@article{Нурлыгаянов, Р.З.2026-11-07, author = { Нурлыгаянов, Р.З., Гильмутдинова, Л.Т., Марченкова, Л.А., Богданова, Ю.А., Гильмутдинов, Б.Р., Гильмутдинов, А.Р., Фаизова, Э.Р., Семенова, Е.В., Нурлыгаянова, Д.Р.}, title = {Искусственный интеллект в физической реабилитации пациентов травматолого-ортопедического профиля: современные технологии и клиническая эффективность. Обзор}, year = {2026}, doi = {10.38025/2078-1962-2026-25-3-83-92}, publisher = {NP «NEICON»}, abstract = {ВВЕДЕНИЕ. Искусственный интеллект (ИИ) и машинное обучение представляют перспективное направление в медицинской реабилитации пациентов травматолого-ортопедического профиля. Интеграция предиктивных моделей и адаптивных алгоритмов в реабилитационную практику позволяет персонализировать восстановительное лечение и улучшать функциональные исходы. ЦЕЛЬ. Систематизировать и оценить доказательную базу применения технологий ИИ в реабилитации пациентов после травматолого-ортопедических вмешательств — эндопротезирования суставов, хирургической фиксации переломов и операций на позвоночнике. МАТЕРИАЛЫ И МЕТОДЫ. Проведен нарративный обзор публикаций, посвященных использованию алгоритмов машинного обучения, глубокого обучения, сверточных и рекуррентных нейронных сетей в реабилитации травматолого-ортопедических пациентов. Поиск источников осуществлялся с июня 2025 по январь 2026 г. в международных базах данных PubMed/MEDLINE, Scopus и Web of Science Core Collection с января 2014 по февраль 2024 г. Анализировались исследования, включавшие предиктивные модели функциональных исходов, систем мониторинга движений, прогнозирования осложнений и длительности госпитализации. Первичный поиск выявил 1247 публикаций, после удаления дубликатов и последовательного отбора по критериям включения и исключения в окончательный анализ было отобрано 43 источника, которые легли в основу настоящего обзора. ОСНОВНОЕ СОДЕРЖАНИЕ ОБЗОРА. Алгоритмы машинного обучения продемонстрировали высокую прогностическую точность в предсказании функциональных исходов после эндопротезирования тазобедренного и коленного суставов (AUC 0,852–0,98), оценке консолидации переломов (точность составила до 0,98), прогнозировании послеоперационных осложнений (AUC 0,810–0,835) и длительности госпитализации (AUC 0,82–0,98). Гибридные архитектуры CNN-RNN превзошли традиционные методы машинного обучения в прогнозировании успешности реабилитации: взвешенный F1-показатель вырос с 65 % до 74 %, средняя абсолютная ошибка снизилась на 12 %. Модели случайного леса обеспечили точность 90 % при предсказании выписки пациентов домой. Носимые сенсоры с ИИ-платформами обеспечивают персонализированный мониторинг двигательных паттернов в режиме реального времени. ЗАКЛЮЧЕНИЕ. Технологии ИИ в реабилитации пациентов травматолого-ортопедического профиля вышли за рамки экспериментальных разработок и продемонстрировали реальную клиническую ценность. Наиболее значимыми предикторами функционального восстановления являются возраст, функциональный статус, объем движений и когнитивный статус пациента. Для широкого клинического внедрения необходимы масштабные проспективные исследования с высоким уровнем методологической строгости.}, URL = {https://repo.bashgmu.ru/publication/6200}, eprint = {https://repo.bashgmu.ru/files/6405}, journal = {ВЕСТНИК ВОССТАНОВИТЕЛЬНОЙ МЕДИЦИНЫ}, }