Введение

В последние десятилетия системы здравоохранения большинства стран функционируют в условиях нарастающей структурной и функциональной сложности, обусловленной старением населения, ростом распространенности хронических неинфекционных заболеваний, полиморбидностью пациентов, а также увеличением объема диагностической и управленческой информации, подлежащей обработке врачом первичного звена [1]. Эти процессы формируют своеобразную когнитивно-организационную перегрузку медицинских работников. Указанные тенденции приводят к дисбалансу между возлагаемыми на медицинских работников задачами и ресурсным обеспечением (временным, кадровым, когнитивным), что актуализирует поиск инструментов интеллектуальной поддержки клинической и организационной деятельности [2].

В данных условиях медицинские изделия на основе технологий искусственного интеллекта (МИ на основе ИИ, СППВР), зарегистрированные в установленном порядке Федеральной службы по надзору в сфере здравоохранения, рассматриваются как системообразующий элемент цифровой экосистемы здравоохранения, обеспечивающий автоматизацию анализа медицинских данных, алгоритмически опосредованную поддержку принятия клинических решений и оптимизацию рабочих процессов [3].

Особое значение в настоящее время приобретают алгоритмы машинного обучения и мультимодальные модели, способные интегрировать разнородные источники данных (текстовые записи электронных медицинских карт, структурированные показатели, изображения, сигналы диагностических устройств) и формировать контекстно-зависимые рекомендации, адаптированные к конкретному клиническому сценарию [4, 5].

Первичная медико-санитарная помощь (ПМСП) как базовый уровень системы здравоохранения характеризуется высокой вариабельностью клинических ситуаций, значительной диагностической неопределенностью и необходимостью быстрой стратификации пациентов по рискам, что делает ее приоритетным полем для апробации и масштабирования решений на основе искусственного интеллекта (ИИ). В условиях ПМСП ИИ-системы потенциально могут использоваться для дифференциации потоков пациентов, раннего выявления факторов риска, персонализации профилактических мероприятий, а также поддержки принятия решений в условиях ограниченного времени приема.

По данным ряда исследований, медицинские работники первичного звена в целом демонстрируют сдержанно-позитивное отношение к применению ИИ, отмечая его потенциал в снижении когнитивной нагрузки, повышении воспроизводимости клинических решений и стандартизации отдельных этапов диагностики [6]. Вместе с тем значительная часть врачей указывает на недостаточную прозрачность алгоритмов («эффект черного ящика»), ограниченное понимание принципов функционирования ИИ-моделей и отсутствие четкой регламентации их роли в клиническом процессе, что формирует настороженное отношение к их практическому использованию [7]. Дополнительные опасения связаны с трансформацией традиционной модели клинического мышления, рисками «гиперзависимости» от алгоритмических рекомендаций, а также влиянием ИИ на характер профессионального взаимодействия врача и пациента, где сохраняется критическая роль эмпатии, клинического опыта и индивидуального подхода [8]. В этом контексте все чаще подчеркивается необходимость человекоцентричной модели внедрения ИИ, предполагающей сохранение ведущей роли врача и использование ИИ как инструмента расширения, а не замещения профессиональных компетенций.

Современные исследования показывают, что эффективная интеграция ИИ в практику ПМСП определяется не только характеристиками самих алгоритмов (точность, устойчивость, воспроизводимость, отсутствие систематической предвзятости), но и организационной зрелостью медицинской организации, уровнем цифровой и алгоритмической грамотности персонала, а также интероперабельностью ИИ-решений с существующими медицинскими информационными системами [9]. Многие врачи подчеркивают, что ИИ должен дополнять, а не заменять людей, сохраняя человеческий контроль и межличностные связи [10].

Несмотря на активное развитие и внедрение ИИ-технологий, количество комплексных эмпирических исследований, посвященных оценке реального уровня использования ИИ и восприятия данных технологий врачами первичного звена, остается ограниченным. Имеющиеся данные свидетельствуют о разрыве между представленным потенциалом ИИ и практическими условиями его применения, обусловленном организационными, инфраструктурными и кадровыми ограничениями [11, 12]. В этой связи особую актуальность приобретает анализ не только факта наличия ИИ-решений, но и степени их реальной интеграции в повседневную клиническую практику.

