Конгрес Європейської академії неврології 2026: нові терапевтичні можливості та штучний інтелект у сучасній неврології | Український Медичний Часопис

Конгрес Європейської академії неврології (European Academy of Neurology — EAN) 2026 у Женеві окреслив одні з ключових напрямів розвитку сучасної неврології: розширення терапевтичних можливостей і впровадження штучного інтелекту у клінічну практику. Серед основних тем — нові підходи до реперфузійної терапії, профілактики постінсультної епілепсії, хворобомодифікувального лікування генетично зумовлених нейродегенеративних захворювань, а також використання штучного інтелекту для аналізу даних електроенцефалографії і магнітно-резонансної томографії, оцінки прогнозу та підтримки клінічних рішень. З практичної точки зору, важливими є не самі нові технології, а те, які саме клінічні рішення вони здатні змінити.

За матеріалами 12-го Конгресу Європейської академії неврології (Женева, 2026)

Мозок, технології та штучний інтелект (ШІ): де змінюються межі лікування

Секція конгресу «Мозок, технології та ШІ» об’єднала доповіді, присвячені розширенню терапевтичних можливостей у неврології — від перегляду часових меж реперфузійного лікування до спроб безпосередньо впливати на патогенетичні механізми захворювань. Важливе місце в секції посідало обговорення ішемічного інсульту в басейні заднього мозкового кровообігу. За даними, представленими Patrik Michel, внутрішньовенний тромболізис при ішемічному інсульті в басейні заднього мозкового кровообігу демонстрував щонайменше зіставну ефективність із його застосуванням при інсульті в басейні переднього мозкового кровообігу та супроводжувався нижчим ризиком симптомного внутрішньочерепного крововиливу [1].

Водночас дані щодо інсульту в басейні заднього мозкового кровообігу свідчать, що єдиний підхід не може однаково застосовуватися до всіх типів оклюзій. Найпереконливіший аргумент на користь ендоваскулярного лікування стосується оклюзії базилярної артерії. У метааналізі індивідуальних даних користь тромбектомії була значущою при значенні Шкали інсульту Національних інститутів здоров’я США (National Institutes of Health Stroke Scale — NIHSS) — 10–20 (відношення шансів (Odds Ratio — OR) 2,77; 95% довірчий інтервал (ДІ) 1,78–4,33) та >20 (OR 2,37; 95% ДІ 1,51–3,71), тоді як при NIHSS 0–9 перевага не була очевидною (OR 0,96; 95% ДІ 0,39–2,37). Для оклюзії задньої мозкової артерії доказовість набагато нижча: ретроспективні дані свідчать про можливе підвищення частоти відмінного функціонального результату, але без переконливого покращення показників модифікованої шкали Ренкіна (modified Rankin Scale, mRS) 0–2 і з вищим ризиком симптомного внутрішньочерепного крововиливу. Для оклюзії хребтової артерії рандомізовані дані фактично відсутні [2, 3].

Ще один важливий аспект — можливість пізнього тромболізису. У матеріалах досліджень EXPECTS та TRACE-5 відзначено користь внутрішньовенного тромболізису у вікні 4,5–24 год при ішемічному інсульті у басейні заднього мозкового кровообігу навіть без обов’язкової невідповідності між об’ємом незворотно ушкодженої тканини головного мозку (ядром інфаркту) та зоною гіпоперфузії. Це не означає, що часові межі перестали мати значення; радше з’являється підстава не відмовляти пацієнтові автоматично лише через вихід за класичні 4,5 год, особливо якщо ендоваскулярне лікування не планується. Практично це означає, що рішення при ішемічному інсульті у басейні заднього мозкового кровообігу має спиратися на поєднанні часу, локалізації оклюзії, тяжкості дефіциту, можливості ендоваскулярного лікування та індивідуального ризику кровотечі, а не лише на один часовий критерій (рис. 1) [4, 5].

