Технологии искусственного интеллекта в медико-биологических исследованиях адаптации и дезадаптации человека к различным факторам среды

Обложка

Цитировать

Полный текст

Аннотация

Количество факторов внешней среды, воздействующих на человека одномоментно, чрезвычайно велико. Отслеживание их в динамике стало возможно благодаря развитию технологий искусственного интеллекта, включая алгоритмы машинного обучения, глубокого обучения и генеративный искусственный интеллект. Внедрение данного спектра технологических решений нового поколения в медико-биологические науки позволяет обнаруживать неявные взаимозависимости исследуемых элементов и процессов, упускаемые ранее. В контексте исследований механизмов адаптации и дезадаптации человека особое внимание следует уделить экзогенной гипоксии как одному из наиболее значимых факторов внешний среды, исследуемых в рамках экологии, физиологии и клинической медицины. Тема индивидуальных маркеров устойчивости человека к гипоксии до сих пор остаётся открытой и регулярно освещаемой в физиологических и патофизиологических работах. В последних методы машинного и глубокого обучения уже нашли широкое применение, включая анализ мультимодальных физиологических данных. Например, разработана модель машинного обучения, прогнозирующая развитие острой горной болезни с чувствительностью 0,998 и специфичностью 0,978. Для обучения модели использовались физиологические показатели испытуемых и климатические данные, фиксируемые в режиме реального времени. Таким образом, применение инструментов искусственного интеллекта для планирования научных исследований, обработки полученных данных и создания прогностических моделей существенно расширяет горизонт актуального понимания физиологических механизмов адаптации человека к гипоксии и позволяет на новом технологическом уровне подойти к анализу других факторов внешней среды.

Об авторах

Илья Олегович Балунов

Российский национальный исследовательский медицинский университет им. Н.И. Пирогова

Email: ilya@balunov.com
ORCID iD: 0009-0006-3400-9523
SPIN-код: 3434-2440
Россия, Москва

Алина Сергеевна Михалищина

Первый Московский государственный медицинский университет им. И.М. Сеченова

Email: alina.mikhalishchina@gmail.com
ORCID iD: 0000-0003-4028-6405
SPIN-код: 2134-6830
Россия, Москва

Андрей Андреевич Венерин

Первый Московский государственный медицинский университет им. И.М. Сеченова

Автор, ответственный за переписку.
Email: venerin.andrey@gmail.com
ORCID iD: 0000-0002-8960-5772
SPIN-код: 8881-1892
Россия, Москва

