Цифровое здравоохранение: прогноз на 2025-2030 гг

ВВЕДЕНИЕ

Цифровое здравоохранение (Digital Health) в прогнозируемом периоде следует определять не как простую оцифровку медицинских карт, а как комплексное использование прорывных технологий – искусственного интеллекта (ИИ), облачных вычислений, данных реальной клинической практики (RWE), mHealth и телемедицины – для создания ценностно-ориентированного здравоохранения (Value-Based Digital Health, VBDH)[1]. Систематический обзор 2024 года определяет VBDH как систему, в которой цифровые инструменты измеримо повышают пациентоориентированность, медицинскую грамотность и вовлеченность пациентов в принятие решений [1].

МАТЕРИАЛЫ И МЕТОДЫ

Данное мнение основывается исключительно на принципах доказательной медицины (EBM). Приоритет отдан синтезу данных из систематических обзоров (включая Кокрейновские), мета-анализов и ключевых регуляторных документов (WHO, FDA, EMA, NICE), опубликованных преимущественно в 2022-2025 гг [2, 3].

Несмотря на революционные достижения и значительные инвестиции, Национальная академия медицины (NAM) США отмечает, что способность использовать совместимые цифровые технологии для повышения эффективности и справедливости ухода остается в значительной степени концептуальной [4]. Пандемия COVID-19 послужила мощным катализатором для внедрения, особенно телемедицины, но она не решила, а лишь обнажила глубинные системные проблемы [5, 6].

Отчет анализирует пять ключевых разделов, определяющих прогноз на 2025-2030 гг.:

1. Прогноз по ключевым технологическим векторам (ИИ, телемедицина);
2. Эволюция «невидимой» инфраструктуры (RWE, совместимость);
3. Новая регуляторная и этическая среда;
4. Кадровые вызовы и барьеры;
5. Стратегические рекомендации.

Раздел 1. Прогноз развития ключевых технологических векторов (2025-2030): клиническая и доказательная база

1.1. Искусственный интеллект (ИИ) в диагностике

1.1.1. Рентгенология: Доказанная точность, нерешенная проблема рабочего процесса

Доказательная база (EBM) в отношении диагностической точности ИИ в рентгенологии неоспорима. Систематические обзоры и метаанализы подтверждают, что алгоритмы глубокого обучения (в частности, сверточные нейронные сети, CNN) улучшают диагностическую точность и сокращают время интерпретации исследований [7-10]. Клиническая доказательная база включает доказанную высокую чувствительность и специфичность в скрининге туберкулеза, диагностике кариеса на рентгенограммах и стратификации риска легочных узелков [9, 11, 12].

Однако прогноз на 2025-2030 гг. определяется не точностью, а внедрением. Ключевой барьер сместился. Систематический обзор 2025 года показал, что доказательства влияния ИИ на эффективность рабочего процесса и экономическую эффективность остаются «неоднозначными» [7].

Основная проблема заключается в том, что, хотя ИИ-алгоритм может точно обнаружить патологию, его интеграция в клиническую практику создает новые барьеры. Обзоры выделяют высокие технические требования, недостаток руководства, проблемы с прозрачностью и необходимость обучения [7]. Рынок ИИ-продуктов для рентгенологии, достигший пика в 2020 году, сейчас показывает признаки «стабилизации и насыщения» [10]. Это означает, что фокус 2025-2030 гг. смещается с вопроса «Может ли ИИ найти узелок?» (ответ: да) на вопрос «Может ли данный ИИ-продукт бесшовно интегрироваться в наши системы архивации изображений и лабораторные цифровые системы, не увеличивая риск ложноположительных результатов и не перегружая врачей дополнительными оповещениями?» [10].

Прогноз 2025-2030 для руководителей это означает, что при закупке ИИ-решений в 20252030 гг. приоритет следует отдавать не только процентам точности, но и опубликованным доказательствам успешной интеграции в рабочий процесс и валидации в реальных клинических условиях (RWE).

1.1.2. Патоморфология – рутинное внедрение к 2030 году

Внедрение ИИ в патоморфологию происходит медленнее, но его ожидаемое влияние – глубже. Доказательная база уже существует: ИИ в цифровой патоморфологии способен выявлять микрометастазы в лимфатических узлах, которые может пропустить патологоанатом при рутинном просмотре десятков стекол [13, 14].

Фундаментальное исследование «Computational pathology in 2030: a Delphi study» (Дельфийское исследование о вычислительной патологии в 2030 году) дает четкий прогноз: эксперты достигли консенсуса, что к 2030 году ИИ будет рутинно и значимо использоваться в клинической практике патологоанатомов [15, 16].

Прогноз заключается не в замене патологоанатома, а в дополнении его функций. ИИ возьмет на себя «монотонные, но критически важные задачи» [17]. Например, современные клинические рекомендации по оценке Ki-67 при раке молочной железы требуют подсчета 500-1000+ клеток, что крайне трудоемко и субъективно [17]. Отношение патологоанатомов смещается в сторону принятия ИИ для таких задач.

