АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Система поддержки принятия врачебных решений

Система поддержки принятия врачебных решений (англ. clinical decision support system, CDSS) — это форма медицинских информационных технологий, предоставляющая медикам, персоналу, пациентам и другим лицам знания и данные, относящиеся к конкретному пациенту, в целях улучшения принятия решений в рамках клинических рабочих процессов. К средствам таких систем относятся оповещения и напоминания, клинические руководства, специфические для заболевания алгоритмы выбора назначений, сводки по данным пациента, поддержка диагностики и контекстные справочные материалы. Часто такие системы используют методы искусственного интеллекта для анализа клинических данных с целью повышения качества и безопасности медицинской помощи. Системы поддержки принятия врачебных решений являются ключевой темой в области искусственного интеллекта в медицине.

Согласно определению Общества по управлению медицинской информацией и системами (HIMSS), клиническая поддержка принятия решений — это процесс улучшения связанных со здоровьем решений и действий с использованием актуальных, систематизированных клинических знаний и информации о пациентах. Международные организации не выделяют специального определения для систем на базе генеративного искусственного интеллекта[1]. По актуальным критериям Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), программное обеспечение СППВР не регулируется как медицинское изделие, если оно соответствует четырём условиям: не анализирует медицинские изображения или сигналы; предназначено для отображения, анализа или печати медицинской информации; служит для поддержки или предоставления рекомендаций медицинским работникам; позволяет врачу самостоятельно оценивать основания для предоставленных рекомендаций[1].

По оценкам Fortune Business Insights, в 2025 году объём мирового рынка систем поддержки принятия врачебных решений составил 12,23 млрд долларов США, а прогноз на 2026 год составляет 13,88 млрд долларов[2].

Характеристики

Система поддержки принятия врачебных решений — это активная система управления знаниями, которая использует параметры данных о пациенте для выработки рекомендаций по вопросам здравоохранения. По сути, CDSS — это разновидность системы поддержки принятия решений, ориентированной на использование управления знаниями.

Назначение

Основная цель современных систем поддержки принятия врачебных решений — помощь медикам непосредственно в месте оказания медицинской помощи[3]. Это означает, что врач взаимодействует с CDSS для анализа данных пациента и выработки диагноза при различных заболеваниях.

Изначально CDSS разрабатывались как системы, принимающие решение за врача в буквальном смысле. Врач вводил данные и ожидал от системы «правильного» выбора, а затем действовал по её рекомендации. В современной практике CDSS выступают в роли помощника: клиницист взаимодействует с системой и использует совокупные знания — свои и системы — что позволяет анализировать данные пациента более глубоко, чем по отдельности. Обычно CDSS формирует предложения для рассмотрения, из которых врач выбирает релевантные рекомендации и игнорирует ошибочные.

Основные типы CDSS: базирующиеся на знаниях и не связанные с использованием базы знаний[3].

Примером использования CDSS служит система поддержки диагностических решений (diagnosis decision support system, DDSS): она запрашивает часть данных о пациенте и предлагает перечень возможных диагнозов. Врач анализирует предложения DDSS, отбрасывает нерелевантные и при необходимости назначает дополнительные обследования для уточнения диагноза[3].

Другой пример — система на основе кейс-ориентированного вывода (case-based reasoning, CBR). Например, CBR-система может использовать данные предыдущих случаев для определения оптимального количества и углов лучей при проведении радиотерапии у пациентов с опухолями мозга; предложенный план лечения затем анализируется медицинскими физиками и онкологами.

Важна также классификация CDSS по времени применения: до постановки диагноза (преддиагностические), во время диагностики или после неё (постдиагностические). Преддиагностические системы помогают врачу подготовить перечень предполагаемых диагнозов, CDSS во время диагностики фильтруют варианты для повышения точности, а постдиагностические используют данные для поиска связей между историей болезни пациента и результатами исследований для прогнозирования возможных событий[3]. Сообщалось, что системы поддержки вскоре смогут заменять врачей в рутинных задачах[4].

Другая модель, применяемая в Национальной службе здравоохранения Англии, использует DDSS для первичного отбора обращающихся пациентов вне рабочего времени: система предлагает следующий шаг (вызов скорой помощи, ожидание посещения врача и др.) исходя из худшего возможного диагноза. Решение — лишь подсказка и не является обязательным мнением специалиста, поэтому может игнорироваться.

