Обоснование. Область лабораторной медицины в связи с нарастающим потоком данных нуждается в автоматизации и стандартизации рутинных процессов для разгрузки медицинских работников и высвобождения их времени на решение более специализированных задач. Модели машинного обучения и искусственные нейронные сети помогают распознавать изображения и анализировать большие массивы данных, что потенциально позволяет внедрить их в работу лабораторий для решения рутинных задач.

Цель исследования. Проанализировать мировую литературу в области применения технологий искусственного интеллекта в лабораторной медицине, оценить их возможности в отношении решения существующих задач, а также выявить возможные проблемы, затрудняющие внедрение искусственного интеллекта в лабораторные процессы.

Методы. Поиск работ проводили в поисковой системе PubMed, на сайтах производителей готовых лабораторных решений и в списках литературы других обзоров. Кроме того, использовали программу для управления библиографической информацией Mendeley. Временной интервал — 2019–2024 гг. Из найденных публикаций извлекали библиометрические данные, область исследований, основные методические характеристики, значения диагностической эффективности искусственного интеллекта и медицинских работников, число и опыт задействованных медицинских специалистов, подтверждённые результаты его внедрения. Качество исследований оценивали с помощью модифицированного опросника QUADAS-CAD.

Результаты. Всего в обзор включили 23 публикации, в которых представлены исследования на преаналитическом, аналитическом и постааналитическом этапах лабораторного анализа — 1, 19 и 3 соответственно. Большинство исследований проведено в области цитологии и микробиологии — 48 и 35% соответственно. Искусственный интеллект демонстрирует высокую эффективность в отношении решения задач на всех этапах лабораторного процесса. Кроме того, его диагностическая точность сопоставима с уровнем медицинских работников, а скорость принятия решений значительно выше. Тем не менее во всех работах наблюдали риск систематической ошибки, что связано с несбалансированностью выборок, отсутствием внешней валидации данных, а также точного их описания и методов анализа.

Заключение. Искусственный интеллект обладает высоким потенциалом в отношении диагностической точности и скорости работы, что делает его перспективным инструментом для внедрения в лабораторную практику и автоматизации рутинных процессов. Однако для этого необходимо стандартизировать методики исследования искусственного интеллекта для снижения риска систематических ошибок, установить референсные значения для лабораторий с целью обеспечения воспроизводимости и обобщаемости результатов, повысить осведомлённость медицинских работников и пациентов о принципах его работы для преодоления предубеждений, а также разработать надёжные механизмы защиты персональных данных при использовании искусственного интеллекта.

论证。随着实验室医学领域数据量的持续增长，该领域亟需实现常规流程的自动化与标准化，以减轻医务人员的工作负担，使其能够专注于更具专业性的任务。机器学习模型和人工神经网络能够识别图像并分析大规模数据，为其在实验室中承担常规任务的应用与整合提供了潜力。

目的。分析全球文献中人工智能在实验室医学中的应用情况，评估其在解决现有问题方面的能力，并识别限制人工智能融入实验室流程的潜在障碍。

方法。文献检索通过PubMed检索系统、实验室成品解决方案制造商官网以及其他综述文章的参考文献进行。此外，还使用Mendeley软件进行参考文献管理。时间范围为2019年至2024年。提取信息包括文献计量数据、研究领域、主要方法学特征、人工智能与医务人员的诊断效能指标、参与医务人员的数量及经验水平，以及其在实际应用中的验证结果。研究质量评估采用改良版QUADAS-CAD问卷工具。

结果。本综述共纳入23篇文献，其中包括分别针对实验室分析前阶段（1项）、分析阶段（19项）和分析后阶段（3项）的研究。大多数研究集中于细胞学和微生物学领域，分别占48%和35%。人工智能在实验室各阶段任务的解决方面表现出较高的效能。此外，其诊断准确性可与医务人员水平相当，且决策速度显著更快。然而，所有研究均存在系统偏倚风险，主要原因包括样本分布不平衡、缺乏外部验证，以及对数据本身及其分析方法的描述不够详细。

结论。人工智能在诊断准确性和处理速度方面具有较高的潜力，因此被认为是推进实验室常规流程自动化和推广应用的有前景工具。然而，为实现这一目标，有必要：对人工智能研究方法进行标准化，以降低系统偏倚风险；为实验室建立参考标准，以确保结果的可重复性与可推广性；提高医务人员和患者对其工作机制的认知，以消除对人工智能的成见；制定可靠的个人数据保护机制，以保障人工智能应用过程中的数据安全。