Внедрение технологий искусственного интеллекта в медицинское образование: обзор подходов

Список сокращений

БЯМ - большие языковые модели (англ. Large Language Model, LLM)

ИИ - искусственный интеллект

ОП - образовательная программа

ПС - профессиональные стандарты

ФГОС - Федеральные государственные образовательные стандарты

AAMC (Association of American Medical Colleges) - Американская ассоциация медицинских колледжей

RAG (Retrieval-Augmented Generation) - генерация с извлечением информации

Введение

В РФ в октябре 2019 г. Указом Президента РФ В.В. Путина была принята "Национальная стратегия развития искусственного интеллекта на период до 2030 года" [1]. В документе подчеркивается, что имеется дефицит кадров и в области разработки систем искусственного интеллекта (ИИ), и для массового их внедрения. К 2030 г. поставлена задача достичь доли работников, имеющих навыки использования технологий ИИ, равной 80%.

10 февраля 2026 г. Президент РФ утвердил перечень поручений по итогам заседания Государственного Совета РФ по вопросам подготовки кадров для экономики [2]. В числе этих поручений - доработка проекта стратегии развития образования, исходя из необходимости ускоренного внедрения цифровых технологий. Отмечается, что в Федеральные государственные образовательные стандарты (ФГОС) высшего образования и профессиональные стандарты (ПС) необходимо внести профессиональные компетенции по использованию ИИ, разработать меры организационного, нормативного и методического характера, направленные на внедрение этих технологий в сфере образования.

Сегодня в РФ вопросами обучения, разработки и внедрения ИИ в здравоохранении занимаются несколько вузов. Среди них наиболее крупные: РТУ МИРЭА и ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет) [3-5]. Однако до сих пор нет единых подходов к применению ИИ в медицинском образовании и практическом здравоохранении.

В настоящем исследовании поставлена цель - изучить основные темы научных публикаций и их результаты, чтобы выработать рекомендации по применению ИИ в медицинском образовании РФ по состоянию на 2026 г.

Задачи исследования:

1) сформулировать поисковые запросы и отобрать релевантные статьи за 2024-2026 гг. по изучаемой теме для структурного и полнотекстового анализа;

2) классифицировать источники информации и провести их анализ по структуре;

3) провести полнотекстовый анализ наиболее актуальных публикаций;

4) сформулировать выводы и рекомендации.

Материал и методы

Источники информации. В анализ были взяты обзорные и оригинальные исследования, опубликованные в научных журналах, отчеты и рекомендации профессиональных ассоциаций врачей и преподавателей, а также международных организаций. Выборка публикаций проводилась с 2024 г. по февраль 2026 г. Одновременно изучались сайты профессиональных организаций врачей и органов управления здравоохранением, новости вузов, сайты продуктов с ИИ для медицинского образования.

Поисковые слова: "ИИ в медицинском образовании", "ИИ в клиническом мышлении", "генеративный ИИ в медицинском образовании", "ИИ-симуляционные кейсы".

Информационные базы и поисковые системы

Для поиска на русском языке:

Google Академия (scholar) [6] - поисковая система академической литературы, которая включает базы данных научных статей: "Российский индекс научного цитирования" (РИНЦ, eLibrary.ru), "КиберЛенинка" (cyberleninka.ru).

Яндекс-поиск для нахождения статей и отчетов по отдельным темам, не вошедших в Google Академию, а также для поиска примеров продуктов с ИИ.

Для поиска на английском языке:

База данных PubMed, которая содержит обзорные научные публикации и собственные исследования по всем областям здравоохранения [7].

Google для поиска отчетов, рекомендаций правительственных и общественных организаций (врачей и преподавателей), а также примеров продуктов с ИИ для медицинского образования.

Методология исследования строилась по принципу "обзор предметного поля" (scoping review). Это подразумевает поиск публикаций по определенной теме, отбор наиболее релевантных из них, систематизацию согласно классификатору и полнотекстовый анализ. Схема исследования представлена на рис. 1.

Результаты

1. Поиск и отбор релевантных статей за 2024-2026 гг. по изучаемой теме

Всего было найдено 2629 статей. Из них:

• в Google Академии - 850 публикаций, в том числе 43 полностью соответствующих тематике;
• в PubMed - 1779 публикаций, в том числе 100, соответствующих теме. На рис. 2 видно, что с 2020 по 2025 г. количество публикаций увеличилось более чем в 20 раз [7].

Для анализа структуры публикаций были отобраны абстракты 143 статей, что составляет 5% от общего пула, из них на русском языке - 43, на английском языке - 100. Отобранные источники информации были классифицированы по типу публикации и ее тематике.

Кроме того, проанализированы релевантные исследуемому вопросу нормативные документы РФ (n=3); сайты цифровых образовательных продуктов для медицинского образования, в которых применяются ИИ-технологии (n=10), сайты правительственных и общественных организаций по медицинскому образованию (n=8). Перечень представлен в списке литературы.

Для полнотекстового анализа было отобрано 37 научных статей по принципу представления обзоров публикаций, опросов из разных регионов мира, этических мнений и примеров внедрений в практическое образование. Исключены обзоры, в которых высказываются похожие мнения, и несколько публикаций одного и того же внедрения, его разных аспектов, а также внедрения похожих продуктов.

2. Классификация статей

После изучения вышеназванных источников информации была сформирована их классификация по типу и тематике.

Тип источника информации

1. Научные публикации (37 статей), из них:

1.1. Обзоры литературы (описательные, по принципу предметного поля, систематические обзоры) - 33%.

1.2. Опросы студентов и преподавателей об использовании ИИ - 16%.

1.3. Примеры внедрения отдельных моделей ИИ в практику - 43%.

1.4. Мнения о возможных этических проблемах - 8%.

2. Рекомендации государственных, общественных и межправительственных организаций по применению ИИ - 8 источников.

3. Сайты продуктов (платформ) с применением ИИ-технологий для медицинского образования - 10 сайтов.