Согласно российскому стандарту ГОСТ Р 72484-2025 «Системы искусственного интеллекта в здравоохранении. Термины и определения. Классификация», выделяются следующие виды систем искусственного интеллекта в зависимости от уровня автономности: автономные, частично автономные, системы второго мнения и аналитические. Системы поддержки принятия врачебных решений (СППВР) относятся к системам второго мнения: они требуют активного участия медицинского специалиста для принятия окончательных решений, а результаты работы системы используются врачом по своему усмотрению в качестве поддержки[5].

На основе знаний

Большинство CDSS состоит из трёх компонентов: базы знаний, инференс-движка и механизма взаимодействия[6]. База знаний содержит правила и связи, часто в форме IF–THEN. Например, для выявления лекарственных взаимодействий: «ЕСЛИ назначены препараты X и Y, ТО выдать предупреждение». Мощные режимы позволяют обновлять базу пользователем. Инференс-движок сопоставляет правила и данные пациента. Механизм взаимодействия отображает результаты и позволяет вводить данные[3].

Для формализации правил применяются языки выражений: например, GELLO или Clinical Quality Language (CQL). Пример: если у пациента сахарный диабет и уровень гликированного гемоглобина менее 7 % — рекомендовать повторный анализ через 6 месяцев, если более либо равен 7 % — через 3 месяца.

Рабочая группа CDS международного консорциума HL7 разрабатывает стандарты на базе Clinical Quality Language. Центры Медикэр и Медикейд США (CMS) объявили о переходе к использованию CQL для спецификации электронных клинических показателей (eCQM)[7].

Без использования базы знаний

Системы, не использующие базу знаний, применяют методы машинного обучения, разновидности искусственного интеллекта[8], позволяющие выявлять закономерности в медицинских данных без явных экспертных правил. Однако такие системы не объясняют причин своих выводов — поэтому их редко используют для диагностики из-за недостатка прозрачности и ответственности[3]. Вместе с тем, их применяют для поиска новых закономерностей или поддержки после диагностики.

К примеру, в 2012 году к не основанным на знаниях системам относили машины опорных векторов, искусственные нейронные сети и генетические алгоритмы[9].

  1. Искусственные нейронные сети используют узлы и связи между ними для анализа паттернов в данных пациента и поиска связей между симптомами и диагнозом.
  2. Генетические алгоритмы имитируют эволюционные процессы, отбирая наиболее успешные варианты решений, рекомбинируя и модифицируя их — итеративно до достижения оптимального результата. Как и нейросети, относятся к типу «чёрных ящиков».
  3. Подобные системы обычно фокусируются на узком перечне симптомов или одной болезни, в отличие от экспертных систем, покрывающих десятки заболеваний[3].

Пример: веб-сервер на базе машины опорных векторов для прогнозирования гестационного диабета у женщин Ирландии[10].

Современный этап развития систем поддержки принятия врачебных решений характеризуется переходом от традиционных алгоритмов к генеративному искусственному интеллекту (GenAI). В отличие от традиционных систем, которые опираются на статистические алгоритмы, работают преимущественно со структурированными данными и слабо понимают контекст, генеративные модели используют глубокое обучение для анализа больших массивов неструктурированных и мультимодальных данных (текст, медицинские снимки, геномика). GenAI способен адаптировать оповещения к контекту конкретного пациента и формировать персонализированные резюме. Однако генеративные системы менее прозрачны и склонны к галлюцинациям, поэтому для безопасного применения требуют строгих ограничений (например, использования архитектуры RAG) и обязательного контроля со стороны врачей[11][12].

К актуальным архитектурам машинного обучения в медицинских системах относятся[13]:

  • Vision Transformer (ViT, Swin Transformer, TransUNet) — для глобально-контекстной классификации и гибридной сегментации;
  • Диффузионные модели — для высококачественного синтеза медицинских изображений и удаления шума;
  • Генеративно-состязательные сети (GAN) — для синтеза, аугментации данных и повышения разрешения;
  • Большие языковые модели (LLM) и доменно-адаптированные LLM — для ответов на медицинские вопросы, ведения документации, дифференциальной диагностики и клинических рассуждений;
  • LLM с RAG (генерация, дополненная поиском) — для выдачи и интеграции клинических рекомендаций в реальном времени[13].

Примером высокоточной системы на базе машинного обучения является СППВР «МедикБук», внедрённая в 2024–2026 годах. Система использует обработку естественного языка и архитектуру «цифрового двойника пациента» для анализа электронных медицинских карт, автоматического расчёта сердечно-сосудистых рисков и формирования рекомендаций по терапии[14].