Внедрение здесь – это социотехническая задача. Реалистский обзор подчеркивает, что успех внедрения зависит от доверия и возможности патологоанатомов «осмыслить» ИИ [18]. Модели ИИ обучаются на аннотациях экспертов-патологоанатомов, что оставляет человека «в цикле» [13].

Таким образом, прогноз на 2025-2030 гг. требует от руководителей инвестиций не только в сканеры и ПО, но и в вовлечение и обучение патологоанатомов.

1.2. Телемедицина и удаленный мониторинг пациентов как стандарт лечения хронических заболеваний

1.2.1. Доказательная база

Телемедицина и удаленный мониторинг пациентов перешли из категории «пилотных проектов» в категорию доказанных вмешательств. Систематические обзоры 2023-2024 гг. показывают, что телемедицина эффективна и экономически выгодна в ведении хронических заболеваний, улучшая приверженность пациентов лечению и их медицинскую грамотность [19, 20].

Наиболее сильная доказательная база существует для двух нозологий:

1. Хроническая сердечная недостаточность (ХСН). Мета-анализ 2024 года демонстрирует, что дистанционный мониторинг статистически значимо снижает госпитализации, связанные с ХСН [21].

   Прогноз на 2025-2030 гг. предполагает дифференциацию дистанционного мониторинга. Данные мета-анализа показывают, что имплантируемые мониторы (например, для измерения давления в легочной артерии) более эффективны, чем неинвазивный телемониторинг [21]. Это позволяет прогнозировать переход к стратифицированному подходу: неинвазивный мониторинг для пациентов с риском и имплантируемые устройства для пациентов самого высокого риска (NYHA III-IV и недавняя госпитализация) [21].

2. Сахарный диабет (СД). Систематические обзоры подтверждают улучшение клинических показателей, включая HbA1c, и повышение вовлеченности пациентов [22].

   Критически важно, что доказательная база показывает: технология работает не в вакууме. Ретроспективное исследование показало существенное (83-93%) снижение госпитализаций и обращений в неотложную помощь, но только тогда, когда удаленный мониторинг пациентов (на примере системы Cordella) сочетался с проактивной, междисциплинарной командой [23]. Технология – это не пассивный сбор данных, а инструмент для проактивного вмешательства команды.

Прогноз 2025-2030 – изолированные RPM-системы (Remote patient monitoring – системы удаленного/дистанционного мониторинга пациентов) потерпят неудачу, успех ждет интегрированные программы [24].

1.2.2. Интеграция с ИИ и Большими языковыми моделями (LLM)

Текущая проблема телемедицины – генерация огромных объемов данных (Big Data), что ведет к перегрузке медсестер и врачей [5].

Следующий прогностический этап (20252030 гг.) – это интеграция Доверенного ИИ (TAI) и Больших языковых моделей (LLM) для автоматизации анализа и оптимизации рабочих процессов. Систематический обзор, охватывающий литературу до марта 2025 года, показывает, что TAI и LLM будут использоваться для оптимизации рабочих процессов онлайн консультаций, поддержки персонализированного ухода и эффективной диагностики путем объединения данных биосенсоров (BioMEMS), истории пациента и когнитивных данных [25].

Прогноз для клинициста: врач 2030 года не будет просматривать все данные дистанционного мониторинга. ИИ будет анализировать поток данных и эскалировать (передавать на более высокий уровень) только те случаи, которые требуют человеческого вмешательства.

1.3. Системы поддержки принятия врачебных решений (СППВР, CDSS)

Доказательная база по СППВР неоднозначна. С одной стороны, они снижают ошибки при назначении лекарств (умеренная достоверность) и нежелательные лекарственные явления (низкая достоверность). С другой стороны, их эффективность подрывается «непреднамеренными последствиями». Главное из них – усталость от предупреждений и пуш-уведомлений, приводящая к высоким показателям отклонения предупреждений и отказа реакции на них врачами [26].

Эра «глупых» СППВР, основанных на жестких правилах, заканчивается.

Прогноз 2025-2030 гг. – это конвергенция СППВР и ИИ. Текущие СППВР наиболее эффективны при интеграции с электронной медицинской картой (ЭМК), но им не хватает контекста. Решение – это СППВР, управляемый ИИ, который анализирует все данные пациента (включая данные дистанционного мониторинга, геномики и т.д.) для предоставления персонализированных, релевантных рекомендаций, а не общих всплывающих окон [27, 28].

1.4. Цифровая терапия (ЦТ, DTx) и mHealth

Цифровая терапия (ЦТ, DTx) – это доказательные терапевтические вмешательства, управляемые программным обеспечением [29]. Доказательная база по ним только формируется. Мета-анализ показал, что ЦТ улучшает HbA1c у пациентов с СД 2 типа, но не показал значимого эффекта у пациентов с СД 1 типа.

Приложения mHealth также показали эффективность в самоуправлении болью [30, 31].

Однако прогноз для Цифровой терапии в 2025-2030 гг. сдержанный из-за двух фундаментальных барьеров, выявленных в научной литературе:

1. Низкая приверженность. Это главная проблема. Опубликованные данные подчеркивают низкую приверженность и вовлеченность врачей и пациентов. В некоторых РКИ сообщается о значительных показателях выбывания, составляющих около 50%» [32].
2. Отсутствие интеграции. Исследования отмечают ограниченное систематическое исследование того, как бесшовно интегрировать mHealth и ЭМК [33]. Для клинициста данные, которые он не видит в электронной медицинской карте, не существуют.

