AI in physical rehabilitation of traumatological and orthopedic patients: existing technologies and their clinical effectiveness. A review

Full Text

ВВЕДЕНИЕ

Физическая реабилитация пациентов травматолого-ортопедического профиля остается одной из наиболее сложных задач современной медицины. Восстановление функций опорно-двигательного аппарата после переломов, эндопротезирования суставов и реконструктивных вмешательств требует индивидуального подхода, точного контроля динамики восстановления и своевременной коррекции реабилитационных программ. Традиционные протоколы, построенные на усредненных данных и стандартизированных временных интервалах, нередко оказываются недостаточно гибкими с учетом выраженной гетерогенности пациентов данной группы — вариабельности биомеханических факторов, болевого синдрома, психоэмоционального статуса и сопутствующей патологии [1]. Например, особую сложность представляет ведение пациентов с травмами нижних конечностей на фоне сахарного диабета, поскольку это сочетание утяжеляет течение восстановительного периода, повышает риск осложнений и требует участия мультидисциплинарной команды [2].

Между тем мировая статистика свидетельствует о неуклонном росте числа больных, нуждающихся в ортопедической и травматологической помощи. По данным ВОЗ, патология опорно-двигательного аппарата является ведущей причиной инвалидизации в большинстве стран, а глобальное старение населения закономерно увеличивает частоту остеопоротических переломов, дегенеративных поражений суставов и операций по их замещению [3]. Кадровый дефицит специалистов по реабилитации, неравномерность распределения медицинских ресурсов и ограниченная доступность помощи в отдаленных регионах формируют системные проблемы, решение которых требует масштабируемых технологических инструментов [4].

В этом контексте искусственный интеллект (ИИ) все активнее входит в клиническую практику в качестве реально функционирующего компонента реабилитационных систем [5]. Технологии на основе ИИ уже применяются для анализа движений в режиме реального времени, прогнозирования исходов восстановления, автоматизации обратной связи при выполнении упражнений и дистанционного мониторинга пациентов. Вместе с тем клиническая эффективность, доказательная база и организационно-этические аспекты внедрения подобных решений остаются предметом активных научных дискуссий, что определяет актуальность их систематического анализа.

Настоящий обзор посвящен ключевым направлениям применения ИИ в физической реабилитации пациентов травматолого-ортопедического профиля: рассматриваются основные технологические платформы и алгоритмические подходы, анализируются данные клинических исследований при наиболее распространенных нозологиях (реабилитация после эндопротезирования крупных суставов, хирургическое лечение переломов, операции на позвоночнике и повреждения мягкотканных структур), а также обсуждаются перспективы и ограничения дальнейшего развития данного направления в реальной клинической практике.

ЦЕЛЬ

Систематизировать и оценить доказательную базу применения технологий ИИ в реабилитации пациентов после травматолого-ортопедических вмешательств — эндопротезирования суставов, хирургической фиксации переломов и операций на позвоночнике.

МАТЕРИАЛЫ И МЕТОДЫ

Настоящая работа представляет собой нарративный обзор литературы, посвященный анализу современных данных о применении технологий ИИ в реабилитации пациентов после ортопедических и спинальных хирургических вмешательств.

Поиск источников осуществлялся с июня 2025 г. по январь 2026 г. в международных базах данных PubMed/MEDLINE, Scopus и Web of Science Core Collection. Использовались следующие поисковые запросы на английском языке: (artificial intelligence OR machine learning OR deep learning OR neural network OR computer vision) AND (rehabilitation OR physiotherapy OR physical therapy) AND (orthopedic surgery OR orthopedic surgery OR spinal surgery OR spine surgery OR arthroplasty OR joint replacement OR musculoskeletal) AND (postoperative OR post-operative OR recovery). Поиск ограничивался публикациями на английском и русском языках с января 2014 по февраль 2024 г.