Темы публикаций (рис. 3)

1. Область применения ИИ в медицинском образовании:

1.1. Образовательный процесс

• Получение теоретических знаний.
• Применение ИИ для практических занятий, включая медицинскую симуляцию.
• Оценка знаний студента.

1.2. Административные и методические задачи

• Применение ИИ для анализа личных дел абитуриентов.
• Составление индивидуального плана обучения студента и программ обучения.
• Предсказание успешности сдачи экзаменов.
• Запись и резюмирование совещаний.

2. Процесс внедрения ИИ-технологий в медицинское образование

2.1. Изменение процессов обучения под воздействием ИИ.

2.2. Отношение студентов и преподавателей к ИИ по данным социологических опросов.

2.3. Финансовые и материальные ресурсы вузов, необходимые для внедрения ИИ.

2.4. Обучение применению ИИ.

2.5. Этические риски применения ИИ в медицинском образовании.

2.6. Рекомендации по внедрению ИИ и оценка эффективности внедрения ИИ.

Изученные обзорные публикации охватывают одновременно несколько тем: как области внедрения ИИ в медицинское образование, так и сопровождающие внедрение процессы. Большее количество публикаций посвящено практическому опыту внедрения в учебный процесс, а не применению ИИ для административных задач. Возможно, часть примеров внедрения в административный процесс проходит без научного описания вследствие недостатка времени у сотрудников. Всего одна публикация - M.A. Salem, посвящена особенностям внедрения ИИ в образование в развивающихся странах, в частности недостатку технологических ресурсов организации и проблемам между теоретическим пониманием технологий ИИ и их практическим внедрением [8].

3. Полнотекстовый анализ источников информации

Этот анализ сделан по следующим разделам: области применения и процессы внедрения на основании анализа 63 источников информации.

3.1. Области применения искусственного интеллекта в медицинском образовании

Области применения ИИ в учебном процессе и административно-методической работе подробно описаны в обзорах 2024-2025 гг. D. Domrös-Zoungrana и соавт. (2024), M. Gordon и соавт. (2024), N. Patil и соавт. (2025), S. Saroha (2025), J.M. Mendes (2025), L. Walker (2025), Y. Lin и соавт. (2025) и др. [9-17].

Согласно этим публикациям, ИИ модели могут использоваться преподавателями и студентами для получения теоретических знаний, формирования материалов лекций и конспектов, отработки практических задач. Например, студент может прочесть в цифровом виде учебник и сформировать с помощью ИИ конспект необходимых разделов, пройти самотестирование по изученным материалам (при этом ИИ формирует тестовые вопросы), а преподаватель - обновить содержание лекций и методических рекомендаций, разработать тестовые вопросы, включая клинические ситуации. С применением ИИ-технологий формируются виртуальные пациенты для обучения клиническому мышлению, коммуникативным и хирургическим навыкам, на таких ИИ-тренажерах можно отрабатывать диагностические навыки - по оценке радиологических исследований, изображений в дерматологии и патологической анатомии. При оценке знаний студентов ИИ может применяться для следующих целей: создания специальных программ с обратной связью; формирования индивидуального плана обучения студента исходя из результатов тестирования; прогнозирования степени успешности сдачи экзаменов и т.д. В административной работе ИИ может быть внедрен для анализа личных дел абитуриентов, составления индивидуальных программ обучения, анализа письменных работ, предсказания успешной сдачи экзаменов, записи и составления резюме совещаний преподавателей.

В настоящее время идет распространение мультимодальных моделей, которые могут работать одновременно с текстовой, аудио- и видеоинформацией. Например, исследователь из Израиля S. Gershov разработал платформу для мультимодальной оценки ординаторов-анестезиологов в симулированной среде: взаимодействие с оборудованием, навыки общения, контакт глаз с мониторами пациента и т.д. Для этого требуется одновременно анализировать видеозапись движений глаз, аудиозапись общения, заполнения документации и т.д. [18].

Наблюдается тенденция разработки многофункциональных платформ, которые могут быть использованы одновременно в разных областях: как для получения знаний, так и для оценки знаний и административного планирования обучения. Например, в платформах "Консультант студента" и "МБ ГЭОТАР" ГК ГЭОТАР ИИ-ассистенты интегрированы в экспертные, обновляемые базы знаний [19, 20]. В отличие от универсальных БЯМ, работающих на открытом корпусе данных, ассистенты данных платформ функционируют в пределах профессиональных медицинских источников - учебников, фундаментальной литературы и клинических рекомендаций. Каждый ответ сопровождается ссылкой на документ и конкретный раздел. Например, ИИ-ассистент в платформе "Консультант студента" может использоваться для следующих целей:

• Ответы на медицинские вопросы студентов и преподавателей.
• Подготовка конспекта по заданной теме.
• Генерация тестовых заданий.
• Разъяснение терминов и понятий.
• Помощь студентам в систематизации материала перед экзаменом или зачетом [20].

В Приложении представлены 24 научные статьи и сайта продуктов, в которых даны кон­кретные примеры уже внедренных ИИ-моделей в различные области медицинского образования, среди них:

1. Создание российскими исследователями тестовых заданий по теме "Хроническая сердечная недостаточность" с помощью БЯМ ChatGPT [21].

2. Создание турецкими исследователями тренажера по обучению и оценке практических навыков для медсестер с использованием ИИ [22].

3. Исследователи из Испании D. García-Torres и соавт. разработали тренажер-симулятор интервью с пациентами для 156 студентов - клинических психологов. Студенты отметили улучшение обучения при использовании тренажера, но результаты экзаменов не изменились [23].

4. В США разработана платформа планирования работы ординаторов в клиниках Массачусетса, учитывающая их специальность, количество часов работы в неделю, программу обучения, нужду в ординаторах и количество коек отделения, дежурства, оценку знаний [24].

3.2. Внедрение ИИ-моделей в медицинское образование

Внедрение ИИ в медицинское образование должно сопровождаться изменениями в процессах вуза, внедрением новых этических норм, необходимостью обучения преподавателей и студентов (рис. 3). Этому вопросу посвящено 24% (9 из 37) из проанализированных научных публикаций.

