<?xml version="1.0" encoding="UTF-8"?>
<xml>
 <records>
  <record>
   <ref-type name="Journal Article">17</ref-type>
   <contributors>
    <authors>
     <author>Нурлыгаянов, Р.З.</author>
     <author>Гильмутдинова, Л.Т.</author>
     <author>Марченкова, Л.А.</author>
     <author>Богданова, Ю.А.</author>
     <author>Гильмутдинов, Б.Р.</author>
     <author>Гильмутдинов, А.Р.</author>
     <author>Фаизова, Э.Р.</author>
     <author>Семенова, Е.В.</author>
     <author>Нурлыгаянова, Д.Р.</author>
    </authors>
   </contributors>
   <titles>
    <title>Искусственный интеллект в физической реабилитации пациентов травматолого-ортопедического профиля: современные технологии и клиническая эффективность. Обзор</title>
   </titles>
   <keywords>
    <keyword>искусственный интеллект</keyword>
    <keyword>машинное обучение</keyword>
    <keyword>медицинская реабилитация</keyword>
    <keyword>переломы костей</keyword>
    <keyword>нейронные сети</keyword>
    <keyword>функциональные исходы</keyword>
    <keyword>прогностические модели</keyword>
    <keyword>Scopus</keyword>
    <keyword>ВАК</keyword>
    <keyword>Белый список</keyword>
   </keywords>
   <dates>
    <year>2026</year>
    <pub-dates>
     <date>2026-11-07</date>
    </pub-dates>
   </dates>
   <doi>10.38025/2078-1962-2026-25-3-83-92</doi>
   <journal>ВЕСТНИК ВОССТАНОВИТЕЛЬНОЙ МЕДИЦИНЫ</journal>
   <abstract>ВВЕДЕНИЕ. Искусственный интеллект (ИИ) и машинное обучение представляют перспективное направление в медицинской&#13;
реабилитации пациентов травматолого-ортопедического профиля. Интеграция предиктивных моделей и адаптивных алгоритмов в  реабилитационную практику позволяет персонализировать восстановительное лечение и  улучшать функциональные&#13;
исходы.&#13;
ЦЕЛЬ. Систематизировать и оценить доказательную базу применения технологий ИИ в реабилитации пациентов после травматолого-ортопедических вмешательств — эндопротезирования суставов, хирургической фиксации переломов и операций на&#13;
позвоночнике.&#13;
МАТЕРИАЛЫ И  МЕТОДЫ. Проведен нарративный обзор публикаций, посвященных использованию алгоритмов машинного&#13;
обучения, глубокого обучения, сверточных и рекуррентных нейронных сетей в реабилитации травматолого-ортопедических&#13;
пациентов. Поиск источников осуществлялся с июня 2025 по январь 2026 г. в международных базах данных PubMed/MEDLINE,&#13;
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&#13;
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&#13;
обзора.&#13;
ОСНОВНОЕ СОДЕРЖАНИЕ ОБЗОРА. Алгоритмы машинного обучения продемонстрировали высокую прогностическую&#13;
точность в  предсказании функциональных исходов после эндопротезирования тазобедренного и  коленного суставов&#13;
(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&#13;
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&#13;
двигательных паттернов в режиме реального времени.&#13;
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.&#13;
Для широкого клинического внедрения необходимы масштабные проспективные исследования с высоким уровнем методологической строгости.</abstract>
   <urls>
    <web-urls>
     <url>https://repo.bashgmu.ru/publication/6200</url>
    </web-urls>
    <pdf-urls>
     <url>https://repo.bashgmu.ru/files/6405</url>
    </pdf-urls>
   </urls>
  </record>
 </records>
</xml>
