Искусственный интеллект (ИИ) постепенно выходит за пределы научных лабораторий и цифровых сервисов. В диабетологии он уже анализирует массивы данных непрерывного мониторинга глюкозы, прогнозирует гипо- и гипергликемию, помогает подбирать дозы инсулина. При этом возникает практический вопрос: может ли алгоритм частично взять на себя терапевтические решения?
Пока ответ скорее отрицательный. Современные ИИ-системы способны хорошо решать отдельные задачи, но качество их работы зависит от данных, на которых их обучили, клинического контекста и внешнего контроля.
От анализа уровня глюкозы к прогнозу
Непрерывный мониторинг глюкозы (НМГ) создает поток данных, который сложно оценивать вручную в режиме реального времени. Но алгоритмы машинного обучения могут искать в нем закономерности, которые предшествуют неблагоприятным событиям.
Обзор 2026 г. показал, что машинное обучение особенно хорошо подходит для выявления событий и извлечения признаков из НМГ, тогда как модели глубокого обучения демонстрируют преимущества при прогнозировании будущей динамики уровня глюкозы. Гибридные модели могут повышать точность прогноза и одновременно сохранять возможность его клинической интерпретации. Однако разнородность данных и слабая переносимость моделей между разными когортами остаются серьезными проблемами [1].
Важным направлением применения ИИ-моделей является прогнозирование гипогликемии. Например, в исследовании F. Giammarino и соавт. модель, которую разработали на данных НМГ пациентов с сахарным диабетом (СД) 1-го типа, оценивала вероятность клинически значимой гипогликемии в течение следующей недели. При внешней валидации модель показала удовлетворительную способность различать пациентов с высоким и низким риском события (площадь под ROC-кривой составила 0,74). Такой инструмент можно использовать для дистанционного мониторинга и выявления пациентов, которым требуется внимание врача [2].
Может ли ИИ-система подобрать дозу инсулина?
Более сложная задача – не просто предсказать изменение гликемии, а предложить конкретную терапевтическую тактику. Ответ на вопрос о том, может ли это делать ИИ, попытались найти авторы рандомизированного контролируемого исследования (РКИ) с участием 149 госпитализированных пациентов с СД 2-го типа и гликированным гемоглобином (HbA1c) от 7,0 до 11,0%. Пациентов распределили между системой поддержки решений на основе ИИ и опытными эндокринологами. В течение пяти дней алгоритм или врач корректировали дозы инсулина.
Главным критерием стала доля времени с уровнем глюкозы в диапазоне 70–180 мг/дл. В группе ИИ она составила 76,4%, в группе врачей – 73,6%. Разница оказалась статистически незначимой. Таким образом, система продемонстрировала не меньшую эффективность, чем терапия под контролем опытных эндокринологов. Частота нежелательных явлений существенно не различалась [3].
Однако полученный результат нельзя трактовать как доказательство того, что ИИ способен заменить врача. Исследование проходило в стационаре, вмешательство длилось всего пять дней, а алгоритм решал конкретную задачу титрации инсулина. Он не ставил диагноз, не оценивал все осложнения диабета и не выбирал стратегию лечения в целом.
Что дает искусственный интеллект для гликемического контроля?
Влияние систем на основе ИИ на гликемический контроль проанализировали в метаанализе 17 РКИ с участием 6557 человек. В среднем применение ИИ-решений улучшало время нахождения глюкозы в целевом диапазоне (Time in Range, TIR) и снижало HbA1c. Однако гетерогенность исследований превышала 90% [4].
Обзор рандомизированных исследований сахарного диабета 1-го типа 2026 г. также обнаружил, что результаты разных технологий применения ИИ оказались неоднородными. Серьезных нежелательных явлений в рассмотренных исследованиях не выявили. Но небольшие выборки, короткие периоды наблюдений и отсутствие стандартизированной оценки ограничивают уверенность в выводах [5]. Поэтому нельзя считать, что любой ИИ-инструмент автоматически улучшит контроль диабета.
Где проходит граница ответственности?
Сегодня наиболее реалистичная модель выглядит не как «ИИ вместо врача», а как «врач + алгоритм». Алгоритм способен быстро обработать тысячи данных НМГ, выявить скрытые закономерности и предложить вариант решения. Врач оценивает клинический контекст, сопутствующие заболевания, питание, физическую активность, приверженность и риски пациента.
Именно такой подход предлагают эксперты Европейского диабетического форума. В консенсусе 2026 г. они рассматривают системы поддержки принятия клинических решений на основе ИИ как потенциально значимый инструмент персонализированной диабетологической помощи. Документ также подчеркивает необходимость безопасной интеграции технологий в клиническую практику, надежного регулирования и контроля работы после внедрения [6].
На практике это означает, что ИИ постепенно забирает у врача часть рутинного анализа данных. Но окончательное клиническое решение пока остается за специалистом. Поэтому главный вопрос ближайших лет совсем не в том, сможет ли ИИ заменить врача. Важно, какие решения мы сможет принимать лучше благодаря ИИ.
Литература
1. Fera N, Procopio A, Zaffino P et al. Modeling strategies for CGM data: a scoping review of mechanistic, machine learning, and hybrid approaches in diabetes management. Comput Biol Med 2026; 205: 111601. https://doi.org/10.1016/j.compbiomed.2026.111601.
2. Giammarino F, Senanayake R, Prahalad P et al. A Machine Learning Model for Week-Ahead Hypoglycemia Prediction From Continuous Glucose Monitoring Data. Diabetes Technol Ther 2025; 19 (5): 1353-61. https://doi.org/10.1177/19322968241236208
3. Ying Z, Fan Y, Chen C et al. Real-Time AI-Assisted Insulin Titration System for Glucose Control in Patients With Type 2 Diabetes: A Randomized Clinical Trial. JAMA Netw Open 2025; 8 (5). https://doi.org/10.1001/jamanetworkopen.2025.8910.
4. Elmotia K, Abouyaala O, Bougrine S, Ouahidi MLA. Effectiveness of AI-driven interventions in glycemic control: A systematic review and meta-analysis of randomized controlled trials. Prim Care Diabetes 2025; 19 (4): 345-54. https://doi.org/10.1016/j.pcd.2025.05.004
5. Wu Y, Pang J, Xu S et al. Artificial Intelligence in Type 1 Diabetes Management: A Scoping Review of Randomised Controlled Trials. Diabetes Obes Metab 2026; 28 (6): 4860-75. https://doi.org/10.1111/dom.70671
6. Bajramagic M, Battelino T, Cos X et al. Artificial intelligence-driven clinical decision support systems to assist healthcare professionals and people with diabetes in Europe at the point of care: a Delphi-based consensus roadmap. Diabetologia 2026; 69 (2): 259-73. https://doi.org/10.1007/s00125-025-06601-5
