Формирующаяся роль искусственного интеллекта при некротизирующем энтероколите и проблемы внедрения

Некротизирующий энтероколит (НЭК) по-прежнему остается серьезной клинической проблемой, а диагностические стратегии по-прежнему в основном опираются на реактивные критерии стадирования, которые существенно не менялись десятилетиями. В этом комментарии обобщены новые данные, чтобы оценить преобразующий потенциал искусственного интеллекта (ИИ) и машинного обучения (МО) в смещении ведения НЭК в сторону прогностической точности. Мы рассматриваем, как алгоритмы МО переопределяют стратификацию риска за счет интеграции мультимодальных данных. ИИ демонстрирует более высокую ценность в автоматизации рентгенологической диагностики, анализе сложных данных для выявления раннего прогрессирования заболевания, различении медицинского и хирургического фенотипов и в предоставлении объективной поддержки при сложных решениях о вмешательстве. Несмотря на эти перспективы, клиническое внедрение в настоящее время ограничено гетерогенностью данных, малыми размерами выборок и «черным ящиком» сложных алгоритмов. Кроме того, интеграция методов ИИ в клиническую ИТ-среду требует тщательного планирования, чтобы оценивать, как такие инструменты влияют на клинические рабочие процессы, как со временем меняется их эффективность и когда они нуждаются в дообучении, замене или выводе из эксплуатации; в этом контексте можно говорить о MLOps. Мы подчеркиваем, что реализация потенциала ИИ в отделении интенсивной терапии новорожденных требует смены парадигмы в сторону межцентрового обмена данными, разработки моделей объяснимого ИИ и строгой этической рамки, чтобы эти инструменты дополняли, а не затмевали клиническое суждение. Значимость: Традиционная опора на стадию по Беллу для диагностики НЭК носит реактивный характер и не обладает специфичностью, необходимой для раннего вмешательства. ИИ и машинное обучение предлагают преобразующий подход, демонстрируя более высокую точность стратификации риска и прогнозирования необходимости хирургического лечения за счет синтеза сложных мультимодальных данных, недоступных при обычной клинической оценке. Будущие трансляционные исследования должны прежде всего обеспечить межцентровую валидацию и интерпретируемость алгоритмов, чтобы безопасно встроить эти прогностические инструменты в реальную неонатальную практику.