Изменение процессов обучения под воздействием искусственного интеллекта

Применение ИИ в медицинском образовании вызывает изменение процессов, которые можно классифицировать по схеме SAMR (Substitution, Augmentation, Modification, Redefinition - замена, улучшение, модификация, переоценка) [25]. Эта модель была впервые предложена в 2006 г. американским исследователем Ruben R. Puentedura для оценки влияния новых цифровых технологий на учебные процессы в школах и вузах*. Например, в 2025 г. A. Wong и соавт. из Китая поэтапно рассмотрели процессы внедрения ИИ при изучении сердечно-сосудистой системы студентами младших курсов по модели SAMR [26]. Они классифицировали происходящие процессы следующим образом:

1. Если студент спрашивает БЯМ вместо вопроса преподавателю - это замена (S).

2. Если студент спрашивает БЯМ, а потом обсуждает с преподавателем свое мнение по содержанию ответа БЯМ - это улучшение процесса обучения (A).

3. Разработка специальной обучающей платформы вуза - это модификация учебного процесса всего вуза (M).

4. В будущем развитие платформы вуза с постоянной обратной связью от студентов и преподавателей и улучшением - переосмысление учебного процесса (R).

_________________

Мы распределили возможное внедрение ИИ в медицинское образование по четырем категориям в табл. 1.

Социологические опросы о применении искусственного интеллекта преподавателями и студентами

Для эффективного внедрения ИИ важно знать текущее состояние вопроса, оценить проблемы, с которыми сталкиваются пользователи. В табл. 2 представлены результаты опросов 2024-2026 г. в РФ и за рубежом.

Исследователи отмечают, что студенты чаще, чем преподаватели, используют ИИ в медицинском образовании, как правило, это БЯМ. В частности, в ноябре 2025 г. во время семинара ААМС демонстрировались сравнительные результаты опроса студентов и преподавателей по использованию ИИ [34]. Оказалось, что студенты используют ИИ в 87% случаев, а преподавательский состав - в 56% (табл. 3). В этом исследовании выявлено, что для студентов более важна эффективность обучения, а для преподавателей - экономия времени. Студенты и преподаватели считают информацию, полученную от БЯМ, пока недостаточно достоверной, но хотели бы проходить обучение в области ИИ.

Таким образом, особенно важно обучение преподавателей работе с ИИ, так как пока они отстают от студентов в использовании этой технологии.

Обучение применению искусственного интеллекта

В РФ "Альянс в сфере ИИ" (организация, объединяющая технологические компании для совместного развития их компетенций в области ИИ) составляет ежегодный рейтинг по качеству подготовки специалистов в области ИИ [35]. В разделе "здравоохранение и естественные науки" в основном представлены университеты, в которых имеется преподавание в области здравоохранения, а также факультеты вычислительной техники и прикладной математики, где готовят специалистов в области программирования и точных наук и есть разработки в области ИИ в медицине. Например, Нижегородский государственный университет им. Н.И. Лобачевского, где в 2023 г. открыт центр ИИ для разработки доверенных алгоритмов, программного и аппаратного обеспечения для носимой электроники и целей превентивной медицины. Из медицинских вузов в рейтинге также есть Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет). В этом вузе в 2025 г. запущен новый образовательный курс по ИИ и анализу данных в медицине (256 ч) и портал ИИ-научных проектов [4, 5].

В 2025 г. в ФГБОУ ВО РязГМУ Минздрава России разработана концепция внедрения ИИ [36]. На младших курсах предлагается включить обучение базовым понятиям об ИИ в курс "Медицинская информатика" и смежных дисциплин, на старших курсах - внедрить факультативные курсы по разработке и применению ИИ в медицине, в ординатуре - модули по применению ИИ в отдельных специальностях.

За рубежом во многих вузах уже имеются программы обучения ИИ. Так, в 2025 г. в США, по данным ААМС, уже 78% медицинских вузов внедрили обучение ИИ в медицинское образование (рис. 4), а в 55% вузов утверждена политика применения ИИ ординаторами [34].

В 2024 г. R. Tolentino и соавт. из Канады сделали обзор 21 статьи по анализу образовательных программ медицинских вузов разных стран в части ИИ [37]. План зарубежных курсов совпадает с предложениями российских преподавателей по логике построения курса: от базовых понятий до обучения практическому применению.

В обзоре S. Saroha (Великобритания) предлагается "пирамида" обучения ИИ от базового технического освоения, затем обучение этическим принципам применения и управления данными, практическому применению в клинике и разработке новых продуктов с ИИ [12]. В качестве препятствий к внедрению обучения по ИИ он называет недостаток доступа к современным программным средствам, наборам данных о реальных случаях и вычислительным ресурсам в вузах с низким финансированием. Также может стать проблемой недостаточная подготовка преподавателей и насыщенность учебной программы, которая не оставляет времени для дополнительных курсов.

В Китае в 2025 г. была открыта первая в стране Медицинская школа по ИИ при Университете провинции Гуандун (Guangdong), в которой совместно трудятся преподаватели, ученые и разработчики [38].

В обзорной статье J.M. Mendes [13] описываются педагогические подходы для внедрения ИИ в медицинское образование: междисциплинарность во взаимодействии преподавателей с медицинским образованием с исследователями и преподавателями с ИТ-образованием, а также со специалистами в области биоэтики, регуляции обращения медицинских изделий; обучение компетенциям в области ИИ, внедрение в различные учебные дисциплины особенностей применения ИИ, проблемно-ориентированное обучение, симуляционные технологии и т.д. (рис. 5).

Этические риски применения искусственного интеллекта в медицинском образовании

Несмотря на очевидные преимущества внедрения ИИ в медицинское образование, во многих публикациях отмечаются риски и сложности при внедрении этих технологий [13, 14, 39].

Во-первых, студенты слишком полагаются на ответы БЯМ, а они могут использовать недостоверные источники информации и "галлюцинировать". В результате обучающийся не приобретает навыки, а в некоторых ситуациях может даже утратить прежние навыки или приобрести неправильные навыки.

