Представлена симуляционная компьютерная программа «ЛабЧекап-Тренажер», воспроизводящая рабочее место врача клинической лабораторной диагностики и клинициста. Тренажер построен на реальных алгоритмах машинного обучения (>30 моделей, AUC ROC до 0,97, R² до 0,95), обученных на >2 млн обезличенных лабораторных данных пациентов. Обучающийся проходит полный цикл: от оценки достоверности результата до клинического заключения и решения о дальнейшем обследовании. Три режима: «Виртуальный пациент», «Виртуальная лаборатория» (контроль качества), «Исследователь» (понимание ИИ).
Анонимный опрос 1177 студентов и ординаторов медицинского университета показал, что ИИ используют 92,1%, самостоятельно освоили 92,5%. Данные пациента в облачный ИИ загружали 12,7%. Шансы такого рискованного поведения выше при большем клиническом стаже и позитивных установках к ИИ. Выделены четыре типа пользователей; признаки когнитивной зависимости максимальны у «компетентных, но демотивированных». Предложен ответ образовательной среды: институциональный ИИ-контур, письменные правила, задания «гипотеза до ИИ» и симуляционные сценарии безопасной работы с ИИ.
В данной работе представлены разработка и клиническая апробация голосовой системы информационной поддержки хирургической безопасности, основанной на адаптированном для травматологии и ортопедии чек-листе ВОЗ и технологиях распознавания речи GigaAM и Whisper. Система интегрирована с МИС и обеспечивает голосовое прохождение этапов чек-листа, формирование цифрового чек-листа и регистра отклонений. Система прошла апробацию в реальном травматолого-ортопедическом операционном блоке и интегрирована в образовательный процесс ординаторов по специальности 31.08.66 — травматология и ортопедия.
В статье описана модель «обратного наставничества» (студент–врач) с применением ИИ для симуляционного обучения работе в МИС на кейсах диспансерного наблюдения при СД 2 типа. Использование NLP и ML-инструментов обеспечило мгновенную обратную связь. Пилотный курс (19 пар) выявил снижение ошибок на 34% и двукратное ускорение работы. Подход устраняет разрыв между фундаментальной и клинической подготовкой, трансформируя информатику в прикладной инструмент и обеспечивая синергию цифровой и клинической экспертизы.
В цифровом медицинском образовании ИИ становится инструментом практико-ориентированного обучения. Цель — апробация ИИ-симуляций в курсе «Медицинское право» для отработки конфликтов с пациентами и подготовки юридических ответов на жалобы и претензии. Методы: анализ нормативно - правовых актов, кейс-стади, анкетирование 48 студентов 6 курса высшего медицинского образования . Результаты: 95% лучше поняли правовые нормы, 79% снизили тревожность, 87% выработали алгоритм действий. Вывод: ИИ-симуляции эффективны, но требуют экспертной оценки преподавателя.
Системы автоматической проверки врачебных записей принято называть ИИ-тьюторами: предполагается, что врач учится на собственных ошибках. Мы проверили это на шести месяцах непрерывной работы — 15 врачей, свыше 9000 протоколов приёма. Замечания по оформлению система выдавала в 90% протоколов, врач исправлял их одним нажатием, но за полгода доля таких протоколов не изменилась. Клинически значимые замечания врач принимает примерно в 60% случаев. Качество каждой отдельной записи растёт, частота исходных ошибок — нет.
Цифровизация здравоохранения, внедрение электронных медицинских карт требуют от выпускников медицинских вузов сформированных цифровых компетенций. На основе анализа отечественного и зарубежного опыта преподавания медицинской информатики, нормативных документов и современных исследований обосновывается необходимость непрерывного многоэтапного обучения информатике на протяжении всего образовательного маршрута врача — от довузовской подготовки до последипломного образования.
