УДК 612.465

Л.И. МАЗУР, Г.А. МАКОВЕЦКАЯ, М.В. КУРШИНА

 Самарский государственный медицинский университет МЗ РФ, г. Самара

Контактная информация:

Куршина Марина Владимировна — к.м.н., ассистент кафедры госпитальной педиатрии

Адрес: 443079, г. Самара, пр. Карла Маркса, 165А, тел.: +7-927-653-50-23, e-mail: nachmed@naykamed.ru

Внедрение технологий искусственного интеллекта (ИИ) знаменует качественно новый этап в развитии детской нефрологии, трансформируя традиционные подходы к диагностике, мониторингу и терапии заболеваний почек у детей. В ходе анализа литературы выявлено, что ключевым преимуществом ИИ является возможность доклинического выявления патологии, что позволяет оптимизировать лечение и сместить акцент с терапии осложнений на их профилактику. Вместе с тем массовое внедрение цифровых решений в педиатрию ограничивается дефицитом репрезентативных данных, отсутствием единых стандартов цифровизации и строгими этико-правовыми нормами.

Цель исследования — проанализировать текущее состояние и перспективы интеграции ИИ в педиатрическую нефрологическую практику. В работе систематизированы данные о диагностической эффективности цифровых технологий, оценены их возможности в раннем выявлении врожденных аномалий почек и мочевыводящих путей (CAKUT), а также в прогнозировании рисков развития острого (ОПП) и хронического повреждения почек (ХПП). Особое внимание уделено способности ИИ к синтезу мультимодальных данных, включая генетические профили и специфические биомаркеры, что обеспечивает переход от унифицированных протоколов к стратегии персонализированной и предиктивной медицины.

Ключевые слова: искусственный интеллект, детская нефрология, диагностика заболеваний почек, персонализированная медицина, анализ медицинских изображений, глубокое обучение, машинное обучение, онконефрология. врожденные аномалии почек, хроническая болезнь почек, острое повреждение почек, кибербезопасность

 

L.I. MAZUR, G.A. MAKOVETSKAYA, M.V. KURSHINA

 Samara State Medical University, Samara

Artificial intelligence in the diagnosis of kidney diseases in children

Contact details:

Kurshina M.V. — PhD (Medicine), Assistant Lecturer of the Department of Hospital Pediatrics

Address: 165A Karl Marx Ave., 443079 Samara, Russian Federation, tel.: + 7-927-653-50-23, e-mail: marina_dmitriewa@mail.ru

The integration of artificial intelligence (AI) technologies marks a paradigm shift in pediatric nephrology, transforming conventional approaches to the diagnosis, monitoring, and management of renal diseases in children. Literature analysis identified preclinical pathology detection as a key advantage of AI, which enables treatment optimization and a strategic shift from managing to preventing complications. However, the large-scale implementation of digital solutions in pediatrics remains constrained by a paucity of representative data, lack of standardized digitalization protocols, and stringent ethical and legal frameworks.

The purpose of this review is to analyze the current state and prospects of AI integration into pediatric nephrological practice. The paper systematizes data on the diagnostic efficacy of digital technologies and evaluates their potential for the early detection of congenital anomalies of the kidney and urinary tract (CAKUT) and risk prediction for acute (AKI) and chronic kidney injury (CKI). Particular emphasis is placed on the AI capacity for multimodal data synthesis, including genetic profiling and specific biomarkers, which facilitates the transition from standardized protocols toward personalized and predictive medical strategies.

Key words: artificial intelligence, pediatric nephrology, kidney disease diagnostics, personalized medicine, medical image analysis, deep learning, machine learning, onconephrology, congenital kidney anomalies, chronic kidney disease, acute kidney injury, cybersecurity

 

 Сегодня детская нефрология меняется благодаря искусственному интеллекту (ИИ). Интеграция методов искусственного интеллекта и нейронных сетей фундаментально трансформирует детскую нефрологию, обеспечивая переход от стандартизированных протоколов к модели высокоточной персонализированной медицины [1, 2]. Это открывает беспрецедентные возможности для раннего прогнозирования патологий и оптимизации терапевтических стратегий, однако требует тщательной верификации технологий с позиций доказательной медицины, биоэтики и кибербезопасности [3–5].