Олег Станиславович Глазачев

Первый Московский государственный медицинский университет им. И.М. Сеченова

Email: glazachev@mail.ru
ORCID iD: 0000-0001-9960-6608
SPIN-код: 6168-2110

д-р мед. наук, профессор

Россия, Москва

Список литературы

  1. Analytical report on the publication activity of Russian specialists at conferences in the field of artificial intelligence level A for the period from 2019 to 2023, part 1 (NCRII) [Internet]. Moscow: AI.GOV.RU; 2024 [cited 2025 Jan 24]. Available from: https://ai.gov.ru/knowledgebase/investitsionnaya-aktivnost/2024_analiticheskiy_otchet_po_publikacionnoy_aktivnosti_rossiyskih_specialistov_na_konferenciyah_v_oblasti_iskusstvennogo_intellekta_urovnya_a_za_period_s_2019_g_po_2023_g_chasty_1_ncrii/
  2. Babu M, Lautman Z, Lin X, et al. Wearable devices: implications for precision medicine and the future of health care. Annu Rev Med. 2024;75:401–415. doi: 10.1146/annurev-med-052422-020437
  3. SberMed. How digital physician assistants Top 3 and Aida help Moscow doctors [Internet]. 2023 Feb 9 [cited 2025 Jan 24]. Available from: https://sbermed.ai/kak-cifrovye-pomoschniki-vracha-top-3-i-aida-pomogayut-moskovskim-vracham
  4. Rashidi HH, Pantanowitz J, Chamanzar A, et al. Generative artificial intelligence in pathology and medicine: a deeper dive. Mod Pathol. 2025;38(4):100687. doi: 10.1016/j.modpat.2024.100687
  5. Boscardin CK, Gin B, Golde PB, Hauer KE. ChatGPT and generative artificial intelligence for medical education: potential impact and opportunity. Acad Med. 2024;99(1):22–27. doi: 10.1097/ACM.0000000000005439
  6. Doron G, Genway S, Roberts M, Jasti S. Generative AI: driving productivity and scientific breakthroughs in pharmaceutical R&D. Drug Discov Today. 2025;30(1):104272. doi: 10.1016/j.drudis.2024.104272
  7. Mojadeddi ZM, Rosenberg J. AI in medical research. Ugeskr Laeger. 2024;186(16):V08230532. doi: 10.61409/V08230532
  8. Lenta.ru. Giga Chat passed the doctor's exam [Internet]. 2024 Feb 13 [cited 2025 Jan 24]. Available from: https://lenta.ru/news/2024/02/13/vracha/
  9. Ong CS, Burattini L, Schena S. Editorial: Artificial intelligence in human physiology. Front Physiol. 2022;13:1075819. doi: 10.3389/fphys.2022.1075819
  10. Cherkasov DYu, Ivanov VV. Machine learning. Science, Technology and Education. 2018;(5):85–87. EDN: XOPNID
  11. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444. doi: 10.1038/nature14539
  12. Vaswani N, Shazeer N, Parmar J, et al. Attention is all you need. Neural Information Processing Systems. 2017;(30):5998–6008.
  13. Elyan E, Vuttipittayamongkol P, Johnston P, et al. Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward. Art Int Surg. 2022;2:24–45. doi: 10.20517/ais.2021.15
  14. Kelly BS, Judge C, Bollard SM, et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol. 2022;32(11):7998–8007. doi: 10.1007/s00330-022-08784-6
  15. Grzybowski A, Jin K, Zhou J, et al. Retina fundus photograph-based artificial intelligence algorithms in medicine: a systematic review. Ophthalmol Ther. 2024;13(8):2125–2149. doi: 10.1007/s40123-024-00981-4
  16. Beltrami EJ, Brown AC, Salmon PJM, et al. Artificial intelligence in the detection of skin cancer. J Am Acad Dermatol. 2022;87(6):1336–1342. doi: 10.1016/j.jaad.2022.08.028
  17. Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20(5):e253–e261. doi: 10.1016/S1470-2045(19)30154-8
  18. Hassan C, Spadaccini M, Iannone A, et al. Performance of artificial intelligence in colonoscopy for adenoma and polyp detection: a systematic review and meta-analysis. Gastrointest Endosc. 2021;93(1):77–85.e6. doi: 10.1016/j.gie.2020.06.059
  19. Attia ZI, Harmon DM, Behr ER, Friedman PA. Application of artificial intelligence to the electrocardiogram. Eur Heart J. 2021;42(46):4717–4730. doi: 10.1093/eurheartj/ehab649
  20. Gusev AV, Artemova OR, Vasiliev YuA, Vladzymyrskyy AV. Integration of AI-based software as a medical device into Russian healthcare system: results of 2023. National Health Care (Russia). 2024;5(2):17–24. doi: 10.47093/2713-069X.2024.5.2.17-24
