Современные методы ранней диагностики неврологических заболеваний: Международный опыт исследований
DOI:
https://doi.org/10.54500/2790-1203-2025-125-1-10-19Ключевые слова:
неврология, ранняя диагностика, нейровизуализация, биомаркеры, Scopus, статистический анализАннотация
Значительный рост научных работ свидетельствует об усилении интереса к раннему выявлению неврологических
заболеваний, чему способствуют прогресс в нейровизуализации, искусственном интеллекте и исследованиях биомаркеров.
Цель обзора – выявить основные тенденции и инновационные подходы, повышающие точность и своевременность
диагностики, а также улучшающие прогноз для пациентов на ранних стадиях неврологических нарушений.
Методы. Исследовательские статьи были отобраны по ключевым словам «Диагностика» и «Неврология», в результате чего отобранные 6132 научные публикации прошли статистический анализ с использованием программы SPSS. Для изучения динамики публикаций по годам применялся метод описательной статистики с учетом ведущих стран, ведущих организаций и основных научных направлений.
Результаты. Анализ показал существенный рост числа работ за последнее десятилетие, особенно в медицине, инженерии и компьютерных науках. Лидирующие позиции по количеству научных публикаций занимают США, за которыми следуют Великобритания и Германия. Мультидисциплинарные исследования способствовали появлению инновационных технологий от современных методов нейровизуализации до алгоритмов искусственного интеллекта, применяемых для обнаружения нейродегенеративных и когнитивных расстройств на доклинических стадиях.
Выводы. Системный обзор научной активности подтверждает рост мирового интереса к ранней диагностике
неврологических заболеваний. Несмотря на существующие барьеры в виде высокой стоимости и доступности технологий, интеграция нейровизуализации, систем искусственного интеллекта и биомаркеров обладает большим потенциалом для повышения точности диагностики, развития международного сотрудничества и расширения научных горизонтов в неврологии.
Скачивания
Библиографические ссылки
Jha, K., Kumar, A. (2024). Role of Artificial Intelligence in Detecting Neurological Disorders. International Research Journal on Advanced Engineering Hub (IRJAEH), 2(02), 73-79. https://doi.org/10.47392/IRJAEH.2024.0015
Warren, S. L., Khan, D. M., Moustafa, A. A. (2024). Assistive tools for classifying neurological disorders using fMRI and deep learning: A guide and example. Brain and Behavior, 14(6), e3554. https://doi.org/10.1002/brb3.3554
Kopańska, M., Rydzik, Ł., Błajda, J., Sarzyńska, I., Jachymek, K., Pałka, T., Szczygielski, J. (2023). The Use of Quantitative Electroencephalography (QEEG) to Assess Post-COVID-19 Concentration Disorders in Professional Pilots: An Initial Concept.
Brain Sciences, 13(9), 1264. https://doi.org/10.3390/brainsci13091264
Sheth, H., Pancholi, D., Bhavsar, R., Mannan, A. U., Ganapathy, A., Chowdhury, M., Sheth, J. (2021). Assessing utility of clinical exome sequencing in diagnosis of rare idiopathic neurodevelopmental disorders in Indian population. Neurology India, 69(6), 1729-1736. https://doi.org/10.4103/0028-3886.333475
Peng, L., Wang, N., Xu, J., Zhu, X., Li, X. (2022). GATE: Graph CCA for temporal self-supervised learning for label-efficient fMRI analysis. IEEE Transactions on Medical Imaging, 42(2), 391-402. https://doi.org/10.1109/TMI.2022.3201974
Walzl, D., Carson, A. J., Stone, J. (2019). The misdiagnosis of functional disorders as other neurological conditions. Journal of neurology, 266, 2018-2026. https://doi.org/10.1007/s00415-019-09356-3
Perez, D. L., Keshavan, M. S., Scharf, J. M., Boes, A. D., Price, B. H. (2018). Bridging the great divide: what can neurology learn from psychiatry?. The Journal of neuropsychiatry and clinical neurosciences, 30(4), 271-278. https://doi.org/10.1176/appi.neuropsych.17100200
Reshma G., P.V.S L. Prediction of neurological disorders among children using machine learning techniques. Helix, 2019; 9(1): 4775–4780. https://doi.org/10.9734/bpi/rdst/v10/2540B
Rudroff, T., Rainio, O., Klén, R. (2024). AI for the prediction of early stages of Alzheimer's disease from neuroimaging biomarkers–A narrative review of a growing field. Neurological Sciences, 1-11. https://doi.org/10.1007/s10072-024-07649-8
Ahmed, M. R., Zhang, Y., Feng, Z., Lo, B., Inan, O. T., Liao, H. (2018). Neuroimaging and machine learning for dementia diagnosis: recent advancements and future prospects. IEEE reviews in biomedical engineering, 12, 19-33. https://doi.org/10.1109/RBME.2018.2886237
Staffaroni, A. M., Elahi, F. M., McDermott, D., Marton, K., Karageorgiou, E., Sacco, S., Geschwind, M. D. (2017). Neuroimaging in dementia. In Seminars in neurology, 37, 05, 510-537. https://doi.org/10.1055/s-0037-1608808
Zhao, Q., Chen, X., Zhou, Y. (2016). Quantitative multimodal multiparametric imaging in Alzheimer’s disease. Brain informatics, 3, 29-37. https://doi.org/10.1007/s40708-015-028-9
Ruan Q., D’Onofrio G., Sancarlo D., Bao Z., Greco A., Yu Z. Potential neuroimaging biomarkers of pathologic brain changes in mild cognitive impairment and Alzheimer’s disease: a systematic review. BMC Geriatr, 2016; 16(1).