Во-вторых, риск плагиата с помощью ИИ, т.е. использование текстов ИИ студентами для сдачи письменных работ и подсказок БЯМ на экзаменах. Соответственно, недостаточное усвоение знаний студентами и их необъективные, завышенные оценки.

В-третьих, риски при работе со структурированными данными: алгоритмическая предвзятость (bias), эффект "черного ящика" (black box), конфиденциальность данных (data privacy).

В-четвертых, потеря личностных взаимоотношений "преподаватель (научный руководитель) - студент", преемственности традиций.

Например, в статье L. Leng [40] из Китая об использовании ChatGPT в обучении анатомии говорится о таких ограничениях и рисках, как плагиат (т.е. использование текстов, сгенерированных ИИ) при написании контрольных работ студентами, алгоритмические ошибки в выдаваемом материале, соответственно, запоминание студентами неправильной информации.

Рекомендации международных и национальных организаций по внедрению искусственного интеллекта в медицинское образование и практику

В РФ принят "Кодекс этики применения ИИ в сфере охраны здоровья" (версия 2.1. от 14.02.2025) [41]. В качестве принципов этичного применения систем ИИ предлагаются:

1. Полный контроль над системой со стороны разработчиков.

2. Прозрачность и объяснимость системы.

3. Конфиденциальность данных и безопасность пациентов.

4. Равенство доступа различных групп населения.

5. Научное партнерство и профессиональная ответственность.

6. Этическая экспертиза и апробация системы ИИ при регистрации.

За рубежом также разрабатываются механизмы противодействия рискам внедрения ИИ, например R.E. Abdulnour и соавт. [42] предлагают для преподавателя практический алгоритм вопросов студенту, использующему БЯМ:

1. Какую систему ИИ Вы использовали?

2. Можно ли ей доверять?

3. Каков был ответ?

4. Вы с ним согласны/не согласны и почему?

5. Как Вы докажете правильность ответа ИИ?

В статье H. Mondal и соавт. предлагается для каждого вуза создать рекомендации по использованию ИИ [43]. В них должны быть описаны: ответственное и этичное использование, ограничения, система управления данными и интегрированность в учебный процесс вуза. Также автор рекомендует вузам разрабатывать тренинги по ИИ и приветствовать обратную связь по использованию ИИ.

За рубежом международные и национальные организации также вырабатывают рекомендации по внедрению ИИ в медицинское образование. Так, в 2025 г. ЮНЕСКО выпустило документ: "ИИ и будущее образования. Разрывы, дилеммы и направления (AI and the future of education. Disruptions, dilemmas and directions)" [44]. В целом для любого вида обучения подчеркивается, что ИИ способен создать более персонализированную, вовлекающую и динамичную среду для обучения. Для этого необходимы ресурсы вуза (доступ к ИИ, доступ к интернету и т.д.), включение в образовательные программы тем, связанных с ИИ, оценка знаний и постоянное обучение преподавателей.

В США в AAMC сделан специальный портал: ИИ и академическая медицина (Artificial Intelligence and Academic Medicine), на котором проводятся обучающие вебинары, размещаются рекомендации и статьи [45].

Принципы внедрения ИИ, предлагаемые AAMC [46]:

• Человекоцентричность. Преподаватель и студент остаются основными фигурами процесса образования, ИИ - это техно­логия в помощь человеку.
• Этичное и прозрачное применение. Особо подчеркивается важность указания задачи, для решения которой используется модель ИИ.
• Равный доступ к ИИ. Все обучающиеся вуза должны иметь равный доступ к моделям ИИ, использующимся в вузе.
• Развитие образования и тренингов в области ИИ.
• Включение ИИ в программу обучения с использованием междисциплинарного взаимодействия.
• Защита персональных данных.
• Постоянный мониторинг и оценка применения ИИ в вузе.

Особое внимание уделяется обучению преподавателей ИИ, в частности выделены компетенции в ИИ, необходимые для преподавателей [47]:

• Понимание концепций ИИ.
• Практическое применение преподавателем ИИ в практике.
• Понимание ограничений использования ИИ и принципы этического применения.
• Разработка программ внедрения обучения ИИ в программы дисциплин.
• Использование ИИ в научной работе.
• Постоянное обновление знаний по ИИ.

В настоящее время имеется большое разнообразие видов ИИ (см. раздел "Области применения ИИ"). В этих условиях AAMC выпустила специальные рекомендации для преподавателей, как выбрать модель ИИ для специфических целей и как доказать руководству необходимость этой модели [48]. Преподаватель должен сделать и представить руководству план разработки нового контента применения модели ИИ из 6 пунктов и план контроля качества с участием человека (рис. 6).

В Великобритании Национальной службой здравоохранения создан портал, где врачи и преподаватели могут пройти обучение по вопросам ИИ, им предлагается стать проводниками ИИ в своей организации, на нем также публикуются успешные практики [49]. Ресурсы портала разделены на темы: понимание технологий ИИ, разработка ИИ, практическое применение ИИ, распространение ИИ. Таким образом, объединяется потенциал всего сообщества. Изображение главной страницы портала представлен на рис. 7.

В 2025 г. исследователи Y. Lin и соавт. из Китая в обзоре литературы подчеркнули важность в развитии ИИ не только обучения преподавателей и студентов, но и вовлечение специалистов в области регулирования образования (policy makers). Эти специалисты должны отвечать за формирование политики, рекомендаций и нормативной базы применения ИИ в медицинском образовании (рис. 8) [15].

Таким образом, именно регуляторы и организаторы образования и здравоохранения должны стать лидерами технологического развития отрасли.

