Журнал «Почки» Том 14, №3, 2025

Актуальність. Штучний інтелект (ШІ) — це напрям математичного комп’ютерного моделювання, що базується на абстрактній сутності математичного мислення. Хронічна хвороба нирок (ХХН) є нозологічною одиницею, кількість пацієнтів з термінальною стадією якої за останнє десятиріччя експоненційно зросла, тому Всесвітня організація охорони здоров’я визнає її глобальною проблемою за показником смертності. Світова індустрія охорони здоров’я є одним із основних напрямів практичного застосування сучасних розробок у сфері ШІ завдяки алгоритмам машинного навчання, які відкривають нові можливості для вирішення найскладніших завдань медицини та фармації. Мета: проаналізувати можливість використання комплексів фізичних вправ (КФВ), створених системами ШІ, у пацієнтів із ХХН, які проходять замісну ниркову терапію, та порівняти КФВ, запропоновані ШІ, зі списком КФВ, що застосовуються в клінічній практиці (систематичні огляди та метааналізи) для реабілітаційної допомоги в нефрології. Матеріали та ­методи. Було проведено наукометричний аналіз професійної літератури з електронних баз даних PubMed, Embase, Scopus та Web of Science, Cochrane CENTRAL. Відповідно до мети дослідження використано такі методи: бібліосемантичний, системний підхід, описове моделювання з використанням систем ШІ — Gemini та ChatGPT. Результати. Системи ШІ (Gemini та ChatGPT) запропонували програми вправ для пацієнтів із ХХН, що враховують різні етапи реабілітації (дихальні, аеробні, силові, розтяжка та релаксація). На момент описового моделювання база даних, що використовується Gemini та ChatGPT, є достатньою для їхнього рутинного використання при розробці комплексів фізичних вправ для реабілітації нефрологічних пацієнтів із різними нозологіями. Висновки. Штучний інтелект є інструментом у руках лікаря для надання медичної допомоги; якість цього інструмента залежатиме від кваліфікації лікаря, який навчатиме (машинне навчання) ШІ використовувати свої знання та компетенції для оптимізації процесу створення реабілітаційних комплексів для пацієнтів із захворюваннями нирок з позиції доказової медицини.

Background. Artificial intelligence (AI) is a direction of mathematical computer modeling based on the abstract essence of mathematical thinking. Chronic kidney disease (CKD) is a nosological unit, its final stage (end-stage renal disease) has seen an exponential increase over the past decade and is considered by the World Health Organization as a global problem by cause of death. The global healthcare industry is one of the main planes for practical application of modern developments in the field of AI thanks to machine learning algorithms that provide new opportunities for solving the most complex problems of medicine and pharmacy. The purpose was to analyze the possibility of using physical exercise complexes (PECs) created by AI system in patients with CKD undergoing renal replacement therapy and to compare PECs created by AI with the list of PECs used in clinical practice (systematic reviews and meta-analyses) for rehabilitation care in nephrology. Materials and methods. Scientometric analysis of professional literature from electronic databases PubMed, Embase, Scopus and Web of Science, Cochrane CENTRAL was conducted. According to the purpose of the study, the following methods were used: bibliosemantic, systematic approach, descriptive modeling using AI systems — Gemini and ChatGPT. Results. AI systems (Gemini and ChatGPT) proposed exercise programs for patients with CKD that take into account different stages of rehabilitation (respiratory, aerobic, strength, stretching and relaxation). At the time of the descriptive modeling, the database used by Gemini and ChatGPT is sufficient for their routine use in the development of exercise therapy complexes for the rehabilitation of nephrological patients with different nosologies. Conclusions. Artificial intelligence is a tool in the hands of a physician to provide medical care; the quality of this tool will depend on the qualifications of the physician who will teach (machine learning) AI to use their knowledge and competencies to optimize the process of creating rehabilitation complexes for patients with kidney disease from the standpoint of evidence-based medicine.

фізичні вправи; хронічна хвороба нирок; реабілітаційна допомога; штучний інтелект

physical exercises; chronic kidney disease; rehabilitation aid; artificial intelligence

