Изкуственият интелект (ИИ) се отнася до способността на компютърните системи да изпълняват задачи, които обикновено изискват човешки интелект, като учене, разпознаване на модели, интерпретиране на изображения, разбиране на езика и вземане на решения. В здравеопазването системите за ИИ анализират големи обеми данни, за да подпомагат клинични задачи като диагностика, прогнозиране на риска и планиране на лечението.
ИИ се основава предимно на три основни подхода:
Машинно обучение (ML): Вид ИИ, при който системите се учат от данни, за да разпознават модели и да правят прогнози, без да са изрично програмирани за всяка задача. Колкото повече данни се използват за обучението на даден модел, толкова по-точен става той.
Дълбоко обучение (DL): По-напреднала форма на машинно обучение, която използва многослойни невронни мрежи (вдъхновени от човешкия мозък) за обработка на сложни данни като медицински изображения, клинични бележки или генетична информация.
Обработка на естествен език (NLP): Форма на ИИ, която позволява на компютрите да разбират, тълкуват и генерират човешки език.
📌 Основни понятия:
Алгоритъм: Набор от правила или инструкции, които компютърът следва, за да реши даден проблем или да вземе решение.
Данни за обучение: Набор от данни, използван за обучение на модел за ИИ да разпознава модели.
Невронна мрежа: Изчислителна структура, вдъхновена от човешкия мозък, използвана в моделите за дълбоко обучение.
Обработка на естествен език: Клон на ИИ, който позволява на компютрите да разбират и генерират човешки език. Използва се например в инструменти, които анализират клинични бележки или симптоми, съобщавани от пациенти.
Компютърно зрение: Област на ИИ, която позволява на машините да интерпретират и анализират визуална информация като медицински изображения (рентгенови снимки, ЯМР, сканиране на ретината).
Пристрастие (в ИИ): Систематична грешка в резултатите от ИИ, причинена от неточни или непредставителни данни за обучение, което води до несправедливи или неточни резултати за определени групи.
ИИ все по-често се интегрира в системите за здравеопазване в цяла Европа, като подпомага диагностиката, вземането на клинични решения, планирането на лечението и прогнозирането на риска за пациентите. През последните години въвеждането на алгоритми за дълбоко обучение в области като компютърно зрение и обработка на естествен език доведе до революция в компютърните приложения в радиологията, патологията, кардиологията, диабетологията, психиатрията, онкологията и много други области (Esteva et al., 2019; Koteluk et al., 2021; Rajpurkar et al., 2022; Gou et al., 2024).
Световната здравна организация (СЗО) изброява следните области на приложение на системите за ИИ в здравеопазването: диагностика и диагностика, базирана на прогнози, клинични грижи, научни изследвания и разработване на лекарства, управление и планиране на здравните системи, наблюдение на общественото здраве, насърчаване на здравето, профилактика на заболяванията, готовност за извънредни ситуации и реагиране при епидемии (Световна здравна организация, 2021).
Изследванията показват, че ИИ е обвързан с полезни нововъведения в различни области, включително научните изследвания, съвременния бизнес и индустриите, образованието и здравеопазването. Конкретно в здравеопазването автоматизирани инструменти и модели започнаха да се въвеждат в диагностиката на заболявания, а използването на ИИ в тази област се очаква да се увеличи в близко бъдеще, което обещава да доведе до още повече иновации в сектора (Alowais et al., 2023).
Примери от практиката
Сърдечно-съдови заболявания:
Анализ на ЕКГ – откриване на аритмии и сърдечни аномалии с помощта на ИИ
Прогнозиране на сърдечно-съдовия риск – модели на ИИ, които оценяват индивидуалния риск за пациента въз основа на клинични данни
Подкрепа при вземането на клинични решения – насоки за диагностика, планиране на лечението и решения за насочване към специалист
Практически пример: Анализ на ЕКГ с помощта на ИИ от Cardiologs - двигателят на ИИ на Philips Cardiologs, носещ маркировка CE, използва технология за дълбоки невронни мрежи (DNN), за да помогне на доставчиците на здравни услуги да диагностицират пациентите по-ефективно, като облекчава тежестта от излишните задачи по анализ на ЕКГ (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).
Диабет:
Скрининг за диабетна ретинопатия – ИИ-базиран анализ на изображения на ретината за ранна диагностика
Непрекъснато мониториране на глюкозата (CGM) – ИИ-базирано прогнозиране на глюкозата и персонализирано управление
Практически пример: IDx-DR / Цифров скрининг за диабетна ретинопатия - софтуер, базиран на ИИ, с маркировка CE, предназначен за използване от офталмолози по време на тяхната клинична практика, който може да открива и диагностицира признаци на диабетна ретинопатия в много ранни стадии на патологията, използвайки изображения на ретината по време на рутинната клинична практика в офталмологията (https://www.healthvisors.com/en/idx-dr/).