Первичный поиск выявил 1247 публикаций (PubMed — 456, Scopus — 492, Web of Science — 299). После удаления дубликатов (n = 318) осталось 929 уникальных источников. На этапе скрининга по названиям и аннотациям было исключено 782 публикации, не соответствующих тематике обзора. Полнотекстовому анализу подверглись 147 статей, из которых 104 были исключены. В окончательный анализ включено 43 источника.

В анализ включались рандомизированные контролируемые исследования, проспективные и ретроспективные когортные исследования, систематические обзоры и метаанализы, опубликованные преимущественно за последнее десятилетие. Критериями отбора служили наличие количественных данных об эффективности ИИ-ориентированных реабилитационных вмешательств, достаточный объем выборки (≥ 20 пациентов для клинических исследований) и верифицированные клинические конечные точки, включая функциональные показатели, интенсивность болевого синдрома, объем движений и частоту осложнений.

Из рассмотрения исключались публикации описательного характера без первичных данных, тезисы конференций без последующей полнотекстовой публикации, а также работы, не содержащие сведений о применяемых алгоритмах или технологических платформах.

Извлеченные данные систематизировались по нескольким ключевым направлениям: роботизированные реабилитационные системы с адаптивным управлением, телереабилитационные платформы на основе компьютерного зрения и машинного обучения, системы дистанционного мониторинга с носимыми сенсорными устройствами, а также предиктивные модели прогнозирования функциональных исходов. Методологическое качество включенных исследований оценивалось с учетом дизайна, размера выборки и используемых статистических подходов в соответствии со шкалами CONSORT для рандомизированных контролируемых исследований и Newcastle-Ottawa Scale для обсервационных исследований.

ОСНОВНОЕ СОДЕРЖАНИЕ ОБЗОРА

Применение искусственного интеллекта в реабилитации после эндопротезирования крупных суставов

Эндопротезирование тазобедренного и коленного суставов относится к числу наиболее часто выполняемых ортопедических вмешательств в мире, и ежегодно в глобальном масштабе выполняется свыше 1,5 млн подобных операций. Хотя подобные операции демонстрируют впечатляющие результаты, больные сталкиваются с трудоемким и зачастую продолжительным процессом восстановления мышечного тонуса, глубокой чувствительности, устойчивости сочленения и повседневной двигательной способности, что обусловливает необходимость разработки результативных дополнительных реабилитационных подходов [6]. Послеоперационная реабилитация этих пациентов стала одной из первых областей систематического клинического применения технологий ИИ, а накопленные данные убедительно свидетельствуют о том, что интеграция методов машинного обучения в периоперационный и реабилитационный процесс позволяет повысить точность прогнозирования осложнений, персонализировать программы восстановительного лечения и улучшить функциональные исходы [7].

Одним из наиболее активно разрабатываемых направлений является прогнозирование риска переливания крови после тотального эндопротезирования коленного сустава. Chen C.F. et al. продемонстрировали, что модель на основе XGBoost, обученная на данных 634 пациентов, достигает AUC 0,89, достоверно превосходя альтернативные алгоритмы и способствуя сокращению необоснованных гемотрансфузий [8]. Lee D.W. et al. в проспективном когортном исследовании (128 пациентов) показали, что ключевыми предикторами изменения скорости ходьбы после операции являются предоперационная скорость ходьбы, возраст и угол механической оси конечности, а разработанная модель машинного обучения обеспечивает высокую точность прогноза функционального восстановления, открывая возможность заблаговременной модификации реабилитационного плана [9].

Прогнозирование послеоперационного делирия после артропластики тазобедренного сустава также привлекло значительное внимание исследователей. Chen D.Y. et al. создали мультиалгоритмическую модель на выборке из 476 пациентов; финальная модель достигла чувствительности 0,85, специфичности 0,90 и AUC 0,94 [10]. Polus J.S. et al. в проспективном исследовании 72 пациентов показали, что модель на основе метода опорных векторов с использованием данных носимых датчиков достигает точности 0,90 и AUC 0,88 при оценке риска падений в ранний послеоперационный период [11].