Многие платформы Цифровой терапии получают разрешение FDA до публикации результатов РКИ [34].

Прогноз на 2025-2030 гг. – это великое разделение. Рынок «оздоровительных» mHealthприложений останется потребительским. Настоящие, рецептурные платформы Цифровой терапии выживут, только если они докажут клиническую и экономическую эффективность в РКИ, решат проблему приверженности и обеспечат полную интеграцию данных в электронную медицинскую карту [35].

Руководителям лечебных учреждений следует требовать от поставщиков платформ Цифровой терапии не маркетинговых брошюр, а опубликованных РКИ и четких планов интеграции с ЭМК.

Раздел 2. Трансформация экосистемы данных. Данные реальной клинической практики и их совместимость между собой

2.1. Эпоха данных реальной клинической практики (ДРКП, RWE)

Данные реальной клинической практики (ДРКП, RWE) – это клинические доказательства, полученные из анализа данных реальной практики (RWD), таких как электронные медицинские карты (ЭМК), регистры и данные mHealth [36].

Роль ДРКП эволюционирует – они больше не используются только для постмаркетингового надзора. RWE теперь используются для принятия решений на протяжении всего жизненного цикла продукта и для заполнения пробелов в генерализуемости (внешней валидности) рандомизированных контролируемых исследований (РКИ) [37, 38].

Регуляторы, включая FDA и EMA, активно разрабатывают руководства по использованию RWE для поддержки регуляторных решений [39]. В России эта тема также активно развивается, что подтверждается созданием специализированных образовательных программ по RWD/RWE, например, на базе кафедры клинической фармакологии и доказательной медицины «Первый Санкт-Петербургский государственный медицинский университет им. академика И.П. Павлова» в 2023 году была утверждена образовательная программа дополнительного профессионального образования «Реальная клиническая практика: данные и доказательства» [40].

Прогноз на 2025-2030 гг.: главной проблемой будет не сбор данных, а качество и доверие к ним. В литературе прямо указываются опасения относительно того, пригодны ли данные из клинической практики для использования, а также пригодность и качество данных из mHealth для регуляторных целей.

Ценность данных клиники в 2030 году будет определяться их качеством и структурированностью. Инвестиции в управление качеством данных (Data Quality Frameworks) и стандартизацию становятся критически важными.

2.2. Семантическая совместимость как критический фактор

Отсутствие совместимости (неспособность ИТ-систем обмениваться данными и понимать их) является ключевым барьером для эффективного использования электронных медицинских карт, междисциплинарного сотрудничества и внедрения всех технологий, описанных в Разделе 1.

Решение – это семантическая совместимость: обеспечение того, чтобы системы одинаково понимали передаваемые данные.

Прогноз на 2025-2030 гг.: стандарты электронного документооборота станут де-факто требованием. Обзор 2023 года заключает, что Fast Health Interoperability Resources (стандарт обмена данными FHIR) «особенно хорошо адаптирован для обмена и хранения данных о здоровье» [41]. Обзор 2024 года уже фокусируется на решениях семантической совместимости с использованием FHIR [42]. FHIR называется стандартом, разработанным Health Level Seven (стандарт обмена данными в здравоохранении HL7) для достижения семантической совместимости.

При любых закупках ИТ-систем (электронных медицинских карт, систем архивации и передачи изображений PACS, лабораторных информационных систем LIS) в 2025-2030 гг. соответствие стандарту FHIR должно быть обязательным техническим требованием для обеспечения будущей совместимости.

Раздел 3. Регуляторная, этическая и экономическая среда (2025-2030 гг.)

3.1. Глобальные стратегии и регуляторные рамки

Регуляторная среда адаптируется к новой реальности.

Три ключевых вектора определят 20252030 гг.:

1. ВОЗ (WHO): «Глобальная стратегия в области цифрового здравоохранения на 20202025 гг.» устанавливает принципы: совместимость, конфиденциальность, безопасность, этика, справедливость и устойчивость. Это идеологическая база для национальных стратегий [3, 43].
2. США (FDA): FDA переходит к динамическому регулированию. Новое руководство (январь 2025 г.) по ИИ вводит два ключевых понятия [44]:
   • Регулирование не только до выхода на рынок, но и на протяжении всего жизненного цикла адаптивного ИИ [45].
   • FDA требует от разработчиков предоставлять доказательства, что устройство работает одинаково для всех демографических групп (возраст, пол, раса) [45].
3. Великобритания (NICE): Framework (ESF) ввел уровневый (Tier) подход [46, 47].

Регуляторы синхронно смещают фокус с технической валидации на клиническую и экономическую ценность (табл. 1).

3.2. Доказательство ценности: Экономическая эффективность

Систематические обзоры показывают, что доказательства экономической эффективности цифрового здравоохранения «растут», но остаются «гетерогенными» [1], что затрудняет сравнение.