Рисунок 1. Сучасний підхід до реперфузійної терапії при ішемічному інсульті в басейні заднього мозкового кровообігу. За матеріалами доповіді Patrik Michel «Ішемічний інсульт у басейні заднього мозкового кровообігу: сучасні дані щодо тромболізису та тромбектомії», EAN 2026

Eugen Trinka у своїй доповіді зосередив увагу на можливості впливати не лише на вже сформовані напади, а й на епілептогенез після інсульту. Такий підхід передбачає короткочасне втручання у пацієнтів із високим ризиком постінсультної епілепсії, а не профілактичне лікування всіх хворих. Для стратифікації ризику після ішемічного інсульту використовують шкалу SeLECT, а після внутрішньомозкового крововиливу — CAVE; у перспективі їх можуть доповнювати дані кількісної електроенцефалограми (ЕЕГ), нейровізуалізаційні та сироваткові біомаркери [6, 7]. У рандомізованому подвійному сліпому дослідженні фази 2a еслікарбазепіну ацетат призначали по 800 мг/добу протягом 30 днів пацієнтам із високим ризиком постінсультної епілепсії. Через 6 міс первинна комбінована кінцева точка виникла у 27,9% пацієнтів проти 37,1% у групі плацебо, однак різниця не була статистично значущою (p=0,3682; OR 0,66; 95% ДІ 0,31–1,40). Частота неспровокованих нападів становила 3,3 проти 11,3%. Отримані дані не підтримують рутинного профілактичного призначення протинападових лікарських засобів після інсульту, але обґрунтовують подальші дослідження у ретельно відібраних пацієнтів [8].

Третя тема секції була присвячена фронтотемпоральній лобарній дегенерації (ФТЛД) та продемонструвала, як результати генетичної діагностики поступово набувають безпосереднього терапевтичного значення. Одним із найактивніше досліджуваних напрямів є ФТЛД, асоційована з патогенними варіантами гена GRN, який кодує білок програнулін. Такі генетичні зміни призводять до недостатності програнуліну та пов’язаних із нею нейродегенеративних процесів. Перспективні терапевтичні стратегії передбачають доставку програнуліну до головного мозку через трансфериновий рецептор, генну терапію із застосуванням аденоасоційованих вірусних векторів (AAV-векторів), які вводять у центральну нервову систему (ЦНС), а також використання малих молекул, спрямованих на модифікацію синтезу, транспорту або розщеплення програнуліну. На ранніх етапах клінічних досліджень окремі підходи вже продемонстрували біологічну активність, зокрема здатність підвищувати рівень програнуліну в спинномозковій рідині. Водночас потенційна імуногенність AAV-векторів, можливість розвитку запальних реакцій у ЦНС, ризик генотоксичності та обмеження щодо повторного введення свідчать, що досягнення молекулярної корекції ще не означає доведеної клінічної ефективності [9].

Практичні висновки

При інсульті в басейні заднього мозкового кровообігу тактика залежить від локалізації оклюзії та тяжкості дефіциту.

В окремих пацієнтів може розглядатися тромболізис до 24 год; це індивідуальне, а не стандартне рішення.

Найбільш переконливі дані щодо тромбектомії отримані при оклюзії базилярної артерії та NIHSS ≥10; при NIHSS 0–9 перевага не доведена.

Рутинна профілактична протинападова терапія після інсульту не показана; шкали SeLECT і CAVE використовують для оцінки ризику постінсультної епілепсії.

Генна терапія при GRN-асоційованій ФТЛД поки залишається експериментальною.

ШІ у стаціонарі: від окремого алгоритму до цифрового маршруту пацієнта

Секція конгресу «ШІ у стаціонарі» (AI Hospital) була присвячена інтеграції технологій ШІ не в окремий діагностичний тест, а в послідовний клінічний маршрут пацієнта. Показовими були результати порівняння прогнозів, сформованих лікарями, із прогнозами алгоритмічних моделей. У проєкті MR PREDICTS точність прогнозування неврологами підвищувалася після використання моделі підтримки ухвалення рішень. Водночас було продемонстровано явище оптимістичного зміщення — тенденції клініцистів переоцінювати ймовірність сприятливого функціонального результату або ефективності лікування. Отже, ШІ може бути корисним не лише як інструмент кількісного прогнозування, а й як засіб підвищення об’єктивності та точності клінічного мислення [10].

