Черговий заголовок обіцяє «революційний ШІ, який діагностує хвороби головного мозку краще за лікарів». А потім фахівець заходить у кабінет, де дані електроенцефалографії (ЕЕГ) треба інтерпретувати самому, результати магнітно-резонансної томографії (МРТ) радіолог описує «своїми словами», а пацієнт із мігренню запитує, чи можна встановити застосунок, який передбачить напад. Саме цей розрив між публічним хайпом і реальним інструментарієм у кабінеті об’єднав дві наукові сесії конгресу Європейської академії неврології (European Academy of Neurology — EAN) у Женеві 28 червня 2026 р., присвячені використанню штучного інтелекту (ШІ) в неврології. 6 доповідачів говорили про абсолютно різні хвороби. Висновки в них вийшли напрочуд схожими.
Доповідачами сесії «AI in outpatient neurology» (амбулаторна неврологія) виступили:
- Sándor Beniczky — професор Копенгагенського університету, керівник відділу клінічної нейрофізіології Данського центру епілепсії (Dianalund, Данія) — «AI in epilepsy»;
- Christian Lambert — лікар-консультант-невролог у Queen Square (Лондон), провідний науковий співробітник Wellcome Centre for Human Neuroimaging, UCL (Велика Британія) — «AI for Parkinson’s disease and rare parkinsonian conditions»;
- Anker Stubberud — керівник групи Machine Intelligence and Headache, Norwegian Centre for Headache Research, Тронгейм (Норвегія) — «AI in headache care».
Доповідачами сесії про використання ШІ при інсульті, порушеннях свідомості та розсіяному склерозі (РС) стали:
- Susanne Wegener — професорка Цюрихського університету, керівниця Інсультного центру Університетської клінічної лікарні Цюриха (Швейцарія) — «AI in acute stroke»;
- Anna Estraneo — керівниця дослідницького підрозділу в IRCCS Fondazione Don Carlo Gnocchi (San Sebastiano al Vesuvio, Італія) — «AI in disorders of consciousness»;
- Celia Oreja-Guevara — неврологиня, Мадрид (Іспанія), керівниця центру розсіяного склерозу — «AI in identification & diagnosis of multiple sclerosis».
Ця стаття — радше спроба концентрувати з доповідей те, що має практичну цінність для українського невролога вже сьогодні: де ШІ вже задіяний і навіть сертифікований, де він залишається багатообіцяючою, але ще «сирою» технологією, а де є просто маркетинговою обгорткою навколо публікації в журналі з високим імпакт-фактором.
Спільний знаменник 6 доповідей
Перш ніж заглиблюватися в деталі, варто зафіксувати спільну ідею усіх 6 доповідей. За словами S. Beniczky, лише за минулий рік вийшло понад 1600 наукових публікацій про ШІ в епілептології, і сотні алгоритмів заявляють про «експертний рівень точності». Але лише одиниці отримали регуляторне схвалення (CE-маркування або дозвіл Управління з контролю за харчовими продуктами та лікарськими засобами США (Food and Drug Administration — FDA), і ще менше реально впроваджені в клінічну практику. Цю саму диспропорцію так чи інакше озвучили всі 6 доповідачів незалежно від того, йшлося про класифікацію головного болю, прогноз після інсульту чи діагностику РС.
Причин розриву 2: регуляторні органи фізично не встигають за темпами розвитку технології (поки модель проходить сертифікацію, вона вже технологічно застаріла), а дослідницька спільнота часто зацікавлена радше в публікації в журналі з високим імпакт-фактором, ніж у доведенні розробки до реального впровадження (рис. 1).
Другий спільний момент стосується термінології. Кілька доповідачів наполягали, що «ШІ» є парасольковим терміном, як «синдром» у клінічній медицині: під ним приховані різні інструменти з різними обмеженнями (рис. 2). Ієрархія така: машинне навчання (для відносно невеликих, структурованих наборів даних) → глибоке навчання / нейронні мережі (для великих масивів даних, знаходять складні патерни, але й ризикують «перенавчитися») → фундаментальні (foundation) моделі — мережі, попередньо натреновані на величезних масивах і потім адаптовані під конкретну задачу → генеративний ШІ (мовні моделі, генерація зображень) на їхній основі. Кожен рівень має свою «ціну»: вимоги до обсягу даних, обчислень, ризик неузагальнюваності та ступінь інтерпретованості результату.