https://doi.org/10.1186/s12877-016-0281-7
Yağış E., García N., Citi L. Convolutional autoencoder based deep learning approach for Alzheimer's disease diagnosis using brain MRI, 2021; 486–491. https://doi.org/10.1109/CBMS52027.2021.00097
Shaikh, Z., Torres, A., Takeoka, M. (2019). Neuroimaging in pediatric epilepsy. Brain sciences, 9(8), 190. https://doi.org/10.3390/brainsci9080190
Sidira, C., Vargiami, E., Dragoumi, P., Zafeiriou, D. I. (2021). Hemimegalencephaly and tuberous sclerosis complex: A rare yet challenging association. European Journal of Paediatric Neurology, 30, 58-65. https://doi.org/10.1016/j.ejpn.2020.12.007
Carey, M. R., Callaghan, B. C., Kerber, K. A., Skolarus, L. E., Burke, J. F. (2019). Impact of early headache neuroimaging on time to malignant brain tumor diagnosis: A retrospective cohort study. Plos one, 14(2), e0211599.
https://doi.org/10.1371/journal.pone.0211599
Teleanu, D. M., Chircov, C., Grumezescu, A. M., Volceanov, A., Teleanu, R. I. (2019). Contrast agents delivery: an up-todate review of nanodiagnostics in neuroimaging. Nanomaterials, 9(4), 542. https://doi.org/10.3390/nano9040542
Tian, J., Li, H., Qi, Y., Wang, X., Feng, Y. (2024). Intelligent Medical Detection and Diagnosis Assisted by Deep Learning. Applied and Computational Engineering, 64, 121-126. https://doi.org/10.54254/2755-2721/64/20241356
Camm N. Revolutionizing cardiac diagnosis: an AI algorithm for heart abnormality detection in medical imaging – a review of current and emerging techniques. Clin Cardiol Cardiovasc Interv, 2024; 6(2): 1–8. https://doi.org/10.31579/2641-0419/304
Alam, M. K., Alanazi, N. H., Alazmi, M. S., Nagarajappa, A. K. (2024). Al-Based Detection of Dental Caries: Comparative Analysis with Clinical Examination. Journal of Pharmacy and Bioallied Sciences, 16(Suppl 1), S580-S582. https://doi.org/10.4103/jpbs.jpbs_872_23
Shahmoradi, L., Safdari, R., Mirhosseini, M. M., Rezayi, S., Javaherzadeh, M. (2023). Development and evaluation of a clinical decision support system for early diagnosis of acute appendicitis. Scientific Reports, 13(1), 19703.
https://doi.org/10.1038/s41598-023-46721-9
Rasheed, Z., Ma, Y. K., Ullah, I., Ghadi, Y. Y., Khan, M. Z., Khan, M. A., Shehata, A. M. (2023). Brain tumor classification from MRI using image enhancement and convolutional neural network techniques. Brain Sciences, 13(9), 1320. https://doi.org/10.3390/brainsci13091320
Kim, D. W., Jang, H. Y., Kim, K. W., Shin, Y., Park, S. H. (2019). Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysis of medical images: results from recently published papers. Korean journal of radiology, 20(3), 405-410. https://doi.org/10.3348/kjr.2019.0025
Munari, E., Scarpa, A., Cima, L., Pozzi, M., Pagni, F., Vasuri, F., Eccher, A. (2024). Cutting-edge technology and automation in the pathology laboratory. Virchows Archiv, 484(4), 555-566. https://doi.org/10.1007/s00428-023-03637-z
Raghavan, K., Balasubramanian, S., Veezhinathan, K. (2024). Explainable artificial intelligence for medical imaging: Review and experiments with infrared breast images. Computational Intelligence, 40(3), e12660. https://doi.org/10.1111/coin.12660
Strodthoff, N., Lopez Alcaraz, J. M., Haverkamp, W. (2024). Prospects for artificial intelligence-enhanced electrocardiogram as a unified screening tool for cardiac and non-cardiac conditions: an explorative study in emergency care. European Heart Journal-Digital Health, ztae039. https://doi.org/10.1093/ehjdh/ztae039
Imtiaz, S., Jillani, S. A. Q. (2024). The impact of artificial intelligence on medical diagnostics: A letter to the editor. JPMA. The Journal of the Pakistan Medical Association, 74(5), 1035-1036. https://doi.org/110.47391/jpma.10668
Zhang, J., Chen, B., Zhou, M., Lan, H., Gao, F. (2018). Photoacoustic image classification and segmentation of breast cancer: a feasibility study. IEEE Access, 7, 5457-5466. https://doi.org/10.1109/ACCESS.2018.2888910