Особенно это касается ИИ. Систематический обзор 2025 года по экономической эффективности ИИ показывает «в целом благоприятные результаты», но предупреждает, что выгоды могут быть завышены. Это происходит из-за использования статических моделей, не учитывающих адаптивность ИИ, и недооценки косвенных затрат, например, на обучение и интеграцию [48, 49].

Прогноз на 2025-2030 гг. – это внедрение новых, более строгих стандартов отчетности. Появление CHEERS-AI, расширения стандарта CHEERS для ИИ, станет золотым стандартом для оценки экономических заявок. Руководителям следует требовать экономические оценки, соответствующие стандартам CHEERS и, в частности, CHEERS-AI [49, 50].

Таблица 1. Сравнительный анализ регуляторных рамок для цифрового здравоохранения
Table 1. A comparative analysis of regulatory frameworks for digital health

3.3. Этика и ответственность в эпоху ИИ

Систематические обзоры выделяют три главные этико-правовые проблемы, которые будут в центре внимания в 2025-2030 гг. [51]:

1. Предвзятость. ИИ, обученный на предвзятых данных (например, от одной этнической группы), увековечивает и усиливает неравенство в здравоохранении.
2. Ответственность. Кто несет ответственность за ошибку ИИ – врач, разработчик или ЛПУ? Обзоры констатируют наличие правового вакуума.
3. Прозрачность. Необходимость понимать, как «черный ящик» ИИ пришел к выводу, что является критичным для доверия.

Решением в 2025-2030 гг. станет принятие международных консенсусных руководств. Ключевой документ – «FUTURE-AI: international consensus guideline», опубликованный в BMJ в 2025 году [52].

Это руководство – глобальный консенсус (117 экспертов из 50 стран), охватывающий весь TPLC и предоставляющий 30 конкретных рекомендаций (рис. 1). Оно станет стандартом для разработки, внедрения и регулирования ИИ. 6 принципов (акроним FUTURE) напрямую отвечают на этические вызовы (рис. 2, табл. 2).

Рис. 1. Географическое распределение междисциплинарных экспертов [52]
Fig. 1. Geographical distribution of the multidisciplinary experts [52]

Таблица 2. Шеcть принципов Доверенного ИИ (FUTURE-Al, BMJ 2025]
Table 2. Six Principles of Trusted Al (FUTURE-Al, BMJ 2025]

Рис. 2. Организация платформы FUTURE-AI для надежного искусственного интеллекта (ИИ) в соответствии с шестью руководящими принципами [52].
Fig. 2. Organisation of the FUTURE-AI framework for trustworthy artificial intelligence (AI) according to six guiding principles—fairness, universality, traceability, usability, robustness, and explainability [52]

Раздел 4. Внедрение в практику. Кадровый потенциал и барьеры

4.1. Ключевые барьеры и координаторы внедрения. Взгляд врача

Успех или провал цифровизации в 20252030 гг. будет решаться не в ИТ-отделах, а «на земле» – практикующими врачами. Выводы о барьерах и координаторах внедрения основаны на систематических обзорах – высшем уровне доказательности для этого вопроса [53].

Самыми значимыми барьерами, по мнению медработников, являются не технологии сами по себе [54]. Данные доказательной медицины показывают, что даже если врач верит, что технология полезна, он не будет ее использовать, если она плохо интегрирована в инфраструктуру или отнимает больше времени, чем экономит, то есть ведет к увеличению нагрузки.

Этот анализ дает четкий сигнал руководству: план внедрения цифровой технологии, не включающий бюджет на обучение и анализ/оптимизацию рабочих процессов, обречен на провал.

4.2. Трансформация рабочей силы. Выводы Topol Review

Обзор Э. Тополя (Topol Review) – это фундаментальный прогноз о влиянии ИИ, геномики и цифровой медицины на персонал здравоохранения [55].

Главный эффект технологий в 2025-2030 гг. – не замена, а дополнение. Обзор Э. Тополя называет это «подарком времени», высвобождающим персонал для непосредственной работы с пациентом.

План NHS по кадрам (NHS Long Term Workforce Plan), основанный на этом обзоре, напрямую связывает цифровизацию с реформой рабочей силы. Это означает необходимость:

1. Новых специальностей или должностей: таких как Chief Clinical Information Officer (главный врач/директор по клинической информации) и data engineer (инженер по данным).
2. Новых навыков для всех: Базовая цифровая грамотность станет обязательной компетенцией.

Стратегия цифровизации на 2025-2030 – это, в первую очередь, кадровая стратегия, требующая инвестиций в непрерывное обучение персонала и создание культуры управления знаниями.