Wang H.M. et al. в рандомизированном контролируемом исследовании (80 пациентов после тотального эндопротезирования тазобедренного сустава) установили, что применение системы глубокого обучения для персонализированного послеоперационного ведения сопровождалось достоверно более низкими показателями боли по визуальной аналоговой шкале (1,17 против 3,05), более высокими значениями шкалы Харриса (79,47 против 67,26) и индекса Бартел (76,34 против 62,65), а также меньшей частотой осложнений [12]. В области дистанционной реабилитации Wang H. et al. показали, что телереабилитационная система на основе виртуальной реальности обеспечивает достоверно лучшие результаты по функции сустава, объему движений и уровню удовлетворенности пациентов по сравнению с традиционной реабилитацией [13].

Fujii J. et al. в ретроспективном исследовании 343 пациентов установили, что модель случайного леса наиболее точно предсказывает изменение угла наклона таза через 5 лет после операции (AUC 0,852), а упрощенная модель дерева решений позволяет стратифицировать пациентов по риску антеверсии таза в условиях повседневной практики [14]. Bonnin M. et al. в валидационном исследовании на когорте из 22 759 пациентов показали, что инструмент X-TKA на основе нейронных сетей достигает AUC 0,98 и точности более 95 % при оценке качества установки имплантата, обеспечивая хирургам прирост точности обнаружения аномалий на 5 % и чувствительности на 12 % [15].

Системы искусственного интеллекта в реабилитации после хирургического лечения переломов

Реабилитация пациентов после хирургической фиксации переломов длинных костей представляет специфическую клиническую задачу, обусловленную необходимостью строгого соблюдения режима нагрузки на оперированный сегмент, своевременного выявления осложнений и точной оценки консолидации [16]. Именно в этом контексте технологии ИИ продемонстрировали ряд перспективных результатов.

Одним из наиболее клинически значимых направлений является применение алгоритмов глубокого обучения для анализа рентгенологических изображений с целью оценки степени консолидации перелома в динамике. Сверточные нейронные сети, обученные на больших массивах рентгенограмм с верифицированными клиническими результатами, способны объективно оценивать прогрессирование костного сращения и прогнозировать сроки разрешения полной нагрузки на конечность. Применительно к переломам дистального отдела лучевой кости Kim T. et al. продемонстрировали, что модель, обученная на 11 112 рентгенограммах, достигает площади под ROC-кривой 0,954, что сопоставимо с экспертной оценкой опытного специалиста, и при этом обеспечивает воспроизводимость результатов, недостижимую при субъективной интерпретации [17]. Аналогичные данные были получены Pranata et al. при оценке пяточных переломов, где точность алгоритма составила 0,98, а Mutasa S. et al. показали, что глубокое обучение позволяет не только выявлять переломы шейки бедра с точностью 0,92, но и классифицировать их по системе Garden с площадью под кривой 0,96. [18].

Применение предиктивных моделей для оценки риска послеоперационных осложнений у пациентов с переломами представляет самостоятельное и клинически важное направление. Алгоритмы машинного обучения, интегрирующие данные о характере перелома, хирургической технике, состоянии костной ткани и системных факторах риска, продемонстрировали высокую прогностическую ценность в отношении несращения, инфекционных осложнений и функциональных исходов. Li Y.Y. et al. разработали предиктивную модель для оценки вероятности послеоперационных осложнений, перевода в отделение интенсивной терапии и задержки выписки у пациентов с переломами бедра, показав, что данная модель достоверно превосходит шкалу ASA по прогностической силе: AUC для послеоперационных осложнений составил 0,810 против 0,629, для перевода в отделение реанимации и интенсивной терапии — 0,835 против 0,692, для задержки выписки — 0,832 против 0,618 [19]. Song Y. et al. построили модель прогнозирования послеоперационного делирия у пациентов с переломами бедра, достигнув AUC в диапазоне 0,68–0,81, а ключевыми факторами риска были идентифицированы возраст, почечная недостаточность, хроническая обструктивная болезнь легких, прием антипсихотических препаратов, уровень лактатдегидрогеназы и С-реактивного белка [20].

