Клинический разбор в общей медицине

Clinical review for general practice
ISSN (Print) 2713-2552
ISSN (Online) 2782-5671
  • Главная
  • О журнале
  • Архив
  • Контакты
Левый блок
Полноэкранный режим > Архив > 2026 > Том 7, №7 (2026) > Искусственный интеллект в диагностике синдрома острого живота: современное состояние и перспективы клинического применения

Искусственный интеллект в диагностике синдрома острого живота: современное состояние и перспективы клинического применения

Для цитирования:


  • Аннотация
  • Об авторе
  • Список литературы

Аннотация

Синдром острого живота (СОЖ) является одной из наиболее частых причин экстренной госпитализации и требует своевременной диагностики. Несмотря на развитие современных методов обследования, дифференциальная диагностика заболеваний органов брюшной полости остается сложной клинической задачей. Перспективным направлением является применение технологий искусственного интеллекта (ИИ).
Цель. Провести анализ современных научных данных о применении технологий ИИ в диагностике заболеваний, сопровождающихся СОЖ.
Материалы и методы. Проведен обзор публикаций, представленных в базах данных PubMed, Scopus, Web of Science и eLibrary.ru за период 2015–2025 гг.
Результаты. Использование технологий ИИ позволяет повысить точность диагностики острых хирургических заболеваний органов брюшной полости и способствует улучшению принятия клинических решений.
Заключение. Технологии ИИ обладают значительным потенциалом в диагностике заболеваний, сопровождающихся СОЖ, однако требуют дальнейшего изучения и клинической оценки.
Ключевые слова: искусственный интеллект, синдром острого живота, острый аппендицит, острый холецистит, кишечная непроходимость, острый панкреатит, диагностика, неотложная хирургия.

Об авторе

А.А. Сопуев1, М.Э. Эрнисова1, Р.Р. Апсаматов², К.И. Мурзакалыков3, А.А. Калжикеев3, О.А. Умурзаков4, М.К. Ормонов5, М.М. Ташиев3

1 Кыргызская государственная медицинская академия им. И. К. Ахунбаева, Бишкек, Кыргызстан; 
2 Ошская межобластная объединенная клиническая больница, Ош, Кыргызстан;
3 Национальный хирургический центр им. М.М. Мамакеева Министерства здравоохранения Кыргызской Республики, Бишкек, Кыргызстан; 
4 Международный медицинский факультет Ошского государственного университета, Ош, Кыргызстан;
5 Ошский областной центр крови, Ош, Кыргызстан

