«Brains, Bytes and Beyond: Tech in Neurology», за словами президентки Європейської академії неврології (European Academy of Neurology — EAN) Елен Моро (Elena Moro), реалізується у двох вимірах: можливість плюс відповідальність. Адже делегування частини когнітивних функцій від людини до алгоритму відкриває величезні можливості та водночас несе не менші виклики й ризики. Ця подвійна оптика і задає тон блоку про штучний інтелект та прецизійну неврологію.
ШІ як інструмент підтримки рішень
Перша й найзріліша роль штучного інтелекту (ШІ) в неврології — це підтримка клінічного рішення. Показовим став ефект, продемонстрований у порівнянні прогнозів лікарів і моделей: точність прогнозування неврологами зростала після використання ШІ [5]. Отже, моделі корисні як засіб підвищення об’єктивності клінічного мислення, особливо у менш досвідчених лікарів.
Найпереконливіші приклади дають нейрофізіологія та нейровізуалізація. Система автоматизованого аналізу електроенцефалограми (ЕЕГ), навчена більш ніж на 30 тис. рутинних записів, у прямому порівнянні з досвідченими фахівцями показала зіставну точність: близько 92 проти 94% [2]. Аналіз магнітно-резонансної томографії (МРТ) за допомогою ШІ змінює й уявлення про так звані МРТ-негативні форми епілепсії: нейронна мережа виявляла фокальну кортикальну дисплазію у 63,7% випадків, які раніше вважали МРТ-негативними [3]. В обох сюжетах висновок однаковий: найреалістичнішою є модель «експерт плюс алгоритм», де система попередньо сортує дані, а лікар проводить цільову оцінку.
Особливо гостро співвідношення технологічної точності та клінічної відповідальності проявляється при оцінюванні пацієнтів із розладами свідомості. Так, за допомогою моделей ШІ використано підхід щодо виявлення когнітивно-моторної дисоціації (cognitive-motor dissociation), стану, за якого пацієнт не виконує команд поведінково, хоча за даними ЕЕГ або функціональної МРТ виявляють відповідну активацію головного мозку. Через рік хорошого функціонального результату досягали 44% таких пацієнтів проти 14% тих, у кого прихованої свідомості не виявили [4].
Наступним етапом розвитку подібних систем є агентний ШІ, здатний послідовно виконувати кілька взаємопов’язаних завдань. Проте саме тут зростає ціна прозорості: чим більше кроків система виконує автономно, тим важливіше простежити логіку кожного рішення. Тому наскрізним принципом залишається теза «ШІ підтримує, але не замінює клінічного судження».
Біомаркерна вісь: від діагнозу до прогнозу
Другий вектор конгресу стосувався не інструмента, а самого предмета діагностики. Неврологія зміщується від встановлення діагнозу після появи симптомів до біологічного визначення хвороби ще на доклінічній стадії. Ключовою передумовою стала поява біомаркерів крові: високочутливі методи дозволяють оцінювати ті самі патологічні процеси без люмбальної пункції, а окремі показники, зокрема фосфорильований тау-білок 217, уже отримали регуляторне схвалення в окремих країнах, що відкриває шлях до скринінгу на первинній ланці. Водночас жоден окремий біомаркер не характеризує складної біології хвороби, тому специфічність дає лише поєднання показників крові, цереброспінальної рідини та нейровізуалізації, зіставлене з клінічною картиною.
Тут біомаркерна вісь знову сходиться із ШІ. У європейському проєкті раннього прогнозування деменції алгоритми виявляли пацієнтів із прогресуючим когнітивним зниженням уже під час першого візиту, спираючись зокрема на цифрові поведінкові маркери.
Межа між реалізованим і майбутнім
Найчесніший урок конгресу полягав у розділенні технологій за ступенем готовності до практики. Зрілими є моделі «експерт плюс алгоритм» в аналізі ЕЕГ і МРТ та поступове впровадження біомаркерів нейродегенерації. До перспективних методів, що потребують валідації, належать агентний ШІ, що автономно поєднує кілька кроків рішення, та концепція віртуального двійника пацієнта.
Фокус тяжіння
Віртуальний двійник пацієнта (digital twin) — це комп’ютерна модель, що поєднує лабораторні, генетичні та нейровізуалізаційні дані й потенційно дозволяє прогнозувати перебіг і порівнювати варіанти лікування.
Для української практики найближча користь конкретніша й дешевша, ніж може здатися. Там, де бракує нейрофізіологів і час на пацієнта обмежений, найреалістичніший сценарій — алгоритм, що пришвидшує аналіз ЕЕГ і МРТ, структурує документацію та звільняє лікарю час. Біомаркери нейродегенерації роблять ранній скринінг можливим навіть без дорогої інфраструктури, а носимі пристрої дають безперервний нагляд поза стінами клініки.
Загальний висновок блоку простий: цінність ШІ визначається не точністю алгоритму самою по собі, а клінічною доцільністю, прозорістю та зовнішньою валідацією, й оптимальною моделлю залишається поєднання цифрових технологій із клінічним досвідом лікаря.
Список використаної літератури
- 1. European Academy of Neurology (2026) Overarching theme «Brains, Bytes and Beyond: Tech in Neurology». 12th Congress of the EAN, Geneva. http://www.ean.org/congress2026.
- 2. Tveit J., Aurlien H., Plis S. et al. (2023) Automated interpretation of clinical electroencephalograms using artificial intelligence (SCORE-AI). JAMA Neurol., 80(8): 805–812. doi: 10.1001/jamaneurol.2023.1645.
- 3. 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.
- 4. 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.
- 5. 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.
