Пошук академічних текстів

Інформація × Реєстраційний номер 2125U004120, Матеріали видань та локальних репозитаріїв Категорія Стаття Назва роботи Стратегії інтеграції штучного інтелекту до клінічних лабораторій для автоматизації діагностичних тестів Автор Горбачова С. В.Морозюк О. М.Коваленко В. А.Horbachova S. V.Moroziuk O. M.Kovalenko V. A. Дата публікації 01-01-2025 Постачальник інформації Одеський національний медичний університет Першоджерело https://repo.odmu.edu.ua:443/xmlui/handle/123456789/17947 Видання Видавнича група Наукові перспективи Опис Актуальність дослідження зумовлено щораз більшою потребою в підвищенні точності та швидкості діагностичних процесів у клінічних лабораторіях шляхом упровадження інтелектуальних систем оброблення медичних даних. В умовах збільшення обсягів даних і зростання кількості діагностичних тестів інтеграція штучного інтелекту стає важливим інструментом для оптимізації лабораторних процесів, зменшення кількості помилок та забезпечення своєчасного виявлення патологічних змін. Мета дослідження полягає в розробленні рекомендацій щодо застосування штучного інтелекту для автоматизації лабораторних діагностичних тестів з акцентом на оброблення медичних даних, виявлення аномалій та прогнозування результатів з урахуванням вимог до сумісності та захисту даних. Методологія. Застосовано структурно-функціональний, інформаційноаналітичний та системний підходи, що забезпечило комплексне оцінювання впливу штучного інтелекту на лабораторні процеси. Використано методи порівняльного аналізу для визначення переваг та обмежень сучасних алгоритмів машинного навчання, а також методи експертного оцінювання для формування рекомендацій з оптимізації процесів автоматизації. Результати. Виявлено, що впровадження алгоритмів машинного навчання дозволяє підвищити точність діагностичних тестів та зменшити кількість хибнопозитивних результатів. Установлено, що рекурентні нейромережі ефективні для прогнозування ризиків розвитку ускладнень, тоді як згорткові нейромережі демонструють високу точність у виявленні онкологічних патологій на основі аналізу медичних зображень. Доведено, що інтеграція інтелектуальних систем до лабораторних інформаційних систем сприяє стандартизації даних та зменшує ризики втрат інформації під час обміну даними між модулями. Висновки. Обґрунтовано доцільність запровадження адаптивних алгоритмів машинного навчання для виявлення прихованих патернів у даних пацієнтів, що сприяє своєчасному виявленню патологій та підвищенню точності діагностики. Рекомендовано впроваджувати протоколи HL7 та FHIR для забезпечення сумісності лабораторних систем та застосовувати багаторівневі системи шифрування для захисту персональних даних пацієнтів. Перспективи подальших досліджень включають розроблення адаптивних моделей машинного навчання для автоматизації аналізу великих масивів медичних даних та створення цифрових платформ для прогнозування ризиків на основі аналізу динаміки біохімічних показників. Додано в НРАТ 2026-04-06 Закрити