Интеграция систем искусственного интеллекта в педиатрическую нефрологию обеспечивает качественный прорыв в области анализа медицинских изображений и распознавания паттернов. Алгоритмы глубокого обучения позволяют верифицировать минимальные морфологические изменения почечной ткани, которые могут быть пропущены в ходе рутинного диагностического обследования. Это создает фундаментальную базу для диагностики нефропатий на доклинических стадиях и своевременного начала превентивной терапии. Помимо визуального анализа, прогностический потенциал ИИ служит основой для развития высокоточной нефрологии. Синтез данных анамнеза, генетики и биомаркеров позволяет прогнозировать динамику заболевания и оптимизировать схемы лечения, обеспечивая максимальную эффективность терапии при минимальных побочных эффектах [6, 7].

Цель исследования — проанализировать текущее состояние и перспективы интеграции ИИ в педиатрическую нефрологическую практику.

Информационный поиск осуществлялся в ведущих базах: PubMed, Scopus, Web of Science, Embase, а также в русскоязычных электронных библиотеках eLibrary и КиберЛенинка. Поисковый запрос формировался с использованием ключевых слов на английском языке: artificial intelligence, pediatric nephrology, deep learning, machine learning, onconephrology, congenital kidney anomalies, chronic kidney disease, acute kidney injury. Для анализа отечественных публикаций применялись соответствующие термины: искусственный интеллект, детская нефрология, диагностика заболеваний почек, глубокое обучение, врожденные аномалии почек. Глубина поиска: статьи, опубликованные с 2019 по 2025 гг.

Современная педиатрическая нефрология демонстрирует высокую эффективность использования искусственного интеллекта при анализе мультимодальных клинических данных. Внедрение алгоритмов машинного обучения позволяет преодолеть ограничения традиционных диагностических маркеров, таких как уровень сывороточного креатинина, который зачастую обладает низкой чувствительностью на ранних этапах повреждения органов.

Методы глубокого обучения особенно эффективны в диагностике острого повреждения почек. В масштабном исследовании, проведенном Tomašev N., Glorot X., Rae J.W. et al., установлено, что системы искусственного интеллекта способны эффективно предсказывать критические риски в состоянии пациентов [8]. В ходе работы, охватившей данные более 700 тыс. человек, показана высокая прогностическая точность алгоритмов в выявлении угрожающих жизни состояний. Алгоритм успешно выявил более половины всех эпизодов ОПП и свыше 90% случаев, требующих диализа, причем сделал это с опережением до 48 ч. Главное преимущество модели — ее «понятность»: она не просто выдает результат, а объясняет врачу логику своего прогноза и показывает, как будут меняться анализы пациента. Это дает медикам время, чтобы начать профилактическое лечение и предотвратить тяжелые осложнения.

Параллельно с анализом текстовых медицинских данных, существенный прогресс наблюдается в области автоматизированного анализа медицинских изображений. Учеными Tsai M.C., Lu H.H., Chang Y.C. et al. разработана система компьютерной диагностики на основе архитектуры глубокого обучения для автоматизированного скрининга почечных патологий у детей. В ходе исследования установлено, что модели, обученные на массивах ультразвуковых изображений, демонстрируют высокую точность (92,9%) в верификации структурных аномалий. В частности, показана их высокая эффективность в выявлении гидронефроза (AUC 0,996) и конкрементов (AUC 0,973) [9]. Подобные инструменты открывают перспективы использования портативных УЗИ-систем с ИИ-поддержкой непосредственно для раннего выявления нефропатий у детей.

