Современная медицина переживает революционные изменения, обусловленные стремительным развитием технологий искусственного интеллекта (ИИ). ИИ, основанный на сложных алгоритмах машинного обучения и обработке больших данных, постепенно внедряется в различные медицинские дисциплины, оказывая значительное влияние на диагностику, лечение и мониторинг заболеваний. В частности, урогинекология — область, затрагивающая проблемы женской урологии и состояния тазового дна, сталкивается с рядом клинических вызовов, таких как точность диагностики, необходимость персонализированного подхода к лечению и сложность мониторинга динамики состояния пациентов. Традиционные методы, включая ручной анализ медицинских изображений, и субъективная оценка симптомов, часто сопровождаются ошибками, что негативно сказывается на качестве предоставляемой помощи.

В условиях растущей нагрузки на здравоохранение и необходимости повышения эффективности медицинского обслуживания внедрение ИИ открывает новые горизонты. Системы ИИ способны интегрировать данные из электронных медицинских записей (ЭМЗ), результатов лабораторных исследований, изображений и даже данных, собранных с помощью носимых устройств, для выявления скрытых закономерностей и поддержки принятия клинических решений. Данные технологии позволяют не только повысить точность диагностики и сократить вероятность ошибок, но и оптимизировать лечение, делая его более персонализированным и ориентированным на индивидуальные особенности каждой пациентки.

Цель обзора — систематизировать существующие исследования, посвящённые применению ИИ в урогинекологии, оценить возможности и ограничения технологий, выделить ключевые направления развития и определить перспективы их внедрения в клиническую практику.

При поиске литературных публикаций были проанализированы отечественные и иностранные базы данных “eLIBRARY”, “PubMed”, “Scopus”, “Web of Science” по ключевым запросам “urogynecology”, “female urology”, “artificial intelligence»”, “machine learning”. Отобраны статьи во временном промежутке с 2020 по 2025 год, проанализированы наиболее современные данные, поскольку ИИ — динамично развивающаяся сфера медицины. Поисковый запрос сформулирован максимально широко, чтобы дать понимание всех сфер использования ИИ в урогинекологической области. В анализ статей включены любые оригинальные исследования (проспективные и ретроспективные), посвящённые использованию ИИ в диагностике и лечении.

Искусственный интеллект (ИИ) активно внедряется в урогинекологию, значительно улучшая диагностику и скрининг заболеваний. Он применяется на всех этапах диагностического поиска большинства гинекологических заболеваний, при разработке эффективных планов лечения и оценке предикторов исхода терапии.

Анализ ЭМЗ, анамнеза и физических обследований. ИИ активно используется для анализа сложных наборов данных, таких как электронные медицинские записи (ЭМЗ), анамнез и результаты физикальных обследований. Методы машинного обучения (МО) позволяют выявлять скрытые закономерности, которые могут указывать на дисфункцию мышц тазового дна (ДМТД) или другие урогинекологические патологии.

Например, исследования M. Kurdoğlu и A. Khaki (2024) продемонстрировали, что применение ИИ для анализа ЭМЗ и анамнеза может значительно повысить точность диагностики, снижая вероятность пропуска важных клинических данных [1].

Чат-боты, основанные на технологиях обработки естественного языка (NLP), способны собирать анамнез, анализируя ключевые слова и симптомы, что позволяет сформировать дифференциальный диагноз. Такие системы интегрируются с ЭМК и предоставляют врачу предварительные данные, требующие дальнейшей валидации. Применение NLP в данном контексте позволяет выявлять даже неявные паттерны, связанные с риском развития урогинекологических заболеваний [2].