Регулирование

Системы поддержки принятия врачебных решений регулируются национальными и международными стандартами. Регулирование СППВР активно развивается в различных юрисдикциях, включая США, ЕС и Россию.

Регулирование в США

В 1999 году Институт медицины (Institute of Medicine, IOM) опубликовал доклад «To Err is Human», посвящённый вопросам безопасности пациентов в Соединённых Штатах, после чего вопрос качества медицинской помощи получил широкую огласку[15].

В 2009 году с принятием закона о восстановлении и реинвестировании (American Recovery and Reinvestment Act, ARRA) был дан старт массовому внедрению электронных медицинских технологий, включая CDSS, поддержку электронных карт (EMR) и электронного оформления назначений (CPOE). Обязанность поставщиков решений CDSS по обеспечению должного уровня безопасности и компетентности юридически остаётся предметом обсуждения, поскольку чётких норм нет; соответствующие нормативы прорабатываются различными государственными органами.

К 2026 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) сформировало требования к сертификации медицинского программного обеспечения на базе искусственного интеллекта (SaMD). Для таких систем применяется подход полного жизненного цикла продукта (TPLC) в рамках процедур 510(k), De Novo и PMA. От разработчиков требуется предоставление доказательств эффективности модели, анализ алгоритмической предвзятости, учёт особенностей взаимодействия человека и ИИ, а также наличие планов постмаркетингового мониторинга. Дополнительно необходимы заранее определённый план контроля изменений (PCCP) для обновления алгоритмов, спецификация компонентов программного обеспечения (SBOM) и соблюдение требований к системе менеджмента качества (QMSR), вступивших в силу в феврале 2026 года[16].

Регулирование в Европейском союзе

В Европейском союзе регулирование систем поддержки принятия врачебных решений (СППВР) на базе искусственного интеллекта осуществляется в рамках двух дополняющих друг друга регламентов: Medical Device Regulation (MDR) и EU AI Act. Большинство клинических ИИ-систем автоматически классифицируются как системы высокого риска[17].[18] Требования к получению маркировки CE зависят от класса риска системы:

  • Класс I по MDR (ИИ высокого риска по AI Act): сохраняется процедура одобрения по MDR для Класса I. Для подтверждения соответствия AI Act применяется внутренний контроль (самодекларация), однако в некоторых случаях может потребоваться привлечение нотифицированного органа[18].[19] Обязательства для высокорисковых ИИ-систем, не подлежащих проверке нотифицированным органом по MDR, применяются с 2 августа 2026 года[20].
  • Классы IIa, IIb, III по MDR (ИИ высокого риска по AI Act): требуется двойная сертификация. Аккредитованный нотифицированный орган проводит единую оценку соответствия требованиям MDR и AI Act, маркировка CE ставится только при полном соответствии обоим регламентам[18].[19] Базовые требования MDR включают ведение технической документации, внедрение системы менеджмента качества и подтверждение клинической безопасности[21]. Дополнительные требования AI Act включают управление специфическими ИИ-рисками, контроль качества обучающих данных, обеспечение прозрачности, обязательный человеческий надзор, ведение логов и регистрацию в базе данных ЕС[17].[21] Для систем, подлежащих проверке нотифицированным органом по MDR, требования AI Act вступают в силу с 2 августа 2027 года[20].

Регулирование в России

Согласно ГОСТ Р 71671-2024, системы поддержки принятия врачебных решений (СППВР) с применением искусственного интеллекта делятся на три класса: консультативные, информационно-справочные и консультативно-информационные[22][23]. Клинические испытания и валидация таких систем регламентируются стандартом ГОСТ Р 72313-2025, который предусматривает обязательное прохождение внутреннего тестирования, внешнего тестирования (независимой клинической валидации) и последующего мониторинга во время эксплуатации[24]. СППВР классифицируются как программное обеспечение, являющееся медицинским изделием, и подлежат обязательной государственной регистрации. В 2025 году в России изменились правила их регистрации: с марта для медицинских изделий с ИИ действует одноэтапный упрощённый порядок, не требующий предварительного разрешения на клинические испытания, а с сентября введены дополнительные строгие требования, включающие обязательное наличие паспорта ИИ-модели, описание источников обучающих данных, матрицу рисков и автоматическую передачу деидентифицированных данных о работе системы в Росздравнадзор[25][26][27]. Специального нормативного акта, устанавливающего юридическую ответственность за врачебную ошибку при использовании СППВР, в России не предусмотрено, поэтому применяются общие правила оказания медицинской помощи. Ответственность за назначенное лечение всегда несёт врач, претензии пациентов в первую очередь предъявляются медицинской организации, а разработчик может быть привлечён к ответственности только в случае доказанного дефекта алгоритма[28].