Депресия:
Инструменти за скрининг, базирани на обработка на естествен език – анализ на писмения или говоримия език за признаци на депресия
Разпознаване на базата на речта – идентифициране на маркери за депресия в гласовите модели по време на клинични интервюта
Цифрови терапевтични спътници – инструменти, базирани на ИИ, подпомагащи пациентите между терапевтичните сесии
Практически пример: Limbic Access - ИИ, подпомагащ насочването на пациенти чрез диалог и вземането на клинични решения в областта на психичното здраве. Системата използва вероятностен модел на ИИ, който изготвя пълен клиничен доклад за лекаря, в който се представят проблемите, нивата на риск, клиничните бележки и резултатите от оценката (https://limbic.ai/access).
Технологиите, базирани на ИИ, предлагат значителни възможности за подобряване на ефективността и резултатите в здравеопазването.
Според нов доклад на СЗО, в който се оценява бързоразвиващото се използване на ИИ в здравеопазването в 27-те държави членки на ЕС, почти три четвърти от страните от ЕС вече използват диагностика, подпомагана от ИИ, включително инструменти, които подпомагат медицинското изобразяване, откриването на заболявания и вземането на клинични решения. Докато 74 % от страните от ЕС съобщават, че използват ИИ в диагностиката, а 63 % използват чатботове за подпомагане на ангажираността на пациентите, почти половината от държавите-членки на ЕС вече са създали специални професионални роли за ИИ и науката за данните в здравеопазването, като няколко страни са посочили планове за въвеждане или разширяване на програми за обучение по ИИ в близко бъдеще (Световна здравна организация, 2026 г.).
Въз основа на данни, събрани между юни 2024 г. и март 2025 г., докладът посочва ситуация, при която здравните системи в целия регион активно изграждат основите, необходими за безопасно, справедливо и отговорно използване на тези технологии (Световна здравна организация, 2026 г.).
Европейската инициатива AEQUITAS се фокусира върху три основни области на заболявания: сърдечно-съдови заболявания, депресия и диабет, поради тяхната висока разпространеност, обществено въздействие и документирани различия сред пациенти с различен биологичен и социален пол и расови или етнически характеристики.
В сърдечно-съдовата медицина ИИ подпомага вземането на клинични решения, телемедицината, оценката на риска, персонализираното лечение, прогнозната аналитика и дистанционното наблюдение (Bernstein et al., 2025; Naskar et al., 2025). При диабета инструментите за ИИ подобряват мониторинга на пациентите и самоуправлението, но също така и диагностиката, лечението и профилактиката (Contreras & Vehi, 2018; Khalifa & Albadawy, 2024; Naskar et al., 2025; Sheng et al., 2024). По отношение на депресията, ИИ се използва при скрининг, диагностика и лечение, като се обръща специално внимание на откриването чрез използване на големи езикови модели (Cao et al., 2025; Kumari et al., 2025; Mao et al., 2023; Wang et al., 2025).
Въпреки многобройните си предимства, ИИ не е лишен от рискове. Изследвания показват, че приложенията на ИИ могат да доведат до погрешно тълкуване и да насърчават пристрастия и дискриминация (Varona & Suarez, 2022).
Моделите на ИИ идентифицират статистически модели в големи масиви от данни и използват тези модели, за да генерират резултати, като например предложение за диагноза, оценка на риска или препоръка за лечение. За да направи това, моделът първо трябва да бъде „обучен“ (използвайки съществуващ материал като снимки, данни, видеоклипове, гласови записи или дори текст) и постепенно да коригира вътрешните си параметри, за да подобри прогнозите си.
Качеството и представителността на данните за обучение са следователно от основно значение. Ако данните, използвани за обучение на ИИ, вече са пристрастни (например, ако съдържат предимно записи от мъже пациенти или от конкретна етническа група), моделът ще предложи пристрастни резултати, тъй като може да работи само с предоставената информация. По същество той ще се представя успешно за групите, които са добре представени в данните, и неуспешно за тези, които не са добре представени, което води до дискриминация. В много документирани случаи инструментите за ИИ са били обучени на пристрастни набори от данни, което е довело до резултати, засилващи съществуващите неравенства.
В сектора на здравеопазването данните за пациенти, страдащи от сърдечно-съдови заболявания, депресия и диабет, са определени като пристрастни (Cirillo et al., 2020). Тези пристрастия представляват интерсекционален проблем (т.е. възникват от взаимодействието между различни измерения на идентичността), тъй като засягат не само мъжете и жените, но се проявяват и по отношение на различните раси и етнически групи.
