Применение искусственного интеллекта для наблюдения за пациентами с заболеваниями желудочно-кишечного тракта: возможности и ограничения

Цель – анализ источников литературы по вопросам мониторинга и наблюдения пациентов с заболеваниями желудочно-кишечного тракта (ЖКТ) в повседневной врачебной практике с применением методов машинного обучения.

Методы и материалы. Для подготовки обзора осуществлялся поиск научных публикаций в таких базах данных, как PubMed, Web of Science, Scopus, CyberLeninka, eLibrary и Google Scholar. Стратегия поиска включала использование ключевых слов на русском и английском языках: «diseases of the gastrointestinal tract», «gastroenterological diseases», «artificial intelligence», «machine learning», «deep learning», «patient monitoring», «remote monitoring», «болезни желудочно-кишечного тракта», «гастроэнтерологические заболевания», «искусственный интеллект», «машинное обучение», «глубокое обучение», «наблюдение за пациентами», «мониторинг». Включение оригинальных исследований в период 2015–2025 гг. основано на независимой оценке авторами.

Результаты. Из 594 публикаций после скрининга в окончательный анализ включено 9 исследований, отвечающих критериям включения.

Заключение. ИИ обеспечивает современные подходы к мониторингу, диагностике и прогнозированию осложнений болезней ЖКТ. Созданные на его основе решения отличаются высокой точностью диагностики и прогнозирования, нередко превосходящей классические клинические шкалы, и формируют фундамент интеллектуальных систем поддержки принятия решений врачами.

1. Курбацкий С. М. Нужен ли гастроэнтерологам искусственный интеллект? // Российский журнал гастроэнтерологии, гепатологии, колопроктологии. – 2021. – Т. 31, № 6. – С. 103–105.

2. Кобринский Б. А., Хавкин А. И., Волынец Г. В. Перспективы применения систем искусственного интеллекта в гастроэнтерологии // Экспериментальная и клиническая гастроэнтерология. – 2020. – Т. 179, № 7. – С. 109–117.

3. Успенский Ю. П., Иванов С. В., Фоминых Ю. А. и др. Прогнозирование развития жизнеугрожающих осложнений воспалительных заболеваний кишечника с использованием нейронных сетей: инструменты для практического здравоохранения // Экспериментальная и клиническая гастроэнтерология. – 2023. – Т. 217, № 9. – С. 20–33. https://doi.org/10.31146/1682-8658-ecg-217-9-20-33.

4. Барышникова Н. В., Щапков Н. А. Инновации в гастроэнтерологии // Медицинский алфавит. 2025;(25):8–12. https://doi.org/10.33667/2078-5631-2025-25-8-12.

5. Чурилова Е. Г., Казумова А. Б., Ахриева Х. М. и др. Возможности использования технологий искусственного интеллекта в морфологической диагностике воспалительных заболеваний кишечника (обзор литературы) // Вестник медицинского института «РЕАВИЗ». Реабилитация, Врач и Здоровье. – 2025. – Т. 15, № 1. – С. 22–29. https://doi.org/10.20340/vmi-rvz.2025.1.MORPH.1.

6. Бакулин И. Г., Расмагина И. А., Скалинская М. И. и др. Применение искусственного интеллекта для анализа эндоскопических изображений при воспалительных заболеваниях кишечника // Терапия. – 2022. – Т. 8, № 599. – С. 7–14. https://doi.org/10.18565/therapy.2022.7.7-14.

7. Siegel C. A., Horton H., Siegel L. S. et al. A validated webbased tool to display individualized Crohn’s disease predicted outcomes based on clinical, serologic and genetic variables // Aliment Pharmacol Th er. – 2016. – Т. 43, № 2. – С. 262–71. https://doi.org/10.1111/apt.13460.

8. Park Y., Cheon J. H., Park Y. L., Ye B. D. et al. IBD Study Group of the Korean Association for the Study of Intestinal Diseases (KASID). Development of a Novel Predictive Model for the Clinical Course of Crohn’s Disease: Results from the CONNECT Study // Inflamm Bowel Dis. – 2017. – Vol. 23, № 7. – P. 1071–1079. https://doi.org/10.1097/MIB.0000000000001106.

9. Khan N., Patel D., Shah Y. et al.A Novel User- Friendly Model to Predict Corticosteroid Utilization in Newly Diagnosed Patients with Ulcerative Colitis // Inflamm Bowel Dis. – 2017. – Vol. 23, № 6. – P. 991–997. https://doi.org/10.1097/MIB.0000000000001080.

10. Cesarini M., Collins G. S., Ronnblom A. et al. Predicting the individual risk of acute severe colitis at diagnosis // J Crohns Colitis. – 2017. – Vol. 11, № 3. – P. 335–341. https://doi.org/10.1093/ecco-jcc/ jjw159.

11. Fockens K. N., Jong M. R., Jukema J. B. et al. A deep learning system for detection of early Barrett’s neoplasia: a model development and validation study // Lancet Digit Health. – 2023. – Vol. 5, № 12. – P. e905–e916. https://doi.org/10.1016/S2589-7500(23)00199-1. PMID: 38000874.

12. Li J., Wu Q. Q., Zhu R. H., Lv X. et al. Machine learning predicts portal vein thrombosis after splenectomy in patients with portal hypertension: Comparative analysis of three practical models // World J Gastroenterol. – 2022. – Vol. 28, № 32. – P. 4681–4697. https://doi.org/10.3748/wjg.v28.i32.4681.

13. Jiang M., Wu X. P., Lin X. C., Li C. L. Explainable machine learning model for predicting acute pancreatitis mortality in the intensive care unit // BMC Gastroenterol. – 2025. – Vol. 25, № 1. – P. 131. https://doi.org/10.1186/s12876-025-03723-3. PMID: 40033198; PMCID: PMC11877909.

14. Kim J. M., Kim M. S., Choi S. Y., Ryu J. S. Prediction of dysphagia aspiration through machine learning-based analysis of patients’ postprandial voices // J Neuroeng Rehabil. – 2024. – Vol. 21, № 1. – P. 43. https://doi.org/10.1186/s12984-024-01329-6. PMID: 38555417; PMCID: PMC10981344.

15. Chavannes M., Kysh L., Allocca M. et al. Role of artificial intelligence in imaging and endoscopy for the diagnosis, monitoring and prognostication of inflammatory bowel disease: a scoping review protocol // BMJ Open Gastroenterol. – 2023. – Vol. 10, № 1. – P. e001182. https://doi.org/10.1136/bmjgast-2023-001182. PMID: 38081777; PMCID: PMC10729253.