  21. Lee S, Kim HS. Prospect of artificial intelligence based on electronic medical record. J Lipid Atheroscler. 2021;10(3):282–290. doi: 10.12997/jla.2021.10.3.282
  22. Juhn Y, Liu H. Artificial intelligence approaches using natural language processing to advance EHR-based clinical research. J Allergy Clin Immunol. 2020;145(2):463–469. doi: 10.1016/j.jaci.2019.12.897
  23. Datta S, Bernstam EV, Roberts K. A frame semantic overview of NLP-based information extraction for cancer-related EHR notes. J Biomed Inform. 2019;100:103301. doi: 10.1016/j.jbi.2019.103301
  24. Fu S, Lopes GS, Pagali SR, et al. Ascertainment of delirium status using natural language processing from electronic health records. J Gerontol A Biol Sci Med Sci. 2022;77(3):524–530. doi: 10.1093/gerona/glaa275
  25. Topol EJ. As artificial intelligence goes multimodal, medical applications multiply. Science. 2023;381(6663):adk6139. doi: 10.1126/science.adk6139
  26. Ralevski A, Taiyab N, Nossal M, et al. Using large language models to abstract complex social determinants of health from original and deidentified medical notes: development and validation study. J Med Internet Res. 2024;26:e63445. doi: 10.2196/63445
  27. Hwang Y, Cornman AL, Kellogg EH, et al. Genomic language model predicts protein co-regulation and function. Nat Commun. 2024;15(1):2880. doi: 10.1038/s41467-024-46947-9
  28. Rossi SH, Newsham I, Pita S, et al. Accurate detection of benign and malignant renal tumor subtypes with MethylBoostER: An epigenetic marker–driven learning framework. Sci Adv. 2022;8(39):eabn9828. doi: 10.1126/sciadv.abn9828
  29. Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583–589. doi: 10.1038/s41586-021-03819-2
  30. Abramson J, Adler J, Dunger J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 2024;630(8016):493–500. doi: 10.1038/s41586-024-07487-w
  31. Singh S, Kaur N, Gehlot A. Application of artificial intelligence in drug design: A review. Comput Biol Med. 2024;179:108810. doi: 10.1016/j.compbiomed.2024.108810
  32. Kung TH, Cheatham M, Medenilla A, et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health. 2023;2(2):e0000198. doi: 10.1371/journal.pdig.0000198
  33. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233–1239. doi: 10.1056/NEJMsr2214184
  34. CNews. Sechenov University developed an algorithm for diagnosing cardiovascular diseases using artificial intelligence [Internet]. 2024 Dec 25 [cited 2025 Jan 24]. Available from: https://corp.cnews.ru/news/line/2024-12-25_sechenovskij_universitet
  35. Leo AJ, Schuelke MJ, Hunt DM, et al. Digital mental health intervention plus usual care compared with usual care only and usual care plus in-person psychological counseling for orthopedic patients with symptoms of depression or anxiety: cohort study. JMIR Form Res. 2022;6(5):e36203. doi: 10.2196/36203
  36. Wei Z, Iyer MR, Zhao B, et al. Artificial intelligence-assisted comparative analysis of the overlapping molecular pathophysiology of alzheimer’s disease, amyotrophic lateral sclerosis, and frontotemporal dementia. Int J Mol Sci. 2024;25(24):13450. doi: 10.3390/ijms252413450
  37. Asencio A, Malingen S, Kooiker KB, et al. Machine learning meets Monte Carlo methods for models of muscle’s molecular machinery to classify mutations. Journal of General Physiology. 2023;155(5):e202213291. doi: 10.1085/jgp.202213291
  38. Peng D, Yue H, Tan W, et al. A bimodal feature fusion convolutional neural network for detecting obstructive sleep apnea/hypopnea from nasal airflow and oximetry signals. Artif Intell Med. 2024;150:102808. doi: 10.1016/j.artmed.2024.102808
  39. Rush B, Celi LA, Stone DJ. Applying machine learning to continuously monitored physiological data. J Clin Monit Comput. 2019;33(5):887–893. doi: 10.1007/s10877-018-0219-z
