FUNCTIONAL CAPABILITIES OF MEDICAL ARTIFICIAL INTELLIGENCE FOR HEALTHCARE AND PROFESSIONAL EDUCATION
ФУНКЦІОНАЛЬНІ МОЖЛИВОСТІ МЕДИЧНОГО ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ГАЛУЗІ ОХОРОНИ ЗДОРОВ’Я ТА ПРОФЕСІЙНОЇ ОСВІТИ
| dc.creator | Кривенко, І. П. | |
| dc.creator | Чалий, К. О. | |
| dc.date | 2025-08-12 | |
| dc.date.accessioned | 2026-06-05T11:09:47Z | |
| dc.date.available | 2026-06-05T11:09:47Z | |
| dc.identifier | https://ojs.tdmu.edu.ua/index.php/here/article/view/15462 | |
| dc.identifier | 10.11603/mie.1996-1960.2024.3-4.15462 | |
| dc.identifier.uri | https://repository.tdmu.edu.ua//handle/123456789/19096 | |
| dc.description | Background. Practical aspects of the application of medical artificial intelligence (AI) aimed at improving clinical practice and the process of training physicians in digital technologies are of critical importance. Medical AI not only expands the capabilities of modern medicine but also establishes new standards for diagnostics, treatment, and education in healthcare. Its application spans all stages of medical care delivery – from initial diagnostics to long-term monitoring of chronic conditions.Materials and Methods. The results of the study were systematized using scientific publication databases such as PubMed, Scopus, Web of Science, EMBASE, ERIC, IEEE Xplore, Semantic Scholar, and ScienceDirect. Bibliographic search methods, information structuring, and systems analysis were utilized at various stages of the research. The study focused on practical applications of medical AI, highlighting Google Health solutions, including specialized AI models such as Med- PaLM and Med-Gemini for healthcare tasks, as well as the DeepMind Health tool for medical imaging analysis. Expert systems like IBM Watson, UpToDate, and Epocrates, which can be integrated into electronic health records (EHR), were also analyzed.Results. The functional capabilities of Google Health components were analyzed, including Med- PaLM, designed for natural language processing and text data analysis (e.g., EHRs, clinical protocols, and scientific articles), and the multimodal Med-Gemini model, which performs analysis of textual, visual, and signal-based medical data, risk prediction, and diagnostic support. The study highlighted Med-Gemini’s high efficiency in automating medical image analysis, processing clinical queries, predicting disease risks, and generating medical reports with expert assessment. A classification of prompt types in clinical practice and examples of their use with Med-Gemini were provided. It was substantiated that modern AI technologies can not only enhance existing expert systems but also integrate them into EHRs, creating a unified ecosystem for clinical decision support. The role of intelligent robotics with AI algorithms in introducing innovative approaches to surgery, rehabilitation, and patient care was emphasized.Conclusions. The results of the study confirm that medical AI is a powerful tool capable of significantly improving the quality of medical care while also enhancing the professional training of medical specialists. | en-US |
| dc.description | У статті здійснено аналіз практичних аспектів застосування медичного штучного інтелекту (ШІ), що охоплюють широкий спектр завдань у галузі охорони здоров’я та професійної освіти. Розглянуто використання спеціалізованих рішень на основі ШІ, інтеграцію експертних систем та інтелектуальної робототехніки в клінічну практику з метою вдосконалення діагностики, лікування, реабілітації та моніторингу показників здоров’я пацієнтів.Приділено увагу характеристиці платформ для розроблення та впровадження медичних рішень на основі ШІ, зокрема рішень Google Health. Проаналізовано функціональні можливості компонентів Google Health, таких як Med-PaLM, призначений для оброблення природної мови й аналізу текстових даних, включаючи електронні медичні записи (EHR), клінічні протоколи та наукові статті, та мультимодальної моделі Med-Gemini, що забезпечує аналіз текстових, візуальних і сигнальних медичних даних, прогнозування ризиків і підтримку діагностики. Відзначено високу ефективність Med-Gemini в автоматизації аналізу медичних зображень, опрацюванні клінічних запитів, прогнозуванні ризиків захворювань і генерації медичних звітів із експертним оцінюванням. Наведено класифікацію типів промтів у клінічній практиці та приклади їх застосування з використанням Med-Gemini.Обґрунтовано, що сучасні технології ШІ здатні не лише вдосконалити існуючі експертні системи, але й інтегрувати їх в електронні медичні записи, створюючи єдину екосистему для підтримки клінічних рішень. Така інтеграція дозволяє лікарям оперативно отримувати релевантні рекомендації під час надання медичної допомоги, знижувати кількість діагностичних помилок і підвищувати ефективність лікування. Розглянуто функціональні можливості провідних експертних систем в охороні здоров’я, таких як IBM Watson, UpToDate, Epocrates, та їх потенціал для інтеграції з електронними медичними записами. Підкреслено роль інтелектуальної робототехніки з алгоритмами ШІ в упровадженні інноваційних підходів у хірургії, реабілітації та догляді за пацієнтами.Результати дослідження підтверджують, що медичний ШІ являється потужним інструментом, здатним не лише суттєво покращити якість медичної допомоги, але й значно підвищити рівень професійної підготовки професіоналів сфери охорони здоров’я. | uk-UA |
| dc.format | application/pdf | |
| dc.language | ukr | |
| dc.publisher | I. Horbachevsky Ternopil National Medical University | en-US |
| dc.relation | https://ojs.tdmu.edu.ua/index.php/here/article/view/15462/14227 | |
| dc.rights | Авторське право (c) 2025 Медична інформатика та інженерія | uk-UA |
| dc.source | Medical Informatics and Engineering; No. 3-4 (2024); 81-96 | en-US |
| dc.source | Медицинская информатика и инженерия; № 3-4 (2024); 81-96 | ru-RU |
| dc.source | Медична інформатика та інженерія; № 3-4 (2024); 81-96 | uk-UA |
| dc.source | 1997-7468 | |
| dc.source | 1996-1960 | |
| dc.source | 10.11603/mie.1996-1960.2024.3-4 | |
| dc.subject | medical artificial intelligence | en-US |
| dc.subject | machine learning | en-US |
| dc.subject | deep learning | en-US |
| dc.subject | large multimodal models | en-US |
| dc.subject | expert systems | en-US |
| dc.subject | intelligent robotics | en-US |
| dc.subject | Google Health | en-US |
| dc.subject | Med-Gemini | en-US |
| dc.subject | медичний штучний інтелект | uk-UA |
| dc.subject | машинне та глибоке навчання | uk-UA |
| dc.subject | великі мультимодальні моделі | uk-UA |
| dc.subject | експертні системи | uk-UA |
| dc.subject | інтелектуальна робототехніка | uk-UA |
| dc.subject | Google Health | uk-UA |
| dc.subject | Med- Gemini | uk-UA |
| dc.title | FUNCTIONAL CAPABILITIES OF MEDICAL ARTIFICIAL INTELLIGENCE FOR HEALTHCARE AND PROFESSIONAL EDUCATION | en-US |
| dc.title | ФУНКЦІОНАЛЬНІ МОЖЛИВОСТІ МЕДИЧНОГО ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ГАЛУЗІ ОХОРОНИ ЗДОРОВ’Я ТА ПРОФЕСІЙНОЇ ОСВІТИ | uk-UA |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
|
There are no files associated with this item. |
|||