І третій наскрізний висновок: майже в кожній доповіді найкращі результати давала не повна автоматизація, а гібридна модель, коли алгоритм робить першу «грубу» роботу, а лікар перевіряє й затверджує висновок. Ця закономірність повторювалася в ЕЕГ-діагностиці епілепсії, у прогнозуванні після інсульту, у дизайні чат-бота для пацієнтів із РС. По суті, це і є головна практична порада всієї конференції.
Перші сертифікати отримані в епілептології
З усіх 6 доповідей саме епілептологія дала найбільше прикладів уже сертифікованих інструментів. S. Beniczky послідовно пройшовся по кожному домену — від діагностики до нейростимуляції.
ЕЕГ. Найзрілішою є автоматична детекція міжіктальних епілептиформних розрядів. Модель SCORE AI, натренована на понад 30 тис. експертно розмічених ЕЕГ із Норвегії та Данії, отримала і маркування CE, і дозвіл FDA; її точність у зовнішній валідації (включно з даними з Монреаля, отриманими на іншому обладнанні) виявилася порівнянною з точністю фахівців.
Практична цінність для лікарні без штатного епілептолога-нейрофізіолога: система автоматично сортує рутинні ЕЕГ на «норма» / «патологія» і навіть довготривалі відеомоніторинги — на сегменти, де варто шукати відхилення, що економить лікарю години перегляду. Але й тут найкращий результат дає не повна автоматизація, а гібридний режим, коли фахівець переглядає лише позначені алгоритмом кластери: чутливість залишається на рівні ШІ, а специфічність — на рівні людини.
Автоматична детекція самих нападів (не лише міжіктальних розрядів) також має сертифіковані рішення (згадувалися 2 продукти з регуляторним схваленням — один з Австрії, інший, Persyst, зі США), але тут результати скромніші: частина нападів пропускається, а хибних спрацювань більше, тож повна довіра алгоритму для кількісної оцінки нападів поки не виправдана.
МРТ. Моделі для пошуку фокальної кортикальної дисплазії (найчастіша причина фармакорезистентної фокальної епілепсії, яку нерідко «не видно» на звичайній МРТ) і моделі для виявлення склерозу гіпокампа демонструють дуже високу чутливість і навіть інтерпретовані «теплові карти» ймовірної локалізації ураження. Регуляторного схвалення в цій царині поки що немає — це дослідницькі інструменти.
Пошук кандидатів на хірургію епілепсії. Велика мовна модель, натренована на клінічній документації, знаходила вдвічі більше потенційних кандидатів на епілептохірургію, ніж лікарі — на практиці. Це натяк на масштаб недовикористання хірургії (типова затримка направлення понад 10 років).
Носимі пристрої. Мабуть, найбільш «дозріла для життя» технологія з усіх заявлених. Браслети (Embrace / Epi-monitor) та розробки на базі Apple Watch (EpiWatch) для детекції генералізованих тоніко-клонічних нападів мають сертифікацію, майже 100% чутливість і низьку частоту хибних тривог, особливо важливу вночі. Подібний підхід (нейромережа поверх ЕЕГ-обруча) тестували для об’єктивного відстеження ефективності лікування абсансів — дві третини пацієнтів узагалі не мали хибних спрацювань.
Генетика й підбір терапії. ШІ, натренований на структурованих даних електронних медичних карток, здатен запідозрити моногенну епілепсію (наприклад SCN1A-асоційовані форми) на роки раніше за традиційний шлях діагностики. А це до чверті всіх ранньодебютних епілепсій. Для інтерпретації варіантів невизначеного значення (до третини результатів генетичного тестування) моделі, що поєднують 3D-структуру білка, еволюційну консервативність і популяційні бази даних, дають додатковий бал вірогідності патогенності. Але фінальне рішення завжди залишається за людиною. Зведену карту зрілості всіх цих напрямів епілептології від сертифікованих рішень до чисто дослідницьких показано на рис. 3.