Эффективность

Эффективность CDSS остаётся предметом научных исследований. Для некоторых заболеваний доказана достоверная польза систем (например, в контроле гликемии, профилактике тромбозов, управлении трансфузиями и др.). Систематический обзор 2018 года зафиксировал улучшения по шести клиническим показателям при внедрении CDSS в стационарной практике[29]. Однако обзор 2014 года не выявил снижения смертности при интеграции CDSS с электронными историями болезни[30]. Согласно обзорам 2005 года[31][32], интеграция систем в рабочий процесс (без отдельного входа и экрана, с электронными шаблонами и поддержкой непосредственно во время ведения пациента) способствует успеху внедрения.

Более поздние обзоры отмечают наличие разрыва между теоретической и доказанной эффективностью электронных решений и недостаточную проработку вопроса экономической целесообразности внедрения.

Пятилетнее наблюдение CDSS в рамках антимикробной программы показало долгосрочный положительный эффект на качество терапии бактериальных инфекций.

Хотя точные агрегированные данные об экономической целесообразности и окупаемости (ROI) внедрения СППВР в масштабах 2024–2026 годов не определены, существуют современные примеры успешной экономии ресурсов. В частности, в одной из больниц Среднего Запада США внедрение корректирующих мер позволило сократить количество необоснованных назначений тестов на мозговой натрийуретический пептид (BNP) на 33—43 %. В медицинском центре Good Shepherd (Восточный Техас) использование системы клинического наблюдения привело к увеличению количества ежемесячных клинических вмешательств на 105 %, что обеспечило расчётную годовую экономию около 3 млн долларов США и возврат инвестиций в размере 1,47 млн долларов[33].

Проблемы внедрения

Клинические проблемы

Многие медицинские учреждения и софтверные компании потратили значительные усилия на создание CDSS для всех аспектов клинической работы. Однако сложность процессов и загруженность персонала требуют от внедряющих организаций тщательного внимания к интеграции системы с реальным рабочим процессом. CDSS с наибольшим успехом внедрены в фармацевтике и расчётах — например, автоматическая проверка назначения лекарств на взаимодействия, или анализ планов лечения с требованиями страховых программ.

Диагностические CDSS показывают успешные результаты в узких задачах: Leeds Abdominal Pain System (1971) обеспечивала корректный диагноз в 91,8 % случаев (против 79,6 % у врачей). Однако отсутствие интеграции в рабочий процесс часто мешает их повсеместному распространению. Системы традиционно требовали отдельного интерфейса и ручного ввода уже имеющихся данных, что прерывает рабочий процесс врача и отнимает время[34].

Технические проблемы и барьеры внедрения

CDSS сталкиваются с серьёзными техническими вызовами: биологические системы сложны, а эффективное решение требует анализа огромного числа данных. Современные системы доказательной медицины анализируют не только симптомы, но и семейный анамнез, генетику, эпидемиологические тренды, обзоры литературы.

Важнейшим барьером является недостаточная интеграция CDSS в рабочий процесс медиков.

Также отмечается нехватка объяснимых ИИ-решений в CDSS, что затрудняет доверие врачей к выводам систем[35]. Для решения этой проблемы развиваются методы объяснимого искусственного интеллекта (Explainable AI, XAI). К актуальным подходам относятся SHAP (оценивает вклад каждого признака), LIME (создаёт локальные суррогатные модели), Grad-CAM (генерирует тепловые карты активации для медицинских изображений), механизмы внимания для анализа последовательных данных (например, историй болезни или ЭКГ) и контрфактические объяснения, генерирующие гипотетические сценарии для планирования лечения.

Проблема чрезмерного числа оповещений критична: слишком много сигналов приводит к «усталости внимания» и игнорированию действительно важных сообщений[36].

Обслуживание и обновление знаний

Вызовом остаётся регулярное пополнение базы знаний: ежегодно публикуются десятки тысяч клинических исследований, каждое из которых необходимо анализировать и интегрировать вручную[37]. При этом расхождения в клинических исследованиях могут затруднять единую формализацию знаний.

Оценка эффективности

Ценность CDSS определяется её способностью улучшать рабочий процесс и исходы лечения. Критерии оценки отличаются для разных типов систем: диагностические оценивают по точности постановки диагноза, системы поддержки терапии — по частоте улучшения состояния пациента или экономическим результатам[38].