Цель работы

Цель исследования – проведение комплексной оценки уровня интеграции, сценариев применения и восприятия МИ на основе ИИ в практике врачей первичного звена здравоохранения с учетом организационных, профессиональных и технологических факторов на основании данных региональных выездных мероприятий ФГБУ «НМИЦ терапии и профилактической медицины» Минздрава России.

Материалы и методы исследования

В рамках исследования экспертами Методического центра технологического развития ПМСП на базе ФГБУ «НМИЦ ТПМ» Минздрава России была разработана структурированная анкета-опросник, направленная на многоуровневую оценку опыта применения медицинских изделий и цифровых решений на основе ИИ в условиях ПМСП.

Анкета включала 13 вопросов, сгруппированных в тематические блоки, отражающие социально-профессиональные характеристики респондентов, уровень доступности и практического использования ИИ-решений, типы применяемых МИ на основе ИИ (включая экспертные системы, системы поддержки принятия клинических решений и элементы мультимодального анализа), ключевые клинические и управленческие сценарии применения ИИ, оценку полезности и степени интеграции ИИ в рабочие процессы врача, влияние ИИ на качество и безопасность медицинской помощи, барьеры внедрения, а также потребности в обучении и развитии цифровых медицинских компетенций.

Всего в исследовании приняли участие 825 медицинских работников из 35 субъектов Российской Федерации, осуществляющих профессиональную деятельность в медицинских организациях, оказывающих ПМСП (табл. 1).

Анкетирование проводилось анонимно в ходе региональных выездных мероприятий ФГБУ «НМИЦ ТПМ» Минздрава России в 2025 году.

Обработка данных осуществлялась с использованием Microsoft Excel. Для анализа открытых ответов применялись методы качественного контент-анализа, позволившие выявить типовые смысловые паттерны отношения врачей к использованию ИИ и восприятия, связанные с этим риском, с последующей тематической группировкой и аналитической интерпретацией полученных данных.

Результаты

Портрет опрашиваемой целевой аудитории. По профессиональной принадлежности наибольшую долю респондентов составили врачи-терапевты участковые – 448 человек (54,3%) (рис. 1). Каждый четвертый опрошенный являлся врачом-рентгенологом – 203 человека (24,6%).

Также в исследовании приняли участие врачи общей практики (семейные врачи) – 94 человека (11,4%), фельдшеры – 47 человек (5,7%), а также представители иных медицинских специальностей – 33 человека (4,0%).

Анализ возрастной структуры респондентов показал, что наибольшую долю составили медицинские работники в возрасте 25–44 лет – 430 человек (52,1%). Возрастную группу 45–64 года представили 230 респондентов (27,9%). Медицинские работники в возрасте до 25 лет составили 108 человек (13,1%), тогда как лица в возрасте 65 лет и старше – 57 человек (6,9%).

Опыт использования медицинских изделий на основе искусственного интеллекта

В ходе анкетирования медицинским работникам было предложено указать СППВР, используемые ими в практической деятельности. Полученные данные свидетельствуют наличии в первичном звене здравоохранения разнообразного технологического ландшафта СППВР.

Наиболее часто респонденты указывали использование МИ на основе ИИ Webiomed – 396 человек, что составило 48,0% от общего числа опрошенных. Второе место по распространенности занял вариант ответа «Другое», который выбрали 204 респондента (24,7%), что отражает использование альтернативных или локальных СППВР, не включенных в основной перечень анкеты (рис 3).

СППВР МосМедИИ применяются 177 медицинскими работниками (21,5%), MedicBK – 157 респондентами (19,0%). Реже указывалось использование решений ТОП-3 СберМедИИ – 85 человек (10,3%) и Galenos.AI – 38 человек (4,6%).

Анализ сценариев применения СППВР показал, что наиболее часто системы используются в рамках диспансеризации определенных групп взрослого населения – 149 респондентов (18,1%) и профилактических медицинских осмотров – 123 человека (14,9%) (рис. 4).