Прогнозування відповіді на протисудомні препарати поки на прийнятному, але не проривному рівні. За словами доповідача, досі поступається класичним клінічним алгоритмам, що ґрунтуються на доказах. А для нейростимуляції (передусім стимуляції блукаючого нерва) нещодавні систематичний огляд і метааналіз показали об’єднаний AUC близько 0,88. Непогано, але недостатньо для рекомендації клінічного впровадження. Регуляторного схвалення немає в жодному з цих двох напрямів.
Чому досвідчені лікарі помиляються з хворобою Паркінсона
Перш ніж тренувати ШІ наборами даних, варто визнати незручний факт: навіть досвідчені фахівці все ще помиляються приблизно в 1 випадку з 10, приймаючи атиповий паркінсонізм за істинну (ідіопатичну) хворобу Паркінсона, і ще в 1 з 10 — навпаки, пропускають справжню хворобу Паркінсона, вважаючи її атиповою формою. Найчастіше це трапляється при агресивних, «злоякісних» фенотипах хвороби. На цьому наголосив Christian Lambert (Queen Square, Лондон; UCL Wellcome Centre for Human Neuroimaging). Симптоми з’являються лише після втрати 60–70% дофамінергічних нейронів чорної субстанції. Тобто клінічно лікар зустрічає пацієнта вже на середині шляху хвороби, хоча продромальний період може тривати 10–20 років.
Ключова ідея доповіді — не «нейромережа замість лікаря», а ймовірнісна діагностика: замість жорсткої категорії «хвороба Паркінсона / не хвороба Паркінсона» система видає ймовірність для кожного можливого діагнозу на основі даних майже 10 000 патоморфологічно підтверджених випадків, комбінуючи фенотип, вік дебюту, дані МРТ і біомаркери. Це дозволяє, наприклад, побачити пастку скринінгових тестів у безсимптомній популяції: навіть тест із чутливістю 98% (наприклад seed-amplification assay для виявлення альфа-синуклеїну) у групі, де хвороби має лише невелика частка обстежених, дає до 30% хибнопозитивних результатів. Це критично важливо при формуванні груп для клінічних випробувань.
Ще один перспективний, неінвазивний напрям: кількісна МРТ стовбура головного мозку (сегментація ядер за допомогою magnetization transfer та protein density imaging) дозволяє відтворити діагностичну точність, порівнянну з DAT-сканом, без потреби в радіофармпрепараті — і навіть відстежувати індивідуальне «випадання» об’єму чорної субстанції в динаміці в осіб із розладом поведінки у фазі швидкого сну. Загальну логіку такої ймовірнісної діагностики ілюструє рис. 4.
Окрема лінія доповіді — концепція цифрових двійників: динамічної віртуальної моделі пацієнта, що поєднує клінічні, візуалізаційні і навіть клітинні дані (індуковані плюрипотентні стовбурові клітини з біопсії шкіри) для прогнозування індивідуальної траєкторії хвороби. Ідея полягає в можливості оцінювати ефект нового препарату не проти середньогрупового показника (потрібні тисячі пацієнтів і роки спостереження), а проти індивідуально прогнозованої траєкторії, що дозволяє виявити клінічно значущий ефект за суттєво меншого розміру вибірки. Це поки дослідницький, а не клінічний інструмент, але напрямок, з яким варто ознайомитися вже зараз. Саме на ньому будуть створюватися дизайни майбутніх випробувань хворобомодифікувальної терапії.
Важливе застереження від самого доповідача: моделі не роблять чудес. Вони не можуть відновити інформацію, якої не було в жодній із вхідних модальностей. Показовий приклад: алгоритм, натренований лише на «здорових» зображеннях головного мозку, після обробки знімків пацієнтів із хворобою Альцгеймера просто «прибирав» патологію, роблячи мозок візуально нормальним. Не тому, що патології не було, а тому, що модель ніколи не бачила, як виглядає хвороба.
Головний біль: пастка стовідсоткової точності
Головний біль Anker Stubberud (Norwegian Centre for Headache Research, Тронгейм) розклав на 4 напрями: обробка природної мови (NLP), діагностика й класифікація, прогнозування відповіді на лікування та прогнозування самого нападу («форкастинг»).
NLP-моделі вже здатні витягувати з неструктурованого тексту медичних записів кількість днів із головним болем на місяць із точністю близько 92%, а моделі, натреновані на текстовому описі болю пацієнтом, розрізняють мігрень і кластерний головний біль.