Наступним етапом розвитку таких систем є агентний ШІ (agentic AI) — моделі, здатні послідовно виконувати кілька взаємопов’язаних завдань. Представлений у доповіді Stroke Agent («Інсультний агент») не обмежується розрахунком одного прогностичного показника. Система може звертатися до локальних клінічних протоколів і рекомендацій, аналізувати результати нейровізуалізації, оцінювати наявність перфузійної невідповідності, перевіряти протипоказання та інші клінічно значущі параметри, після чого формувати рекомендацію для підтримки лікарського рішення. Такий підхід значно краще відповідає реальному клінічному робочому процесу, однак одночасно підвищує вимоги до прозорості алгоритму: чим більше етапів система виконує автономно, тим важливішою стає можливість простежити логіку кожного окремого рішення та визначити потенційне джерело помилки.

Співвідношення між технологічною точністю та клінічною відповідальністю особливо виразно проявляється під час оцінювання пацієнтів із розладами свідомості. Одним із ключових понять у матеріалах Anna Estraneo була когнітивно-моторна дисоціація (КМД) — стан, за якого пацієнт не демонструє поведінкової відповіді на команду, хоча за даними ЕЕГ або функціональної МРТ виявляють відповідну активацію головного мозку (рис. 2). У представленому дослідженні, проведеному за участю 104 пацієнтів відділення інтенсивної терапії з гострим ураженням головного мозку, КМД за даними ЕЕГ виявили у 16 (15%) пацієнтів, які клінічно не виконували команди. Через 12 міс функціонального результату на рівні ≥4 балів за розширеною шкалою результатів Глазго досягли 44% пацієнтів із КМД порівняно з 14% пацієнтів без неї (OR 4,6; 95% ДІ 1,2–17,1) [11].

Рисунок 2 Мультимодальний підхід до діагностики розладів свідомості. За матеріалами доповіді Anna Estraneo «ШІ при розладах свідомості», EAN 2026

Примітки: СНБС / ВС — синдром неспання без відповіді (вегетативний стан); СМС− — стан мінімальної свідомості без ознак виконання команд; СМС+ — стан мінімальної свідомості зі збереженою здатністю виконувати команди; FOUR (Full Outline of UnResponsiveness) — шкала оцінювання рівня свідомості та неврологічних функцій; CRS-R (Coma Recovery Scale–Revised) — переглянута шкала відновлення після коми; ТМС — транскраніальна магнітна стимуляція; ССВП — слухові стовбурові викликані потенціали; КСВП — когнітивні слухові викликані потенціали; ПЕТ — позитронно-емісійна томографія; ДТІ — дифузійно-тензорна візуалізація.

Для клінічної практики це має не лише діагностичне, а й суттєве прогностичне та етичне значення, оскільки помилка у визначенні рівня свідомості може впливати на вибір реабілітаційної тактики, оцінку прогнозу та комунікацію з родиною пацієнта. Саме тому найбільш перспективним видається не автономне алгоритмічне встановлення діагнозу, а мультимодальний підхід, що поєднує стандартизовану поведінкову оцінку, ЕЕГ, позитронно-емісійну томографію (ПЕТ), структурну та дифузійну МРТ, а також функціональну МРТ. У цьому контексті принцип «ШІ підтримує, але не замінює клінічного судження» набуває особливої ваги.

При розсіяному склерозі ШІ може бути корисним не лише для автоматичного виявлення та підрахунку вогнищ на МРТ. У доповіді Celia Oreja-Guevara показано, що сучасні алгоритми здатні порівнювати МРТ-дослідження в динаміці, оцінювати атрофію головного мозку, визначати ознаку центральної вени та вогнища з парамагнітним обідком, а також допомагати у диференційній діагностиці розсіяного склерозу та нейромієліту оптичного спектра. Перспективним є й поєднання МРТ з оптичною когерентною томографією (ОКТ): в одному з представлених досліджень модель на основі 8 показників товщини структур сітківки та хоріоідеї досягла діагностичної точності 94,44%, а генеративні тривимірні ОКТ-моделі — до 89,2% [12, 13].

