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



Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В статье рассматриваются достижения и перспективы применения искусственного интеллекта (ИИ) в психиатрии. Основное внимание уделено его роли в диагностике, терапии и прогнозировании психических расстройств. ИИ 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 ИИ 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 ИИ в психиатрии является его неспособность проявлять эмпатию, что снижает эффективность использования данных технологий в терапевтическом процессе. В перспективе ИИ может стать ключевым инструментом поддержки врача, автоматизируя процессы диагностики, мониторинга состояния пациентов и подбора медикаментозной терапии. Однако успешная интеграция ИИ в клиническую практику требует учета существующих технологических и этических ограничений, повышения цифровой грамотности специалистов, а также разработки и совершенствования нормативно-правовой базы, регулирующей применение подобных технологий в медицине.

Полный текст

Доступ закрыт

Об авторах

Владимир Давыдович Менделевич

Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: mendelevich_vl@mail.ru
ORCID iD: 0000-0001-8489-3130
SPIN-код: 2302-2590

д-р мед. наук, проф., зав. каф. психиатрии и медицинской психологии

Россия, 420012, Россия, Казань, ул. Бутлерова, 49.

Геншат Саляхутдинович Галяутдинов

Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: galgen077@mail.ru
ORCID iD: 0000-0001-7403-0200
SPIN-код: 3626-0533
Scopus Author ID: 6507148532
ResearcherId: АБЕ-6977-2020

д-р мед. наук, проф., каф. госпитальной терапии

Россия, 420012, Россия, Казань, ул. Бутлерова, 49.

Александр Геннадьевич Жидяевский

Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Автор, ответственный за переписку.
Email: zhidyaevskij@mail.ru
ORCID iD: 0000-0002-4245-5201
SPIN-код: 5865-6771

ассистент кафедры психиатрии и медицинской психологии, к.м.н.

Россия, 420012, Россия, Казань, ул. Бутлерова, 49.

Александр Арсентьевич Андрианов

Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: AAnndoivr@yandex.ru

ординатор кафедры психиатрии и медицинской психологии

Россия, 420012, Россия, Казань, ул. Бутлерова, 49.

Сергей Александрович Кичатов

Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: ksa@kazangmu.ru

ординатор кафедры психиатрии и медицинской психологии

420012, Россия, Казань, ул. Бутлерова, 49.