Дальнейшее развитие технологий визуализации позволяет перейти от простого скрининга к количественной оценке функционального состояния почек. Так, исследователями Kuo C.C., Chang C.M., Liu K.T. et al. предложена модель на основе трансферного обучения. В ходе исследования продемонстрирована возможность определения расчетной скорости клубочковой фильтрации (рСКФ) и стадии хронической болезни почек (ХБП) исключительно по результатам ультразвукового исследования [10]. Разработанный алгоритм продемонстрировал значимую положительную корреляцию с результатами лабораторных исследований (r = 0,741), а по точности диагностики алгоритм превзошел опытных врачей-нефрологов. Данные результаты подтверждают потенциал искусственного интеллекта как эффективного неинвазивного инструмента для дистанционного мониторинга почечной функции. Интеграция подобных алгоритмов позволяет осуществлять динамический контроль состояния пациента в режиме реального времени, минимизируя необходимость в проведении агрессивных диагностических процедур и обеспечивая непрерывную трансляцию клинически значимых показателей. В развитие данного направления Седашкиной О.А. и Колсановым А.В. на базе Самарского государственного медицинского университета предложена собственная прогностическая модель для диагностики хронической болезни почек у детей [11]. В рамках одноцентрового ретроспективного когортного исследования (2011–2022), включавшего 158 пациентов, разработана система поддержки принятия врачебных решений на основе ансамблевого метода обучения, объединяющего алгоритмы многофакторной логистической регрессии и дерева решений. В качестве ключевых переменных использовались астеническое телосложение ребенка, потеря белка и эритроцитов с мочой, скорость оседания эритроцитов (СОЭ) и уровень натрия в сыворотке крови. Полученная модель продемонстрировала превосходные показатели точности: 93,5% на тестовой выборке при чувствительности 92,0% и специфичности 100,0% (ROC-AUC = 98,7%). Модель отличного качества (>90%) объясняет более 90% дисперсии данных. Авторы подчеркивают, что внедрение такой системы в практику учреждений первичной медико-санитарной помощи позволит своевременно выявлять детей с риском развития ХБП, что особенно важно на этапах, когда симптомы могут быть стерты или пропущены. Это создает предпосылки для ранней нефропротекции и улучшения долгосрочного прогноза у педиатрических пациентов.

Важнейшим направлением является применение ИИ в диагностике врожденных аномалий почек и мочевыводящих путей (CAKUT) — ведущей причины развития хронической болезни почек у детей. Использование моделей глубокого обучения для интерпретации данных УЗИ и МРТ позволяет автоматизировать выявление структурных дефектов (гидронефроз, дисплазия, пузырно-мочеточниковый рефлюкс). Современные нейросетевые архитектуры демонстрируют высокую эффективность в раннем выявлении патологий плода. На выборке из 969 УЗИ-изображений учеными Miguel O.X., Kaczmarek E., Lee I. et al. верифицирована модель, предназначенная для прогнозирования почечных аномалий. В ходе работы подтверждена высокая прогностическая способность алгоритма в отношении расширения мочевыводящих путей и мультикистозной дисплазии с точностью AUC 91,28% [12]. Оригинальная методика адаптивного представления данных позволила алгоритму эффективно работать даже с ограниченными наборами данных. Ключевым преимуществом работы стало использование технологий «объяснимого» искусственного интеллекта Grad-CAM и HiResCAM (специальные инструменты визуализации, которые делают работу нейросети «прозрачной» для человека). Это значит, что программа не просто выдает результат, а показывает врачу, на какие именно участки снимка она опиралась. Такая «прозрачность» помогает доктору проверить диагноз и позволяет использовать ИИ в практической медицине.