Применение МИ на основе ИИ при диспансерном наблюдении 116 респондентов (14,1%) и при первичном обращении пациента отметили по 115 респондентов (13,9%). Использование СППВР при интерпретации лабораторных и инструментальных данных указали 107 медицинских работников (13,0%), при назначении или коррекции терапии – 82 человека (9,9%), при направлении на дообследование или госпитализацию – 67 человек (8,1%) и другое – 66 человек (8,0%)

Восприятие полезности и удобства СППВР. При оценке субъективной полезности МИ на основе ИИ при принятии клинических решений более половины респондентов – 466 человек (56,5%) – указали, что использование СППВР является полезным.

Отсутствие влияния СППВР на процесс принятия решений отметили 207 человек (25,1%), в то время как 152 медицинских работника (18,4%) охарактеризовали СППВР как малополезные (рис. 5).

Оценка удобства использования СППВР в повседневной клинической практике показала, что 264 респондента (32,0%) считают работу с СППВР удобной, однако указывают на необходимость доработки функционала. Еще 261 медицинский работник (31,6%) охарактеризовал использование СППВР как удобное. При этом 215 опрошенных (26,1%) сообщили, что не используют СППВР в своей практике, а 85 респондентов (10,3%) отметили неудобство работы с данными системами (рис. 6).

Влияние СППВР на качество медицинской помощи и клинические результаты. При оценке влияния СППВР на качество оказания медицинской помощи 357 респондентов (43,3%) указали на его улучшение.

Не смогли дать однозначную оценку 272 участника исследования (33,0%), отсутствие изменений отметили 149 человек (18,1%), а 47 респондентов (5,7%) указали на риск гипердиагностики (рис. 7).

На вопрос о наличии случаев, когда МИ на основе ИИ способствовали выявлению ранее не диагностированных заболеваний или факторов риска, 324 респондента (39,3%) сообщили, что такие ситуации возникали редко, 193 человека (23,4%) – часто, тогда как 308 опрошенных (37,3%) указали, что подобных случаев не было (рис. 8).

Обучение и сложности при работе с МИ на основе ИИ. Наличие трудностей при работе с медицинскими изделиями на основе искусственного интеллекта отметил 231 медицинский работник (28,0%). Из них 216 респондентов (26,2%) указали на наличие затруднений, 15 респондентов (1,8%) дополнительно описали характер возникающих проблем.

Среди указанных трудностей были отмечены:

• отсутствие автоматического заполнения медицинской документации;
• недостаточная точность клинических рекомендаций;
• ограниченная интеграция с медицинскими информационными системами;
• дефицит времени на врачебном приеме.

Упоминались высказывания, указывающие на инфраструктурные и организационные барьеры: «прогресс до регионов доходит медленно», «на компьютере невозможно использовать», «отсутствует техническая возможность» и т.д. Отсутствие трудностей отметили 594 медицинских работника (72,0%).

Анализ потребности в обучении работе с МИ на основе ИИ показал, что 274 медицинских работника (33,2%) не проходили обучение, но сочли системы интуитивно понятными. Самостоятельное обучение указали 204 респондента (24,7%), 191 человек (23,2%) сообщил об отсутствии обучения и наличии трудностей в работе, а 156 опрошенных (18,9%) проходили специализированное обучение (рис. 9).

В случае необходимости обучения наиболее востребованными форматами респонденты назвали краткий базовый курс по началу работы с системой – 172 человека (20,8%) и онлайн-курс в удобное время – 159 человек (19,3%).

Подробные руководства или видеоинструкции предпочли 139 респондентов (16,8%), встроенные подсказки и пошаговое обучение – 116 человек (14,1%), практические семинары с разбором клинических случаев – 91 человек (11,0%).

Индивидуальное обучение или наставничество выбрал 61 участник (7,4%), другие форматы – 44 человека (5,3%), регулярные вебинары – 43 человека (5,2%) (рис. 10).

Запросы на развитие СППВР. Среди факторов, способных повысить удобство и полезность СППВР, респонденты чаще всего отмечали автоматическое заполнение медицинской документации – 212 человек (25,7%) и повышение точности и актуальности рекомендаций – 199 человек (24,1%).

Регулярное обновление базы знаний указали 144 респондента (17,5%), улучшение интерфейса и сокращение количества кликов – 118 (14,3%), наличие понятных обоснований рекомендаций – 92 человека (11,2%). Иные предложения отметили 60 медицинских работников (7,3%) (рис. 11).