Список литературы

  1. 1. Елизарова М.И., Уразова К.М., Ермашов С.Н., Пронькин Н.Н. Искусственный интеллект в медицине. International journal of professional science. 2021. № 5. с. 81-85.
  2. 2. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019;8(7):2328-2331. doi: 10.4103/jfmpc.jfmpc_440_19
  3. 3. Morris MX, Fiocco D, Caneva T, et al. Current and future applications of artificial intelligence in surgery: implications for clinical practice and research. Front Surg. 2024;11:1393898. doi: 10.3389/fsurg.2024.1393898.
  4. 4. Morozov DY, Omelyanovskiy VV. Is artificial intelligence necessary for healthcare system? Medical Technologies. Assessment and Choice. 2024;4:40. doi: 10.17116/medtech20244604140
  5. 5. Li Y, Wu A, Zhou HY. EVEscape: Revealing potential escape sites based on the viral variation landscape. Biophys Rep. 2024;10(2):133-134. doi: 10.52601/bpr.2024.240902
  6. 6. Как искусственный интеллект помогает решить задачи здравоохранения[интернет]. РБК 2019 –. Режим доступа: https://www.rbc.ru/society/11/10/2024/66f681ba9a79471b04d22aaa Дата обращения: 16.02.2025.
  7. 7. Беркинблит М.Б. Нейронные сети. Москва: МИРОС и ВЗМШ РАО, 1993. 96 с.
  8. 8. Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. Москва: Альпина нон-фикшн, 2021.
  9. 9. Morales ЕА, Jair НЕ. A brief introduction to supervised, unsupervised, and reinforcement learning. In Torres-Garcia AA, Reyes-Garcia CA, Villasenor-Pineda L, Mendoza-Montoya O, editors Biosignal processing and classification using computational learning and intelligence. New-York: Academic Press; 2022. 111-129p.
  10. 10. Васенков Д.В. Методы обучения искусственных нейронных сетей. Компьютерные инструменты в образовании. 2007;1:20-29.
  11. 11. Arumugam R, Shanmugamani R. Hands-On Natural Language Processing with Python: A practical guide to applying deep learning architectures to your NLP applications. Birmingham: Packt Publishing Ltd, 2018.
  12. 12. Anmella G, De Prisco M, Joyce JB, et al. Automated Speech Analysis in Bipolar Disorder: The CALIBER Study Protocol and Preliminary Results. Journal of Clinical Medicine. 2024;13(17):4997. doi: 10.3390/jcm13174997
  13. 13. Nour MM, McNamee DC, Liu Y, Dolan RJ. Trajectories through semantic spaces in schizophrenia and the relationship to ripple bursts. Proc Natl Acad Sci U S A. 2023;120(42):e2305290120. doi: 10.1073/pnas.2305290120
  14. 14. Miotto R, Li L, Kidd B, et al. Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records. Scientific Reports. 2016;6:26094. doi: 10.1038/srep26094.
  15. 15. Ramos-Lima LF, Waikamp V, Antonelli-Salgado T, et al. The use of machine learning techniques in trauma-related disorders: a systematic review. J Psychiatr Res. 2020;121:159-172. doi: 10.1016/j.jpsychires.2019.12.001.
  16. 16. Li R, Huang Y, Wang Y, et al. MRI-based deep learning for differentiating between bipolar and major depressive disorders. Psychiatry Res Neuroimaging. 2024;345:111907. doi: 10.1016/j.pscychresns.2024.111907
  17. 17. Huang W, Yan H, Wang C, et al. Deep Natural Image Reconstruction from Human Brain Activity Based on Conditional Progressively Growing Generative Adversarial Networks. Neurosci Bull. 2021;37(3):369-379. doi: 10.1007/s12264-020-00613-4
  18. 18. Chang B, Choi Y, Jeon M, et al. ARPNet: Antidepressant Response Prediction Network for Major Depressive Disorder. Genes (Basel). 2019;10(11):907. doi: 10.3390/genes10110907. PMID: 31703457; PMCID: PMC6895829
  19. 19. Mak KK, Lee K, Park C. Applications of machine learning in addiction studies: A systematic review. Psychiatry Res. 2019;275:53-60. doi: 10.1016/j.psychres.2019.03.001
  20. 20. Schmaal L, Marquand AF, Rhebergen D, et al. Predicting the Naturalistic Course of Major Depressive Disorder Using Clinical and Multimodal Neuroimaging Information: A Multivariate Pattern Recognition Study. Biol Psychiatry. 2015;78(4):278-286. doi: 10.1016/j.biopsych.2014.11.018
  21. 21. Ballard ED, Gilbert JR, Wusinich C, Zarate CA Jr. New Methods for Assessing Rapid Changes in Suicide Risk. Front Psychiatry. 2021;12:598434. doi: 10.3389/fpsyt.2021.598434
  22. 22. Lejeune A, Le Glaz A, Perron PA, et al. Artificial intelligence and suicide prevention: a systematic review. Eur Psychiatry. 2022;65:11-22. doi: 10.1192/j.eurpsy.2022.8