Интеграция с электронными медицинскими записями

Внедрение электронных медицинских записей (ЭМЗ, EHR) сопряжено с множеством проблем. Менее изученными являются вопросы перехода от устаревших к новым EHR-системам[39].

Объединение возможностей EHR и CDSS может радикально изменить подход к обучению и практике медицины[40]. Предполагается, что высший уровень развития EHR — это интегрированная с CDSS система[41].

Успешная интеграция измеряется ростом эффективности ухода и снижением числа осложнений, а также экономией времени, средств и повышением автономности и финансового положения клиник.

В современных исследованиях (2020—2026 годы) выделяется ряд проблем при миграции данных с устаревших систем на новые, которые служат фундаментальной базой для систем поддержки принятия врачебных решений (СППВР). К основным сложностям относятся преобразование стандартов обмена медицинскими данными, наличие «грязных» данных и дубликатов записей, фундаментальные различия в архитектуре баз данных, а также игнорирование неструктурированной информации (клинических заметок, отчётов). Для решения этих проблем применяются детальное сопоставление моделей данных (FHIR-маппинг), обязательная дедупликация и очистка информации до начала миграции, а также использование процессов ETL (извлечение, преобразование, загрузка)[42][43].

Современная интеграция СППВР с электронными медицинскими картами опирается на взаимосвязанные стандарты. Базовый обмен медицинскими данными обеспечивается широко применяемым стандартом HL7 FHIR, который решает проблему фрагментации информации. Поверх него используется стандарт SMART on FHIR, позволяющий стандартизированно запускать внешние медицинские приложения и обеспечивать безопасную авторизацию. Кроме того, внедряется технология CDS Hooks, которая позволяет EHR-системам автоматически вызывать внешние сервисы СППВР в ключевые моменты рабочего процесса врача, предоставляя информационные карточки с рекомендациями или ссылками для быстрого запуска приложений[44][45].

Преимущества

Интеграция CDSS и EHR способствует стандарту «лучшей практики» в медицине. Основные области улучшения:

  1. Уменьшение ошибок в выписке лекарств
  2. Снижение риска неблагоприятных лекарственных реакций
  3. Сокращение других медицинских ошибок

Максимальные преимущества прогнозируются при полном переходе всех звеньев системы на электронный обмен данными.

Барьеры внедрения

Внедрение EHR/CDSS сопровождается проблемами: необходимым условием становится поддержание высокой эффективности и безопасности всех процессов[46]. Важна учёт мнения персонала; внедрение требует клинициентричного подхода[47].

По состоянию на 2007 год, ключевые проблемы интеграции:

  1. Конфиденциальность данных
  2. Безопасность информации
  3. Удобство интерфейса
  4. Точность и полнота документации
  5. Масштабируемость и интеграция
  6. Унификация формата
  7. Доверие персонала
  8. Проблема «усталости внимания» к оповещениям

Важно обеспечить:

  • корректность вводимых данных
  • полноту учёта информации
  • соответствие клиническим рекомендациям
  • использование доказательной базы знаний

Техническим решением ряда проблем рассматривается внедрение сервис-ориентированной архитектуры[48].

Статус в Австралии

К июлю 2015 года переход к EHR в Австралии сопряжён с трудностями: большинство учреждений используют бумажные записи или находятся в процессе перехода. Программа HealthSMART штата Виктория была остановлена из-за высоких затрат[49]. В Южной Австралии реализуется система Enterprise Patient Administration System (EPAS), объединяющая все больницы в единую информационную платформу. К июню 2016 года 93 из 194 учреждений Нового Южного Уэльса подключены к системе eMR2 с CDSS-функциями[50].

Статус в Финляндии

CDSS-сервис EBMEDS, разработанный компанией Duodecim Medical Publications Ltd, используют более 60 % врачей государственного сектора Финляндии.

Статус в Индии

В Индии начато множество инициатив по развитию цифрового здравоохранения. Новые платформы (Eka.care, Clinisio, Raxa и др.) предлагают решения EHR с интегрированной системой поддержки принятия врачебных решений[51].

Международное сотрудничество

В августе 2026 года российская компания-разработчик «Платформа Третье Мнение» и филиппинская компания Innovare Techne Systems Inc. при поддержке торгового представительства России заключили эксклюзивное дистрибьюторское соглашение о внедрении российских ИИ-сервисов на Филиппинах. Соглашение предполагает интеграцию систем поддержки принятия врачебных решений (СППВР) для анализа медицинских изображений (включая рентгеновские снимки и результаты КТ) в цифровую платформу филиппинского партнёра. Эти сервисы помогают выявлять признаки патологий, выполнять измерения и формировать проекты описания исследований, доступ к которым получат медицинские организации и врачи Филиппин[52].[53].