У подальшому це може змінити підхід до спостереження пацієнта: замість оцінки окремих МРТ-досліджень лікар отримуватиме комплексну цифрову картину, що поєднує дані МРТ, ОКТ, клінічні та лабораторні показники, а також інформацію з носимих пристроїв. Наступним етапом може стати створення «цифрового двійника» пацієнта — комп’ютерної моделі, яка об’єднує різні види даних і потенційно дозволяє прогнозувати перебіг захворювання та порівнювати можливі варіанти лікування. Наразі цей підхід залишається переважно дослідницьким, але він добре демонструє напрям розвитку персоналізованої неврології.

Практичні висновки

В окремих пацієнтів може розглядатися тромболізис до 24 год; це індивідуальне, а не стандартне рішення.

Рутинна профілактична протинападова терапія після інсульту не показана; шкали SeLECT і CAVE використовують для оцінки ризику постінсультної епілепсії.
Генна терапія при GRN-асоційованій ФТЛД поки залишається експериментальною.

Клінічні акценти для стаціонару

Системи підтримки рішень можуть зменшувати оптимістичне зміщення у прогнозуванні, особливо у менш досвідчених лікарів.

Агентні системи, зокрема Stroke Agent, поки залишаються перспективними; їхні висновки мають бути прозорими та перевірюваними.

При клінічній ареактивності слід враховувати можливість когнітивно-моторної дисоціації; за можливості доцільна мультимодальна оцінка за допомогою ЕЕГ і функціональної МРТ.

При розсіяному склерозі автоматизована кількісна оцінка МРТ уже може допомагати в об’єктивному моніторингу, тоді як концепція «цифрового двійника» залишається дослідницькою.

ШІ в амбулаторній неврології: що може реально змінити прийом пацієнта

Саме ця частина доповідей була найбільш наближеною до повсякденної роботи невролога. Лектори розглядали ШІ не як абстрактну технологію, а як практичний інструмент, здатний прискорити аналіз ЕЕГ, допомогти виявити структурні зміни, непомітні при стандартній оцінці МРТ, структурувати анамнез, уточнити ймовірність певного діагнозу та скоротити шлях до ефективної профілактичної терапії.

В епілептології найбільш переконливі результати наразі отримані для ЕЕГ та МРТ. Система SCORE-AI була навчена більш ніж на 30 тис. рутинних ЕЕГ і перевірена майже на 10 тис. незалежних записів. У прямому порівнянні з 11 експертами її середня точність становила близько 92%, тоді як у фахівців — 94%. У незалежній монреальській когорті точність моделі також залишалася високою — близько 92% порівняно з 94% в експертів. Для клінічної практики особливо перспективним є комбінований підхід «ШІ + експерт»: алгоритм попередньо сортує записи або виділяє найбільш інформативні фрагменти, після чого лікар проводить їх цільову оцінку. Саме така модель взаємодії наразі виглядає найбільш реалістичною для впровадження у практику [14, 15].

Аналіз МРТ за допомогою ШІ також змінює уявлення про так звані МРТ-негативні форми структурної епілепсії, коли стандартне дослідження не виявляє очевидної патології. Модель MELD Graph була оцінена у 703 пацієнтів із фокальною кортикальною дисплазією (ФКД) та 482 осіб контрольної групи. Її позитивна прогностична цінність становила 67–76%, а серед випадків, які раніше вважали МРТ-негативними, алгоритм виявляв ФКД у 63,7% (рис. 3). Інша система — AID-HS, розроблена для виявлення склерозу гіпокампа, — розпізнавала однобічне ураження у 90,1% випадків і правильно визначала його бік у 97,4%. Серед гістологічно підтверджених МРТ-негативних випадків патологічні зміни виявлені у 79,2% [16, 17]. Практичний висновок полягає в тому, що у пацієнта з фармакорезистентною фокальною епілепсією відсутність патології у стандартному описі МРТ не повинна автоматично припиняти пошук структурного субстрату.