Большие языковые модели, такие как ChatGPT, показывают потенциал в качестве вспомогательного инструмента для консультирования пациентов в области урогинекологии. Например, при сравнении ответов ChatGPT со стандартными информационными листовками для объяснения процедур, связанных с недержанием мочи, первоначальные ответы модели получили медианный балл точности 3 из 5, который значительно улучшился при повторном запросе (медиана 3 – 4, p < 0,01). Хотя модель демонстрирует сопоставимую с традиционными материалами полноту и точность, её ответы оказались менее понятными и практичными для пациентов. Эти результаты подчёркивают, что при дальнейшей оптимизации понятности и действенности, большие языковые модели могут существенно дополнить прямое консультирование, снижая нагрузку на специалистов и улучшая качество коммуникации в урогинекологии [3].

Интерпретация уродинамических исследований часто требует высокой квалификации и может быть подвержена субъективности. Применение алгоритмов ИИ позволяет стандартизировать оценку кривых мочеиспускания и давления, выявляя тонкие особенности, которые сложно распознать вручную. ИИ может автоматизировать анализ уродинамических тестов, снижая затраты и время на обработку результатов, а также уменьшая вероятность ошибок. Например, H.S. Wang et al. (2021) разработали модель на основе ML, достигшую точности 81,35%, чувствительности 76,92% и специфичности 81,41% для обнаружения гиперактивности детрузора, что позволило стандартизировать и более надёжно интерпретировать уродинамические показатели [4]. Аналогичным образом K.T. Hobbs et al. (2022) создали алгоритм на основе ML, который точно интерпретирует уродинамические показатели и идентифицирует гиперактивность детрузора у пациентов с spina bifida с точностью 91,9%, чувствительностью 84,2% и специфичностью 86,4% [5].

Визуализация и интерпретация медицинских изображений. Одной из ключевых областей применения ИИ является анализ медицинских изображений. Традиционные методы визуализации, такие как ультразвук, МРТ и КТ, требуют высокой квалификации врача для точной интерпретации, что иногда приводит к субъективности в оценке результатов. Применение алгоритмов глубокого обучения (DL) и сверточных нейронных сетей (CNN) позволяет автоматизировать процессы сегментации и измерения анатомических структур, что значительно ускоряет диагностику и повышает её объективность.

В анализе МРТ и КТ ИИ помогает автоматизировать измерения и сегментацию органов малого таза. Так, S. Onal et al. (2014) создали модель, обеспечивающую точное и быстрое определение контрольных точек на МРТ, улучшая оценку пролапса органов малого таза (ПТО) [6].

Для задач количественной оценки параметров таза и возможной автоматизации пельвиметрии в РФ показана работоспособность 3D U Net. В работе Е.О. Икрянникова (2023) на МР данных 49 пациенток получены 3D реконструкции костей таза; средний индекс Sørensen–Dice на тестовой выборке составил 0,86, что подтверждает пригодность глубокой сегментации как основы для последующего автоматического определения ключевых точек и расстояний в урогинекологических приложениях [7].

В области ультразвуковой диагностики M. Zhang et al. (2022) применили модель CNN, основанную на Inception-V3 с трансферным обучением, для диагностики стрессового недержания мочи (СНМ), используя 2D-трансперинеальные ультразвуковые статические изображения для упрощения диагностического процесса, демонстрируя точность до 86,3%. [8]. Дополнительно Z. Szentimrey et al. (2023) продемонстрировали, что использование моделей сегментации, таких как nnU-Net, сокращает время анализа с 15 минут до 1,27 секунд и обеспечивает высокую воспроизводимость результатов [9], что особенно важно при оценке таких параметров, как объём мочевого пузыря и аноректальный угол [10]. P. Yin и H. Wang (2022) создали эффективный алгоритм CNN для улучшения ультразвуковой обработки изображений, что позволило им измерить эффект реабилитации тазового дна у беременных женщин с POP с чувствительностью 93% и положительным прогнозным значением 98% [11].