Исследования

Ошибки в рецептуре

В Великобритании исследовалась система Salford Medication Safety Dashboard (SMASH) — веб-приложение CDSS, помогающее врачам и фармацевтам выявлять пациентов с риском небезопасных назначений на основе электронных записей. Система эффективно идентифицировала и корректировала опасные назначения[54].

Примечания

  1. ↑ 1 2 5 Key Takeaways from FDA’s Revised Clinical Decision Support (CDS) Software Guidance. Covington & Burling LLP. Covington & Burling LLP (1 января 2026). Дата обращения: 26 августа 2026.
  2. ↑ Системы поддержки принятия врачебных решений (СППР, CDS). Zdrav.Expert. Дата обращения: 26 августа 2026.
  3. ↑ 1 2 3 4 5 6 7 Berner, Eta S., ред. Clinical Decision Support Systems. New York, NY: Springer, 2007.
  4. ↑ Khosla, Vinod. Technology will replace 80% of what doctors do (англ.), CNN (4 декабря 2012). Архивировано 28 марта 2013 года. Дата обращения: 25 апреля 2013.
  5. ↑ ГОСТ Р 72484-2025. Системы искусственного интеллекта в здравоохранении. Термины и определения. Классификация (PDF). Дата обращения: 26 августа 2026.
  6. ↑ Dehghani Soufi, Mahsa Peyman. Samad-Soltani, Taha. Shams Vahdati, Samad. Rezaei-Hachesu. Decision support system for triage management: A hybrid approach using rule-based reasoning and fuzzy logic..
  7. ↑ CQL - Clinical Quality Language (англ.). eCQI Resource Center. Дата обращения: 26 августа 2026.
  8. ↑ Syeda-Mahmood, Tanveer (март 2015). “Plenary talk: The Role of Machine Learning in Clinical Decision Support”. SPIE Newsroom [англ.]. DOI:10.1117/2.3201503.29. Проверьте дату в |date= (справка на английском)
  9. ↑ Wagholikar, Kavishwar; V. Sundararajan; Ashok Deshpande (2012). “Modeling Paradigms for Medical Diagnostic Decision Support: A Survey and Future Directions”. Journal of Medical Systems. 36 (5): 3029—3049. DOI:10.1007/s10916-011-9780-4. PMID 21964969. S2CID 14509743.
  10. ↑ Du, Yuhan; Rafferty, Anthony R.; McAuliffe, Fionnuala M.; Wei, Lan; Mooney, Catherine (21 января 2022). “An explainable machine learning-based clinical decision support system for prediction of gestational diabetes mellitus”. Scientific Reports. 12 (1): 1170. DOI:10.1038/s41598-022-05112-2. PMID 35064173.
  11. ↑ Generative Artificial Intelligence in Clinical Practice. Colobridge Blog (август 2025). Дата обращения: 26 августа 2026.
  12. ↑ The Role of Generative AI in Clinical Decision Support Systems. International Journal of Advanced Information and Research Development (IJAIRD). Дата обращения: 26 августа 2026.
  13. ↑ 1 2 Current Architectures of Machine Learning in Medical Systems. Frontiers in Digital Health. Дата обращения: 26 августа 2026.
  14. ↑ СППВР «МедикБук». Агентство стратегических инициатив. Дата обращения: 26 августа 2026.
  15. ↑ Medicine, Institute of. Crossing the Quality Chasm: A New Health System for the 21st Century : [англ.]. — 28 февраля 2001. — ISBN 978-0-309-46561-8. — doi:10.17226/10027.
  16. ↑ Navigating Global Regulations for SaMD. RegDesk. Дата обращения: 26 августа 2026.
  17. ↑ 1 2 The EU AI Act and Medical Device Regulation: A Complementary Framework for AI in Healthcare. Frontiers in Digital Health. Frontiers Media SA (1 января 2026). Дата обращения: 26 августа 2026.
  18. ↑ 1 2 3 EU AI Act and Medical Devices: Navigating the MDR Overlap. QuickBird Medical (15 мая 2024). Дата обращения: 26 августа 2026.
  19. ↑ 1 2 AI Medical Device Software under EU MDR and IVDR. Decomplix (1 июня 2024). Дата обращения: 26 августа 2026.
  20. ↑ 1 2 EU AI Act for Medical Devices and SaMD: Key Deadlines. MDX CRO (20 июля 2024). Дата обращения: 26 августа 2026.
