не урегулированы. Тщательная защита конфиденциальности используемых данных становится необходимостью в условиях, когда данные могут рассматриваться как товар, что предъявляет повышенные требования к методологии проводимых исследований [40]. В настоящее время общий регламент по защите данных рассматривает возможность повторного использования персональных данных в исследовательских целях, что делает возможным обход некоторых этических требований [41].

Следует отметить, что в настоящее время у ИИ нет эмпатии, которая играет одну из основных ролей в терапевтическом процессе. Это резко затрудняет его использование в ситуациях, которые требуют эмоциональной поддержки пациентов. Более того, попытки наделения ИИ эмпатией в своей основе неэтичны, так как подрывают значимость настоящей «живой» эмпатии, получаемой в ходе личного взаимодействия «врач–пациент» [42].

ВОЗМОЖНЫЕ ПЕРСПЕКТИВЫ

Авторы обратились с входным запросом в адрес одной из наиболее известных ИИ-платформ. Требовалось проанализировать все имеющиеся открытые данные и структурировать точки взаимодействия врачей-психиатров и ИИ на ближайшие 10 лет (рис. 3). Оказалось, что в ближайшем будущем ИИ может стать одним из ключевых инструментов в психиатрии, который успешно обеспечивает диагностический поиск, мониторинг и контроль терапии психических расстройств. Алгоритмы будут способны анализировать медицинские данные, включая ЭЭГ, МРТ и голосовые паттерны, помогая выявлять ранние наиболее распространённые психические расстройства. ИИ способен взять на себя роль ассистента психиатра, автоматизируя ведение документации, анализируя клинические записи и помогая подбирать курс терапии с учётом физиологических особенностей человека и сведений о медикаментозных взаимодействиях. Внедрение таких систем потребует чёткого разграничения ответственности между врачом и алгоритмом.

Рис. 3. Интеграция искусственного интеллекта (ИИ) в психиатрию.

Система высокоскоростной телекоммуникационной связи, интегрированной с ИИ, расширит доступ к психиатрической помощи в регионах с кадровым дефицитом профильных специалистов. Алгоритмы могут проводить предварительный скрининг пациентов. Врач будет подключаться на этапе непосредственной консультации, имея на руках исчерпывающие данные о пациенте, что повысит эффективность диагностики и лечения. Однако требуется нормативное регулирование и защита персональных данных.

ИИ уже сейчас может ускорить научные исследования, анализируя большие массивы данных для изучения психических заболеваний. Врачебное обучение также может измениться: симуляторы с виртуальными пациентами позволят отрабатывать навыки, а платформы на основе ИИ будут анализировать клинические ошибки и предлагать улучшения. Остаётся открытым вопрос о стандартизации входных клинических психиатрических данных при создании подобных научных и образовательных ресурсов.

Важной задачей станет профилактика и социальная адаптация пациентов с тяжёлыми и инвалидизирующими психическими расстройствами. ИИ в перспективе способен разрабатывать персонализированные рекомендации профилактических мероприятий и программы социальной адаптации для пациентов высокого риска. Однако контроль за их выполнением остаётся ответственностью врачей, родственников пациентов.

ЗАКЛЮЧЕНИЕ

В статье проведён обзор современных достижений и перспектив применения ИИ в психиатрии с акцентом на диагностику, терапию и прогнозирование психических расстройств. Продемонстрировано, что нейронные сети и алгоритмы машинного обучения показывают высокую эффективность в анализе речевых паттернов, нейровизуализационных данных и прогнозировании ответа на лечение, что открывает новые возможности для персонализированной медицины. Однако внедрение ИИ в клиническую практику сопряжено с рядом вызовов, которые включают в себя обеспечение точности вводимых данных, прозрачности алгоритмов и защиты конфиденциальности пациента. В перспективе дальнейшее развитие ИИ в психиатрии требует адаптации технологий к национальным стандартам, повышения цифровой грамотности врачей-специалистов и разработки нормативной базы для регулирования использования ИИ в профильной области. Интеграция различных систем ИИ в психиатрическую практику способна улучшить качество диагностики и лечения, но требует тщательного подхода к этическим и техническим аспектам. ИИ может стать хорошим помощником современного доктора, но в ближайшие десятки лет не сможет заменить в полном объёме врача-психиатра.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. В.Д. Менделевич — определение концепции, работа с данными, пересмотр и редактирование рукописи; Г.С. Галяутдинов — работа с данными, пересмотр и редактирование рукописи; А.Г. Жидяевский — определение концепции, работа с данными, написание черновика, пересмотр и редактирование рукописи; А.А. Андрианов — работа с данными, написание черновика, пересмотр и редактирование рукописи; С.А. Кичатов — работа с данными, написание черновика, пересмотр и редактирование рукописи. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими организациями), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящего обзора авторы не использовали ранее полученные и опубликованные собственные данные, текст и иллюстрации.

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали внешний рецензент и научный редактор издания.

ADDITIONAL INFORMATION

Author contributions: V.D. Mendelevich: conceptualization, data curation, review and editing of the manuscript; G.S. Galyautdinov: data curation, review and editing of the manuscript; A.G. Zhidiyaevskiy: conceptualization, data curation, drafting the manuscript, review and editing of the manuscript; A.A. Andrianov: data curation, drafting the manuscript, review and editing of the manuscript; S.A. Kichatov: data curation, drafting the manuscript, review and editing of the manuscript. All authors approved the final version of the manuscript for publication and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Funding sources: No funding.

Disclosure of interests: The authors have no relationships, activities or interests for the last three years related with for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: When conducting the research and creating this article, the authors did not use previously obtained and published information (data, text, illustrations).

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

Generative AI Use Statement: No generative artificial intelligence technologies were used in the creation of this article.

Provenance and peer-review: This paper was submitted unsolicited and reviewed following the standard procedure. The review process involved an external reviewer, and the in-house scientific editor.

¹ Как искусственный интеллект помогает решить задачи здравоохранения. Режим доступа: https://www.rbc.ru/society/11/10/2024/66f681ba9a79471b04d22aaa Дата обращения: 16.02.2025.

² Mary Beth Griggs. How to build a schizophrenic computer. Режим доступа: https://www.popularmechanics.com/science/health/a6666/how-to-build-a-schizophrenic-computer Дата обращения: 27.02.2025.