Рисунок 3. Використання графової нейронної мережі MELD Graph для виявлення фокальної кортикальної дисплазії на МРТ. Адаптовано за матеріалами доповіді Sаndor Beniczky «ШІ в епілепсії» EAN 2026

У сфері паркінсонізму Christian Lambert показав, що ШІ може бути корисним не для простої відповіді «хвороба Паркінсона є чи немає», а для уточнення ймовірності різних паркінсонічних синдромів — хвороби Паркінсона, мультисистемної атрофії, прогресуючого над’ядерного паралічу, деменції з тільцями Леві та кортикобазальної дегенерації. Для цього аналізують сукупність клінічних ознак і порівнюють їх із великими масивами патоморфологічно підтверджених випадків [18].

Практично важливий висновок полягає в тому, що навіть високоточний біомаркер не слід оцінювати ізольовано. Якщо початкова ймовірність захворювання низька, навіть тест із чутливістю 98% і специфічністю 95,3% може давати хибнопозитивні результати. Отже, ШІ не замінює клінічного мислення, а допомагає точніше поєднувати результати тестів із клінічною картиною пацієнта.

Інший перспективний напрям — прогнозування перебігу хвороби. У даних Parkinson’s Progression Markers Initiative (PPMI — Ініціатива з вивчення маркерів прогресування хвороби Паркінсона) клінічні характеристики прогнозували майбутнє когнітивне погіршення. Поки що це інструмент дослідницької стратифікації, а не готовий клінічний калькулятор, однак такий підхід демонструє перехід від встановлення діагнозу до індивідуального прогнозування перебігу захворювання [19].

При мігрені найбільший практичний інтерес викликає не автоматичне встановлення діагнозу, а персоналізований вибір профілактичного лікування. У дослідженні за участю 1446 пацієнтів із хронічною мігренню алгоритм машинного підбору терапії ранжував 10 класів профілактичних препаратів відповідно до прогнозованої індивідуальної ефективності.

За модельними розрахунками, такий підхід міг скоротити час до призначення ефективної терапії приблизно на 35%, або на 3,75 міс (рис. 4). Водночас дослідження реальної клінічної практики за участю 4260 пацієнтів показало, що точність прогнозу суттєво залежить від конкретного препарату: площа під кривою концентрація — час (AUC) становила близько 0,58–0,67 для більшості традиційних засобів і 0,825 — для моноклональних антитіл до кальцитонін-гензв’язаного пептиду (calcitonin gene-related peptide — CGRP). Отже, ШІ поки що не може самостійно визначити «правильний» препарат для конкретного пацієнта, але може допомагати ранжувати варіанти лікування там, де прогностична точність моделі є достатньою [20, 21].

Рисунок 4. Персоналізоване ранжування профілактичної терапії мігрені за допомогою алгоритмічної моделі. Адаптовано за матеріалами доповіді Anker Stubberud «ШІ у лікуванні головного болю», EAN 2026

Ще одним перспективним напрямом є прогнозування нападів головного болю. Ранні моделі, що використовували дані про рівень стресу та записи щоденника головного болю, мали AUC близько 0,62–0,65. У новішому аналізі часових рядів за участю 146 пацієнтів і понад 21 тис. днів спостереження спеціалізована модель прогнозувала появу помірного або сильного головного болю наступного дня з AUC 0,84, а протягом наступних трьох діб — з AUC 0,76 [22]. Це створює можливість визначення індивідуальних періодів підвищеного ризику нападу, хоча клінічна ефективність профілактичного втручання саме у такі періоди ще потребує підтвердження.

Перспективним напрямом для широкого впровадження є автоматична обробка медичних текстів за допомогою технологій опрацювання природної мови (natural language processing — NLP). У дослідженні 1915 консультаційних записів донавчена мовна модель GPT-2 (Generative Pre-trained Transformer 2) автоматично визначала частоту головного болю з точністю повного збігу 92% та коефіцієнтом детермінації R²=0,89 [23]. Тому одним із перших масових використань великих мовних моделей у неврологічній амбулаторній практиці може стати не автономне встановлення діагнозу, а функція цифрового медичного асистента, який перетворює вільний текст консультації на структуровану клінічну інформацію.