Тези пристрастия и дискриминация нарушават основните права, които се насърчават и защитават от Хартата на основните права на ЕС (2009 г.), и по-специално:
Член 21 (Недискриминация) - „Забранява се всякаква дискриминация на основата на пол, раса, цвят на кожата, етнически или социален произход, генетични характеристики, език, религия или убеждения, политически или други възгледи, принадлежност към национално малцинство, имуществено състояние, рождение, увреждане, възраст или сексуална ориентация.“
Забележка: Следва да се отбележи, че понятието „пол“ в член 21 не се ограничава до строго определени биологични бинарни категории, а представлява основно основание за защита на равенството, което обхваща дискриминацията, основана на пола и половата идентичност, съгласно правото на ЕС. Макар исторически да е свързано с бинарното разбиране за пола (мъж/жена), правото на ЕС се е развило в посока на по-приобщаващо тълкуване. Европейската комисия и Съдът на Европейския съюз тълкуват понятието „пол“ като включващо и дискриминация, произтичаща от промяна на пола.
Член 23 (Равенство между мъжете и жените) – „Равенство между мъжете и жените: изисква да се гарантира равенство между мъжете и жените във всички области, включително в областта на заетостта, труда и заплащането“.
Забележка: Член 23 от Хартата изрично се позовава на равенството в областта на заетостта, труда и възнагражденията. В контекста на настоящото обучение обаче принципът на равенство между мъжете и жените обхваща равен достъп до здравни грижи, равностойно качество на диагностиката и лечението, както и липсата на дискриминация на основата на пола при клиничните инструменти, подпомагани от ИИ.
Член 35 (Здравеопазване) – „Всеки има право на достъп до профилактични здравни грижи и право да ползва медицинско лечение при условията, установени от националните закони и практики. При определянето и изпълнението на всички политики и дейности на Съюза се осигурява високо равнище на защита на човешкото здраве.“
📌 Ключово послание: ИИ вече е интегриран в системите на здравеопазването в цяла Европа и се развива по-бързо от регулаторните рамки, създадени за неговия контрол. Разбирането на това как функционират системите за ИИ, къде се използват и какви рискове носят, е в основата на отговорното и справедливо използване на тези инструменти за всеки пациент, за когото полагате грижа.
Следва: Модул 2
Alowais, S. A., Alghamdi, S. S., Alsuhebany, N., и съавт. (2023). Революционизиране на здравеопазването: ролята на изкуствения интелект в клиничната практика. BMC Medical Education, 23, 689. https://doi.org/10.1186/s12909-023-04698-z
Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). Нововъзникващата роля на изкуствения интелект при сърдечната недостатъчност. Future Cardiology, 21(10), 795–801.
Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Подходи за машинно обучение за откриване на депресия в социалните медии: систематичен преглед на пристрастията и методологичните предизвикателства. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc
Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A. A., Valencia, A., Rementeria, M. J., Chadha, A. S., & Mavridis, N. (2020). Различия и пристрастия по биологичен и социален пол в изкуствения интелект за биомедицината и здравеопазването. npj Digital Medicine, 3(81). https://doi.org/10.1038/s41746-020-0288-5
Contreras, I., & Vehi, J. (2018). Изкуствен интелект за управление на диабета и подпомагане на вземането на решения: преглед на литературата. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). Ръководство за дълбокото обучение в здравеопазването.
European Union. Харта на основните права на Европейския съюз, 2012/C 326/02, Страсбург: ЕС. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT
Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Изследвания върху медицината, подпомагана от изкуствен интелект: обзор на медицинския изкуствен интелект. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472
Khalifa, M., & Albadawy, M. (2024). Изкуствен интелект за диабета: подобряване на превенцията, диагностиката и ефективното управление. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141
Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). Как се учат машините? Изкуственият интелект като нова ера в медицината. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032
Kumari, M., Singh, G., & Pande, S. D. (2025). Преглед на съвременния напредък в откриването на депресия чрез дълбоко обучение и машинно обучение. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9
Mao, K., Wu, Y., & Chen, J. (2023). Систематичен преглед на автоматизираната диагностика на клинична депресия. npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z
Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). Биомедицински приложения на изкуствения интелект: обзор на десетилетия научни изследвания. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711
Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). Изкуствен интелект в здравеопазването и медицината. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0
Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Изкуствен интелект в грижите за диабета: настоящи и бъдещи перспективи. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2
Varona, D., & Suárez, J. L. (2022). Дискриминация, пристрастия, справедливост и надежден изкуствен интелект. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826
Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). Подпомагана от изкуствен интелект мултимодална информация за скрининг на депресия: систематичен преглед и метаанализ. npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3
Световна здравна организация. (2021). Етика и управление на изкуствения интелект в здравеопазването. World Health Organization.
Световна здравна организация. (2026). Изкуственият интелект променя здравните системи: състояние на готовността в Европейския съюз. World Health Organization.