Результаты внедрения искусственного интеллекта

Результаты оцениваются путем измерения: вовлеченности студентов, уровня их клинической и этической подготовки, производительности процессов, реализуемых в методологическом и административном плане, удовлетворенности студентов и преподавателей (рис. 9) [50]. Например, у преподавателей может сократиться время выполнения рутинных задач, таких как проверка контрольных работ и составление протоколов заседаний кафедры. Не удалось найти данные по возможной финансовой эффективности внедрения ИИ, в том числе трудозатрат преподавателей (с учетом стоимости внедрения). В то же время появились исследования, согласно которым в целом в здравоохранении внедрение ИИ может помочь сберечь 5-10% бюджета 2.

2 https://www.healthcaredive.com/news/artificial-intelligence-healthcare-savings-harvard-mckinsey-report/641163/

В РФ, как и в других странах мира, у образовательных организаций не всегда есть собственные клинические базы, как следствие, им приходится размещать кафедры в других лечебных учреждениях, и на этом пути в ряде случаев возникают сложности. В этой связи внедрение технологий ИИ с симуляцией разных клинических случаев может решить часть проблем, связанных с практическим обучением студентов.

Ограничения исследования. В исследовании не изучался вопрос, какие именно модели ИИ использовались в медицинском образовании; это могли быть разные виды:

• модели, основанные на машинном обучении, например системы прогнозирования успеваемости студентов на основе обучающих данных;
• БЯМ - например, GPT-подобные системы, применяемые для генерации ответов на клинические вопросы или подготовки учебных материалов;
• БЯМ с использованием RAG - например, системы, работающие на основе инте­грации языковой модели с проверяемыми базами медицинских знаний, обеспечивающие генерацию ответов с опорой на источники;
• ИИ-агенты - например, автономные цифровые ассистенты, способные выполнять последовательность образовательных задач: анализ клинического кейса, формирование дифференциального диагноза, проверка решений студента и предоставление обратной связи. 

Выводы и рекомендации

1. ИИ-технологии ускоренно внедряются в медицинское образование, о чем свидетельствует более чем 20-кратный рост количества публикаций по этой теме с 2020 по 2025 г. Большинство научных статей датируются 2024-2026 гг., всего за этот период по поисковым словам ("медицинское образование и искусственный интеллект") найдено 2629 статей. Примерно 1/3 статей носит обзорный характер и содержат схожие выводы по применению ИИ-технологий в образовании. Пока относительно мало исследований (16 из 37), описывающих конкретные примеры внедрения ИИ-технологий в образование и их эффективность. При анализе публикаций по темам показано, что среди них превалируют статьи, посвященные областям применения ИИ (75%, 12 из 16), среди которых, в свою очередь, большинство статей посвящено применению БЯМ и симуляции. Рекомендации по внедрению ИИ чаще готовят или государственные органы (министерства здравоохранения), или общественные организации (такие как AAMC).

2. В медицинское образование наиболее активно внедряются следующие инструменты ИИ:

• платформы медицинских знаний с ИИ-инструментами, позволяющими находить ответы на медицинские вопросы, готовить конспекты, пояснять термины и понятия, например, платформа "МБ ГЭОТАР" с ИИ-ассистентом;
• обучающая платформа вуза, позволяющая сделать резюме разделов учебника, пояснить сложные позиции простым языком, пройти самотестирование, перевести текст на иностранный язык, например, платформа "Консультант студента" или интеллектуальная система вуза DocAI с модулями БЯМ;
• виртуальные пациенты, позволяющие давать персонализированную обратную связь, например, MedSimAI и Body Interact’s AI- Powered Simulation;
• геймифицированные приложения для обучения помощи при неотложных состояниях, позволяющие больше вовлекать студентов, например, ASMAN Game;
• обучение работе в команде для помощи больным с сепсисом, позволяющее оценить одновременно способность студента коммуницировать, проводить осмотр, следить за мониторами, взаимодействовать в команде, модель MUVR simulation.

3. По опросам и студенты, и преподаватели положительно относятся к применению ИИ и хотели бы проходить обучение по этой теме. Однако уровень использования моделей ИИ среди студентов - 87%, у преподавателей - только 56%, что делает особенно важным их обучение по этому вопросу. В развитых странах программы по обучению ИИ активно внедряются в программы вузов (до 78% всех вузов в США в 2025 г.). Изучают следующие модули: основы технологий ИИ, клинические приложения с использованием ИИ, этика и коммуникация внедрения ИИ, разработка приложений с ИИ. Все исследователи отмечают, что для успешного внедрения ИИ в медицинское образование необходимы: технологические ресурсы, междисциплинарный подход в формировании программ и взаимодействие между преподавателями, разработка этических норм применения. Министерства здравоохранения за рубежом создают специальные платформы, где систематизируется опыт внедрения ИИ в медицинское образование и практику, предлагаются обучающие курсы, публикуются научные и нормативные документы.

4. Рекомендации для РФ. Необходимо разработать государственную программу с долгосрочным финансированием, направленную на разработку и внедрение ИИ в медицинское образование и практику. Координатором этой программы должен стать Минздрав России, в котором должен быть создан специальный департамент и организован соответствующий научный медицинский исследовательский центр для централизации научно-исследовательских работ по всем направлениям. Также важно предусмотреть во ФГОС обязательные профессиональные компетенции по изучению вопросов ИИ; включить в них требование о наличии в образовательных организациях цифровых платформ, которые благодаря ИИ позволяют сделать образовательный процесс более эффективным; создать в Минздраве сайт, где бы систематизировался опыт внедрения ИИ в образовательных организациях и описывались лучшие практики; разработать примерную ОП для обучения преподавателей цифровым технологиям, включая изучение ИИ; разработать индикаторы для оценки эффективности ИИ-технологий в медицинском образовании.

Приложение

E-mail: vshouz@vshouz.ru1. О развитии искусственного интеллекта в Российской Федерации : Указ Президента Российской Федерации от 10.10.2019 № 490: [с изменениями на 15 февраля 2024 года]. Текст: электронный // Официальный интернет-портал правовой информации: [сайт]. URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102608394 (дата обращения: 10.01.2026).

2. Перечень поручений по итогам конференции "Путешествие в мир искусственного интеллекта": [утв. Президентом РФ 15.02.2023 г. № Пр-353] // Официальный сайт Президента России. URL: http://www.kremlin.ru/acts/assignments/orders/79143 (дата обращения: 21.02.2026).