До діагностичних моделей із «вражаючими» 90%+ точності доповідач порадив ставитися критично: більшість навчаються на клінічних характеристиках і тригерах, тобто на тих самих критеріях, за якими діагноз і встановлюється. Виникає «циркулярна логіка»: модель по суті вчиться відтворювати діагностичні критерії, а не розпізнавати справжню фізіологічну відмінність мігрені від інших форм болю. Примітно, що простіша експертна система на основі діагностичних критеріїв дала 90% чутливості й 96% специфічності. Це не гірше за складні моделі. Водночас коли таким інструментом озброїли лікарів інших спеціальностей (не неврологів), їхня діагностична точність зросла із близько 40 до 80%. Це один із найпомітніших практичних результатів усієї доповіді: не заміна невролога, а помітне підвищення компетентності лікаря первинної ланки.
Кластерний аналіз без діагностичних міток (дані понад 12 000 осіб з норвезького дослідження HUNT) виявив 4 природні підгрупи мігрені: з переважанням шлунково-кишкових симптомів, з болем у шиї, класичну мігрень з аурою та гетерогенну групу з м’язово-скелетним болем, тривогою й депресією. Чи мають ці кластери значення для вибору лікування — поки невідомо.
Прогнозування відповіді на профілактичну терапію мігрені показало нерівномірні результати: для ботулінотоксину модель ледь перевершувала підкидання монети (AUC 0,58), тоді як для антитіл до CGRP точність була значно вищою (AUC 0,83). Цікавий практичний розвиток цієї ідеї — так зване машинне призначення (machine prescription): оцінка індивідуалізованого ефекту лікування для ранжування, який із 10 профілактичних препаратів імовірніше спрацює саме в цього пацієнта. У дослідженні майже 1500 пацієнтів із хронічною мігренню (Національна лікарня неврології, Лондон) такий підхід скоротив час до першого ефективного лікування майже на 40% порівняно зі стандартним послідовним підбором за настановами.
Прогнозування самого нападу («forecasting») на основі щоденників, носимих сенсорів і навіть погодних даних дало неоднорідні результати (AUC від 0,62 до 0,84 залежно від дизайну), і, що важливо, доповідач чесно визнав: досі невідомо — прогнозування нападу справді допомагає пацієнту чи, навпаки, може погіршувати перебіг через тривожне очікування. Це питання для проспективних досліджень, а не для маркетингу застосунків.
При інсульті модель обережніша за людину
Використання ШІ в інсультології вже давно не футуристика: автоматичні карти перфузії надходять просто на телефон черговому неврологу. З цього визнання почала Susanne Wegener (Цюрихський університет, Інсультний центр Університетської клінічної лікарні Цюриха). Застереження тут теж є: на одному зі знімків алгоритм помилково «намалював» зону ішемії там, де насправді був звичайний лейкоараїоз. Без нагляду людини такі системи однозначно небезпечні.
Один із ключових блоків доповіді — прогнозування функціонального результату через 3 міс (модифікована шкала Ренкіна). У власному дослідженні групи порівняли точність досвідчених неврологів і моделей на основі згорткових нейромереж: лише за клінічними даними точність лікарів становила близько 60%, і моделі на клінічних даних окремо теж не показали кращого результату. Але коли додали дані МРТ, моделі почали помітно випереджати людей. Повторили експеримент на даних рандомізованого дослідження MR CLEAN (з комп’ютерною томографією (КТ), а не МРТ) і виявили: коли лікарям дали на допомогу простий калькулятор MR PREDICT, покращилися прогнози лише в менш досвідчених оцінювачів, а найдосвідченіші фахівці від підказки алгоритму не виграли нічого (рис. 5). З’ясувалося й те, що навіть експерти неточно вручну визначають ASPECTS-показник, локалізацію оклюзії та колатеральний кровотік — ті самі змінні, які потрібні для MR PREDICT. Натомість алгоритм витягує їх автоматично й консистентно.
