Аннотация

Цель
Провести комплексный анализ современного со стояния, проблем и перспектив применения технологий искусственного интеллекта в системе последипломного медицинского образования с акцентом на количествен ную оценку эффективности и практические аспекты вне дрения.
Материал и методы
Выполнен систематический обзор литературы в базе данных PubMed с использованием MeSH-терминов: «Artificial Intelligence»[MeSH], «Machine Learning»[MeSH], «Deep Learning»[MeSH], «Natural Language Processing»[MeSH] в комбинации с «Education, Medical, Graduate»[MeSH], «Internship and Residency»[MeSH], «Clinical Competence»[MeSH], «Education, Medical, Continuing»[MeSH]. Поиск охватывал публикации за период сентябрь 2020 – сентябрь 2025 годов. Из первоначально найденных 1405 публикаций после применения критериев включения и исключения в финальный анализ включены 35 наиболее релевантных исследований, включая когортные исследо вания и систематические обзоры.
Результаты
Системы глубокого обучения в радиологиче ской диагностике демонстрируют значительное улучше ние ключевых показателей: сокращение времени посто бработки изображений на 90,8%, времени интерпретации на 37,2%, повышение общей чувствительности диагности ки с 73% до 88,46%, особенно для микроаневризм разме ром 1-3 мм (улучшение на 15,8%). Большие языковые модели (GPT-4) успешно проходят медицинские лицензионные эк замены с результатами 71-87%, превышая проходные бал лы на USMLE (85-87%), MRCS Part A (74%). В сравнительных исследованиях ChatGPT-4 превосходит экспертов-специ алистов в неонатологии в 60% случаев по фактической точности и полноте ответов. Симуляционное обучение с ИИ-обратной связью в реальном времени улучшает ос воение хирургических навыков на 67%, сокращает время достижения компетенции с 45-50 до 20-25 часов, обеспе чивает удержание навыков через 3 месяца на уровне 82% против 45% при традиционном обучении. Региональный опыт Таджикистана показывает эффективность внедрения автоматизированных систем: сокращение времени при бытия бригад скорой помощи на 60,2%, снижение леталь ности с 2,3% до 1,4%. Экономический анализ демонстрирует возврат инвестиций 180% к пятому году внедрения.
Заключение
Искусственный интеллект фундаментально трансформирует последипломное медицинское образо вание, обеспечивая персонализацию обучения, объек тивную оценку компетенций и безопасное освоение кри тических навыков. Основными барьерами для широкого внедрения остаются феномен «галлюцинаций» языковых моделей (15-20% ответов содержат неточности), этические дилеммы ответственности, регуляторная неопределен ность и парадоксальное негативное отношение к ИИ в развитых странах (58% в Северной Америке) при объек тивном улучшении результатов обучения во всех группах. К 2030 году прогнозируется использование персонализи рованных ИИ-траекторий в 85% программ последиплом ного образования.

Ключевые слова

слова: искусственный интеллект машинное об учение глубокое обучение последипломное медицинское образование клиническая компетенция симуляционное обучение телемедицина