3. РТУ МИРЭА совместно с Центром диагностики и телемедицины запустили первые в России программы бакалавриата по искусственному интеллекту в медицине // РТУ МИРЭА: [офиц. сайт]. 2023. 21 июня. URL: https://www.mirea.ru/mediapage/press-service/rtu-mirea-sovmestno-s-tsentrom-diagnostiki-i-telemeditsiny-zapustili-pervye-v-rossii-programmy-bakal/ (дата обращения: 21.02.2026).

4. В Сеченовском Университете запустили новый образовательный курс по искусственному интеллекту и анализу данных // Сеченовский Университет: [офиц. сайт]. 2024. 31 мая. URL: https://www.sechenov.ru/pressroom/news/v-sechenovskom-universitete-zapustili-novyy-obrazovatelnyy-kurs-po-iskusstvennomu-intellektu-i-anali/ (дата обращения: 21.02.2026).

5. Искусственный интеллект в Сеченовском Университете: [сайт] / Институт цифровой медицины. URL: https://ai.sechenov.ru/ (дата обращения: 21.02.2026).

6. Google Академия: поисковая система: [сайт]. URL: https://scholar.google.ru/ (дата обращения: 21.02.2026).

7. PubMed: database of medical and biological publications: [website]. In: National Center for Biotechnology Information (NCBI). Bethesda (MD) : National Library of Medicine (US). URL: https://pubmed.ncbi.nlm.nih.gov/?term=%28artificial+intelligence%5BTitle%2FAbstract%5D%29+AND+%28medical+education%5BTitle%2FAbstract%5D%29&filter=simsearch3.fft&filter=years.2016-2026 (дата обращения: 21.02.2026).

8. Salem M.A., Zakaria O.M., Aldoughan E.A., Khalil Z.A., Zakaria H.M. Bridging the AI gap in medical education: a study of competency, readiness, and ethical perspectives in developing nations // Computers. 2025. Vol. 14. P. 238. DOI: https://doi.org/10.3390/computers14060238

9. Domrös-Zoungrana D., Rajaeean N., Boie S., Fröling E., Lenz C. Medical education: considerations for a successful integration of learning with and learning about AI // J. Med. Educ. Curric. Dev. 2024. Vol. 11. Article ID 23821205241284719. DOI: https://doi.org/10.1177/23821205241284719

10. Gordon M., Daniel M., Ajiboye A. et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84 // Med. Teach. 2024. Vol. 46, N 4. P. 446-470. DOI: https://doi.org/10.1080/0142159X.2024.2314198

11. Artificial Intelligence in Medical Education: A Practical Guide for Educators / eds M. Daniel, Z. Lu, K. Masters. 1st ed. Cham : Springer Nature, 2024. Vol. XV. 312 p. ISBN: 978-3-031-65123-4.

12. Saroha S. Artificial intelligence in medical education: promise, pitfalls, and practical pathways // Adv. Med. Educ. Pract. 2025. Vol. 16. P. 1039-1046. DOI: https://doi.org/10.2147/AMEP.S523255

13. Mendes J.M. Reimagining healthcare education through nurturing AI-driven innovation // BMC Med. Educ. 2025. Vol. 25, N 1. P. 1644. DOI: https://doi.org/10.1186/s12909-025-08254-9

14. Walker L. Artificial intelligence in medical education: potential and pitfalls // Aust. J. Gen. Pract. 2025. Vol. 54, N 10. P. 743-746. DOI: https://doi.org/10.31128/AJGP-02-25-7559

15. Lin Y., Luo Z., Ye Z. et al. Applications, challenges, and prospects of generative artificial intelligence empowering medical education: scoping review // JMIR Med. Educ. 2025. Vol. 11. Article ID e71125. DOI: https://doi.org/10.2196/71125

16. Lau J., Saroha S., Gordon M. Artificial intelligence in medical education: potential and pitfalls // Med. Educ. 2024. Vol. 58, N 12. P. 1432-1439. DOI: https://doi.org/10.1111/medu.15418 URL: https://onlinelibrary.wiley.com/doi/10.1002/mef2.70018 (дата обращения: 21.02.2026).

17. Hamilton A. Artificial intelligence and healthcare simulation: the shifting landscape of medical education // Cureus. 2024. Vol. 16, N 5. Article ID e59747. DOI: https://doi.org/10.7759/cureus.59747 URL: https://www.cureus.com/articles/246473-artificial-intelligence-and-healthcare-simulation-the-shifting-landscape-of-medical-education (дата обращения: 21.02.2026).

18. Gershov S., Mahameed F., Raz A. et al. Towards accurate and interpretable competency-based assessment: enhancing clinical competency assessment through multimodal AI and anomaly detection // NPJ Digit. Med. 2026. DOI: https://doi.org/10.1038/s41746-025-02299-2

19. Консультант студента: электронно-библиотечная система: база данных для вузов. Москва : ГЭОТАР-Медиа, 2026. URL: https://www.studentlibrary.ru (дата обращения: 02.02.2026).

20. MedBase : информационная база данных для врачей и студентов. Москва : ГЭОТАР-Медиа, 2026. URL: https://medbase.pro (дата обращения: 02.02.2026)

21. Асташев П.Е., Пензин О.В., Субботин С.А., Карпов О.Э. Концепция применения больших языковых моделей при использовании кейс-метода в медицинском образовании // Врач и информационные технологии. 2024. № 3. С. 62-71. DOI: https://doi.org/10.25881/18110193_2024_3_62

22. Bozkurt R., Doğu Ö., Çit G. et al. Development of a multi-skill, haptic-supported virtual reality simulation for first-year nursing students: a pilot study // BMC Nurs. 2025. Vol. 25, N 1. Article ID 101. DOI: https://doi.org/10.1186/s12912-025-04260-w

23. García-Torres D., Fernández C., Mira J.J. et al. Using AI-based virtual simulated patients for training in psychopathological interviewing: cross-sectional observational study // JMIR Med. Educ. 2025. Vol. 11. Article ID e78857. DOI: https://doi.org/10.2196/78857

24. Aurora-Med: AI-Powered Medical School Scheduling Software // Stottler Henke: [website]. URL: https://aurorascheduling.com/aurora-med/ (дата обращения: 22.02.2026).