Ще одне спостереження — виявлений «оптимістичний зсув» лікарів: вони систематично недооцінювали тяжкість прогнозу для пацієнтів, які отримали ендоваскулярне лікування, і навпаки — були надто песимістичними щодо чоловіків і пацієнтів літнього віку. Алгоритми цього зсуву не мали. Автори визнають і слабке місце самих моделей: модифікована шкала Ренкіна — надто грубий показник результату (пацієнт помирає від зовсім іншої причини й отримує максимальний бал інвалідизації). Тому команда зараз переходить на чистіші кінцеві точки (NIHSS через 24–36 год, аналіз ходи за допомогою pose estimation).
Найбільш «готовою до майбутнього впровадження» виглядає розробка на основі фундаментальної моделі, натренованої розпізнавати ризик фібриляції передсердь і передсердної кардіоміопатії за звичайною електрокардіограмою (ЕКГ) синусового ритму (масив UK Biobank, валідація на когортах з Бразилії та серед пацієнтів з інсультом). Модель перевершила класичні біомаркери крові та калькулятор ризику CHARGE-AF, і навіть працює на скороченому (holter) відведенні ЕКГ. Тобто теоретично може прискорити рішення про призначення антикоагулянтів пацієнтам із криптогенним емболічним інсультом без багаторічного очікування на «впіймання» пароксизму фібриляції. Утім, доповідачка чітко підкреслила: це потребує проспективної перевірки, перш ніж змінювати клінічну практику.
Насамкінець згадано концепцію «агентного ШІ» — систему на основі локальних стандартних операційних процедур (SOP) і настанов (наприклад European Stroke Organisation — ESO), яка в реальному часі підказує черговому лікарю, чи підходить пацієнт під критерії тромбектомії, демонструючи відповідний mismatch-профіль. Це радше напрямок розвитку, ніж готовий продукт. Європейський консорціум MAGIC (обмін знеособленими зображеннями інсульту між центрами) — приклад того, як накопичують дані для валідації таких систем.
Порушення свідомості не завжди помітні для ока
Кома, вегетативний стан (коректніша сучасна назва — синдром ареактивного неспання) і стан мінімальної свідомості — це, певно, найбільш емоційно й етично навантажена тема серед усіх 6 доповідей. Її представила Anna Estraneo (IRCCS Fondazione Don Carlo Gnocchi, Італія). Настанови EAN та Американської академії неврології рекомендують як золотий стандарт стандартизовану поведінкову оцінку (шкала CRS-R), доповнену мультимодальним обстеженням: нейрофізіологією та нейровізуалізацією.
Головний клінічний виклик — так звана прихована свідомість (covert awareness): до 15% пацієнтів у комі та до 25% у стані ареактивного неспання, які поведінково виглядають повністю непритомними, насправді демонструють цілеспрямовану мозкову активність у відповідь на активні завдання (уявний рух, уявна гра в теніс) або складну обробку інформації у відповідь на пасивні стимули (музика). Метафору «айсберга», де поведінкова оцінка бачить лише вершину, ілюструє рис. 6. Це критично важливо, бо саме ці пацієнти мають статистично кращий прогноз. У представленому дослідженні модель на основі методу опорних векторів, застосована до кількісної ЕЕГ під час завдання «відкрий-закрий очі», розпізнала таку приховану свідомість майже в половини протестованих пацієнтів.
Автоматична класифікація ЕЕГ (нормальна активність / патерни, характерні для стану мінімальної свідомості / низьковольтна активність, типова для ареактивного неспання) досягає високої точності на рівні окремого пацієнта, особливо на «чітких» випадках, невизначені ж випадки система коректно перенаправляє на експертну оцінку. Цінність підходу не в заміні нейрофізіолога, а в тому, що спеціалізовані центри отримують інструмент попереднього сортування, а неспеціалізовані заклади (де ЕЕГ часто взагалі нема кому інтерпретувати) отримують хоч якийсь орієнтир.
Щодо прогнозування результату, мультимодальні моделі (кількісна ЕЕГ + функціональна й структурна МРТ + позитронно-емісійна томографія (ПЕТ) з фтордезоксиглюкозою — ФДГ), валідовані вже на 3 незалежних міжнародних когортах, показали: для точності діагнозу найбільш інформативним виявився ПЕТ з ФДГ, а для прогнозу — дифузійна МРТ (стан білої речовини). Окремо цікавий інструмент — індекс домену свідомості (Consciousness Domain Index), який автоматично за допомогою некерованого машинного навчання кластеризує бали шкали CRS-R і дає точніший прогноз на коротко-, середньо- і довгостроковому горизонті, ніж сира сумарна оцінка за шкалою. Лікар може порахувати цей індекс, просто ввівши в модель уже наявні бали CRS-R. Це не потребує додаткового обладнання.