  21. ↑ 1 2 EU Healthcare AI Regulations: MDR, GDPR, and AI Act. Tandem Health AI (10 августа 2024). Дата обращения: 26 августа 2026.
  22. ↑ ГОСТ Р 71671-2024. Классификация СППВР. Интернет-закон. Дата обращения: 26 августа 2026.
  23. ↑ ГОСТ Р 71671-2024. Национальный стандарт. Меганорм. Дата обращения: 26 августа 2026.
  24. ↑ ГОСТ Р 72313-2025. Клинические испытания и валидация. Стройинформ. Дата обращения: 26 августа 2026.
  25. ↑ О сроках регистрации программного обеспечения как медицинского изделия. Webiomed. Дата обращения: 26 августа 2026.
  26. ↑ Регистрация ПО как медицинского изделия в 2025 году в России. Certru. Дата обращения: 26 августа 2026.
  27. ↑ Медицинское ПО с искусственным интеллектом в России: разбор изменений в 2025 году. Certru. Дата обращения: 26 августа 2026.
  28. ↑ Кто в ответе за ИИ? Главный вопрос в регулировании остается нерешенным. Медицинский вестник. Дата обращения: 26 августа 2026.
  29. ↑ Varghese, J; Kleine, M; Gessner, SI; Sandmann, S; Dugas, M (май 2018). “Effects of computerized decision support system implementations on patient outcomes in inpatient care: a systematic review”. Journal of the American Medical Informatics Association [англ.]. 25 (5): 593—602. DOI:10.1093/jamia/ocx100. PMC 7646949. PMID 29036406. Проверьте дату в |date= (справка на английском)
  30. ↑ Moja, L; Kwag, KH; Lytras, T; Bertizzolo, L; Brandt, L; Pecoraro, V; Rigon, G; Vaona, A; Ruggiero, F; Mangia, M; Iorio, A (декабрь 2014). “Effectiveness of computerized decision support systems linked to electronic health records: a systematic review and meta-analysis”. American Journal of Public Health. 104 (12): e12—22. DOI:10.2105/ajph.2014.302164. PMC 4232126. PMID 25322302. Проверьте дату в |date= (справка на английском)
  31. ↑ Garg AX, Adhikari NK, McDonald H, Rosas-Arellano MP, Devereaux PJ, Beyene J (2005). “Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review”. JAMA. 293 (10): 1223—38. DOI:10.1001/jama.293.10.1223. PMID 15755945.
  32. ↑ Kensaku Kawamoto; Caitlin A Houlihan; E Andrew Balas; David F Lobach. (2005). “Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success”. BMJ. 330 (7494): 765. DOI:10.1136/bmj.38398.500764.8F. PMC 555881. PMID 15767266.
  33. ↑ Clinical Decision Support System Implementation. Topflight Apps. Дата обращения: 26 августа 2026.
  34. ↑ National Academy of Medicine Optimizing Strategies for Clinical Decision Support (англ.). Healthit.gov (2018). Дата обращения: 26 августа 2026. Архивировано 23 апреля 2018 года.
  35. ↑ Tonekaboni, Sana; Joshi, Shalmali; McCradden, Melissa D.; Goldenberg, Anna (28 октября 2019). “What Clinicians Want: Contextualizing Explainable Machine Learning for Clinical End Use”. Machine Learning for Healthcare Conference. PMLR: 359—380. arXiv:1905.05134. Дата обращения 2026-08-26.
  36. ↑ Khalifa, Mohamed; Zabani, Ibrahim (2016). “Improving Utilization of Clinical Decision Support Systems by Reducing Alert Fatigue: Strategies and Recommendations”. Studies in Health Technology and Informatics. 226: 51—54. ISSN 1879-8365. PMID 27350464.
  37. ↑ Gardner, Reed M (апрель 2004). “Computerized Clinical Decision-Support in Respiratory Care”. Respiratory Care. 49 (4): 378—388. PMID 15030611. Проверьте дату в |date= (справка на английском)
  38. ↑ Wagholikar, K; Kathy L. MacLaughlin; Thomas M Kastner; Petra M Casey; Michael Henry; Robert A Greenes; Hongfang Liu; Rajeev Chaudhry (2013). “Formative evaluation of the accuracy of a clinical decision support system for cervical cancer screening”. Journal of the American Medical Informatics Association. 20 (4): 747—759. DOI:10.1136/amiajnl-2013-001613. PMC 3721177. PMID 23564631.