25. Fowler C., Moore S. From substitution to redefinition: the SAMR model as a framework for AI adoption in nursing // Am. J. Nurs. Res. 2025. Vol. 13, N 2. P. 71-76. DOI: https://doi.org/10.12691/ajnr-13-2-5 (дата обращения: 21.02.2026).

26. Lau J., Saroha S., Gordon M. High-level integration of AI in medical education using the SAMR model: a case study on cardiovascular system teaching for medical undergraduates // MedXperience: [website]. 2024. URL: https://medicine.nus.edu.sg/medixperience/scholarly-article/high-level-integration-of-ai-in-medical-education-using-the-samr-model-a-case-study-on-cardiovascular-system-teaching-for-medical-undergraduates/ (дата обращения: 21.02.2026).

27. Medical school solutions: AI-powered scheduling & operations // SeatsOne: [website]. URL: https://seatsone.ai/medical-school-solutions/ (дата обращения: 22.02.2026).

28. Теренин В.С., Стецуков Г.Д., Фокин Д.А., Баннов В.М. Интеллектуальная кросс-платформенная система "DocAI" для оптимизации образовательного процесса в медицинских вузах // Российский журнал телемедицины и электронного здравоохранения. 2025. Т. 11, № 1. С. 23-25. DOI: https://doi.org/10.29188/2712-9217-2025-11-1-23-25

29. Заболотний А.Г., Миргородская М.Е., Москаленко А.О., Лосева А.И. Цифровые технологии в образовании: взгляд студентов медицинского вуза // Вестник Майкопского государственного технологического университета. 2025. Т. 17, № 2. С. 65-80. DOI: https://doi.org/10.47370/2078-1024-2025-17-2-65-80

30. Стрельников С.С., Вохминцев А.П., Каткова А.Л., Ушакова О.М. Информационное поведение и восприятие искусственного интеллекта студентами медицинского вуза // Проблемы современного образования. 2025. № 2. С. 122-137. DOI: https://doi.org/10.31862/2218-8711-2025-2-122-137

31. Weidener L., Fischer M. Artificial intelligence in medicine: cross-sectional study among medical students on application, education, and ethical aspects // JMIR Med. Educ. 2024. Vol. 10. Article ID e51247. DOI: https://doi.org/10.2196/51247

32. Luong J., Tzang C.C., McWatt S. et al. Exploring artificial intelligence readiness in medical students: analysis of a global survey // Med. Sci. Educ. 2024. Vol. 35, N 1. P. 331-341. DOI: https://doi.org/10.1007/s40670-024-02190-x

33. Sami A., Tanveer F., Sajwani K. et al. Medical students’ attitudes toward AI in education: perception, effectiveness, and its credibility // BMC Med. Educ. 2025. Vol. 25, N 1. Article ID 82. DOI: https://doi.org/10.1186/s12909-025-06704-y

34. Personalizing Learning with AI: AI Skill Building for Medical Educators [Электронный ресурс]: GEA Webinar Series (Session 7). 2025. Nov 20. (дата обращения: 21.02.2026.

35. Национальный рейтинг университетов по качеству подготовки специалистов в области искусственного интеллекта: [сайт] // Альянс в сфере искусственного интеллекта. URL: https://rating.a-ai.ru/#rating (дата обращения: 21.02.2026).

36. Авачева Т.Г., Милованова О.А., Кривушин А.А., Прохина С.А. Особенности преподавания искусственного интеллекта в рамках программ высшего медицинского образования // Российский журнал персонализированной медицины. 2025. Т. 5, № 2. С. 154-165. DOI: https://doi.org/10.18705/2782-3806-2025-5-2-154-165

37. Tolentino R., Baradaran A., Gore G., Pluye P., Abbasgholizadeh-Rahimi S. Curriculum frameworks and educational programs in AI for medical students, residents, and practicing physicians: scoping review // JMIR Med. Educ. 2024. Vol. 10. Article ID e54793. DOI: https://doi.org/10.2196/54793

38. Guangdong launches AI medical school // China Daily: [website]. 2025. July 2. URL: https://studychina.chinadaily.com.cn/s/202507/02/WS6864a59c498edec913cdd0c6/guangdong-launches-ai-me... (дата обращения: 21.02.2026).

39. Overreliance on AI risks eroding new and future doctors’ critical thinking while reinforcing existing bias // BMJ Group: [website]. 2025. Feb 12. URL: https://bmjgroup.com/overreliance-on-ai-risks-eroding-new-and-future-doctors-critical-thinking-while-reinforcing-existing-bias/#:~:text=They%20conclude:%20%E2%80%9CGenerative%20AI%20has,02/12/2025 (дата обращения: 21.02.2026).

40. Leng L. Challenge, integration, and change: ChatGPT and future anatomical education // Med. Educ. Online. 2024. Vol. 29, N 1. Article ID 2304973. DOI: https://doi.org/10.1080/10872981.2024.2304973

41. Кодекс этики применения искусственного интеллекта в сфере охраны здоровья. Версия 2.1: утв. Межведомственной рабочей группой при Минздраве России, протокол от 14.02.2025 № 90/18-0/117 // СПС КонсультантПлюс: [сайт]. URL: https://www.consultant.ru/document/cons_doc_LAW_501066/ (дата обращения: 25.02.2025).

42. Abdulnour R.E., Gin B., Boscardin C.K. Educational strategies for clinical supervision of artificial intelligence use // N. Engl. J. Med. 2025. Vol. 393, N 8. P. 786-797. DOI: https://doi.org/10.1056/NEJMra2503232

43. Mondal H. Ethical engagement with artificial intelligence in medical education // Adv. Physiol. Educ. 2025. Vol. 49, N 1. P. 163-165. DOI: https://doi.org/10.1152/advan.00188.2024

44. AI and future of education: disruptions, dilemmas and directions: [website] // UNESCO. 2024. URL: https://www.unesco.org/en/articles/ai-and-future-education-disruptions-dilemmas-and-directions (дата обращения: 21.02.2026).