Обсуждение

Полученные результаты подтверждают наличие разрыва между декларируемым потенциалом ИИ-решений и их реальным использованием в практике ПМСП.

При высокой представленности СППВР и мультимодальных МИ на основе ИИ значительная часть респондентов либо не использует доступные системы, либо ограничивает их применение отдельными регламентированными сценариями. Аналогичный «разрыв внедрения» описан в обзорах по ИИ в ПМСП и клинических СППВР, где при высокой технической точности алгоритмов повседневная интеграция в рабочие процессы остается фрагментарной из-за несоответствия клиническому контексту, перегрузки интерфейсов и недостатка доверия со стороны врачей [13–15].

Восприятие ИИ респондентами можно охарактеризовать как амбивалентное и сдержанно-позитивное: врачи признают потенциал снижения когнитивной нагрузки, стандартизации диагностики и стратификации рисков, но выражают настороженность в связи с «непрозрачностью» алгоритмов, неясным распределением ответственности и рисками «гиперзависимости» от подсказок системы и в итоге к «дескиллингу» [16,17].

Сходные установки демонстрируют врачи в международных исследованиях, по сути, формируется напряжение между стремлением к технологической рационализации и сохранением клинической автономии и традиционных форм профессионального суждения [18–20].

Отмечаемые барьеры носят преимущественно организационно-технологический характер: ограниченная интероперабельность с существующими МИС, дополнительная нагрузка, дефицит времени приема и недостаток обучения по работе с ИИ-решениями. Это приводит к тому, что ИИ преимущественно эксплуатируется в формализованных, нормативно закрепленных сценариях, тогда как его интеграция в более сложные диагностические и управленческие задачи остается точечной и ситуативной [21]. Таким образом, практики использования ИИ в ПМСП воспроизводят структуру «низкоавтономных» вспомогательных инструментов, а не полноценных партнеров в клиническом рассуждении.

Полученные данные подчеркивают значимость человекоцентричной парадигмы цифровой трансформации ПМСП, в рамках которой мультимодальные ИИ-системы концептуализируются как средства расширения, а не вытеснения профессиональных компетенций. Международные исследования показывают, что успешная интеграция ИИ в первичном звене зависит от совмещения технологических инноваций с развитием «цифровой медицинской грамотности», адаптацией рабочих процессов, наличием организационной поддержки и прозрачного управления рисками [22–25]. Наши результаты согласуются с этой повесткой, демонстрируя потребность врачей в обучении, методическом сопровождении и четких регламентах использования СППВР в клиническом процессе.

Ограничениями исследования являются перекрестный дизайн и самоотчетность медицинских работников, что может приводить к завышению доли цифрово-активных специалистов. Вместе с тем широкое географическое покрытие и включение разных категорий медицинских работников обеспечивают репрезентативный срез мнений о МИ на основе ИИ в отечественном первичном звене.

Заключение

Исследование выявило парадоксальную ситуацию сочетания высокой формальной распространенности МИ на основе ИИ в ПМСП с их фрагментарным использованием в повседневной клинической практике. Отношение врачей к ИИ носит амбивалентный характер: он воспринимается как ресурс когнитивной разгрузки и стандартизации, но одновременно как источник неопределенности, настороженность вызывают непрозрачность алгоритмов, неясность юридической ответственности и риск утраты элементов традиционного клинического мышления и коммуникации с пациентом. Выявленные барьеры во многом соответствуют международным данным и связаны прежде всего с организационно-технологическими и кадровыми факторами: недостаточной интероперабельностью систем, неудобной интеграцией в рабочие процессы, дефицитом времени и образовательных программ по ИИ.

Для повышения эффективности использования мультимодальных ИИ-решений в первичном звене требуется переход от изолированного технологического внедрения к комплексным программам, включающим проектирование пользовательских сценариев с врачами, целенаправленное развитие цифровой медицинской грамотности, а также создание устойчивых инфраструктурно-регуляторных рамок – механизмов мониторинга, сопровождения и «жизненного цикла» ИИ систем. Перспективными направлениями дальнейших исследований представляются оценка влияния ИИ на качество оказания медицинской помощи в ПМСП, изучение долгосрочной устойчивости применения конкретных ИИ-решений, а также разработка моделей управления изменениями, учитывающих специфику архитектуры медицинских информационных систем «нового поколения» в сфере здравоохранения Российской Федерации.

