Применение искусственного интеллекта при заболеваниях опорно-двигательного аппарата (обзор литературы)
https://doi.org/10.52560/2713-0118-2025-4-81-91
Аннотация
Цель исследования. Анализ исследований, посвященных применению искусственного интеллекта (ИИ) при заболеваниях опорно-двигательного аппарата (ОДА) для определения эффективности внедрения новых технологий.
Материалы и методы. Для обзора литературы отобраны наиболее цитируемые исследования по применению ИИ в диагностике и лечении ОДА, размещенные в научных базах данных в открытом доступе.
Результаты. Исследования, описанные в обзоре научных статей, демонстрируют огромный потенциал ИИ в диагностике заболеваний опорно-двигательного аппарата и показывают, как он может быть полезным для врачей и пациентов.
Заключение. Внедрение искусственного интеллекта в ортопедию открывает новые горизонты для улучшения качества медицинского оборудования. Специализированная аппаратура, мобильные приложения не только облегчают процесс мониторинга состояния пациентов, но и делают его более персонализированным, что способствует быстрой и эффективной реабилитации. Новые технологии позволяют минимизировать время на стационарное лечение и оптимизировать ресурсы. Искусственный интеллект выводит диагностику и лечение на новый уровень, предсказывая сложные клинические результаты с высокой точностью.
Об авторе
Ю. А. Ушакова
ФГБОУ ВО «РязГМУ имени академика И. П. Павлова» Минздрава России
Россия
Россия
Ушакова Юлия Алексеевна, студентка 6 курса
Рязань
Список литературы
1. Заболевания опорно-двигательного аппарата // Всемирная организация здравоохранения. URL: https://www.who.int/ru/news-room/fact-sheets/detail/musculoskeletal-conditions (дата обращения: 29.07.2024).
2. Bini S. A., Schilling P. L., Patel S. P., Kalore N. V., Ast M. P., Maratt J. D., Schuett D. J., Lawrie C. M., Chung C. C., Steele G. D. Digital Orthopaedics: A Glimpse Into the Future in the Midst of a Pandemic. J. Arthroplasty. 2020;35(7S):S68-S73. https://doi.org/10.1016/j.arth.2020.04.048
3. Bloomfield R. A., Williams H. A., Broberg J. S., Lanting B. A., McIsaac K. A., Teeter M. G. Machine Learning Groups Patients by Early Functional Improvement Likelihood Based on Wearable Sensor Instrumented Preoperative Timed-Up-and-Go Tests. J. Arthroplasty. 2019;34(10):2267-2271. https://doi.org/10.1016/j.arth.2019.05.061
4. Cilla M., Borgiani E., Martínez J., Duda G. N., Checa S. Machine learning techniques for the optimization of joint replacements: Application to a short-stem hip implant. PLoS One. 2017;12(9): e0183755. https://doi.org/10.1371/journal.pone.0183755
5. Dennis B. M., Stonko D. P., Callcut R. A., Sid well R. A., Stassen N. A., Cohen M. J., Cotton B. A., Guillamondegui O. D. Artificial neural networks can predict trauma volume and acuity regardless of center size and geography: A multicenter study. J. Trauma Acute Care Surg. 2019;87(1):181-187. https://doi.org/10.1097/TA.0000000000002320
6. Dooley J. H., Ozdenerol E., Sharpe J. P., Magnotti L. J., Croce M. A., Fischer P. E. Location, location, location: Utilizing Needs-Based Assessment of Trauma Systems-2 in trauma system planning. J. Trauma Acute Care Surg. 2020;88(1):94-100. https://doi.org/10.1097/TA.0000000000002463
7. Galbusera F., Casaroli G., Bassani T. Artificial intelligence and machine lear ning in spine research. JOR Spine. 2019;2(1): e1044. https://doi.org/10.1002/jsp2.1044
8. Ghaffar Nia N., Kaplanoglu E., Nasab A. Evaluation of artificial intelligence techniques in disease diagnosis and prediction. J. Discov Artif Intell. 2023;3(5). https://doi.org/10.1007/s44163-023-00049-5
9. Hosny A., Parmar C., Quackenbush J., Schwartz L. H., Aerts H. J. W. L. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510. https://doi.org/10.1038/s41568-018-0016-5
10. Jodeiri A., Zoroofi R. A., Hiasa Y., Takao M., Sugano N., Sato Y., Otake Y. Fully automatic estimation of pelvic sagittal in clination from anterior-posterior radio graphy image using deep learning frame work. Comput Methods Programs Biomed. 2020;184:105282. https://doi.org/10.1016/j.cmpb.2019.105282
11. Karnuta J. M., Haeberle H. S., Luu B. C., Roth A. L., Molloy R. M., Nystrom L. M., Piuzzi N. S., Schaffer J. L., Chen A. F., Iorio R., Krebs V. E., Ramkumar P. N. Artificial Intelligence to Identify Arthroplasty Implants From Radiographs of the Hip. J. Arthroplasty. 2021;36(7S):S290-S294.e1. https://doi.org/10.1016/j.arth.2020.11.015
12. Karnuta J. M., Navarro S. M., Haeberle H. S., Billow D. G., Krebs V. E., Ramkumar P. N. Bundled Care for Hip Fractures: A Machine-Learning Approach to an Untenable Patient-Specific Payment Model. J. Orthop Trauma. 2019;33(7):324-330. https://doi.org/10.1097/BOT.0000000000001454
13. Kim Y. J., Ganbold B., Kim K. G. Web-Based Spine Segmentation Using Deep Learning in Computed Tomogra phy Images. Healthc Inform Res. 2020;26(1):61-67. https://doi.org/10.4258/hir.2020.26.1.61
14. Lee Han-soo. Ministry approves Korea’s first AI-based medical device. Korea Bio medical Review. URL: https://www.koreabiomed.com/news/articleView.html?idxno=3294 (date of application: 29.07.2024).