В эндоскопии ИИ используется для анализа изображений, позволяя различать низко- и высокодифференцированные плоскоклеточные интраэпителиальные поражения с высокой чувствительностью и специфичностью, что улучшает обнаружение злокачественных образований. Аналогично CNN применяются для идентификации опухолей на цистоскопических изображениях. M. Mascarenhas et al. (2024) создали первую в мире модель ИИ для проведения кольпоскопии, которая различает низко- и высокосортные плоскоинтраэпителиальные поражения с чувствительностью 98,7%, специфичностью 99,1% и точностью 98,9% [12]. Аналогичным образом M. Negassi et al. (2020) создали CNN для выявления опухолей в видео и изображениях цистоскопии [13].

Персонализированные планы лечения. Персонализированное лечение — одно из важнейших направлений развития современной медицины. В урогинекологии ИИ используется для анализа огромных массивов данных, включающих генетическую информацию, образ жизни, данные ЭМЗ и результаты обследований, с целью разработки индивидуальных лечебных протоколов. Такой подход позволяет учитывать уникальные особенности каждой пациентки, оптимизируя выбор медикаментозной терапии и других вмешательств [1]. Например, при нарушениях функции мышц тазового дна ИИ может помочь врачам в принятии решения и анализе данных, создавая персонализированные вмешательства для каждого пациента и предлагая удалённый мониторинг через носимые устройства. Таким образом, ИИ может улучшить результаты лечения, повысить вовлечённость пациентов и обучать их [14].

При лечении НМ часто используются антихолинергические препараты и бета-агонисты. ИИ способен анализировать базы данных лекарств, учитывая характеристики пациента, симптомы и стадии лечения, чтобы подобрать наиболее подходящий препарат. Кроме того, ИИ учитывает возможные лекарственные взаимодействия и побочные эффекты.

Например, исследование D. Sheyn et al. (2019) разработало модель на основе алгоритма “случайного леса” (RF) для оценки ответа на антихолинергические препараты у пациентов с гиперактивным мочевым пузырём (ГАМП). Модель продемонстрировала чувствительность 80,4% и специфичность 77,4%, позволяя точно определить, какие пациенты получат наибольшую пользу от данного лечения и избежать нежелательных побочных эффектов [15].

Хирургические вмешательства и роботизированная хирургия. ИИ значительно меняет подход к хирургии в урогинекологии, способствуя улучшению предоперационного планирования и интраоперационной навигации. Современные технологии дополненной реальности (AR) позволяют хирургам использовать гарнитуры, которые накладывают цифровые изображения на реальное поле зрения. Это обеспечивает более точное представление о трехмерной анатомии таза, улучшая ориентацию в операционном поле и минимизируя риск повреждения жизненно важных структур.

Компьютерное зрение (CV), использующее технологии глубокого обучения (DL) и сверточных нейронных сетей (CNN), помогает анализировать визуальные данные в реальном времени. AR в сочетании с CV обеспечивает обратную связь во время операции, предупреждая хирургов о возможных рисках или ошибках. Такие системы не только способствуют повышению безопасности процедур, но и помогают сокращать операционное время и улучшать общий исход операций [16].

Одним из примеров является разработка моделей “UreterNet” и “NerveNet”, созданных для автоматического распознавания мочеточника и нервов во время лапароскопии. Исследования показали, что данные модели достигают успеха в корреляции с оценками хирургов (≥ 89%) и могут распознавать структуры быстрее, чем традиционные методы, снижая риск ятрогенных повреждений [17][18]. Помимо этого, интерактивные голографические учебные программы с использованием AR, разработанные L.N. Siff и N. Mehta (2018) позволяют обучать стажёров основным хирургическим шагам, что сокращает кривую обучения и повышает эффективность подготовки специалистов. В общей сложности 88% стажёров сочли обучение с AR «лучше» или «намного лучше», чем обычное самостоятельное обучение, в то время как 81% «вероятно» или «очень вероятно» использовали AR для подготовки к операции [19].

ДР широко применяется в роботизированной хирургии, её можно использовать в малоинвазивных процедурах. В урогинекологии она может использоваться при робот-ассистированной сакрокольпопексии, гистерэктомии или установке слингов, идентифицируя правильное размещение точек крепления сетки и выделяя кровеносные сосуды, мочеточники и другие структуры. Ее преимущества включают сокращение кривой обучения для многих процедур, снижение человеческих ошибок и времени операции, повышая безопасность и результаты [14].