Посредством анализа и интерпретации реабилитационных данных подобные модели позволяют своевременно корректировать программу восстановительного лечения для достижения максимального функционального результата. Отдельного внимания заслуживает работа Tian C.W. et al., в которой алгоритмы машинного обучения продемонстрировали AUC в диапазоне 0,82–0,98 при прогнозировании продолжительности госпитализации у пожилых пациентов с переломами бедра, что открывает возможности для индивидуализации сроков и интенсивности реабилитационных программ еще на этапе предоперационного планирования [21].

Технологии искусственного интеллекта в реабилитации после операций на позвоночнике

Послеоперационная реабилитация пациентов, перенесших хирургические вмешательства на позвоночнике по поводу грыж межпозвонковых дисков, стенозов позвоночного канала, деформаций и нестабильности, представляет особую сложность в связи с многофакторностью болевого синдрома, высокой частотой хронизации боли и необходимостью дифференцированного подхода к восстановлению двигательного стереотипа.

Современные системы ИИ и машинного обучения позволяют существенно расширить арсенал инструментов реабилитационной медицины в спинальной хирургии. Алгоритмы адаптивного управления на основе машинного обучения обеспечивают формирование персонализированных программ реабилитации, учитывающих индивидуальные анатомические особенности, характер и тяжесть перенесенного вмешательства, а также динамику восстановления в режиме реального времени [22]. В частности, носимые сенсоры, интегрированные с ИИ-платформами, обеспечивают непрерывный мониторинг паттернов движения, постуральных характеристик и интенсивности нагрузки на позвоночник, а полученные данные в режиме реального времени анализируются алгоритмами, формирующими персонализированные рекомендации по коррекции двигательных паттернов и параметрам физической активности [23].

Значительный массив исследований посвящен использованию алгоритмов машинного обучения для прогнозирования хирургических результатов и функциональных исходов спинальных операций. Khan O. et al. провели ретроспективный анализ проспективно собранных данных 757 пациентов, включенных в два клинических исследования AO Spine, перенесших хирургическую декомпрессию по поводу дегенеративной цервикальной миелопатии [23]. С применением алгоритмов машинного обучения (в частности, полиномиальной машины опорных векторов) авторам удалось предсказать ухудшение функционального статуса через 1 год после операции с площадью под ROC-кривой 0,834 (точность 74,3 %; чувствительность 88,2 %; специфичность 72,4 %). Наиболее значимыми предикторами функционального снижения оказались исходный балл по шкале mJOA, мужской пол, длительность миелопатии и наличие коморбидных состояний, что подчеркивает мультифакторную природу неблагоприятных исходов и значимость холистического подхода к формированию прогностических систем [24].

Перспективным направлением остается использование ИИ в контексте мультидисциплинарной реабилитации пациентов с травматическим повреждением спинного мозга. Системы ИИ, в том числе интерфейсы мозг – компьютер и адаптивные экзоскелеты с элементами машинного обучения, уже продемонстрировали способность к функциональному восстановлению у пациентов с хроническим травматическим повреждением спинного мозга. Реализованные в рамках нейрореабилитационных протоколов, они обеспечивают адаптивную нейромышечную стимуляцию и биологическую обратную связь в реальном времени, формируя нейропластические перестройки в сохранных проводниковых системах [25].

Роботизированные реабилитационные системы с интегрированным искусственным интеллектом

Роботизированные системы реабилитации представляют собой область, в которой интеграция ИИ наиболее органична и технологически обоснована. Экзоскелеты, роботизированные ортезы и системы механотерапии с адаптивными алгоритмами управления формируют принципиально новый класс реабилитационного оборудования, способного адаптироваться к индивидуальным потребностям пациента в режиме реального времени [26].

