Применение искусственного интеллекта в диагностике и лечении гормональных нарушений у женщин в репродуктивном периоде

Гормональные нарушения у женщин репродуктивного возраста, включая синдром поликистозных яичников, гиперандрогению, дисфункцию щитовидной железы и гиперпролактинемию, характеризуются клинической гетерогенностью и значительной вариабельностью лабораторных показателей, что существенно осложняет своевременную диагностику и выбор оптимальной терапии. 
В обзоре проанализированы современные данные о применении искусственного интеллекта (ИИ) и методов машинного обучения для анализа лабораторных, клинических и визуализационных данных с целью повышения диагностической точности и персонализации лечебной тактики. Использование ИИ позволяет интегрировать разнородные источники информации – гормональные профили, данные медицинской визуализации, клинические и анамнестические характеристики и их динамику во времени, а также выявлять сложные нелинейные взаимосвязи, недоступные традиционным аналитическим методам. Особое значение имеет применение ИИ в качестве инструмента поддержки принятия клинических решений. Показано, что использование ИИ способствует оценке риска развития заболеваний на этапе первичного скрининга, повышению точности дифференциальной диагностики и прогнозированию ответа на терапию, что облегчает и ускоряет работу врача, а также снижает вероятность диагностических ошибок. 
Заключение. Методы ИИ обладают значительным потенциалом для улучшения диагностики и ведения таких состояний, как синдром поликистозных яичников, гиперандрогения, дисфункция щитовидной железы и гиперпролактинемия. Вместе с тем внедрение ИИ в клиническую практику ограничено малыми выборками, недостаточной внешней валидацией моделей, проблемами интерпретируемости алгоритмов и обеспечения защиты данных. Необходимы стандартизация подходов и создание репрезентативных баз данных для повышения точности и успешной интеграции ИИ в рутинную медицинскую практику.

Вклад авторов. Шешукова Н.А., Леваков С.А. – концепция статьи; Шатилина А.Ю., Антошина К.Р., Суханова М.А., Хачатуров А.А., Титкова Е.Р., Шешукова Н.А. – сбор, обработка материала, написание текста; Шешукова Н.А. – редактирование текста.
Конфликт интересов. Авторы заявляют об отсутствии возможных конфликтов интересов.
Финансирование. Статья подготовлена без спонсорской поддержки.
Генеративный искусственный интеллект. При подготовке рукописи авторы использовали инструменты искусственного интеллекта (https://chatgpt.com/) для стилистической правки и улучшения логической связности текста. Окончательная редакция, интерпретация результатов и ответственность за содержание полностью остаются за авторами.
Для цитирования: Шешукова Н.А., Шатилина А.Ю., Антошина К.Р., Суханова М.А., Хачатуров А.А., Титкова Е.Р., Леваков С.А. Применение искусственного интеллекта в диагностике и 
лечении гормональных нарушений у женщин в репродуктивном периоде.
Акушерство и гинекология. 2026; 8: 55-62
https://dx.doi.org/10.18565/aig.2026.96

Гормональные нарушения у женщин репродуктивного возраста представляют собой одну из наиболее сложных проблем современной гинекологии и эндокринологии. Гиперандрогения (ГА), синдром поликистозных яичников (СПЯ), гипотиреоз и гипертиреоз, а также гиперпролактинемия, нередко имеют бессимптомное течение, перекрывающиеся фенотипы и высокую межиндивидуальную вариабельность, что существенно осложняет диагностику и выбор оптимальной тактики лечения [1–4].

Традиционный клинический подход, основанный на изолированной оценке гормональных показателей и клинических симптомов, все чаще оказывается недостаточным в условиях растущего объема данных. При ведении пациенток с гормональными нарушениями необходим комплексный подход: анализ анамнестической информации, данных лабораторных и инструментальных исследований и динамики показателей во времени в ответ на различные методы лечения для оценки эффективности терапии. В контексте способности одновременно учитывать множество параметров и выявлять скрытые нелинейные взаимосвязи между ними искусственный интеллект (ИИ) рассматривается как потенциальный инструмент клинической поддержки принятия решений. Алгоритмы машинного обучения (МО) способны анализировать большие массивы разнородных данных и выявлять паттерны, недоступные традиционным статистическим методам.