Раздел 5. Стратегические рекомендации и пробелы в доказательной базе

5.1. Стратегические рекомендации для руководителей здравоохранения и клиницистов

Подводя итоги приведенной выше информации, для успешной и устойчивой цифровой трансформации в 2025-2030 гг. рекомендуются следующие пять стратегических действий:

1. При закупках – обращать внимание на возможность интеграции приобретаемых платформ в существующую систему. Приоритет – не новизна, а доказанная польза. В идеале – требовать от поставщиков опубликованные РКИ/мета-анализы, оценки экономической эффективности и доказательства бесшовной интеграции с ЭМК.
2. Инвестировать только в ИТ-решения (ЭМК, PACS, LIS), которые нативно поддерживают стандарт FHIR. Это залог будущей совместимости.
3. Внедрять ИИ по стандартам FUTURE-AI. Использовать 6 принципов FUTURE-AI как чеклист для оценки этичности и надежности ИИ. Готовиться к регулированию сферы AI.
4. Инвестировать в людей больше, чем в программное обеспечение. Провал внедрения – это провал управления, а не технологии. Бюджет на внедрение должен включать значительные ресурсы на обучение, управление изменениями и снижение нагрузки на персонал.
5. Внедрять дистанционный мониторинг для групп высокого риска. Для пациентов с ХСН (особенно после выписки) и СД 2 типа телемониторинг и цифровая терапия, должны стать стандартом, а не опцией [56, 57].
6. Расширять дистанционный мониторинг для других групп пациентов [58, 59].

5.2. Нерешенные вопросы и пробелы в доказательной базе

Ключевые пробелы в доказательной базе, которые предстоит заполнить в 2025-2030 гг.:

• Долгосрочная (5-10 лет) экономическая эффективность ИИ, оцененная по стандартам CHEERS-AI.
• Методы реального решения проблемы низкой приверженности цифровой терапии и mHealth [60].
• Стандартизированные методологии данных реальной клинической практики для слияния геномных данных, данных электронной медицинской карты и данных mHealth [61, 62].
• Влияние больших языковых моделей (LLM) на отношения «врач-пациент» и на риски дезинформации.
• Доказательная база по преодолению «цифрового разрыва» у пожилых пациентов и в группах с низкой медицинской грамотностью.

ВЫВОДЫ

В период 2025-2030 гг. в цифровом здравоохранении произойдет фундаментальный сдвиг. Фокус сместится с доказательства эффективности на доказательство ценности и оптимизацию внедрения. Успех или провал новых технологий, включая ИИ, будет определяться не столько их технической точностью, сколько их способностью продемонстрировать экономическую эффективность, обмениваться данными и однозначно их понимать, преодолеть барьеры внедрения. Таким образом, прогноз на 2025-2030 гг. заключается в том, что успешная стратегия цифровизации потребует от руководителей инвестиций в первую очередь в людей (обучение, изменение рабочих процессов) и процессы, а не только в само программное обеспечение.

ЛИТЕРАТУРА

1. Merino M, Del Barrio J, Nuno R, Errea M. Value-based digital health: A systematic literature review of the value elements of digital health care. Digit Health 2024;10:20552076241277438. https://doi.org/10.1177/20552076241277438

2. De Santis KK, Kirstein M, Kien C, Griebler U, McCrabb S, Jahnel T. Online dissemination of Cochrane reviews on digital health technologies: a cross-sectional study. Syst Rev 2024;13(1):133. https://doi.org/10.1186/s13643-024-02557-6

3. Digital healthеWorld Health Organization (WHO), accessed on November 2, 2025, https://www.who.int/health-topics/digital-health

4. The Promise of Digital Health: Then, Now, and the FutureеNAM, accessed on November 2, 2025, https://nam.edu/perspectives/thepromise-of-digital-health-then-now-and-the-future/

5. Schultz, M.A. Telehealth and Remote Patient Monitoring Innovations in Nursing Practice: State of the Science. OJIN: The Online Journal of Issues in Nursing 2023;28(2):ST. https://doi.org/10.3912/OJIN.Vol28No02ST01

6. Faizan, M.; Han, C.; Lee, S.W. Policy-Driven Digital Health Interventions for Health Promotion and Disease Prevention: A Systematic Review of Clinical and Environmental Outcomes. Healthcare 2025, 13, 2319. https://doi.org/10.3390/healthcare13182319

7. Lawrence R, Dodsworth E, Massou E, Sherlaw-Johnson C, Ramsay AIG, Walton H, O'Regan T, Gleeson F, Crellin N, Herbert K, Ng PL, Elphinstone H, Mehta R, Lloyd J, Halliday A, Morris S, Fulop NJ. Artificial intelligence for diagnostics in radiology practice: a rapid systematic scoping review. EClinicalMedicine 2025;83:103228. https://doi.org/10.1016/j.eclinm.2025.103228

8. Strubchevska O, Kozyk M, Kozyk A, Strubchevska K. The Role of Artificial Intelligence in Diagnostic Radiology. Cureus 2024;16(10):e72173. https://doi.org/10.7759/cureus.72173

9. Carvalho BKG, Nolden EL, Wenning AS, Kiss-Dala S, Agocs G, Roth I, Keremi B, Geczi Z, Hegyi P, Kivovics M. Diagnostic accuracy of artificial intelligence for approximal caries on bitewing radiographs: A systematic review and meta-analysis. J Dent 2024;151:105388. https://doi.org/10.1016/j.jdent.2024.105388

10. Obuchowicz R, Lasek J, Wodzinski M, Piorkowski A, Strzelecki M, Nurzynska K. Artificial Intelligence-Empowered Radiology-Current Status and Critical Review. Diagnostics (Basel) 2025;15(3):282. https://doi.org/10.3390/diagnostics15030282