Системы роботизированной реабилитации нижних конечностей — в частности, экзоскелеты типа Lokomat (Hocoma, Швейцария) — прошли значительный эволюционный путь: от жестко заданных траекторий движения к адаптивным алгоритмам, учитывающим произвольную двигательную активность пациента. Алгоритмы адаптивного управления, реализованные в подобных системах, обеспечивают регулировку роботизированной помощи в режиме реального времени на основе показателей выполнения упражнений, что достоверно улучшает моторное переобучение у пациентов после инсульта [27]. Применительно к пациентам со спинальными повреждениями такие системы обеспечивают динамическую адаптацию уровня поддержки в процессе тренировки ходьбы, способствуя восстановлению мобильности и снижению риска вторичных осложнений, включая мышечную атрофию и пролежни [27].

Роботизированная система DIEGO (Tyromotion, Австрия) показывает положительные результаты. Она снижает избыточное напряжение мышц верхних конечностей. Система уменьшает спастические явления. Включение виртуального окружения и игровых элементов представляет дополнительную ценность комплекса, так как субъективно облегчает психоэмоциональное состояние участников восстановительных мероприятий и формирует устойчивую заинтересованность в продолжении терапевтических занятий [28]. Систематический обзор рандомизированных контролируемых испытаний Khalid S. et al. показал, что роботизированные вспомогательные устройства с динамическим управлением достоверно превосходят обычную двигательную терапию по скорости восстановления моторики верхних конечностей. Преимущество адаптивных алгоритмических решений над роботизированными системами с жесткими параметрами получило статистическое подтверждение с уровнем значимости меньше 0,05 [29]. Созданные для верхних конечностей роботизированные реабилитационные платформы включают алгоритмы количественной оценки прилагаемых усилий, распознавания двигательных паттернов и изменения траекторий движений, при этом экзоскелет ArmeoSpring (Hocoma, Швейцария) обеспечивает восстановление функции верхней конечности через механизмы биологической обратной связи, вовлекая пациентов в интерактивные упражнения для стимуляции нейромышечной регенерации [24]. Интеллектуальные алгоритмы проводят анализ данных, поступающих от датчиков в составе роботизированных устройств. Это позволяет корректировать терапевтические протоколы в реальном времени с учетом текущих показателей и динамики состояния пациента [30].

Элементы геймификации и интерактивная обратная связь, реализованные в современных роботизированных системах, стимулируют активное участие пациентов в реабилитационном процессе и повышают приверженность назначенным режимам. ИИ анализирует обратную связь от пациента и адаптирует терапию таким образом, чтобы сделать ее более привлекательной и менее монотонной, что положительно сказывается на мотивации и конечных результатах восстановления. По данным ряда исследований, статистически значимые улучшения функциональных исходов по сравнению с традиционной терапией фиксировались при размерах эффекта от малого до умеренного в зависимости от изучаемой популяции (p < 0,05) [31].

Вместе с тем широкое внедрение роботизированных реабилитационных систем с интегрированным ИИ сопряжено с рядом существенных ограничений. Высокая стоимость разработки и эксплуатации данных систем ограничивает их доступность для пациентов и медицинских учреждений, особенно в условиях ресурсной недостаточности [29]. Обеспечение надежности и безопасности алгоритмов ИИ требует проведения масштабных испытаний и валидации, что само по себе является ресурсоемкой задачей. Неоднородность данных из различных источников может приводить к формированию смещенных или некорректных моделей ИИ, что негативно сказывается на интероперабельности данных, необходимой для создания эффективных систем [32].

Телереабилитация и дистанционный ИИ-мониторинг

Телереабилитация с применением технологий ИИ приобрела особую актуальность в период пандемии COVID-19 и сохраняет свои позиции как самостоятельное и клинически перспективное направление. Ее значимость для травматолого-ортопедических пациентов обусловлена объективной трудностью посещения реабилитационных учреждений в ранние сроки после операций на опорно-двигательном аппарате.