В последние годы активно накапливаются данные об использовании ИИ в интерпретации гормональных профилей, автоматизированном анализе ультразвуковых и магнитно-резонансных изображений, а также в прогнозировании ответа на терапию [5, 6]. Тем не менее клиническая интеграция данных технологий остается фрагментарной, а их роль в ведении женщин репродуктивного возраста с эндокринными нарушениями до сих пор не имеет четкой концептуальной структуры. В этой связи целью настоящего обзора стал анализ современных данных о применении ИИ в диагностике и лечении наиболее распространенных гормональных дисфункций у данной категории пациенток, а также оценка клинических перспектив и ограничений внедрения новейших технологий в повседневную практику.

Применение алгоритмов машинного обучения в медицине

ИИ представляет собой совокупность вычислительных методов, используемых в медицине для анализа и интерпретации сложных медицинских данных. МО – подраздел ИИ; алгоритмы МО способны обучаться и выявлять закономерности в ходе анализа предоставленных специалистами медицинских данных [7]. В клинической практике ИИ применяется преимущественно для анализа следующих типов данных: лабораторные показатели (в том числе гормональные профили), данные визуализации, клинические и анамнестические характеристики, а также их динамика во времени. Deep Leaning (DL) – подраздел МО, использующий многослойные нейронные сети, способные извлекать сложные иерархии признаков из необработанных данных. Explainabale AI (XAI) представляет набор методов и принципов, позволяющих понять, почему ИИ принял то или иное решение, при этом XAI критически важен для Large Language Model (LLM) – тип программы ИИ, которая может распознавать и генерировать текст.

Объединение разнородных источников информации позволяет формировать комплексные прогностические модели, ориентированные не только на диагностику, но и на прогноз течения заболевания и ответа на терапию. Особое значение имеет использование ИИ в качестве инструмента поддержки принятия врачебных решений. В данном формате алгоритмы дополняют клиническое мышление врача, снижая риск диагностических ошибок, повышая воспроизводимость интерпретации данных и способствуя персонализированному подходу к ведению пациенток. В последующих разделах будут представлены данные использования ИИ при конкретных гормональных нарушениях.

Искусственный интеллект в диагностике и лечении синдрома поликистозных яичников

Клиническая гетерогенность СПЯ и вариабельность диагностических критериев существенно осложняют раннее выявление и ведение пациенток [8]. В связи с чем в исследованиях и клинической практике начинают применяться методы ИИ, направленные на повышение точности диагностики, стратификацию риска и персонализацию терапии. Систематический обзор показал, что при СПЯ используются методы обучения с учителем (SVM, Random Forest, логистическая регрессия, k-ближайших соседей), глубокое обучение (сверточные нейронные сети, CNN), а также методы объяснимого ИИ (SHAP, LIME, Grad-CAM) и большие языковые модели (LLM) [8]. В 71% исследований применялись методы обучения с учителем, причем наиболее распространенными были метод опорных векторов (42%), k-ближайших соседей (26%) и регрессионные модели (23%) [9]. Кроме того, активно развиваются подходы, основанные на анализе омиксных данных. С использованием ИИ были выявлены потенциальные биомаркеры СПЯ, включая HDDC3, SDC2, MAP1LC3A, OVGP1, а также иммунологические маркеры (цАМФ, S100A9, TLR8, IL6R, APOA1, A2M) [8, 10]. Это открывает перспективы для более точной фенотипической классификации заболевания.

Одной из первых работ, продемонстрировавших эффективность МО в диагностике СПЯ, с...

Шешукова Н.А., Шатилина А.Ю., Антошина К.Р., Суханова М.А., Хачатуров А.А., Титкова Е.Р., Леваков С.А.