Полный текст

Скачать статью в PDF

Полная версия статьи в формате PDF

Список литературы

  1. Yilmaz R, Bakhaidar M, Alsayegh A, et al. Real-Time multifaceted artificial intelligence vs In-Person instruction in teaching surgical technical skills: a randomized controlled trial. Sci Rep. 2024;14:14164. doi:10.1038/s41598-024-65716-8.
  2. Zong H, Li J, Wu E, Wu R, Lu J, Shen B. Performance of ChatGPT on Chinese national medical licensing examinations: a five-year examination evaluation study for physicians, pharmacists and nurses. BMC Med Educ. 2024;24(1):143. doi:10.1186/s12909-024-05125-7.
  3. Zong H, Wu R, Cha J, et al. Large Language Models in Worldwide Medical Exams: Platform Development and Comprehensive Analysis. J Med Internet Res. 2024;26:e66114. doi:10.2196/66114.
  4. Kung TH, Cheatham M, Medenilla A, et al. Performance of ChatGPT on USMLE: potential for AI-assisted medical education using large language models. PLOS Digit Health. 2023;2(2):e0000198. doi:10.1371/journal.pdig.0000198.
  5. Yiu A, Lam K. Performance of large language models at the MRCS Part A: a tool for medical education? Ann R Coll Surg Engl. 2023. doi:10.1308/rcsann.2023.0085.
  6. Yitzhaki S, Peled N, Kaplan E, et al. Comparing ChatGPT-4 and a Paediatric Intensive Care Specialist in Responding to Medical Education Questions: A Multicenter Evaluation. J Paediatr Child Health. 2025. doi:10.1111/jpc.70080.
  7. Zheng K, Shen Z, Chen Z, et al. AI-empowered scenario-based simulation teaching method for medical interns in cardiovascular medicine: a randomized controlled study. BMC Med Educ. 2024;24:1003. doi:10.1186/s12909-024-05977-z.
  8. George LC, O’Neill R, Merchant AM. Residency Training in Robotic General Surgery: A Survey of Program Directors. Minim Invasive Surg. 2018;2018:8464298. doi:10.1155/2018/8464298.
  9. Dulan G, Rege RV, Hogg DC, Gilberg-fisher KM. Developing a comprehensive, proficiency-based training program for robotic surgery. Surgery. 2012;152(3):477–488. doi:10.1016/j.surg.2012.07.028.
  10. Dulan G, Rege RV, Hogg DC, Gilberg-fisher KM. Developing a comprehensive, proficiency-based training program for robotic surgery. Surgery. 2012;152(3):477–488. doi:10.1016/j.surg.2012.07.028.
  11. Zidoun A, Mardi A. The effect of artificial intelligence simulators compared to simulated patients on medical students’ history-taking skills: a randomized controlled trial protocol. BMC Med Educ. 2024;24:1260. doi:10.1186/s12909-024-06547-z.
  12. Zhou J, Zhang J, Wan R, et al. Integrating AI into clinical education: evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations and impacting factors. BMC Med Educ. 2025;25:406. doi:10.1186/s12909-025-06916-2.
  13. Ziapour A, Motevaseli S, Fathi M, et al. Factors influencing medical students’ readiness for artificial intelligence: a cross-sectional study. BMC Med Educ. 2025;25:264. doi:10.1186/s12909-025-06852-1.
  14. Clusmann J, Kolbinger FR, Muti HS, Schoepf UJ. The future landscape of large Language models in medical practice: systematic review on the promising perspectives and valid concerns. Healthc (Basel). 2023;11(6):887.
  15. Masters K. Artificial intelligence in medical education. Med Teach. 2019;41(9):976–80. doi:10.1080/0142159X.2019.1595557.
  16. Gkegkes I, Mamais I, Iavazzo C. Robotics in general surgery: A systematic cost assessment. J Minim Access Surg. 2017;13(4):243–255. doi:10.4103/0972-9941.195565.
  17. Zhao C, Xiao M, Liu H, et al. Reducing the number of unnecessary biopsies of US-BI RADS 4a lesions through a deep learning method for residents-in-training: a cross-sectional study. BMJ Open. 2020;10(6):e035757. doi:10.1136/bmjopen-2019-035757.
  18. Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023;23:689. doi:10.1186/s12909-023-04698-z.
  19. Gulov MK, Shermatov DS, Sattorov DK, Kobilov KK. Appliance of modern informative technologies in medical postgraduate educational process. Avicenna Bulletin. 2017;19(1):42-5. doi:10.25005/2074-0581-2017-19-1-42-45.
  20. Стратегия развития искусственного интеллекта в Республике Таджикистан на период до 2040 года. постановлению Правительства Республики Таджикистан. 30 сентября 2022 года, №483. Доступно по: [http://www.portali-huquqi.tj/publicadliya/view_qonunhoview.php?showdetail=&asosi_id=26592](http://www.portali-huquqi.tj/publicadliya/view_qonunhoview.php?showdetail=&asosi_id=26592).
  21. Гулов МК, Шерматов ДС, Саторов ДК, Кобилов КК. Использование современных информационных технологий в медицинском последипломном образовательном процессе. Вестник Авиценны. 2017;19(1):42-45. doi: 10.25005/2074-0581-2017-19-1-42-45.
  22. Среднесрочная программа развития цифровой экономики в Республике Таджикистан на 2021–2025 годы от 26 октября 2021 года, №460. Доступно по: [https://www.adlia.tj/show_doc.fwx?rgn=140416](https://www.google.com/search?q=https://www.adlia.tj/show_doc.fwx%3Frgn%3D140416).
  23. Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digit Health. 2023;2(2):e0000198.
  24. Yitzhaki S, Peled N, Kaplan E, Kadmon G, Nahum E, Gendler Y, et al. Comparing ChatGPT-4 and a Paediatric Intensive Care Specialist in Responding to Medical Education Questions: A Multicenter Evaluation. J Paediatr Child Health. 2025.
  25. Zhao X, Xie P, Wang M, Li W, Pickhardt PJ, Xia W, et al. Deep learning–based fully automated detection and segmentation of lymph nodes on multiparametric-mri for rectal cancer: A multicentre study. EBioMedicine. 2020;56:102780.
  26. Zhou J, Zhang J, Wan R, Cui X, Liu X, Zhang Y, et al. Integrating AI into clinical education: evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations and impacting factors. BMC Med Educ. 2025;25:406.
  27. Zheng K, Shen Z, Chen Z, Hu Z, Deng X, Liu X, et al. AI-empowered scenario-based simulation teaching method for medical interns in cardiovascular medicine: a randomized controlled study. BMC Med Educ. 2024;24:1003.
  28. Zheng T, Xiao H. The role of artificial intelligence curriculum in promoting medical students’ preparedness for future work with AI: a large-scale cross-sectional study. BMC Med Educ. 2025;25:1115.
  29. Zheleznyakov OV. Ethical challenges of applying artificial intelligence elements in medicine and medical research. Med Sci Educ. 2023;14(1):21–32.
  30. Стратегия развития искусственного интеллекта в Республике Таджикистан на период до 2040 года. Постановление Правительства Республики Таджикистан. 30 сентября 2022 года, №483.
  31. Zong H, Li J, Wu E, Wu R, Lu J, Shen B. Performance of ChatGPT on Chinese national medical licensing examinations: a five-year examination evaluation study for physicians, pharmacists and nurses. BMC Med Educ. 2024;24:143.