45. Artificial intelligence and academic medicine: [website] // Association of American Medical Colleges (AAMC). 2024. URL: https://www.aamc.org/about-us/mission-areas/medical-education/artificial-intelligence-and-academic-medicine (дата обращения: 21.02.2026).

46. Principles for AI in medical education // Association of American Medical Colleges (AAMC). Washington, DC : AAMC, 2024. 13 p.

47. AI competencies for medical educators [Электронный ресурс] // Association of American Medical Colleges (AAMC). Washington, DC : AAMC, 2024. 21 p. URL: https://www.aamc.org/media/86881/download?attachment (дата обращения: 21.02.2026).

48. AI-enhanced medical education content creation framework: a systematic tool selection and implementation guide [Электронный ресурс] // Association of American Medical Colleges (AAMC). Washington, DC : AAMC, 2025. 25 p. URL: https://www.aamc.org/media/86771/download?attachment (дата обращения: 21.02.2026).

49. AI knowledge repository: AI ambassador network: [website] // NHS Digital. URL: https://digital.nhs.uk/services/ai-knowledge-repository#ai-ambassador-network (дата обращения: 21.02.2026).

50. Patil N.G., Kou N.L., Baptista-Hon D.T., Monteiro O. Artificial intelligence in medical education: a practical guide for educators // MedComm - Future Medicine. 2025. Vol. 4, N 2. Article ID e70018. DOI: https://doi.org/10.1002/mef2.70018

51. Ластков Д.О., Горохова А.А., Чуркин Д.В., Клименко А.И. Методологические и методические проблемы внедрения искусственного интеллекта в преподавании гигиены // Вопросы образования и психологии : монография. Чебоксары : Среда, 2025. С. 123-141. ISBN: 978-5-907965-83-6. DOI: https://doi.org/10.31483/a-10766

52. Sauder M., Tritsch T., Rajput V. et al. Exploring generative artificial intelligence-assisted medical education: assessing case-based learning for medical students // Cureus. 2024. Vol. 16, N 1. Article ID e51961. DOI: https://doi.org/10.7759/cureus.51961

53. Ноздрачев Д.И., Марачев М.П., Евгенов П.С., Петрова Н.Н. Место технологии искусственного интеллекта в клиническом разборе пациента с психическим расстройством (презентация случая) // Обозрение психиатрии и медицинской психологии имени В. М. Бехтерева. 2025. Т. 59, № 3. С. 52-59. DOI: https://doi.org/10.31363/2313-7053-2025-3-1087

54. Chen J., Lin G., Wu Y. et al. Exploring the application of the artificial-intelligence-integrated platform 3D slicer in medical imaging education // Diagnostics. 2024. Vol. 14, N 2. Article ID 146. DOI: https://doi.org/10.3390/diagnostics14020146

55. de Oliveira R.J.S., de Oliveira J.S.V., Almeida J.L. de S. et al. MedSimAI: simulation and formative feedback generation to enhance deliberate practice in medical education // AHFE International Conference. Cham : Springer Nature Switzerland, 2024. Vol. 120. P. 367-374. DOI: https://doi.org/10.54941/ahfe1004732

56. BodyInteract AI: simulation & formative feedback report // BodyInteract: [website]. 2024. URL: https://bodyinteract.com/blog/bodyinteract-ai-simulation-feedback-report/ (дата обращения: 22.02.2026).

57. Monkey jacket: medical AI training ground V2 // GoodLabs Studio: [website]. URL: https://www.goodlabs.studio/monkey-jacket-medical-ai-training-ground-v2 (дата обращения: 22.05.2024).

58. Zackoff M.W., Cruse B., Sahay R.D. et al. Multiuser immersive virtual reality simulation for interprofessional sepsis recognition and management // J. Hosp. Med. 2024. Vol. 19, N 3. P. 185-192. DOI: https://doi.org/10.1002/jhm.13274

59. Borg A., Schiött J., Ivegren W. et al. AI-enhanced social robotic versus computer-based virtual patients for clinical reasoning training in medical education: observational crossover cohort study // J. Med. Internet Res. 2025. Vol. 27. Article ID e82541. DOI: https://doi.org/10.2196/82541

60. MedicalStudent.ai: AI classes for medical students // MedicalStudent.ai: [website]. URL: https://medicalstudent.ai/#classes (дата обращения: 22.02.2026).

61. MedGames: Serious games for medical education // Bodhi Labs: [website]. URL: https://www.bodhilabs.ai/medgames-about/ (дата обращения: 22.02.2026).

62. Sridharan K., Sequeira R.P. Artificial intelligence and medical education: application in classroom instruction and student assessment using a pharmacology & therapeutics case study // BMC Med. Educ. 2024. Vol. 24, N 1. Article ID 431. DOI: https://doi.org/10.1186/s12909-024-05365-7

63. AI in medical education: 5 ways schools are employing new tools // Academic Medicine Online: [website]. 2024. URL: https://academicmedicine.aamc.org/stories/ai-medical-education-5-ways-schools-are-employing-new-tools (дата обращения: 22.02.2026).

64. Luordo D., Torres Arrese M., Tristán Calvo C. et al. Application of artificial intelligence as an aid for the correction of the objective structured clinical examination (OSCE) // Appl. Sci. 2025. Vol. 15, N 3. Article ID 1153. DOI: https://doi.org/10.3390/app15031153

65. Islam Ovi Md S., Hossain J., Rahi Md R.A., Akter F. Protecting Student mental health with a context-aware machine learning framework for stress monitoring // arXiv: [website]. 2025. URL: https://arxiv.org/abs/2508.01105 (дата обращения: 22.02.2026). DOI: https://doi.org/10.48550/arXiv.2508.01105