1. Канев А.Ф., Кобякова О.С., Куракова Н.Г., Шибалков И.П. Старение населения и устойчивость национальных систем здравоохранения. Обзор мировых практик. Национальное здравоохранение. 2023; 4 (4): 5–13. https://doi.org/10.47093/2713-069X.2023.4.4.5-13.
2. Alsudairy N., Alahdal A., Alrashidi M., Altashkandi D., Alzaidi S., Alghamdi A., & Alzahrani S. (2025). Artificial Intelligence in Primary Care Decision-Making: Survey of Healthcare Professionals in Saudi Arabia. Cureus, 17. https://doi.org/10.7759/cureus.81960.
3. Вошев Д.В., Шепель Р.Н., Вошева Н.А., Драпкина О.М. Искусственный интеллект в здравоохранении: исторический путь, вызовы и перспективы (1960–2025 гг.). Первичная медико-санитарная помощь. 2025; 2(3): 35–47. https://doi.org/10.15829/3034-4123-2025-72. EDN: EBZDFN.
4. Abdulazeem H., Meckawy R., Schwarz S., Novillo-Ortiz D. & Klug S. (2025). Knowledge, attitude, and practice of primary care physicians toward clinical AI-assisted digital health technologies: Systematic review and meta-analysis. International journal of medical informatics, 201, 105945. https://doi.org/10.1016/j.ijmedinf.2025.105945.
5. Mache S., Bernburg M., Wurtenberger A. & Groneberg D. (2025). Artificial Intelligence in Primary Care: Support or Additional Burden on Physicians’ Healthcare Work?-A Qualitative Study. Clinics and Practice. https://doi.org/10.3390/clinpract15080138.
6. Abdulazeem H., Meckawy R., Schwarz S., Novillo-Ortiz D. & Klug S. (2025). Knowledge, attitude, and practice of primary care physicians toward clinical AI-assisted digital health technologies: Systematic review and meta-analysis. International journal of medical informatics, 201, 105945. https://doi.org/10.1016/j.ijmedinf.2025.105945.
7. Osonuga A., Osonuga A., Fidelis S., Osonuga G., Juckes J. & Olawade D. (2025). Bridging the digital divide: artificial intelligence as a catalyst for health equity in primary care settings. International journal of medical informatics, 204, 106051 . https://doi.org/10.1016/j.ijmedinf.2025.106051.
8. Marti’nez-Marti’nez H., Marti’nez-Alfonso J., Sa’nnchez-Rojo-Huertas B., Reynolds-Cortez V., Ture’gano-Chumillas A., Meseguer-Ruiz V., Cekrezi S., & Marti’nez-Vizcai’no V. (2025). Perceptions of, Barriers to, and Facilitators of the Use of AI in Primary Care: Systematic Review of Qualitative Studies. Journal of Medical Internet Research, 27. https://doi.org/10.2196/71186.
9. Siira E., Tyskbo D. & Nygren, J. (2024). Healthcare leaders’ experiences of implementing artificial intelligence for medical history-taking and triage in Swedish primary care: an interview study. BMC Primary Care, 25. https://doi.org/10.1186/s12875-024-02516-z.
10. Negash S., Gundlack J., Buch, C., Apfelbacher T., Schildmann J., Frese T., Christoph J., & Mikolajczyk R. (2025). Physicians’ attitudes and acceptance towards artificial intelligence in medical care: a qualitative study in Germany. Frontiers in Digital Health, 7. https://doi.org/10.3389/fdgth.2025.1616827.
11. Драпкина Ю.С., Макарова Н.П., Калинин А.П., Смольникова В.Ю. Преимущества и барьеры внедрения искусственного интеллекта в медицину: результаты опроса 354 российских специалистов // Медицинский оппонент. 2025. №3. URL: https://cyberleninka.ru/article/n/preimuschestva-i-barieryvnedreniya-iskusstvennogo-intellekta-v-meditsinu-rezultatyoprosa-354-rossiyskih-spetsialistov (дата обращения: 04.12.2025).
