Искусственный интеллект в ранней диагностике: интеграция донозологического скрининга и персонализированной профилактики хронических неинфекционных заболеваний

Введение. На сегодняшний день актуальной проблемой мирового здравоохранения является рост числа хронических неинфекционных заболеваний (ХНИЗ), на долю которых приходится >90% всех летальных исходов. Исторически сложилось, что наибольший вклад в смертность вносят болезни сердечно-сосудистой, дыхательной, пищеварительной, эндокринной системы и онкологические заболевания. При этом традиционная лечебная парадигма демонстрирует неспособность сдерживать эпидемиологическую нагрузку. Сегодня доказано, что в большинстве своем ХНИЗ можно предотвратить благодаря скринингу факторов риска (ФР), способствующих их развитию. В связи с чем вопросам профилактики ХНИЗ стали уделять пристальное внимание. Более того, технологии искусственного интеллекта (ИИ) в сочетании с телемедициной открывают возможности трансформации для здравоохранения: от активного лечения к проактивному управлению здоровьем через персонализированную профилактику. Российская школа, ориентированная на выявление донозологических состояний посредством оценки функциональных резервов организма, создает методологическую основу для персонализированного подхода. Последний может быть значительно усилен современными методами с информационными технологиями на основе ИИ.Цель исследования: разработать методологию дистанционного анкетного скрининга ХНИЗ на основе ИИ с интеграцией холистического подхода донозологической диагностики, обеспечивающую генерацию персонализированных рекомендаций по профилактике, и оценить ее эффективность у лиц молодого возраста.Материал и методы. Обследованы 3155 студентов вузов Санкт-Петербурга (средний возраст - 19,6±1,5 года) из 83 регионов РФ. Разработана технология на основе ИИ для дистанционного скрининга ХНИЗ с использованием холистического подхода к оценке состояния здоровья. Система верифицирует ФР по 5 профилям патологии (кардиология, гастроэнтерология, пульмонология, эндокринология, онкология), используя разработанную анкету, содержащую 198 информационных запросов. Применена система решающих правил (1098 правил). Проведен систематический обзор литературы в PubMed, Scopus, Web of Science, еLibrary за 2020-2025 гг., анализировались рандомизированные клинические исследования, систематические обзоры, регуляторные документы ВОЗ, Управления по контролю за качеством пищевых продуктов и медикаментов США, методологические руководства.Результаты. Низкая степень риска ХНИЗ выявлялась у 57,4%, средняя - у 30,9%, высокая - у 11,7% обследованных. Наиболее частые жалобы относились к эндокринной (28,9%), пищеварительной (21,8%), дыхательной (21,1%) и сердечно-сосудистой системам (20,1%). Более 75% имели признаки полиморбидности. Статистический анализ подтвердил значимую согласованность оценок системы и врачей (p<0,001). Каппа Коэна показала существенное согласие для профилей кардиологии и пульмонологии, умеренное - для гастроэнтерологии и эндокринологии. Система генерирует персонализированные рекомендации с учетом возраста, пола, антропометрических данных, вредных привычек и психологического состояния. При этом экономия времени работы врача составила 20%. Удовлетворенность системой среди обследуемых - 96,6%, среди медработников - 91,7%.Заключение. Разработанная методология дистанционного анкетного скрининга на основе ИИ с холистическим подходом показала высокую эффективность для раннего выявления ФР ХНИЗ у лиц молодого возраста. Интеграция российского опыта донозологической диагностики через профили патологии с современными технологиями машинного обучения создает условия для перехода к персонализированной профилактике, ориентированной на коррекцию функциональных резервов организма. Немаловажно, что система демонстрирует значимую социальную и экономическую эффективность.

Introduction. Chronic non-communicable diseases (NCDs) account for 75% of global mortality, while traditional treatment paradigm demonstrates inability to contain epidemiological burden. Artificial intelligence (AI) technologies combined with telemedicine enable healthcare transformation: from reactive treatment to proactive health management through personalized prevention. Russian school of pre-nosological diagnostics, focused on identifying pre-pathological states through assessment of body’s functional reserves, creates methodological foundation for personalized approach that can be significantly enhanced by modern machine learning methods.Objective: to develop methodology for remote questionnaire-based screening of NCDs using AI with integration of holistic approach to pre-nosological diagnostics, providing generation of personalized prevention recommendations, and evaluate its effectiveness in young adults.Material and methods. Study included 3,155 university students from St. Petersburg (mean age 19.6±1.5 years) from 83 regions of Russian Federation. AI-based technology for remote screening was developed using holistic approach. System verifies risk factors by five pathology profiles (cardiology, gastroenterology, pulmonology, endocrinology, oncology). Questionnaire contains 198 information requests. Decision rules system (1,098 rules) was applied. Systematic literature review in PubMed, Scopus, Web of Science, eLibrary for 2020-2025 was conducted; RCTs, systematic reviews, WHO and Food and Drug Administration regulatory documents, methodological guidelines were analyzed.Results. Low NCD risk detected in 57.4%, moderate in 30.9%, high in 11.7% of examined individuals. Most frequent complaints related to endocrine (28.9%), digestive (21.8%), respiratory (21.1%), and cardiovascular systems (20.1%). More than 75% showed signs of polymorbidity. Statistical analysis confirmed significant consistency between system and physician assessments (p < 0.001). Cohen’s kappa showed substantial agreement for cardiology and pulmonology profiles, moderate for gastroenterology and endocrinology. System generates personalized recommendations considering age, gender, anthropometric data, harmful habits, and psychological state. Physician time savings reached 20%. User satisfaction - 96.6%, healthcare workers - 91.7%.Conclusion. Developed methodology for remote questionnaire-based AI screening with holistic approach showed high effectiveness for early risk factor detection in young adults. Integration of Russian pre-nosological diagnostics experience through pathology profiles with modern machine learning technologies creates conditions for transition to personalized prevention focused on correction of body’s functional reserves. System demonstrates significant social and economic effectiveness.