Развитие методов интерпретации данных заложило фундамент для автоматизации количественных показателей. Важный вклад в объективизацию ультразвуковой диагностики внесли Song S.H., Han J.H., Kim K.S. et al., которые предложили методику автоматизированного расчета индекса HARP — отношения площади гидронефроза к площади почечной паренхимы [13]. В ходе исследования подтверждена высокая эффективность данного индекса в количественной оценке тяжести обструктивных процессов. В исследовании проведена оценка десяти нейросетевых архитектур на выборке корональных УЗИ-снимков детей, перенесших пиелопластику по поводу обструкции лоханочно-мочеточникового сегмента. Использование ансамблевого метода обучения позволило добиться высокой точности, практически полностью совпадающей с ручной разметкой экспертов: средний коэффициент подобия Дайса составил 0,9113. Внедрение сверточных нейросетей помогло стандартизировать оценку тяжести патологии, сделав ее объективной и независимой от субъективного мнения специалиста. Использование подобных инструментов сводит к минимуму риск диагностических ошибок и обеспечивает надежный мониторинг состояния пациента в послеоперационном периоде. Однако наряду с точностью сегментации критически важным аспектом остается стандартизация процесса получения данных. Существенной проблемой автоматизированной диагностики CAKUT является вариативность ультразвуковых изображений в зависимости от плоскости сканирования. Для решения данной задачи исследователями Yin S., Peng Q., Li H. et al. предложен метод многоэкземплярного глубокого обучения, позволяющий анализировать совокупность сагиттальных и поперечных проекций как единый набор данных [14]. Данная методика предполагает анализ не отдельных кадров, а совокупности снимков в различных проекциях. Такой подход обеспечивает панорамный обзор исследуемой области, имитируя комплексный анализ, и снижает риск ошибки из-за неудачного ракурса, делая диагностику врожденных аномалий более надежной при обычном осмотре.

Искусственный интеллект становится незаменимым инструментом в анализе результатов биопсии почек. Технологии, основанные на глубоком обучении, позволяют автоматизировать интерпретацию гистологических образцов, выявляя детали, которые могут быть трудноуловимы даже для опытных морфологов. Важный вклад в автоматизацию патоморфологических исследований внесли ученые Feng C., Ong K., Young D.M. et al., разработав систему APKD (AI-based Pediatric Kidney Disease diagnosis) [15]. Модель обучена на массиве данных 2935 пациентов, включавшем более 93 тыс. размеченных вручную гистологических фрагментов. Точность идентификации почечных структур моделью APKD составила 94%, достигая практически абсолютных значений (99%) при сегментации гломерул. Точность работы ИИ оказалась сопоставима с выводами экспертов (r = 0,98), при этом система автоматизировала процесс, выполняя сегментацию в 5,5 раз быстрее врачей. Способность модели выявлять очаговые аномалии капиллярных стенок на ранних этапах позволяет значительно повысить оперативность и точность диагностики значимых заболеваний почек у детей.

Успехи в автоматизации общей нефропатологии создали базу для применения глубокого обучения в более узких и сложных направлениях, таких как детская онконефрология. Van der Kamp A., de Bel T., van Alst L. et al. предложена система ИИ для анализа тканей опухоли Вильмса — наиболее распространенного новообразования почек в педиатрической популяции [16]. В ходе исследования установлено, что нейросеть, обученная на цифровых микропрепаратах, демонстрирует высокую точность в определении ключевых структур опухоли. В частности, показана способность алгоритма практически безошибочно распознавать зоны некроза и клетки бластемы. Использование данной технологии позволяет избежать врачебных ошибок и гарантирует, что результаты диагностики будут одинаково точными у любого специалиста. Это обеспечивает правильное распределение пациентов по группам риска и позволяет подбирать максимально эффективное лечение после операции, опираясь на объективные цифровые данные. Параллельно с онкологическим направлением ИИ открывает новые горизонты в прецизионной диагностике IgA-нефропатий. Учеными Testa F., Fontana F., Pollastri F. et al. создана нейросеть, которая сама изучает цифровые снимки биопсии почек (окрашенные специальным красителем — ШИК-реактивом) и выставляет баллы сложности [17]. На репрезентативной выборке из 442 пациентов разработанная нейросеть продемонстрировала высокую прогностическую ценность (AUC 0,84). Полученные данные статистически подтверждают сопоставимую эффективность алгоритма в сравнении с международным стандартом — Оксфордской классификацией (шкала MEST-C). Результаты доказывают пользу применения ИИ для долгосрочного прогнозирования функций почек.