Современные методы ИИ стремятся к созданию всё более сложных прогностических моделей, способных анализировать огромные объёмы клинических данных, извлекаемых из электронных медицинских записей (ЭМЗ), жизненных показателей, жалоб пациентов и результатов обследований. Такие модели, как XGBoost, демонстрируют высокую точность при раннем выявлении инфекций мочевыводящих путей (ИМП), что позволяет своевременно начинать терапию и уменьшать чрезмерное применение антибиотиков [20]. Помимо этого, алгоритмы ИИ успешно идентифицируют пациентов с повышенным риском развития сепсиса и других предотвратимых осложнений, что существенно повышает качество оказания медицинской помощи [21].

В области урогинекологии, где послеоперационные осложнения часто являются критическим фактором, ИИ также используется для прогнозирования исходов после реконструктивных операций по коррекции пролапса тазовых органов (ПТО).

Так, алгоритмы, разработанные J.E. Jelovsek et al. (2014), предназначены для оценки риска возникновения стрессового недержания мочи de novo после хирургического вмешательства [22]. Однако исследования показали, что данная модель не всегда приводит к улучшению удовлетворённости пациенток, особенно при принятии решения об установке среднеуретральной петли; диагностическая ценность этого алгоритма оказалась ограниченной [23]. В свою очередь, более поздняя модель, также разработанная J.E. Jelovsek et al. (2018), оценивает риск рецидива, осложнений и общих исходов после операций по восстановлению пролапса. Эта модель стремится создать комплексный подход, учитывающий индивидуальные особенности каждой пациентки, её симптоматику и ожидаемые терапевтические результаты. В перспективе планируется использование обширных массивов данных, включая отчёты самих пациенток, для дальнейшего совершенствования алгоритмов с применением ИИ [24].

В условиях стремительного роста объёма клинических данных в урогинекологии и необходимости снижения послеоперационных осложнений S. Rhodes et al. (2025) продемонстрировали модель для прогнозирования послеоперационных инфекций хирургической раны после операции по коррекции пролапса тазовых органов. При анализе данных из баз “Premier Healthcare Database” (“PHD”) и “National Surgical Quality Improvement Project” (“NSQIP”) модель показала стабильную дискриминационную способность (c-statistic 0,57 – 0,60). Однако применение методов массовой и логистической перекалибровки существенно улучшило точность прогнозов, что свидетельствует о необходимости постоянного обновления и адаптации моделей к новым клиническим данным [25].

ИИ применим для прогнозирования POP на основе комплексных клинических данных (ЭМЗ, анамнез, физикальное обследование). В российском исследовании А.В. Галкина и соавт. (2020) искусственная нейронная сеть обучалась на ретроспективной когорте из 180 пациенток и выявила значимые предикторы (паритет, ИМТ, ХОБЛ, клапанные аномалии, недержание мочи до/после родов и другие), демонстрируя потенциал ИНС для интеграции разнотипных признаков и повышения точности риска стратификации при POP [26].

Таким образом, интеграция ИИ в анализ больших данных в урогинекологии позволяет не только прогнозировать развитие ИМП и других осложнений, но и оптимизировать послеоперационные стратегии, способствуя улучшению качества лечения. Применение таких алгоритмов обеспечивает более глубокое понимание клинической картины, помогает персонализировать терапевтические подходы и снижать риск осложнений, что является ключевым аспектом современной урогинекологической практики.

Инструменты дистанционного мониторинга. Носимые устройства с поддержкой ИИ предоставляют новые возможности для постоянного мониторинга состояния пациента вне клинического учреждения. Эти устройства способны собирать данные в режиме реального времени, что позволяет врачам получать оперативную информацию о состоянии пациента и принимать своевременные решения. В урогинекологии такие устройства используются, например, для мониторинга недержания мочи (НМ) и оценки объёма остаточной мочи [27].