Загалом доповіді цієї секції показали, що найбільш корисним для амбулаторного невролога сьогодні є не ШІ, який намагається повністю замінити лікаря, а технології, що зменшують обсяг рутинної роботи, допомагають виявляти малопомітні зміни, систематизують великі масиви інформації та підтримують ухвалення клінічних рішень. Саме така модель — «лікар + ШІ» — наразі має найбільший потенціал для практичного застосування.

Практичні висновки

Клінічні акценти для амбулаторного прийому

При фармакорезистентній фокальній епілепсії негативна МРТ не виключає структурного ураження; за можливості доцільний повторний експертний аналіз.

ШІ-аналіз ЕЕГ може пришвидшувати перегляд записів, але не замінює нейрофізіолога.

При паркінсонічних синдромах результати тестів слід оцінювати з урахуванням вихідної ймовірності діагнозу.

При мігрені ШІ може допомагати ранжувати профілактичну терапію, але не повинен бути єдиною підставою для вибору препарату.

Найближче практичне застосування ШІ — автоматичне структурування медичної документації та клінічних даних.

Конгрес EAN 2026 продемонстрував, що сучасна неврологія рухається до більш раннього, точного та персоналізованого лікування. ШІ поступово стає інструментом підтримки клінічних рішень — від аналізу ЕЕГ і МРТ до прогнозування та вибору терапії. Водночас його цінність визначається не лише точністю алгоритмів, а й клінічною доцільністю, прозорістю та зовнішньою валідацією. Оптимальною моделлю залишається поєднання можливостей цифрових технологій із клінічним досвідом лікаря.