mairamernisova@gmail.com

Список литературы

1. Pinto Leite N, Pereira JM, Cunha R et al. CT evaluation of appendicitis and its complications: imaging techniques and key diagnostic findings. AJR Am J Roentgenol 2005;185(2):406-17. DOI: 10.2214/ajr.185.2.01850406
2. Bhangu A, Søreide K, Di Saverio S et al. Acute appendicitis: modern understanding of pathogenesis, diagnosis, and management. Lancet 2015;386(10000):1278-87. DOI: 10.1016/S0140-6736(15)00275-5
3. Di Saverio S, Podda M, De Simone B et al. Diagnosis and treatment of acute appendicitis: 2020 update of the WSES Jerusalem guidelines. World J Emerg Surg 2020;15:27. DOI: 10.1186/s13017-020-00306-3
4. Sartelli M, Baiocchi GL, Di Saverio S et al. Prospective observational study on acute appendicitis worldwide. World J Emerg Surg 2018;13:19. DOI: 10.1186/s13017-018-0179-0
5. Issaiy M, Zarei D, Saghazadeh A. Artificial intelligence and acute appendicitis: a systematic review of diagnostic and prognostic models. World J Emerg Surg 2023;18:59. DOI: 10.1186/s13017-023-00516-y
6. Rajpurkar P, Park A, Irvin J et al. AppendiXNet: Deep Learning for Diagnosis of Appendicitis from A Small Dataset of CT Exams Using Video Pretraining. Sci Rep 2020;10(1):3958. doi: 10.1038/s41598-020-61055-6
7. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25:44-56. DOI: 10.1038/s41591-018-0300-7
8. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med 2019;380:1347-58. DOI: 10.1056/NEJMra1814259
9. Esteva A, Kuprel B, Novoa RA et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017;542:115-8. DOI: 10.1038/nature21056
10. Hosny A, Parmar C, Quackenbush J et al. Artificial intelligence in radiology. Nat Rev Cancer 2018;18:500-10. DOI: 10.1038/s41568-018-0016-5
11. Litjens G, Kooi T, Bejnordi BE et al. A survey on deep learning in medical image analysis. Med Image Anal 2017;42:60-88. DOI: 10.1016/j.media.2017.07.005
12. Erickson BJ, Korfiatis P, Akkus Z, Kline TL. Machine learning for medical imaging. Radiographics 2017;37:505-15. DOI: 10.1148/rg.2017160130
13. Lundervold AS, Lundervold A. An overview of deep learning in medical imaging. Z Med Phys 2019;29:102-27. DOI: 10.1016/j.zemedi.2018.11.002
14. Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng 2017;19:221-48. DOI: 10.1146/annurev-bioeng-071516-044442
15. Pesapane F, Codari M, Sardanelli F. Artificial intelligence in medical imaging. Insights Imaging 2018;9:745-753. DOI: 10.1007/s13244-018-0649-8
16. Bi WL, Hosny A, Schabath MB et al. Artificial intelligence in cancer imaging. CA Cancer J Clin 2019;69:127-57. DOI: 10.3322/caac.21552
17. Kelly CJ, Karthikesalingam A, Suleyman M et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Med 2019;17:195. DOI: 10.1186/s12916-019-1426-2
18. Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng 2018;2:719-31. DOI: 10.1038/s41551-018-0305-z
19. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J 2019;6:94-98. DOI: 10.7861/futurehosp.6-2-94
20. Jiang F, Jiang Y, Zhi H et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol 2017;2:230-43. DOI: 10.1136/svn-2017-000101
21. Liu X, Faes L, Kale AU et al. Deep learning for medical diagnosis: systematic review. Lancet Digit Health 2019;1:e271-e297. DOI: 10.1016/S2589-7500(19)30123-2
22. McKinney SM, Sieniek M, Godbole V et al. International evaluation of an AI system for breast cancer screening. Nature 2020;577:89-94. DOI: 10.1038/s41586-019-1799-6 
23. Ting DSW, Cheung CY, Lim G et al. Development and validation of a deep learning system for diabetic retinopathy. JAMA 2017;318:2211-23. DOI: 10.1001/jama.2017.18152
24. Char DS, Shah NH, Magnus D. Implementing machine learning in healthcare. N Engl J Med 2018;378:981-3. DOI: 10.1056/NEJMp1714229
25. He J, Baxter SL, Xu J et al. The practical implementation of artificial intelligence in healthcare. Nat Med 2019;25:30-6. DOI: 10.1038/s41591-018-0307-0
26. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism 2017;69:S36-S40. DOI: 10.1016/j.metabol.2017.01.011

Для цитирования:Сопуев А.А., Эрнисова М.Э., Апсаматов Р.Р., Мурзакалыков К.И., Калжикеев А.А., Умурзаков О.А., Ормонов М.К., Ташиев М.М. Искусственный интеллект в диагностике синдрома острого живота: современное состояние и перспективы клинического применения. Клинический разбор в общей медицине. 2026; 7 (7): 87–90. DOI: 10.47407/kr2026.7.7.00891


Журнал предоставляет свободный доступ с возможностью использовать статьи в некоммерческих целях при условии указания авторства в рамках лицензии CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/deed.ru)

  • О журнале
  • Редколегия
  • Редакционная этика
  • Авторам
  • Плата за публикацию
  • Порядок рецензирования
  • Контакты
   

oa
crossref
анри


  Индексация

Scopus
doaj
elibrary_rus.png

Почтовый адрес издателя

127055, Москва, а/я 37

Адрес редакции

115054, Москва, Жуков пр-д, 19, эт. 2, пом. XI


По вопросам публикаций

+7 (495) 926-29-83

id@con-med.ru