  23. 23. Mary Beth Griggs. How to Build a Schizophrenic Computer [интернет]. Popular Mechanics 2011– . Режим доступа: https://www.popularmechanics.com/science/health/a6666/how-to-build-a-schizophrenic-computer/ Дата обращения: 27.02.2025.
  24. 24. Peddle, M., Bearman, M., & Nestel, D. (2016). Virtual patients and nontechnical skills in undergraduate health professional education: an integrative review. Clinical Simulation in Nursing, 12(9), 400-410.]
  25. 25. Zhu, Y. (2025). Revolutionizing simulation-based clinical training with AI: Integrating FASSLING for enhanced emotional intelligence and therapeutic competency in clinical psychology education. Journal of Clinical Technology and Theory, 2, 38-54.
  26. 26. Брызгалина Е.В., Гумарова А.Н., Шкомова Е.М. Ключевые проблемы, риски и ограничения применения ИИ в медицине и образовании // Вестник Московского университета. Серия 7. Философия. 2022. № 6, с. 93-108.
  27. 27. Alikperova NV. Artificial intelligence in healthcare: risk and opportunities. Zdorovye megapolisa. 2023;4(3):41-49. doi: 10.47619/2713-2617.zm.2023.v.4i3
  28. 28. Е.И.Медведева; ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы». Искусственный интеллект: возможности, риски, программа действий // Московская медицина. 2024. № 1 (59). C. 94-96
  29. 29. Имамеева Р.Д. Риски создания и функционирования искусственного интеллекта в медицине // Вестник Московского университета им. С. Ю. Витте. Серия 2: Юридические науки. 2021. № 1 (27), 2021, с. 33-40
  30. 30. Wójcik MA. Algorithmic Discrimination in Health Care: An EU Law Perspective. Health Hum Rights. 2022;24(1):93-103. .
  31. 31. Varona D, Suárez JL. Discrimination, bias, fairness, and trustworthy AI. Appl Sci. 2022;12(12):5826. doi: 10.3390/app12125826
  32. 32. Chen Y, Clayton EW, Novak LL, Anders S, Malin B. Human-Centered Design to Address Biases in Artificial Intelligence. J Med Internet Res. 2023;25:e43251. Published 2023 Mar 24. doi: 10.2196/43251
  33. 33. Xie F, Chakraborty B, Ong MEH, Goldstein BA, Liu N. AutoScore: a machine learning-based automatic clinical score generator and its application to mortality prediction using electronic health records. JMIR Med Inform. 2020;8(10):e21798. doi: 10.2196/21798
  34. 34. Wanyan T, Honarvar H, Azad A, Ding Y, Glicksberg BS. Deep learning with heterogeneous graph embeddings for mortality prediction from electronic health records. Data Intelligence. 2021;3(3):329–339. doi: 10.1162/dint_a_00097
  35. 35. Менделевич, В. Д. Гипердиагностика шизофрении как когнитивное искажение процесса познания клинической реальности / В. Д. Менделевич // Неврологический вестник. – 2023. – Т. 55, № 1. – С. 5-14. – doi: 10.17816/nb160308. – EDN ZWAXRT
  36. 36. Eitel F, Schulz MA, Seiler M, et al. Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research. Exp Neurol. 2021;339:113608. doi: 10.1016/j.expneurol.2021.113608
  37. 37. Szegedy C, Zaremba W, Sutskever I, et al. Intriguing properties of neural networks. arXiv. 2013.
  38. 38. Lapuschkin S, Waldchen S, Binder A, et al. Unmasking clever hans predictors and assessing what machines really learn. Nat.Commun. 2019;10:1096.
  39. 39. Ienca M, Ignatiadis K. Artificial Intelligence in Clinical Neuroscience: Methodological and Ethical Challenges. AJOB Neurosci. 2020;11(2):77-87. doi: 10.1080/21507740.2020.1740352
  40. 40. Fuchs T. Subjectivity and intersubjectivity in psychiatric diagnosis. Psychopathology. 2010;43(4):268-274. doi: 10.1159/000315126.
  41. 41. Mirowsky, J. (1990). Subjective Boundaries and Combinations in Psychiatric Diagnoses. The Journal of Mind and Behavior, 11(3/4), 407–423. http://www.jstor.org/stable/43854100
  42. 42. Cath C, Wachter S, Mittelstadt B, et al. Artificial Intelligence and the 'Good Society': the US, EU, and UK approach. Sci Eng Ethics. 2018;24(2):505-528. doi: 10.1007/s11948-017-9901-7
  43. 43. Meszaros J, Ho C. AI research and data protection: Can the same rules apply for commercial and academic research under the GDPR?. Computer Law & Security Review. 2021;41:105532. doi: 10.1016/j.clsr.2021.105532
  44. 44. Montemayor C, Halpern J, Fairweather A. In principle obstacles for empathic AI: why we can't replace human empathy in healthcare. AI Soc. 2022;37(4):1353-1359. doi: 10.1007/s00146-021-01230-z

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-Вектор,


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 75562 от 12 апреля 2019 года.