Список використаної літератури

1. Keselman B., Gdovinová Z., Jatuzis D. et al. (2020) Safety and outcomes of intravenous thrombolysis in posterior versus anterior circulation stroke. Stroke, 51(3): 876–882. doi: 10.1161/STROKEAHA.119.027071.
2. Nogueira R.G., Jovin T.G., Liu X. et al.; ATTENTION, BASICS, BAOCHE, and BEST Investigators (2025) Endovascular therapy for acute vertebrobasilar occlusion (VERITAS): a systematic review and individual patient data meta-analysis. Lancet, 405(10472): 61–69. doi: 10.1016/S0140-6736(24)01820-8.
3. Chen H., Khunte M., Colasurdo M. et al. (2024) Thrombectomy vs medical management for posterior cerebral artery stroke: systematic review, meta-analysis, and real-world data. Neurology, 102(9): e209315. doi: 10.1212/WNL.0000000000209315.
4. Yan S., Zhou Y., Lansberg M.G. et al.; EXPECTS Group (2025) Alteplase for posterior circulation ischemic stroke at 4.5 to 24 hours. N. Engl. J. Med., 392(13): 1288–1296. doi: 10.1056/NEJMoa2413344.
5. Xiong Y., Alemseged F., Cao Z. et al.; TRACE-5 Investigators (2026) Tenecteplase versus standard medical treatment for basilar artery occlusion within 24 h (TRACE-5): a multicentre, prospective, randomised, open-label, blinded-endpoint, superiority, phase 3 trial. Lancet, 407(10530): 763–772. doi: 10.1016/S0140-6736(25)02633-9.
6. Galovic M., Döhler N., Erdélyi-Canavese B. et al. (2018) Prediction of late seizures after ischaemic stroke with a novel prognostic model (the SeLECT score): a multivariable prediction model development and validation study. Lancet Neurol., 17(2): 143–152. doi: 10.1016/S1474-4422(17)30404-0.
7. Haapaniemi E., Strbian D., Rossi C. et al. (2014) The CAVE score for predicting late seizures after intracerebral hemorrhage. Stroke, 45(7): 1971–1976. doi: 10.1161/STROKEAHA.114.004686.
8. Koepp M.J., Trinka E., Mah Y.-H. et al.; Study BIA-2093-213 Investigators (2026) Safety and efficacy of eslicarbazepine acetate for seizure prevention in patients with stroke at high risk of developing post-stroke epilepsy: a proof-of-concept, phase 2a, randomised, double-blind, placebo-controlled antiepileptogenesis trial. Lancet Neurol., 25(3): 256–267. doi: 10.1016/S1474-4422(25)00491-0.
9. Sevigny J., Uspenskaya O., Heckman L.D. et al. (2024) Progranulin AAV gene therapy for frontotemporal dementia: translational studies and phase 1/2 trial interim results. Nat. Med., 30(5): 1406–1415. doi: 10.1038/s41591-024-02973-0.
10. Herzog L., Blindenbacher N., Globas C. et al. (2026) Human intuition vs. computational precision: neurologists, feature-based models, and deep learning for stroke prognosis [Preprint]. medRxiv. doi: 10.64898/2026.06.12.26355559.
11. Claassen J., Doyle K., Matory A. et al. (2019) Detection of brain activation in unresponsive patients with acute brain injury. N. Engl. J. Med., 380(26): 2497–2505. doi: 10.1056/NEJMoa1812757.
12. López-Varela E., Barreira N., Olivier Pascual N. et al. (2026) Detecting, characterizing and visualizing multiple sclerosis in optical coherence tomography through biomarker selection. Biocybern. Biomed. Eng., 46(1): 188–201. doi: 10.1016/j.bbe.2026.01.005.
13. López-Varela E., Olivier Pascual N., Quezada-Sánchez J. et al. (2025) Enhanced multiple sclerosis diagnosis using high-resolution 3D OCT volumes with synthetic slices. Pattern Recognit. Lett., 189: 99–105. doi: 10.1016/j.patrec.2025.01.011.
14. Tveit J., Aurlien H., Plis S. et al. (2023) Automated interpretation of clinical electroencephalograms using artificial intelligence. JAMA Neurol., 80(8): 805–812. doi: 10.1001/jamaneurol.2023.1645.
15. Mansilla D., Tveit J., Aurlien H. et al. (2024) Generalizability of electroencephalographic interpretation using artificial intelligence: an external validation study. Epilepsia, 65(10): 3028–3037. doi: 10.1111/epi.18082.
16. Ripart M., Spitzer H., Williams L.Z.J. et al. (2025) Detection of epileptogenic focal cortical dysplasia using graph neural networks: a MELD study. JAMA Neurol., 82(4): 397–406. doi: 10.1001/jamaneurol.2024.5406.
17. Ripart M. et al. (2025) Automated and interpretable detection of hippocampal sclerosis in temporal lobe epilepsy: AID-HS. Ann. Neurol., 97(1): 62–75. doi: 10.1002/ana.27089.
18. Massey Q., Nihoyannopoulos L., Zeidman P. et al. (2025) Refining the diagnostic accuracy of Parkinsonian disorders using metaphenomic annotation of the clinicopathological literature. npj Parkinsons Dis., 11: 314. doi: 10.1038/s41531-025-01157-y.
19. Smith N., Williams O.A., Ricciardi L. et al. (2021) Predicting future cognitive impairment in de novo Parkinson’s disease using clinical data and structural MRI [Preprint]. medRxiv. doi: 10.1101/2021.08.13.21261662.
20. Stubberud A., Gray R., Tronvik E., Matharu M., Nachev P. (2022) Machine prescription for chronic migraine. Brain Commun., 4(3): fcac059. doi: 10.1093/braincomms/fcac059.
21. Chiang C.-C., Schwedt T.J., Dumkrieger G. et al. (2024) Advancing toward precision migraine treatment: predicting responses to preventive medications with machine learning models based on patient and migraine features. Headache, 64(9): 1094–1108. doi: 10.1111/head.14806.
22. Faisal F., Poole A.C., Danelakis A. et al. (2026) Forecasting migraine with time-series machine learning from mobile health data. J. Headache Pain, 27(1): 91. doi: 10.1186/s10194-026-02346-7.
23. Chiang C.-C., Luo M., Dumkrieger G. et al. (2024) A large language model-based generative natural language processing framework fine-tuned on clinical notes accurately extracts headache frequency from electronic health records. Headache, 64(4): 400–409. doi: 10.1111/head.14702.

Підготувала Д.С. Коваль