11. Han ZL, Zhang YY, Li J, Gao S, Liu W, Yang WJ, Xing ZH. A systematic review and meta-analysis of artificial intelligence software for tuberculosis diagnosis using chest X-ray imaging. J Thorac Dis 2025;17(5):3223-3237. https://doi.org/10.21037/jtd-2025-604

12. F. Lobig, J. Graham, A. Damania. Enhancing patient outcomes: the role of clinical utility in guiding healthcare providers in curating radiology AI applications. Front Digit Health. Sec. Human Factors and Digital Health 2024:6е2024. https://doi.org/10.3389/fdgth.2024.1359383

13. F. Lobig, J. Graham, A. Damania. Enhancing patient outcomes: the role of clinical utility in guiding healthcare providers in curating radiology AI applications. Front Digit Health. Sec. Human Factors and Digital Health 2024:6е2024. https://doi.org/10.3389/fdgth.2024.1359383

14. Ogut E. Artificial Intelligence in Clinical Medicine: Challenges Across Diagnostic Imaging, Clinical Decision Support, Surgery, Pathology, and Drug Discovery. Clin Pract 2025;15(9):169. https://doi.org/10.3390/clinpract15090169

15. Shen IZ, Zhang L. Digital and Artificial Intelligence-based Pathology: Not for Every Laboratory – A Mini-review on the Benefits and Pitfalls of Its Implementation. J Clin Transl Pathol 2025;5(2):79-85. https://doi.org/10.14218/JCTP.2025.00007

16. Berbis MA, McClintock DS, Bychkov A, Van der Laak J, Pantanowitz L, Lennerz JK, et al. Computational pathology in 2030: a Delphi study forecasting the role of AI in pathology within the next decade. EBioMedicine 2023;88:104427. https://doi.org/10.1016/j.ebiom.2022.104427

17. Qiangqiang Gu, Ankush Patel, Matthew G. Hanna, Jochen K. Lennerz, Chris Garcia, Mark Zarella, David McClintock, Steven N. Hart, Bridging the Clinical-Computational Transparency Gap in Digital Pathology. Arch Pathol Lab Med 2025;149(3):276–287. https://doi.org/10.5858/arpa.2023-0250-RA

18. King H, Wright J, Treanor D, Williams B,Randell R. What Works Where and How for Uptake and Impact of Artificial Intelligence in Pathology: Review of Theories for a Realist Evaluation. J Med Internet Res 2023;25:e38039. https://doi.org/10.2196/38039

19. Ashish Pandey, Shakshi Malik, (2024), The Role of Telemedicine in Enhancing Chronic Disease Management: A Systematic Review. Clinical Research and Clinical Reports 4(4); https://doi.org/10.31579/2835-8325/078

20. Li Y, Shi Q, Yang J, Ran L. Exploring the impact of telemedicine in chronic patients from diverse socioeconomic contexts: systematic review of qualitative studies. Front Public Health 2025;12:1510735. https://doi.org/10.3389/fpubh.2024.1510735

21. Ezimoha K, Faraj M, Kanduri Hanumantharayudu S, Kumar Makam Surendraiah P, Zaigham Hassan M, Ibrahim AD, Jaber M, Shah S, Mefti M, Niftalieva G, Ahmed B, Rizwanullah U. The Impact of Remote Patient Monitoring on Clinical Outcomes in Heart Failure Patients: A Meta-Analysis. Cureus 2025;17(9):e92812. https://doi.org/10.7759/cureus.92812

22. Ezeamii VC, Okobi OE, Wambai-Sani H, Perera GS, Zaynieva S, Okonkwo CC, Ohaiba MM, William-Enemali PC, Obodo OR, Obiefuna NG. Revolutionizing Healthcare: How Telemedicine Is Improving Patient Outcomes and Expanding Access to Care. Cureus 2024;16(7):e63881. https://doi.org/10.7759/cureus.63881

23. Craig W, Ohlmann S. The Benefits of Using Active Remote Patient Management for Enhanced Heart Failure Outcomes in Rural Cardiology Practice: Single-Site Retrospective Cohort Study. J Med Internet Res 2024;26:e49710. https://doi.org/10.2196/49710

24. Marier-TЋtrault E, Bebawi E, BЋchard S, Brouillard P, Zuchinali P, Remillard E, Carrier Z, Jean-Charles L, Nguyen JNK, Lehoux P, Pomey MP, Ribeiro PAB, Tournoux F. Remote Patient Monitoring and Digital Therapeutics Enhancing the Continuum of Care in Heart Failure: Nonrandomized Pilot Study. JMIR Form Res 2024;8:e53444. https://doi.org/10.2196/53444

25. Zendehbad SA, Ghasemi J, Khodadad FS. Trustworthy AI in Telehealth: Navigating Challenges, Ethical Considerations, and Future Opportunities for Equitable Healthcare Delivery. Healthc Technol Lett 2025;12(1):e70020. https://doi.org/10.1049/htl2.70020