Представлена модель виртуального пациента на основе искусственного интеллекта, имитирующая родителя больного ребенка для интерактивного обучения студентов-медиков диагностике детских кишечных инфекций. Созданные сценарии с переменными клиническими данными и автоматизированной оценкой действий обучающегося позволяют эффективно формировать клиническое мышление и стандартизировать контроль знаний без риска для реальных пациентов.
Симуляционное обучение является ключевым элементом подготовки офтальмологов, однако унифицированные программы не в полной мере учитывают индивидуальные особенности и исходный уровень подготовки обучающихся.Цель исследования — обосновать возможность и разработать концепцию интеллектуальной системы для автоматического индивидуального подбора параметров обучения (сложность клинических сценариев, время выполнения, частота и характер подсказок) на аппаратно-программном симуляторе офтальмоскопии «Офтальмосим» с применением нейросетевых алгоритмов.
Сердечно-сосудистые заболевания удерживают первое место в структуре смертности населения РФ, причём поздняя диагностика связана с клиническими «масками» кардиопатологии под видом соматических расстройств. Цель работы – обосновать и разработать тренинговый курс по дифференциальной диагностике кардиологических заболеваний для студентов V курса медицинских вузов. Методологическую основу составили системный анализ научно-методической литературы, симуляционное моделирование с применением методики «Стандартизированный пациент», виртуального пациента Body Interact и тренажёра Physiko.
В статье рассматриваются педагогические возможности и практическая эффективность использования интеллектуальных игровых технологий в медицинском образовании. В качестве объекта исследования выступила интеллектуальная викторина среди медицинских работников, проведённая в формате «Своя игра». В рамках исследования был сформирован банк из 530 вопросов, охватывающих 44 тематических направления, на основе которого проведено 11 интеллектуальных игр с участием 266 медиков. Анализировались результаты команд, характер ответов, активность в ходе игры, впечатления и предложения участников.
Работа посвящена изучению эффективности тренингового курса для студентов 4-5 курсов медицинских вузов, основанного на использовании методики "стандартизированный пациент", обучающей компьютерной программы "Polyclinika", для отработки алгоритма действий поликлинического врача при проведении консультации амбулаторному пациенту. Показана эффективность в плане усвоения приемов коммуникативного взаимодействия, работы с электронной медицинской документацией и соблюдения нормативных временных рамок при проведении консультации.
В работе рассмотрены перспективы применения искусственных нейронных сетей в преподавании акушерства и гинекологии: создание симуляционных моделей пациенток и использование ИИ-ассистентов. Проанализированы основные сложности: риск генерации клинически небезопасных рекомендаций, недостаточная ИИ-грамотность преподавателей и отсутствие нормативной базы. Обоснована необходимость интеграции искусственных нейросетей как дополнительного инструмента практико-ориентированного обучения.
Представлен образовательный модуль платформы «ЕМИР» — ИИ-симулятор клинического мышления студентов-медиков. В отличие от статических симуляторов, система генерирует уникальные клинические кейсы на основе 64 клинреков Минздрава через RAG + YandexGPT. Реализованы 4 уровня сложности, включая коморбидность (сочетание 2–3 заболеваний), и диалоговый режим «Живой приём» для сбора анамнеза. Автоматическая проверка ответов с разбором ошибок. Точность диагноза — 94%, время ответа — 3–5 секунд. Получены свидетельства Роспатента, проект поддержан Сеченовским Университетом и МЧС России.
Снижение мотивации обучающихся, крайне распространённая проблема во всём мире, в данной работе мы рассматриваем как использование искусственного интеллекта (ИИ) может повлиять на мотивацию и учебный процесс. Цель исследования — продемонстрировать эффективность применения интерактивных ИИ-инструментов (HTML-симуляторов, SCORM-курсов) для повышения вовлеченности целевых аудиторий. На базе образовательных программ ФГБОУ ВО Амурской ГМА Минздрава России апробирован подход, где мы использовали генеративный ИИ, чтобы сделать клинические задачи сложнее и собрать интерактивные обучающие стенды.