Ключевые результаты
Авторы провели систематический обзор литературы, посвященной применению моделей машинного обучения при постинсультной афазии. В анализ было включено 19 статей. Исследование показало, что при разработке моделей для оценки и прогнозирования постинсультной афазии преимущественно используются методы обучения с учителем, включая случайные леса, нейронные сети и машины опорных векторов. Источники данных для моделей были разнообразны и охватывали мультимодальные данные.
Методология
Исследование проводилось согласно методологии обзора охвата (scoping review). Авторы выполнили поиск в базах данных Web of Science, PubMed, Cochrane Library, Embase, CINAHL, CNKI, VIP, Wanfang и China Biology Medicine. Временные рамки поиска охватывали период от создания баз данных до 20 ноября 2025 года. После извлечения статей был проведен тщательный отбор, анализ и систематизация данных.
Клиническое значение
Согласно результатам обзора, модели машинного обучения могут выполнять несколько важных функций при работе с пациентами с постинсультной афазией:
- Диагностика и классификация пациентов с афазией
- Оценка и прогнозирование степени тяжести афазии
- Предсказание восстановления языковой функции и результатов реабилитации
- Мониторинг и оценка симптомов в динамике
Это указывает на потенциально высокую клиническую применимость данных методов в улучшении диагностики и прогностической оценки пациентов с постинсультной афазией.
Выводы
Авторы заключают, что модели машинного обучения демонстрируют высокую применимость и широкие возможности использования при постинсультной афазии. Однако они подчеркивают, что для будущих исследований в этой области необходимы:
- Многоцентровые исследования
- Сбор и анализ мультимодальных данных
- Проведение внешней валидации моделей
Эти шаги необходимы для повышения надежности и клинической применимости моделей машинного обучения в реальной практике при ведении пациентов с постинсультной афазией.