15. Lee K. C., Hsu C. C., Lin T. C., Chiang H. F., Horng G. J., Chen K. T. Prediction of Prognosis in Patients with Trauma by Using Machine Learning. Medicina (Kaunas). 2022;58(10):1379. https://doi.org/10.3390/medicina58101379
16. Li Y. Y., Wang J. J., Huang S. H., Kuo C. L., Chen J. Y., Liu C. F., Chu C. C. Implementation of a machine learning application in preoperative risk assessment for hip repair surgery. BMC Anesthesiol. 2022;22(1):116. https://doi.org/10.1186/s12871-022-01648-y
17. Liu F., Zhou Z., Jang H., Samsonov A., Zhao G., Kijowski R. Deep convolutional neu ral network and 3D deformable approach for tissue segmentation in musculoskeletal magnetic resonance imaging. Magn Reson Med. 2018;79(4):2379-2391. https://doi.org/10.1002/mrm.26841
18. Momtazmanesh S., Nowroozi A., Rezaei N. Artificial Intelligence in Rheumatoid Arthritis: Current Status and Future Per spectives: A State-of-the-Art Review. Rheu matol Ther. 2022;9(5):1249-1304. https://doi.org/10.1007/s40744-022-00475-4
19. Myers T. G., Ramkumar P. N., Ricciardi B. F., Urish K. L., Kipper J., Ketonis C. Artificial Intelligence and Orthopaedics: An Introduction for Clinicians. J. Bone Joint Surg Am. 2020;102(9):830-840. https://doi.org/10.2106/JBJS.19.01128
20. Olczak J., Fahlberg N., Maki A., Razavian A. S., Jilert A., Stark A., Sköl denberg O., Gordon M. Artificial intelligence for analyzing orthopedic trauma radiographs. Acta Orthop. 2017;88(6): 581-586. https://doi.org/10.1080/17453674.2017.1344459
21. Pranata Y. D., Wang K. C., Wang J. C., Idram I., Lai J. Y., Liu J. W., Hsieh I. H. Deep learning and SURF for automated classification and detection of calcaneus fractures in CT ima ges. Comput Methods Programs Biomed. 2019;171:27-37. https://doi.org/10.1016/j.cmpb.2019.02.006
22. Ramkumar P. N., Haeberle H. S., Bloomfield M. R., Schaffer J. L., Kamath A. F., Patterson B. M., Krebs V. E. Artificial Intelligence and Arthroplasty at a Single Institution: Real-World Applications of Machine Learning to Big Data, Value-Ba sed Care, Mobile Health, and Remote Patient Monitoring. J. Arthroplasty. 2019;34(10): 2204-2209. https://doi.org/10.1016/j.arth.2019.06.018
23. Shah R. F., Martinez A. M., Pedoia V., Majumdar S., Vail T. P., Bini S. A. Variation in the Thickness of Knee Cartilage. The Use of a Novel Machine Learning Algo rithm for Cartilage Segmentation of Magnetic Resonance Images. J. Arthroplasty. 2019; 34(10):2210-2215. https://doi.org/10.1016/j.arth.2019.07.022
24. Urakawa T., Tanaka Y., Goto S., Matsuzawa H., Watanabe K., Endo N. Detecting intertrochanteric hip fractures with orthopedist-level accuracy using a deep convolutional neural network. Skeletal Radiol. 2019;48(2):239-244. https://doi.org/10.1007/s00256-018-3016-3
Рецензия
Для цитирования:
Ушакова Ю.А. Применение искусственного интеллекта при заболеваниях опорно-двигательного аппарата (обзор литературы). Радиология — практика. 2025;(4):81-91. https://doi.org/10.52560/2713-0118-2025-4-81-91
For citation:
Ushakova Yu.A. Application of Artificial Intelligence in Diseases of the Musculoskeletal Systems (Literature Review). Radiology - Practice. 2025;(4):81-91. (In Russ.) https://doi.org/10.52560/2713-0118-2025-4-81-91
Просмотров:
22
Послать статью по эл. почте 