12. Mizna S., Arora S., Saluja P., Das G., & Alanesi W. (2025). An analytic research and review of the literature on practice of artificial intelligence in healthcare. European Journal of Medical Research, 30. https://doi.org/10.1186/s40001-025-02603-6.
13. Katonai G., A’rvai N., & Mesko’ B. (2025). AI and Primary Care: Scoping Review. Journal of Medical Internet Research, 27. https://doi.org/10.2196/65950.
14. Yousefi F., Dehnavieh R., Laberge M., Gagnon M., Ghaemi M., Nadali M. & Azizi N. (2025). Opportunities, challenges, and requirements for Artificial Intelligence (AI) implementation in Primary Health Care (PHC): a systematic review. BMC Primary Care, 26. https://doi.org/10.1186/s12875-025-02785-2.
15. Sharma M., Savage C., Nair M., Larsson I., Svedberg P., & Nygren J. (2022). Artificial Intelligence Applications in Health Care Practice: Scoping Review. Journal of Medical Internet Research, 24. https://doi.org/10.2196/40238.
16. Вошев Д.В. Обзор методологий и моделей оценки цифровой зрелости в медицинских организациях, оказывающих первичную медико-санитарную помощь: международный и российский опыт / Д.В. Вошев // Наука молодых (Eruditio Juvenium). – 2023. – Т. 11, № 4. – С. 615–627. – DOI 10.23888/HMJ2023114615-627. – EDN YGGTKQ.
17. Сравнительный анализ использования электронных технологий Интернета вещей в сфере здравоохранения зарубежных стран и России / Д.В. Вошев, Н.А. Вошева, Р.Н. Шепель [и др.] // Менеджер здравоохранения. – 2023. – № 8. – С. 44–53. – DOI 10.21045/1811-0185-2023-8-44-53. – EDN KBFHTM.
18. Reddy S. (2024). Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implementation Science: IS, 19. https://doi.org/10.1186/s13012-024-01357-9.
19. Kuwaiti A., Nazer K., Al-Reedy A., Al-Shehri S., Almuhanna A., Subbarayalu A., Muhanna D. & Al-Muhanna F. (2023). A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine, 13. https://doi.org/10.3390/jpm13060951.
20. Mennella C., Maniscalco U., De Pietro G. & Esposito M. (2024). Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon, 10. https://doi.org/10.1016/j.heliyon.2024.e26297.
21. Ciecierski-Holmes T., Singh R., Axt M., Brenner S. & Barteit S. (2022). Artificial intelligence for strengthening healthcare systems in low- and middle-income countries: a systematic scoping review. NPJ Digital Medicine, 5. https://doi.org/10.1038/s41746-022-00700-y.
22. Goktas P. & Grzybowski A. (2025). Shaping the Future of Healthcare: Ethical Clinical Challenges and Pathways to Trustworthy AI. Journal of Clinical Medicine, 14. https://doi.org/10.3390/jcm14051605.
23. d’Elia A., Gabbay M., Rodgers S., Kierans C., Jones E., Durrani I., Thomas A. & Frith L. (2022). Artificial intelligence and health inequities in primary care: a systematic scoping review and framework. Family Medicine and Community Health, 10. https://doi.org/10.1136/fmch-2022-001670.
24. Вошев Д.В. Chatgpt как один из элементов цифровой медицинской грамотности: трансформация здравоохранения и первичной медико-санитарной помощи / Д.В. Вошев, Н.А. Вошева // Менеджер здравоохранения. – 2023. – № 10. – С. 58–64. – DOI 10.21045/1811-0185-2023-10-58-64. – EDN UIUUMS.
25. Nesa L., Rony M., Chowdhury S., Naznin M., Halder K., Ara M., Akter N., Mankhin K., Shabnur J., Alam J., Parvin M., Alrazeeni D., & Akter F. (2025). Artificial Intelligence in Healthcare: A Scoping Review of Medical Professionals’ Acceptance and Institutional Challenges in Implementation. Journal of evaluation in clinical practice, 31 4, e70170. https://doi.org/10.1111/jep.70170.