Доказательная база эффективности телереабилитации у травматолого-ортопедических пациентов существенно расширилась. В отношении пациентов после тотального эндопротезирования коленного сустава рандомизированное контролируемое исследование Bettger J.P. et al. (304 пациента) продемонстрировало сопоставимые функциональные исходы, меньшее число повторных госпитализаций и более высокие показатели терапевтической комплаентности в группе телереабилитации по сравнению со стандартной стационарной программой [33]. Ретроспективный анализ Kuether J. et al. подтвердил эти данные, не выявив достоверных различий в частоте повторных госпитализаций в течение 90 суток и обращений в отделение неотложной помощи, зафиксировав при этом большее улучшение показателей, сообщаемых пациентами [34]. В области реконструктивной хирургии связочного аппарата Lim J.Y. et al. в рандомизированном контролируемом исследовании (56 пациентов после реконструкции передней крестообразной связки) показали, что телереабилитация на основе технологий дополненной реальности обеспечивает полностью сопоставимые с очной программой результаты по силе четырехглавой мышцы бедра в контрольных точках (6, 12 и 24 недели) [35]. При неоперативном лечении патологии вращательной манжеты плеча систематический обзор Zhang B. et al. (497 пациентов) выявил статистически значимое превосходство телереабилитации над традиционными программами по объему движений, функциональным исходам и интенсивности болевого синдрома [36].

Качественный переход от телереабилитации как простой дистанционной трансляции упражнений к интеллектуальным адаптивным системам обеспечивается интеграцией алгоритмов ИИ (прежде всего методов компьютерного зрения и машинного обучения). Ключевым технологическим элементом таких платформ является анализ движений в режиме реального времени посредством видеокамер стандартных потребительских устройств. Алгоритмы позирования тела, реализованные на основе сверточных и рекуррентных нейронных сетей, обеспечивают извлечение биомеханических параметров — угловых характеристик суставов, симметрии нагрузки, скоростно-силовых показателей — без использования маркерных систем захвата движения, позволяя формировать объективную обратную связь и автоматически корректировать терапевтическую программу [34]. Клиническую эффективность данного подхода продемонстрировали Correia F.D. et al. в проспективном когортном исследовании пациентов после тотального эндопротезирования: применение цифровой реабилитационной платформы с элементами ИИ обеспечивало достоверно больший объем сгибания в коленном суставе на 8-й и 12-й неделях и большее улучшение результатов теста «Встань и иди» через 3 месяца после эндопротезирования тазобедренного сустава [37].

Самостоятельным компонентом экосистемы ИИ-дополненной телереабилитации является дистанционный мониторинг пациентов (RPM — remote patient monitoring) посредством носимых сенсорных устройств, обеспечивающий непрерывный сбор физиологических и биомеханических параметров в условиях повседневной жизни. Исследование Ramkumar P.N. et al. продемонстрировало возможность комплексного дистанционного мониторинга после артропластики коленного сустава и реконструкции передней крестообразной связки: алгоритм машинного обучения агрегировал данные о мобильности, объеме движений, потреблении опиоидных анальгетиков и выполнении реабилитационной программы, формируя интегральный индекс восстановления и генерируя предупреждения при отклонении параметров от ожидаемой траектории [38]. В контексте реабилитации после спинальных операций носимые сенсоры с интегрированными ИИ-платформами обеспечивают непрерывный мониторинг паттернов движения и постуральных характеристик, формируя персонализированные рекомендации по коррекции двигательных стереотипов [39].

Перспективным дополнением инструментария дистанционного мониторинга является использование больших языковых моделей для автоматизации и генерации терапевтических рекомендаций. Kunze K.N. et al. продемонстрировали, что ChatGPT-4 обеспечивает клинически приемлемый анализ с болевым синдромом в коленном суставе, формируя дифференциальные диагнозы, в целом согласующиеся с заключениями врачей [40]. В контексте телереабилитации LLM-инструменты способны обеспечивать круглосуточную поддержку пациентов, идентифицировать симптомы, требующие внепланового обращения к специалисту, и персонализировать образовательные материалы.