Примером является система, разработанная K. Kuru et al. (2019), которая сочетает ультразвуковое мониторирование мочевого пузыря с алгоритмами машинного обучения, позволяя определить потребность в мочеиспускании у детей с ночным энурезом с чувствительностью 89% и специфичностью 93%. Данная система анализирует данные, учитывая индивидуальные параметры, такие как пол, возраст и морфология мочевого пузыря, что повышает точность диагностики и позволяет своевременно предупреждать о наступлении мочеиспускания [28].

Отслеживание мочеиспускания часто осуществляется с помощью дневников мочеиспускания. Однако они могут быть неточными, особенно у детей и пожилых людей, которые не всегда способны точно записывать все данные. Чтобы решить эту проблему, E.S. Kim et al. (2023) создали систему, использующую рекуррентные и сверточные нейронные сети (RNN и CNN), которая достигает средней точности 94,2% в распознавании активности мочевыводящих путей и 83% в предотвращении нейрогенного мочевого пузыря с помощью технологии анализа движений. Эта система, интегрированная со смартфонами и носимыми устройствами, собирает информацию, такую как визуальные и двигательные данные, и позволяет автоматически фиксировать события мочеиспускания. Таким образом, анализируя данные со смарт-браслета, ИИ может отслеживать процессы мочеиспускания [29].

Аналогично S.J. Eun et al. (2021) разработали метод на основе рекуррентной нейронной сети с длинной краткосрочной памятью (RNN-LSTM) и носимых устройств, который распознаёт время и интервалы мочеиспускания, основываясь на позе пациента и её изменениях, с точностью до 95,8% [30].

Многие приложения доступны для урогинекологических пациентов, однако лишь немногие из них являются точными в отношении информации и принятия клинических решений. Примером является приложение Tät® для тренировки мышц тазового дна, которое, по мнению E. Nyström et al. (2022), оказывает краткосрочное и долгосрочное влияние на симптомы и качество жизни пациента (QoL). Таким образом, самоуправление пользовательским интерфейсом возможно через приложение, может охватить более широкую демографическую группу и включает в себя такие функции, как советы по образу жизни, напоминания и графика [31]. Другим примером является разработанное M.N. Han et al. (2019) приложение “Bwom©”, которое обучает пациентов упражнениям для тазового дна с персонализированными планами, основанными на факторах риска [32].

Телемедицина и ИИ. Телемедицина становится все более популярной, особенно для пациентов с ограниченной подвижностью или проживающих в отдаленных районах. Виртуальные консультации, поддерживаемые ИИ, позволяют врачам получать доступ к полной информации о пациенте (собранной с помощью носимых устройств и автоматизированных систем), что сокращает время ожидания и повышает эффективность оказания медицинской помощи [33][34].

ИИ-системы могут также обеспечивать пациентов поддержкой при записи на приём и предоставлении информации о доступных врачах, что способствует улучшению коммуникации и снижению административной нагрузки на медицинский персонал. Исследования показывают, что пациенты зачастую предпочитают общаться с чат-ботами, что позволяет им более открыто выражать свои симптомы и опасения, особенно в контексте урогинекологических заболеваний, которые могут быть табуированы [35].

ИИ вызывает всё больше интереса в медицинской науке как инструмент поддержки научного письма, поиска и систематизации данных. В работе Когана М.И. и соавт. (2023) отмечается, что возможности ChatGPT в создании медицинских текстов пока ограничены: модель способна генерировать структурированные статьи, однако её выводы подвержены ошибкам («галлюцинациям»), а вопросы авторства, ответственности и этики остаются открытыми. ChatGPT следует рассматривать, скорее, как вспомогательный инструмент, облегчающий подготовку материалов, а не как самостоятельного автора [36].