1. Kaplan A, Haenlein M. Siri, Siri, in my hand: who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019;62:15-25. doi: 10.1016/j.bushor.2018.08.004.
2. McCorduck P. Machines who think: a personal inquiry into the history and prospects of artificial intelligence. 2nd ed. Natick, MA: A.K. Peters Ltd; 2004.
3. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436-444. doi: 10.1038/nature14539.
4. Haigh T. There was no “first AI winter”. Commun ACM. 2023;66(12):35-39. doi: 10.1145/3625833.
5. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-243. doi: 10.1136/svn-2017-000101.
6. Benjamins JW, Hendriks T, Knuuti J, Juarez-Orozco LE, van der Harst P. A primer in artificial intelligence in cardiovascular medicine. Neth Heart J. 2019;27(9):392-402. doi: 10.1007/s12471-019-1286-6.
7. Balyen L, Peto T. Promising artificial intelligence-machine learning-deep learning algorithms in ophthalmology. Asia Pac J Ophthalmol (Phila). 2019;8(3):264-272. doi: 10.22608/APO.2018479.
8. Juarez-Orozco LE, Knol RJJ, Sanchez-Catasus CA, Martinez-Manzanera O, van der Zant FM, Knuuti J. Machine learning in the integration of simple variables for identifying patients with myocardial ischemia. J Nucl Cardiol. 2020;27(1):147-155. doi: 10.1007/s12350-018-1304-x.
9. Chen J, See KC. Artificial intelligence for COVID-19: rapid review. J Med Internet Res. 2020;22(10):e21476. doi: 10.2196/21476.
10. Aung YYM, Wong DCS, Ting DSW. The promise of artificial intelligence: a review of the opportunities and challenges of artificial intelligence in healthcare. Br Med Bull. 2021;139(1):4-15. doi: 10.1093/bmb/ldab016.
11. Ostaschenko ТM, Kozak ND, Kozak DO. Coordination aspects of pharmacovigilance system adjustment in terms of the global COVID-19 pandemic. Ukrainian J Military Med. 2021;2(4):161-165. doi: 10.46847/ujmm.2021.4(2)-161.
12. Anahtar MN, Yang JH, Kanjilal S. Applications of machine learning to the problem of antimicrobial resistance: an emerging model for translational research. J Clin Microbiol. 2021;59(7):e0126020. doi: 10.1128/JCM.01260-20.
13. Saeed U, Shah SY, Ahmad J, Imran MA, Abbasi QH, Shah SA. Machine learning empowered COVID-19 patient monitoring using non-contact sensing: an extensive review. J Pharm Anal. 2022;12(2):193-204. doi: 10.1016/j.jpha.2021.12.006.
14. GBD Chronic Kidney Disease Collaboration. Global, regio–nal, and national burden of chronic kidney disease, 1990–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2020;395(10225):709-733. doi: 10.1016/s0140-6736(20)30045-3.
15. Foreman KJ, Marquez N, Dolgert A, et al. Forecasting life expectancy, years of life lost, and all-cause and cause-specific mortality for 250 causes of death: reference and alternative scenarios for 2016–40 for 195 countries and territories. Lancet. 2018;392:2052-2090. doi: 10.1016/S0140-6736(18)31694-5.
16. Staplin N. A global view on kidney care. Nephrol Dial Transplant. 2024;39(Suppl 2):ii1-ii2. doi: 10.1093/ndt/gfae133.
17. Raina R, Shah R, Nemer P, Fehlmen J, Nemer L, et al. –Using artificial intelligence to predict mortality in AKI patients: a syste–matic review/meta-analysis. Clin Kidney J. 2024;17(6):sfae150. doi: 10.1093/ckj/sfae150.
18. Chaudhry TZ, Yadav M, Bokhari SFH, Fatimah SR, Reh–man A, et al. Artificial intelligence and machine learning in predicting intradialytic hypotension in hemodialysis patients: a systematic review. Cureus. 2024;16(7):e65334. doi: 10.7759/cureus.65334.
19. Clarkson MJ, Bennett PN, Fraser SF, Warmington SA. Exercise interventions for improving objective physical function in patients with end-stage kidney disease on dialysis: a systematic review and meta-analysis. Am J Physiol Renal Physiol. 2019;316(5):F856-F872. doi: 10.1152/ajprenal.00317.2018.
20. Song Y, Chen L, Wang M, He Q, Xue J, Jiang H. The optimal exercise modality and intensity for hemodialysis patients incorporating Bayesian network meta-analysis and systematic review. Front Physiol. 2022;13:945465. doi: 10.3389/fphys.2022.945465.
21. Bezruk V, Rynzhuk L, Bulyk T, Hresko M, Yurkiv O. Physical rehabilitation in nephrology practice from the evidence-based medicine position. Neonatol Surg Perinat Med. 2025;15(1(55)):166-175. doi: 10.24061/2413-4260.XV.1.55.2025.25.
22. Ren N, Yang H, Cai Z, Wang R, Wang Z, et al. Comparative efficacy of nine exercise methods on the prognosis in chronic kidney disease patients with hemodialysis: a systematic review and network meta-analysis. Eur J Med Res. 2023;28(1):401. doi: 10.1186/s40001-023-01270-9.
23. Paranjape K, Schinkel M, Hammer RD, Schouten B, Nannan Panday RS, et al. The value of artificial intelligence in laboratory medicine. Am J Clin Pathol. 2021;155(6):823-831. doi: 10.1093/ajcp/aqaa170.
24. Hui AT, Alvandi LM, Eleswarapu AS, Fornari ED. Artificial intelligence in modern orthopaedics: current and future applications. JBJS Rev. 2022;10(10). doi: 10.2106/JBJS.RVW.22.00086.
25. Federer SJ, Jones GG. Artificial intelligence in orthopaedics: a scoping review. PLoS One. 2021;16(11):e0260471. doi: 10.1371/journal.pone.0260471.
26. Ossowska A, Kusiak A, Świetlik D. Artificial intelligence in dentistry: narrative review. Int J Environ Res Public Health. 2022;19(6):3449. doi: 10.3390/ijerph19063449.
27. Pauwels R, Brasil DM, Yamasaki MC, Jacobs R, Bosmans H, et al. Artificial intelligence for detection of periapical lesions on intraoral radiographs: comparison between convolutional neural networks and human observers. Oral Surg Oral Med Oral Pathol Oral Radiol. 2021;131(5):610-616. doi: 10.1016/j.oooo.2021.01.018.
28. Kim BS, Yeom HG, Lee JH, Shin WS, Yun JP, et al. Deep learning-based prediction of paresthesia after third molar extraction: a preliminary study. Diagnostics (Basel). 2021;11(9):1572. doi: 10.3390/diagnostics11091572.
29. Liu Z, Liu J, Zhou Z, Zhang Q, Wu H, et al. Differential diagnosis of ameloblastoma and odontogenic keratocyst by machine learning of panoramic radiographs. Int J Comput Assist Radiol Surg. 2021;16(3):415-422. doi: 10.1007/s11548-021-02309-0.
30. Rossylna O. Legal principles of application of artificial intelligence in legal relationship in the field of personalized medicine. J Law Herald. 2022;2:156-162. doi: 10.32837/yuv.v0i2.2334.
31. World Health Organization. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal mo–dels. Geneva: WHO; 2024. Available from: https://www.who.int/publications/i/item/9789240084759.