Прогностические модели и персонализация реабилитационных программ

Одним из наиболее перспективных направлений применения ИИ в ортопедической реабилитации является разработка предиктивных моделей, позволяющих индивидуализировать реабилитационные программы на основе прогноза функциональных исходов. Эти модели функционируют на принципиально ином уровне, нежели традиционные протоколы: вместо усредненных временных ориентиров они формируют индивидуальную траекторию восстановления с учетом конкретного профиля пациента.

Исследование Buscarini L. et al. 2025 г. на выборке 7282 пациентов с неврологической и ортопедической патологией продемонстрировало высокую эффективность модели случайного леса в предсказании выписки пациента домой по завершении стационарной реабилитации [41]. При использовании метода случайной избыточной выборки для балансировки несбалансированного набора данных и оптимизации гиперпараметров модель достигала точности 90 % для ортопедических пациентов в условиях реальной клинической практики. Наиболее значимыми предикторами для обеих групп оказались возраст пациента, функциональный статус по модифицированному индексу Бартел, выраженность нарушений равновесия, когнитивный статус и наличие сопутствующей патологии мочевыделительной и сердечно-сосудистой систем. Применение подобных предиктивных инструментов позволяет заблаговременно идентифицировать пациентов с неблагоприятным прогнозом и адаптировать реабилитационную стратегию, оптимизировать распределение коечного фонда и кадровых ресурсов, а также своевременно организовывать поддержку на амбулаторном этапе.

Развитие предиктивных систем в реабилитации получило новый импульс благодаря использованию технологий глубокого обучения вместо классических методов машинного анализа. Mahmoud Y. et al. в 2025 г. исследовали возможности комбинированных архитектур нейронных сетей, сопоставили их результаты с традиционными методами случайного леса и деревьев экстраполяции при прогнозировании реабилитационных исходов [42]. В исследовании участвовало 1047 пациентов с различными нарушениями опорно-двигательной системы. Гибридная CNN-RNN архитектура показала заметное улучшение точности, при котором взвешенный F1-показатель повысился с 65 % до 74 %, а средняя абсолютная ошибка регрессионной модели сократилась на 12 %, что указывает на более достоверное предсказание функционального восстановления. Исследователи использовали клинические оценки и самоотчеты пациентов, создавая многоуровневую картину реабилитационного процесса. Встроенные механизмы внимания позволили выявить наиболее значимые предикторы успешности восстановления, среди которых оказались возраст пациента, диапазон суставной подвижности и интегральные показатели самооценки состояния. Такая интерпретируемость модели дает клиницисту понимание факторов, формирующих прогноз, а не только численный результат предсказания.

Технологии обучения с подкреплением открывают иной подход к организации реабилитации, при котором система выстраивает последовательность терапевтических действий с ориентацией на максимальное улучшение функционального состояния пациента в долгосрочной перспективе. Первые исследования на симуляциях и реальных клинических данных указывают на потенциальные преимущества таких адаптивных систем перед стандартизированными протоколами, особенно у пациентов с нестандартной динамикой восстановления. Однако полномасштабные клинические испытания этих технологий только начинаются, поэтому однозначные выводы об их практической эффективности пока делать преждевременно [43].

ЗАКЛЮЧЕНИЕ

Технологии ИИ и машинного обучения прошли путь от экспериментальных разработок до инструментов с доказанной клинической ценностью в реабилитации пациентов травматолого-ортопедического профиля. Накопленная доказательная база убедительно демонстрирует, что предиктивные модели способны с высокой точностью прогнозировать функциональные исходы после эндопротезирования суставов, оценивать консолидацию переломов и стратифицировать риски послеоперационных осложнений, обеспечивая переход от усредненных протоколов к персонализированным траекториям восстановления.