  39. ↑ Zandieh, Stephanie O.; Kahyun Yoon-Flannery; Gilad J. Kuperman; Daniel J. Langsam; Daniel Hyman; Rainu Kaushal (2008). “Challenges to EHR Implementation in Electronic- Versus Paper-based Office Practices”. Journal of Global Information Management. 23 (6): 755—761. DOI:10.1007/s11606-008-0573-5. PMID 18369679.
  40. ↑ Berner, Eta S. 1 // Clinical Decision Support Systems: Theory and Practice / Eta S. Berner, Tonya J.La Lande. — 2. — New York : Springer Science and Business Media, 2007. — P. 3–22.
  41. ↑ Rothman, Brian; Joan. C. Leonard; Michael. M. Vigoda (2012). “Future of electronic health records: implications for decision support”. Mount Sinai Journal of Medicine. 79 (6): 757—768. DOI:10.1002/msj.21351. PMID 23239213.
  42. ↑ EHR Data Migration: Challenges and Best Practices. Mindbowser (2026). Дата обращения: 26 августа 2026.
  43. ↑ Data Migration Challenges in Healthcare Systems. Springer (2025). Дата обращения: 26 августа 2026.
  44. ↑ SMART on FHIR and CDS Hooks Coverage Guide. Intuition Labs. Дата обращения: 26 августа 2026.
  45. ↑ SMART on FHIR: The Key to Interoperability. Relevant Software. Дата обращения: 26 августа 2026.
  46. ↑ Spellman Kennebeck, Stephanie; Nathan Timm; Michael K Farrell; S Andrew Spooner (2012). “Impact of electronic health record implementation on patient flow metrics in a pediatric emergency department”. Journal of the American Medical Informatics Association. 19 (3): 443—447. DOI:10.1136/amiajnl-2011-000462. PMC 3341791. PMID 22052897.
  47. ↑ McGinn, Carrie Anna; Gagnon, Marie-Pierre; Shaw, Nicola; Sicotte, Claude; Mathieu, Luc; Leduc, Yvan; Grenier, Sonya; Duplantie, Julie; Abdeljelil, Anis Ben; Légaré, France (2012-09-11). “Users' perspectives of key factors to implementing electronic health records in Canada: a Delphi study”. BMC Medical Informatics and Decision Making. 12 (1): 105. DOI:10.1186/1472-6947-12-105. ISSN 1472-6947. PMC 3470948. PMID 22967231.
  48. ↑ Loya, S. R.; Kawamoto, K; Chatwin, C; Huser, V (2014). “Service oriented architecture for clinical decision support: A systematic review and future directions”. Journal of Medical Systems. 38 (12): 140. DOI:10.1007/s10916-014-0140-z. PMC 5549949. PMID 25325996.
  49. ↑ Charette, Robert N. Troubled HealthSMART System Finally Cancelled in Victoria Australia. IEEE Spectrum (21 мая 2012). Дата обращения: 26 августа 2026.
  50. ↑ “The eMR turns 10” (PDF). EHealth News. май–июнь 2016. Архивировано из оригинала (PDF) 2016-08-15. Дата обращения 2016-08-06. Используется устаревший параметр |url-status= (справка); Проверьте дату в |date= (справка на английском)
  51. ↑ Misro, Aswini; Mehta, Anushka; Whittington, Paul; Dogan, Huseyin; Mishra, Nishikant; Kadoglou, Naim; Theivacumar, Selva (2023). “MEDRXIV From Concept to Reality: Examining India's Clinical Decision Support System (CDSS) Challenges & Opportunities”. MEDRXIV. DOI:10.1101/2023.04.02.23288046. Дата обращения 2026-08-26.
  52. ↑ Сервисы «Третье Мнение» стали доступны для врачей на Филиппинах. thirdopinion.ai (26 августа 2026). Дата обращения: 26 августа 2026.
  53. ↑ На Филиппинах будут применять российскую ИИ-диагностику. ComNews (26 августа 2026). Дата обращения: 26 августа 2026.
  54. ↑ “Interactive dashboard identifies patients at risk of unsafe prescribing in a flexible and sustainable way”. NIHR Evidence. National Institute for Health and Care Research. 22 июня 2020. DOI:10.3310/alert_40404. S2CID 241368429. Дата обращения 2026-08-26.

Литература

  • Berner, Eta S., ред. Clinical Decision Support Systems. New York, NY: Springer, 2007.

Ссылки

Категории