Issues of integrating artificial intelligence into medical decision support systems in emergency situations

Egor Sergeevich Tomilin; Томилин Егор Сергеевич; Maksim Sergeevich Kornev; Корнев Максим Сергеевич; Stanislav Nikolaevich Khaustov; Хаустов Станислав Николаевич; Ludmila  Evgenievna  Mehantieva; Механтьева Людмила Евгеньевна; Vladimir Pavlovich Ilyichev; Ильичев Владимир Павлович

Issues of integrating artificial intelligence into medical decision support systems in emergency situations

Authors: Tomilin E.S.¹, Kornev M.S.¹, Khaustov S.N.¹, Mehantieva L..¹, Ilyichev V.P.¹
Affiliations:
1. Burdenko Voronezh State Medical University
Issue: Vol 15 (2026): Материалы XXII Международного Бурденковского научного Конгресса, 23–25 апреля 2026 года, г. Воронеж
Pages: 142-144
Section: Военная и экстремальная медицина
URL: https://new.vestnik-surgery.com/index.php/2415-7805/article/view/11163

Cite item

Full Text

Abstract
Full Text
About the authors
References
Supplementary files
Statistics

Abstract

The increasing frequency of emergencies and their multicomponent nature require improved information and analytical support for medical decisions. Artificial intelligence-based decision support systems (AI-DSS) have the potential to improve the accuracy of diagnosis, forecasting, and optimizing resource allocation, but their implementation in disaster medicine remains limited. Goal. To assess the current state, identify key areas and barriers to integrating AI-DSS into disaster medicine, and identify the conditions for their effective use. Methods. A systematic review of the scientific literature of 2023-2025, indexed in international databases and domestic sources, has been carried out. The methods of content analysis, systematization and conceptual synthesis are applied. Results. Three main areas of application of AI-DSS are identified: predictive systems for early detection of critical conditions, diagnostic solutions using computer vision, and logistical and tactical decision support systems. It has been shown that AI is capable of improving forecasting accuracy, speeding up diagnostics, and optimizing resource usage. The main barriers remain limited clinical validation, data variability, regulatory constraints, and problems integrating into existing infrastructure. Conclusions. The integration of AI-DSS into disaster medicine represents a promising avenue aimed at enhancing the efficiency of diagnostic, therapeutic, and organizational procedures. The analysis confirms the established potential of the technologies under consideration. However, their practical implementation is constrained by a set of methodological, regulatory, and infrastructural limitations, necessitating further research focused on clinical validation and the adaptation of these developments to the specific conditions of emergency situations.

Keywords

artificial intelligence, decision support systems, disaster medicine, emergency situations, emergency medicine, machine learning

Full Text

Введение. Возрастающая частота и многокомпонентный характер чрезвычайных ситуаций (ЧС) обусловливают необходимость поиска принципиально новых подходов к информационно-аналитической поддержке медицинских решений. Традиционные методы и существующие системы поддержки принятия решений (СППР) демонстрируют ограниченную эффективность в условиях критического дефицита времени, высокой неопределенности и значительной вариабельности данных о состоянии пострадавших [1, 2]. Системы поддержки принятия решений на основе искусственного интеллекта (ИИ-СППР) открывают возможности для комплексного анализа обстановки, прогнозирования исходов и оптимального распределения ограниченных ресурсов [3]. Несмотря на экспоненциальный рост числа публикаций (61% работ датированы 2021–2023 гг.), подавляющее большинство разработок (94,5%) не выходят за рамки доклинических исследований [4]. Выявленный разрыв между технологическим потенциалом и клинической реализацией требует специального анализа в контексте специфики медицины катастроф.

Цель работы. Оценить современное состояние, выявить ключевые направления и барьеры интеграции ИИ-СППР в практику медицины катастроф, а также определить методологические условия, необходимые для эффективного применения таких систем при ликвидации последствий ЧС.

Материалы и методы исследования. Выполнен систематизированный обзор литературы с акцентом на исследования 2023–2025 гг., посвященные применению ИИ-СППР в экстренной медицине и при ЧС. Проанализированы источники, индексируемые в международных базах данных (PubMed, Scopus, Web of Science), а также ключевые отечественные разработки в области медицины катастроф. Применены методы контент-анализа, систематизации и концептуального синтеза для выделения прикладных направлений, ограничений и условий успешной интеграции технологий.