Наряду с анализом гистологических изображений в педиатрической нефрологии начинают активно тестироваться инструменты на основе генеративного интеллекта. Одним из таких направлений стало внедрение больших языковых моделей в качестве систем поддержки принятия клинических решений. В исследовании Leventoglu E. и Soran M. оценена эффективность ChatGPT 3.5 в ведении детей с острым постстрептококковым гломерулонефритом [18]. Модель продемонстрировала высокую точность в интерпретации данных 11 пациентов, включая осложненные формы заболевания (гипертоническая энцефалопатия, быстропрогрессирующий гломерулонефрит). Алгоритм не только корректно изложил теоретические аспекты диагностики, но и предложил терапевтические стратегии, полностью совпавшие с решениями лечащих врачей. Таким образом, современные чат-боты на базе ИИ могут служить надежным вспомогательным инструментом для верификации диагноза и оптимизации планов лечения в педиатрической нефрологии.

Однако наряду с использованием языковых моделей ключевым направлением развития предиктивной нефрологии остается создание специализированных систем для количественного прогнозирования критических состояний. В масштабном исследовании Xu L., Jiang S., Li C. et al. на выборке из 2346 пациентов доказана высокая эффективность машинного обучения в прогнозировании критических нефрологических состояний [19]. Разработанный алгоритм позволил с высокой точностью предсказывать развитие острого повреждения почек (AUROC 0,813) и острого заболевания почек (AUROC 0,744), превзойдя по качеству прогноза традиционные статистические методы. Использование метода интерпретации SHAP, предназначенного для визуализации и объяснения логики алгоритмов машинного обучения, позволило выделить ключевые клинические предикторы: уровень креатинина, лейкоцитоз и лактатдегидрогеназу для ОПП, а также уровень глюкозы и прием ингибиторов протонной помпы для ОЗП. Учитывая высокую летальность при сочетании данных состояний (6,94%), авторами был разработан общедоступный онлайн-инструмент, который позволяет врачам в режиме реального времени выявлять пациентов из группы высокого риска и своевременно корректировать тактику лечения.

Аналогичные подходы к непрерывному мониторингу критических состояний внедряются и в детской кардиохирургии. Fragasso T., Raggi V., Passaro D. et al. разработана модель машинного обучения на основе алгоритма «случайного леса» для непрерывного прогнозирования острого повреждения почек через 48 ч после кардиохирургических операций у детей [20]. Модель, протестированная на 419 пациентах, показала высокую точность (AUC ROC 0,93 для ОПП и 0,99 для тяжелого ОПП), подтвердив свою эффективность в выявлении пациентов высокого риска для ранней профилактики. Дальнейшее развитие предиктивных технологий привело к созданию более масштабных систем, охватывающих не только хирургический профиль, но и общую популяцию пациентов отделений интенсивной терапии. Разработанная учеными Dong J., Feng T., Thapa-Chhetry B. et al. многоцентровая модель машинного обучения на основе данных 16 863 пациентов успешно прогнозирует ОПП средней и тяжелой степени у детей в реанимации (AUROC 0,89) [21]. Данный алгоритм обеспечивает раннее выявление рисков в среднем за 30 ч до их обнаружения стандартными методами, что позволяет клиницистам своевременно корректировать терапию, включая контроль назначения нефротоксичных препаратов. Способность модели выявлять до 70% случаев потребности в заместительной терапии еще на доклиническом этапе делает ее эффективной системой раннего оповещения, что позволяет врачам начать лечение до появления явных отклонений в анализах, предотвращая тяжелые осложнения.