Утім, доповідачка була однозначною щодо меж застосовності: доказова база тут іще вкрай мала, дослідження гетерогенні, зовнішньої валідації бракує, а соціальна підтримка, попередній функціональний стан та інші важливі для прогнозу фактори в моделі часто взагалі не потрапляють. На сьогодні ШІ в цій сфері може лише підтримувати, але не замінювати клінічне судження.
У клініках лікування РС ШІ вже працює на прийомі
З усіх 6 тем РС виявився найближчим до щоденної рутини звичайного невролога, і саме тут найбільше прикладів технологій, які вже можна придбати й використовувати, а не лише читати про них у препринтах. Про це говорила Celia Oreja-Guevara (Мадрид, Іспанія).
Відправна точка — проблема помилкової діагностики РС (за наведеними даними, у США оцінка помилкових діагнозів сягає близько 30%, у Європі, зокрема завдяки ширшому використанню аналізу спинномозкової рідини, показник нижчий). Нові критерії McDonald (2024/2025) додали зоровий нерв як 5-ту топографію та формалізували два МРТ-маркери, які людському оку побачити важко, але які істотно підвищують специфічність діагнозу: ознака центральної вени (central vein sign) та парамагнітні кільцеподібні ураження (paramagnetic rim lesions — PRL). Наявність останніх на первинній МРТ асоціюється з імовірністю РС близько 99%. Проблема в тому, що вручну шукати ці ознаки в кожному осередку нереалістично для завантаженого радіолога; спеціалізоване програмне забезпечення (ПЗ) для їх автоматичного пошуку поки що переважно локальне, лікарняне, не масово комерціалізоване.
А от те, що вже фактично працює в клінічній рутині кількох іспанських центрів, — це комерційне ПЗ для автоматичного підрахунку та сегментації осередків демієлінізації й кількісної оцінки атрофії головного мозку на МРТ: чутливість / точність на рівні 97–99%, готовий структурований звіт (кількість осередків, локалізація, порівняння з попереднім дослідженням, об’ємні показники сірої й білої речовини), і все це формується за лічені хвилини замість годин ручної обробки. Важливий контраргумент на типове заперечення «алгоритм не ідеальний»: людська міжекспертна варіабельність при підрахунку осередків на МРТ теж далека від ідеалу, тож питання не «ідеальний ШІ чи недосконала людина», а яка комбінація дає меншу похибку.
Менш очевидний приклад — застосунок для аналізу оптичної когерентної томографії (ОКТ), який виокремлює до 200 «біомаркерів» у різних сегментах шару нервових волокон сітківки; комбінація 8 найінформативніших дає діагностичну точність близько 90–94% для розрізнення РС і подібних станів (нейромієліт зорового нерва, MOG-асоційоване захворювання), а тривимірна реконструкція хоріоїдальних судин дозволяє відстежувати нейродегенерацію в динаміці.
Практичний інтерес становлять і кілька нетипових прикладів: чат-бот для пацієнтів, навчений виключно на курованих наукових статтях і підручниках, а не на відкритих даних з інтернету. Саме тому, за словами доповідачки, він не «галюцинує»; він відповідає на типові запитання пацієнтів, а за описом нових симптомів здатен запідозрити загострення і надіслати лікарю сповіщення для контакту з пацієнтом. Це помітно розвантажує медсестринський і лікарський персонал від рутинних дзвінків. Додатково згадувалися пасивні датчики: устілки для аналізу ходи, динаміка набору тексту на смартфоні як маркер тонкої моторики й когніції, голосові біомаркери. Вони цінні саме своєю «пасивністю»: пацієнт нічого додатково не робить, дані збираються фоново, а це критично для довгострокової прихильності до цифрового моніторингу.
Концепція цифрових двійників згадувалася й тут: це запозичення з онкології (де ця практика розвиненіша) для оптимізації дизайну випробувань РС в умовах, коли набір достатньої кількості пацієнтів стає дедалі складнішим.