26. Syrowatka A, Motala A, Lawson E, et al. Computerized Clinical Decision Support To Prevent Medication Errors and Adverse Drug Events: Rapid Review. 2024 Feb. In: Making Healthcare Safer IV: A Continuous Updating of Patient Safety Harms and Practices [Internet]. Rockville (MD): Agency for Healthcare Research and Quality (US); 2023. Available from: https://www.ncbi.nlm.nih.gov/books/NBK600580/

27. Cai J, Li P, Li W, Zhu T. Outcomes of clinical decision support systems in real-world perioperative care: a systematic review and meta-analysis. Int J Surg 2024;110(12):8057-8072. https://doi.org/10.1097/JS9.0000000000001821

28. Grechuta K, Shokouh P, Alhussein A, Mџller-Wieland D, Meyerhoff J, Gilbert J, Purushotham S, Rolland C Benefits of Clinical Decision Support Systems for the Management of Noncommunicable Chronic Diseases: Targeted Literature Review. Interact J Med Res 2024;13:e58036. https://doi.org/10.2196/58036

29. E Santoro, L Boscherini, E G Caiani, Digital therapeutics: a systematic review of clinical trials characteristics, Eur Heart J 2021;42(Supplement_1):ehab724.3115, https://doi.org/10.1093/eurheartj/ehab724.3115

30. Li M, Chen Y, Chen X, Yao H, You L. Impact of Digital Therapeutics for the Management of Adult Patients With Diabetes: Systematic Review and Meta-Analysis of Randomized Controlled Trials. J Med Internet Res 2025;27:e70428. https://doi.org/10.2196/70428

31. Wu W, Graziano T, Salner A, Chen M, Judge M, Cong X, Xu W. Acceptability, Effectiveness, and Roles of mHealth Applications in Supporting Cancer Pain Self-Management: Integrative Review. JMIR Mhealth Uhealth 2024;12:e53652. https://mhealth.jmir.org/2024/1/e53652. https://doi.org/10.2196/53652

32. Koller C, Blanchard M, Hџgle T (2025) Assessment of digital therapeutics in decentralized clinical trials: A scoping review. PLOS Digit Health 4(6): e0000905. https://doi.org/10.1371/journal.pdig.0000905

33. Yu X, Wang Y, Liu Z, Jung E. Technological functionality and system architecture of mobile health interventions for diabetes management: a systematic review and meta-analysis of randomized controlled trials. Front Public Health 2025;13:1549568. https://doi.org/10.3389/fpubh.2025.1549568

34. Amyx M, Phi NTT, Alebouyeh F, Ravaud P, Tran VT. Mapping the Evidence Supporting Digital Therapeutics: A Review. JAMA Intern Med 2024;184(11):1388-1390. https://doi.org/10.1001/jamainternmed.2024.4972

35. Li, S., Tao, J., Tang, J., Chu, Y., & Wu, H. (2024). Digital therapeutics as an emerging new therapy for diabetes mellitus: potentials and concerns. Endocrine Connections 2025;13(9):e240219. https://doi.org/10.1530/EC-24-0219

36. Fitzke H, Fayzan T, Watkins J, Galimov E, Pierce BF. Real-world evidence: state-of-the-art and future perspectives. J Comp Eff Res 2025;14(4):e240130. https://doi.org/10.57264/cer-2024-0130

37. Costa V, Custodio MG, Gefen E, Fregni F. The relevance of the real-world evidence in research, clinical, and regulatory decision making. Front Public Health 2025;13:1512429. https://doi.org/10.3389/fpubh.2025.1512429

38. Hennessy S, Atsuta Y, Hill S, Rago L, Juhaeri J; Council for International Organizations of Medical Sciences (CIOMS) Working Group XIII. Real-World Data and Real-World Evidence in Regulatory Decision Making: Report Summary From the Council for International Organizations of Medical Sciences (CIOMS) Working Group XIII. Pharmacoepidemiol Drug Saf 2025;34(3):e70117. https://doi.org/10.1002/pds.70117

39. Liu J, Rowland-Yeo K, Winterstein A, Dagenais S, Liu Q, Barrett JS, Zhu R, Ghobadi C, Datta-Mannan A, Hsu J, Menon S, Ahmed M, Manchandani P, Ravenstijn P. Advancing the utilization of realworld data and real-world evidence in clinical pharmacology and translational research-Proceedings from the ASCPT 2023 preconference workshop. Clin Transl Sci 2024;17(4):e13785. https://doi.org/10.1111/cts.13785

40. Данные реальной клинической практики (RWD) и доказательства, accessed on November 2, 2025, https://xn-- 90agbud2br.xn--p1ai/clinicalpractice

41. Ait Abdelouahid R, Debauche O, Mahmoudi S, Marzak A. Literature Review: Clinical Data Interoperability Models. Information 2023;14(7):364. https://doi.org/10.3390/info14070364

42. Amar F, April A, Abran A. Electronic Health Record and Semantic Issues Using Fast Healthcare Interoperability Resources: Systematic Mapping Review. J Med Internet Res 2024;26:e45209. https://doi.org/10.2196/45209

44. https://www.fda.gov/news-events/press-announcements/fdaissues-comprehensive-draft-guidance-developers-artificial-intelligence-enabled-medical-devices