Гибридные архитектуры глубокого обучения, объединяющие сверточные и рекуррентные нейронные сети, превосходят традиционные алгоритмы по точности прогнозирования реабилитационных исходов, а интеграция носимых сенсоров с ИИ-платформами открывает возможность объективного мониторинга двигательных паттернов в режиме реального времени вне клинической среды. Телереабилитация на основе компьютерного зрения демонстрирует сопоставимую с очными программами эффективность при значительно более широком охвате пациентов.

Вместе с тем широкое клиническое внедрение описанных технологий сдерживается рядом нерешенных проблем: ретроспективным характером большинства исследований, ограниченной внешней валидностью моделей, недостаточной прозрачностью алгоритмов принятия решений и неурегулированностью вопросов информационной безопасности пациентских данных. Для преодоления этих барьеров необходимы масштабные проспективные многоцентровые исследования с унифицированными методологическими стандартами, разработка интерпретируемых моделей и создание регуляторных механизмов их клинической сертификации. Только при соблюдении этих условий ИИ сможет реализовать свой полный потенциал в качестве инструмента повышения эффективности медицинской реабилитации.

About the authors

Radik Z. Nurlygayanov

Bashkir State Medical University

Author for correspondence.
Email: radiknur@list.ru
ORCID iD: 0000-0002-3026-5814

PhD (Med.), Associate Professor at the Department of Medical Rehabilitation, Physical Therapy and Sports Medicine

Russian Federation, Ufa

Lira T. Gilmutdinova

Bashkir State Medical University

Email: radiknur@list.ru
ORCID iD: 0000-0003-3420-8400

D.Sc. (Med.), Professor, Head of the Department of Medical Rehabilitation, Physical Therapy and Sports Medicine

Russian Federation, Ufa

Larisa A. Marchenkova

National Medical Research Center for Rehabilitation and Balneology

Email: radiknur@list.ru
ORCID iD: 0000-0003-1886-124X

D.Sc. (Med.), Associate Professor, Head of the Office of Scientific Research, Chief Researcher, Unit of Somatic Rehabilitation, Reproductive Health and Active Longevity, Professor at the Department of Restorative Medicine, Physical Therapy and Medical Rehabilitation

Russian Federation, Moscow

Julia A. Bogdanova

Bashkir State Medical University

Email: radiknur@list.ru
ORCID iD: 0009-0001-5195-6729

PhD (Med.), Associate Professor at the Department of Pharmacology with a Course of Clinical Pharmacology

Russian Federation, Ufa

Bulat R. Gilmutdinov

Bashkir State Medical University

Email: radiknur@list.ru
ORCID iD: 0000-0002-2119-1737

PhD (Med.), Associate Professor at the Department of Medical Rehabilitation, Physical Therapy and Sports Medicine

Russian Federation, Ufa

Aydar R. Gilmutdinov

Bashkir State Medical University

Email: radiknur@list.ru
ORCID iD: 0000-0003-0872-6124

D.Sc. (Med.), Professor at the Department of Surgical Diseases

Russian Federation, Ufa

Elvira R. Faizova

Bashkir State Medical University

Email: radiknur@list.ru
ORCID iD: 0000-0002-3021-1808

PhD (Med.), Associate Professor at the Department of Medical Rehabilitation, Physical Therapy and Sports Medicine

Russian Federation, Ufa

Evgenia V. Semenova

Kazan (Volga Region) Federal University

Email: radiknur@list.ru
ORCID iD: 0000-0002-4714-6053

PhD (Tech.), Associate Professor at the Department of Physics of Advanced Technologies and Materials Science, Institute of Artificial Intelligence, Robotics, and Systems Engineering

Russian Federation, Kazan

Dinara R. Nurlygayanova

Kazan (Volga Region) Federal University

Email: radiknur@list.ru
ORCID iD: 0000-0002-8896-6875

4th-Year Student, Institute of Artificial Intelligence, Robotics, and Systems Engineering

Russian Federation, Kazan

References

Supplementary files