В российской литературе также подчёркивается значение искусственного интеллекта в формировании новых подходов к анализу данных и научной коммуникации. К.К. Щамхалова и соавт. (2023) в своём обзоре демонстрирует, что применение нейронных сетей в урологии охватывает не только задачи диагностики и прогнозирования, но и систематизацию больших массивов клинической информации, что способствует ускорению обмена знаниями и подготовке научных публикаций. Таким образом, ИИ становится не только клиническим, но и исследовательским инструментом, повышающим качество и доступность медицинской науки [37].

Результаты обзора свидетельствуют о том, что применение ИИ в урогинекологии приносит значимые преимущества как в диагностике, так и в лечении. Использование алгоритмов глубокого обучения позволяет существенно улучшить точность интерпретации медицинских изображений и данных, что положительно сказывается на качестве диагностики и последующего лечения. Прогностические модели, основанные на анализе больших данных, помогают формировать персонализированные планы лечения, что является важным шагом на пути к индивидуализированной медицине.

При этом важно отметить, что несмотря на высокую эффективность разработанных моделей, большинство из них остаётся на стадии экспериментальной проверки. Ограниченная внешняя валидность алгоритмов, основанных на данных ретроспективных исследований, указывает на необходимость проведения дальнейших многоцентровых рандомизированных исследований для их клинической интеграции. Вопросы конфиденциальности данных и этики также требуют особого внимания, поскольку внедрение ИИ неизбежно связано с обработкой огромных объемов персональной информации.

Практическая значимость использования ИИ подтверждается примерами, описанными в разделе результатов. Модели для диагностики уродинамических исследований, автоматизированного анализа ультразвуковых изображений, а также системы для мониторинга состояния пациентов через носимые устройства уже демонстрируют высокую эффективность, однако дальнейшая их оптимизация и интеграция в клиническую практику остаются актуальными задачами.

В контексте хирургических вмешательств технологии дополненной реальности и компьютерного зрения способствуют повышению безопасности операций за счёт более точного определения анатомических структур и обеспечения обратной связи в реальном времени. Эти достижения открывают перспективы для сокращения операционного времени, минимизации риска осложнений и улучшения результатов хирургического лечения. Применение интерактивных голографических учебных программ позволяет не только повысить уровень подготовки специалистов, но и сократить кривую обучения для сложных операций.

Внедрение ИИ в телемедицину и дистанционный мониторинг представляет собой важное направление развития, позволяющее обеспечивать качественную медицинскую помощь пациентам с ограниченной подвижностью или проживающим в отдалённых регионах. Системы дистанционного мониторинга и виртуальные консультации способствуют оперативной оценке состояния пациентов, что может существенно улучшить результаты лечения и повысить удовлетворенность пациентов.

Наконец, ИИ в научной коммуникации в урогинекологии следует рассматривать как вспомогательный инструмент, который способен облегчить подготовку материалов и повысить доступность знаний, но не заменяет критического мышления исследователя и клинического опыта.

В заключении можно отметить, что искусственный интеллект является мощным инструментом, способным радикально преобразить урогинекологическую практику. Современные исследования демонстрируют, что применение ИИ в диагностике, лечении и мониторинге урогинекологических заболеваний способствует улучшению точности клинических решений, снижению риска осложнений и повышению качества жизни пациентов.

Тем не менее, несмотря на значительный потенциал, многие алгоритмы пока остаются на экспериментальной стадии и требуют дальнейшей валидации в рамках многоцентровых рандомизированных испытаний.

Таким образом, внедрение искусственного интеллекта в урогинекологию открывает новые возможности для трансформации здравоохранения. Эффективное применение ИИ требует не только технического совершенствования алгоритмов, но и разработки чётких регуляторных и этических норм, а также междисциплинарного сотрудничества между врачами, инженерами и учёными. В будущем такие технологии смогут обеспечить комплексное, персонализированное и высококачественное лечение урогинекологических заболеваний, что в итоге улучшит результаты лечения и качество жизни пациенток.