45. https://www.federalregister.gov/documents/2025/01/07/2024-31543/artificial-intelligence-enabled-device-software-functionslifecycle-management-and-marketing

46. Bahadori S, Buckle P, Soukup Ascensao T, Ghafur S, Kierkegaard P. Evolving Digital Health Technologies: Aligning With and Enhancing the National Institute for Health and Care Excellence Evidence Standards Framework. JMIR Mhealth Uhealth 2025;13:e67435. https://doi.org/10.2196/67435

47. Unsworth H, Dillon B, Collinson L, Powell H, Salmon M, Oladapo T, Ayiku L, Shield G, Holden J, Patel N, Campbell M, Greaves F, Joshi I, Powell J, Tonnel A. The NICE Evidence Standards Framework for digital health and care technologiesеDeveloping and maintaining an innovative evidence framework with global impact. Digit Health 2021;7:20552076211018617. https://doi.org/10.1177/20552076211018617

48. Gentili A, Failla G, Melnyk A, Puleo V, Tanna GLD, Ricciardi W, Cascini F. The cost-effectiveness of digital health interventions: A systematic review of the literature. Front Public Health 2022;10:787135. https://doi.org/10.3389/fpubh.2022.787135

49. El Arab RA, Al Moosa OA. Systematic review of cost effectiveness and budget impact of artificial intelligence in healthcare. NPJ Digit Med 2025;8(1):548. https://doi.org/10.1038/s41746-025-01722-y

50. Zakiyah N, Marulin D, Alfaqeeh M, Puspitasari IM, Lestari K, Lim KK, Fox-Rushby J. Economic Evaluations of Digital Health Interventions for Patients With Heart Failure: Systematic Review. J Med Internet Res 2024;26:e53500. https://doi.org/10.2196/53500

51. Nasir M, Siddiqui K, Ahmed S. Ethical-legal implications of AI-powered healthcare in critical perspective. Front Artif Intell 2025;8:1619463. https://doi.org/10.3389/frai.2025.1619463

52. BMJ 2025;388:e081554, https://doi.org/10.1136/bmj-2024-081554, published 5 February 2025 https://www.bmj.com/content/bmj/388/bmj-2024-081554.full.pdf

53. Rodrigues DA, Roque M, Mateos-Campos R, Figueiras A, Herdeiro MT, Roque F. Barriers and facilitators of health professionals in adopting digital health-related tools for medication appropriateness: A systematic review. Digit Health 2024;10:20552076231225133. https://doi.org/10.1177/20552076231225133

54. Шадеркин И.А. Три абсолютных барьера при внедрении цифровых технологий в медицине. Российский журнал телемедицины и электронного здравоохранения 2023;9(2):40-55; https://doi.org/10.29188/2712-9217-2023-9-2-40-55

55. https://ru.scribd.com/document/507481364/HEE-Topol-Review-2019

56. Лебедев Г.С., Фартушный Э.Н., Шадеркин И.А., Клименко Г.С., Рябков И.В., Кожин П.Б., Кошечкин К.А., Радзиевский Г.П., Фомина И.В. Cоздание информационной системы поддержки принятия врачебных решений на основе методов доказательной медицины. Журнал телемедицины и электронного здравоохранения 2019;5(1):8-16.

57. Лебедев Г.С., Владзимирский А.В., Шадеркин И.А., Дударева В.П. Комплекс дистанционного мониторинга при хронических неинфекционных заболеваниях. Российский журнал телемедицины и электронного здравоохранения 2022;8(1):7-14; https://doi.org/10.29188/2712-9217-2022-8-1-7-14

58. Шадеркин И.А., Владзимирский А.В., Цой А.А., Войтко Д.А., Просянников М.Ю., Зеленский М.М. Диагностическая ценность портативного анализатора мочи «ЭТТА АМП-01», как инструмента самостоятельного мониторинга в mHealth и при скрининге в первичном звене медицинской помощи. Экспериментальная и клиническая урология 2015; 4:22-26.

59. Лебедев Г.С., Шадеркин И.А., Тертычный А.С., Шадеркина А.И. Цифровая патоморфология: создание системы автоматизированной микроскопии. Российский журнал телемедицины и электронного здравоохранения 2021;7(4);27-47; https://doi.org/10.29188/2712-9217-2021-7-4-27-47

60. Шадеркин И.А., Шадеркина В.А. Удаленный мониторинг здоровья: мотивация пациентов. Журнал телемедицины и электронного здравоохранения 2020;6(3):36-43.

61. Владзимирский А.В., Шадеркин И.А., Цой А.А., Войтко Д.А., Просянников М.Ю., Зеленский М.М. Телемедицинская веб-платформа NETHEALTH.RU как инструмент поддержки клинических решений в урологии. Урологические ведомости 2016;6(S):46-47.

62. Шадеркин И.А., Цой А.А., Сивков А.В., Шадеркина В.А., Просянников М.Ю., Войтко Д.А., Зеленский М.М. mHealthе Инновации в процессе взаимодействия врача и пациента. Здравоохранение 2015;(10):56-65.