Що зі всього цього варто винести українському неврологу
Якщо звести 6 доповідей до кількох практичних тез, вийде приблизно так (дорожня карта з 4 кроків — на рис. 7).
По-перше, реально готові до використання сьогодні (з регуляторним схваленням і зовнішньою валідацією) інструменти зосереджені вужче, ніж здається із заголовків: детекція міжіктальних розрядів і сортування рутинних та тривалих ЕЕГ, носимі детектори генералізованих тоніко-клонічних нападів, комерційне ПЗ для кількісного аналізу МРТ і ОКТ при РС. Перш ніж впроваджувати будь-який комерційний інструмент, варто прямо запитувати виробника: на якій вибірці й скількох центрах валідовано модель, чи є CE-маркування або дозвіл відповідного органу і яка процедура «людського нагляду» передбачена. Саме гібридна схема (алгоритм + перевірка лікарем) послідовно перевершує і повну автоматизацію, і роботу лікаря наодинці.
По-друге, щодо доступності конкретних комерційних рішень в Україні: жоден із цих продуктів на конференції не був прив’язаний до українського ринку, і без окремої перевірки в офіційного виробника не варто робити висновку про їх доступність чи терміни реєстрації. Це питання варто ставити безпосередньо постачальникам.
По-третє, для українських центрів, що орієнтовані на дослідження, ці доповіді відкривають конкретний шлях: участь у міжнародних консорціумах на кшталт MAGIC (обмін знеособленими даними інсульту) чи в мультицентрових валідаційних дослідженнях. Саме цього, за словами всіх доповідачів, найбільше бракує галузі. Українські когорти поки недостатньо представлені в більшості згаданих датасетів (переважно скандинавських, британських, північноамериканських), самі собою становлять наукову цінність для таких консорціумів.
По-четверте, і, напевно, найважливіше: жоден із 6 доповідачів не сказав, що ШІ замінить невролога. Спільну думку можна узагальнити так: цінність ШІ — не в заміні експерта, а в тому, щоб зробити його помітно швидшим, послідовнішим і доступнішим там, де експертизи бракує. Для системи охорони здоров’я, де вузькопрофільні фахівці розподілені нерівномірно, саме ця роль «підсилювача експертизи», а не науково-фантастична «заміна лікаря», і є практичним, вимірюваним внеском, якого варто очікувати від технології найближчими роками.
Замість висновку
Конференція EAN 2026 залишає враження тверезого оптимізму. ШІ в неврології дійсно працює, хоча вибірково: у вузьких, добре визначених задачах, з обов’язковим людським наглядом і здебільшого поки на рівні дослідницьких, а не серійних клінічних інструментів. Розрив між публікацією й палатою не означає провалу технології. Це нормальний, хоч і затягнутий, етап її дозрівання. Завдання невролога на цьому етапі — не чекати «ідеального» ШІ, який усе вирішить сам, і не ігнорувати технологію як хайп, а навчитися ставити правильні запитання про валідацію, розуміти межі застосовності кожного інструменту й використовувати вже доступні напрацювання там, де вони справді усувають рутинне навантаження, залишаючи складні клінічні рішення там, де їм і належить бути.
Матеріал підготовлено на основі усних доповідей 2 наукових сесій конгресу EAN (Женева, 28 червня 2026): «AI in outpatient neurology» (Sándor Beniczky, Christian Lambert, Anker Stubberud) та сесії за участю Susanne Wegener, Anna Estraneo й Celia Oreja-Guevara про використання ШІ при інсульті, порушеннях свідомості та РС.
Наведені цифри відтворюють дані, представлені доповідачами усно під час конференції; на момент підготовки статті відповідні дослідження здебільшого ще не опубліковані в рецензованих журналах у повному обсязі, тож перед клінічним застосуванням цієї інформації варто звірятися з первинними публікаціями, коли вони з’являться.
Інформація про автора:
Закревська Марія Іванівна — лікарка-неврологиня, психіатриня КНП «Турбівська селищна лікарня», Нова Прилука, Україна. |
Information about the author:
Zakrevska Mariia I. — neurologist, psychiatrist at the MNPE «Turbiv Village Hospital», Nova Pryluka, Ukraine. |
Надійшла до редакції/Received: 08.09.2026
Прийнято до друку/Accepted: 10.09.2026