Результаты исследования. Проведенный анализ позволяет структурировать применение ИИ-СППР при ЧС по трем стратегическим направлениям.

Первое направление — прогностические системы для раннего выявления критических состояний. Алгоритмы машинного обучения способны предсказывать развитие декомпенсированного шока за 90 минут до появления клинических признаков (точность 78%) и полиорганной недостаточности (AUC 0,96), превосходя по точности традиционные шкалы [5]. Наибольший интерес представляет показатель компенсаторного резерва, рассчитываемый на основе анализа пульсовой волны: его снижение ниже 33% сигнализирует о массивной кровопотере раньше, чем изменение традиционных витальных параметров (AUC 0,97) [5, 6].

Второе направление — диагностические системы с компьютерным зрением. Сверточные нейронные сети обеспечивают интерпретацию ультразвуковых изображений при травмах в условиях дефицита квалифицированных специалистов [7]. Модели на базе архитектуры YOLO обрабатывают до 18 кадров в секунду, выявляя пневмоторакс с точностью 80–85%, а гемоперитонеум — до 96% [5]. Интеграция ИИ с портативными ультразвуковыми сканерами позволяет выполнять расширенное прикроватное ультразвуковое исследование (eFAST) медицинскому персоналу без специальной подготовки [5].

Третье направление — системы поддержки логистических и тактических решений. Алгоритмы обработки естественного языка демонстрируют 98% точности в определении необходимости экстренного реагирования по тексту телефонного вызова [8]. Разработаны мобильные приложения, которые на основе 10-минутного мониторинга физиологических параметров прогнозируют эффект инфузионной терапии на 60 минут вперед, позволяя снизить расход инфузионных сред на 119% и увеличить долю пациентов со стабилизацией на 46% [5, 8]. Роботизированные системы с ИИ-наведением обеспечивают катетеризацию бедренной вены в догоспитальных условиях в среднем с 1,1–1,3 попытки, делая сложную манипуляцию доступной для среднего медицинского персонала [5].

Важным направлением становится интеграция ИИ-СППР с существующей инфраструктурой экстренных служб. В системе-112 перспективно использование чат-ботов для снижения нагрузки на операторов, анализ тональности голоса для сортировки вызовов, а также мониторинг социальных сетей с помощью платформ типа AIDR для раннего выявления ЧС [9].

Ключевым вызовом остается разрыв между разработкой и клиническим внедрением. Лишь 5,5% ИИ-СППР проходят этапы проспективной валидации [4]. В медицине катастроф проблема усугубляется специфическими ограничениями: высокая вариабельность, неполнота и противоречивость данных о пострадавших, затрудняющая обучение моделей; нормативные ограничения обработки персональных данных, требующие сложных процедур обезличивания; необходимость бесшовной интеграции с существующей информационной инфраструктурой, включая системы оперативных донесений и управления ресурсами [2, 10].

Методологические стандарты разработки ИИ-СППР для экстренной медицины предполагают мультидисциплинарное взаимодействие, репрезентативность обучающих выборок и встроенные механизмы этического контроля [10]. Принципиально важным становится формирование доверия со стороны медицинского персонала через интерпретируемость рекомендаций и их плавную интеграцию в существующие рабочие процессы. Наиболее перспективным представляется развитие доменно-специфичных языковых моделей (например, Catastrophe-LLM), способных выполнять роль семантического интерфейса между оперативной информацией и типовыми алгоритмами реагирования [5].

Заключение. Интеграция ИИ-СППР в медицину катастроф знаменует переход от этапа технологического энтузиазма к системной методологической работе. Доказано, что технологии искусственного интеллекта способны значимо повысить точность прогнозирования критических состояний, эффективность диагностики в условиях ограниченных ресурсов и качество логистики медицинской эвакуации. Однако успешное внедрение требует решения комплекса задач: формирования специализированных, валидированных для условий ЧС баз данных; разработки многоуровневой архитектуры систем, устойчивой к неполноте и фрагментарности информации; неукоснительного соблюдения стандартов прозрачности, интерпретируемости и этической безопасности; формирования у медицинского персонала устойчивых компетенций эффективного взаимодействия с ИИ-ассистентами. Дальнейшие исследования должны быть направлены на преодоление существующего разрыва между доклиническими разработками и реальной клинической практикой в условиях чрезвычайных ситуаций.

About the authors