  40. Cai S, Li H, Zheng F, et al. Artificial intelligence velocimetry and microaneurysm-on-a-chip for three-dimensional analysis of blood flow in physiology and disease. Proc Natl Acad Sci. 2021;118(13):e2100697118. doi: 10.1073/pnas.2100697118
  41. Soulage CO, Van Coppenolle F, Guebre-Egziabher F. The conversational AI “ChatGPT” outperforms medical students on a physiology university examination. Adv Physiol Educ. 2024;48(4):677–684. doi: 10.1152/advan.00181.2023
  42. Favero TG. Using artificial intelligence platforms to support student learning in physiology. Adv Physiol Educ. 2024;48(2):193–199. doi: 10.1152/advan.00213.2023
  43. Pereira MMCE, Padez CMP, Nogueira HGDSM. Describing studies on childhood obesity determinants by Socio-Ecological Model level: a scoping review to identify gaps and provide guidance for future research. Int J Obes. 2019;43(10):1883–1890. doi: 10.1038/s41366-019-0411-3
  44. Allen B, Lane M, Steeves EA, Raynor H. Using explainable artificial intelligence to discover interactions in an ecological model for obesity. Int J Environ Res Public Health. 2022;19(15):9447. doi: 10.3390/ijerph19159447
  45. Ojha KV, Griego DM, Kuliga S, et al. Machine learning approaches to understand the influence of urban environments on human´s physiological response. Information Sciences, 2019;474:154–169. doi: 10.1016/j.ins.2018.09.061
  46. Wei CY, Chen PN, Lin SS, et al. Using machine learning to determine the correlation between physiological and environmental parameters and the induction of acute mountain sickness. BMC Bioinformatics. 2021;22(Suppl 5):628. doi: 10.1186/s12859-022-04749-0
  47. Shen Y, Liu C, He H, et al. Recent Advances in Wearable Biosensors for Non-Invasive Detection of Human Lactate. Biosensors (Basel). 2022;12(12):1164. doi: 10.3390/bios12121164
  48. Kimball JP, Inan OT, Convertino VA, et al. Wearable sensors and machine learning for hypovolemia problems in occupational, military and sports medicine: physiological basis, hardware and algorithms. Sensors. 2022;22(2):442. doi: 10.3390/s22020442
  49. Westphal A, Mrowka R. Special issue European Journal of Physiology: Artificial intelligence in the field of physiology and medicine. Pflugers Arch. 2025;477(4):509–512. doi: 10.1007/s00424-025-03071-x
  50. Han J, Liu M, Shi J, Li Y. Construction of a machine learning model to estimate physiological variables of speed skating athletes under hypoxic training conditions. J Strength Cond Res. 2023;37(7):1543–1550. doi: 10.1519/JSC.0000000000004058
  51. Snider DH, Linnville SE, Phillips JB, Rice GM. Predicting hypoxic hypoxia using machine learning and wearable sensors. Biomed Signal Process Control. 2022;71:103110. doi: 10.1016/j.bspc.2021.103110
  52. Mazing MS, Zaitceva AY, Davydov RV. Application of the Kohonen neural network for monitoring tissue oxygen supply under hypoxic conditions. J Phys. 2021;2086:012116. doi: 10.1088/1742-6596/2086/1/012116
  53. Dzhalilova D, Makarova O. Differences in tolerance to hypoxia: physiological, biochemical, and molecular-biological characteristics. Biomedicines. 2020;8(10):428. doi: 10.3390/biomedicines8100428
  54. Leveque C, Mrakic Sposta S, Theunissen S, et al. Oxidative stress response kinetics after 60 minutes at different levels (10% or 15%) of normobaric hypoxia exposure. Int J Mol Sci. 2023;24(12):10188. doi: 10.3390/ijms241210188
  55. Zembron-Lacny A, Tylutka A, Wacka E, et al. Intermittent hypoxic exposure reduces endothelial dysfunction. Biomed Res Int. 2020;2020:6479630. doi: 10.1155/2020/6479630
  56. Hafner S, Beloncle F, Koch A, et al. Hyperoxia in intensive care, emergency, and peri-operative medicine: Dr. Jekyll or Mr. Hyde? A 2015 update. Ann Intensive Care. 2015;5(1):42. doi: 10.1186/s13613-015-0084-6
  57. Gorni D, Finco A. Oxidative stress in elderly population: A prevention screening study. Aging Medicine. 2020;3(3):205–213. doi: 10.1002/agm2.12121

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».