Выводы

Интеграция прогностических ИИ-моделей в педиатрическую нефрологию все еще находится на этапе становления, в то время как в смежных медицинских дисциплинах данные технологии уже подтвердили свою высокую эффективность. Основным сдерживающим фактором является феномен «малых данных»: ограниченные когорты пациентов затрудняют обучение нейросетей, повышают риск переобучения и снижают статистическую мощность моделей. Ситуация осложняется территориальной разобщенностью специализированных центров, отсутствием единых стандартов цифровизации данных и строгими этико-правовыми нормами при работе с несовершеннолетними.

Несмотря на текущие сложности, именно успешная интеграция интеллектуальных алгоритмов способна изменить саму концепцию оказания медицинской помощи. Внедрение ИИ в детскую нефрологию открывает путь к предиктивной медицине. Способность алгоритмов анализировать крупномасштабные наборы данных обеспечивает глубокое понимание природы заболеваний. Использование прогностических моделей позволяет не только персонализировать лечение, но и сместить фокус клинической практики с коррекции уже возникших осложнений на их своевременное предупреждение. Будущее детской нефрологии заключается в партнерстве врача и искусственного интеллекта. В этой синергии искусственный интеллект выполняет функцию прецизионного аналитического фильтра, обеспечивающего высокую точность прогностических моделей. При этом прерогативой врача остается принятие финальных стратегических решений и реализация психоэмоциональной поддержки семьи. Соблюдение этого баланса способствует внедрению передовых аналитических инструментов в комплексную стратегию лечения, не нарушая преемственности врачебной этики.

Мазур Л.И.

https://orcid.org/0000-0002-4373-0703

Маковецкая Г.А.

https://orcid.org/ HYPERLINK «https://orcid.org/0000-0003-3934-8699″0000-0003-3934-8699

Куршина М.В.

https://orcid.org/0000-0002-4569-3459

Литература

1. Nada A., Ahmed Y., Hu J. et al. The American Society of Pediatric Nephrology Quality Improvement and Artificial Intelligence (ASPN QI/AI) Interest Group. AI-powered insights in pediatric nephrology: current applications and future opportunities // Pediatr. — 2026. — V. 41 (5). — Р. 1275–1286. DOI: 10.1007/s00467-025-06911-1
2. Thadani S., Horvat C.M., Silos C. et al. Current status and future directions for the use of artificial intelligence in pediatric critical care nephrology // Pediatr. — 2025. DOI: 10.1007/s00467-025-07019-2
3. Седашкина О.А. Искусственный интеллект — новое слово в нефрологии: точки приложения и перспективы (обзор литературы) // Менеджер здравоохранения. — 2025. — № — С. 76–84. DOI: 10.21045/1811-0185-2025-1-76-84
4. Куликова М.Х. Применение искусственного интеллекта в процессе диагностики заболеваний // Digital Era: Материалы II Всероссийской научно-практической конференции, Грозный, 25 марта 2022 г. — Грозный: Чеченский гос. ун-т им. А.А. Кадырова. — 2022. — С. 66–70. DOI: 10.36684/59-2022-2-66-70
5. Терехов М.Р. возможности и перспективы использования искусственного интеллекта в здравоохранении // Феноменус. — 2024. — № 1 (27). — С. 165–169.
6. Елфимов Д.А., Елфимова И.В., Долгова И.Г. и др. Применение информационных технологий в практическом здравоохранении // Медицинская наука и образование Урала. — 2019. — Т. 20, № 1 (97). — С. 129–132.
7. Zhao D., Wang W., Tang T. et al. Current progress in artificial intelligence-based medical image analysis for chronic kidney disease: a literature review // Comput. Biotechnol. J. — 2023. — V. 21. — Р. 3315–3326.
8. Tomašev N., Glorot X., Rae J.W. et al. A clinically applicable approach to continuous prediction of future acute kidney injury // Nature. — 2019. — V. 572 (7767). — Р. 116–119. DOI: 10.1038/s41586-019-1390-1
9. Tsai M.C., Lu H.H., Chang Y.C. et al. Automatic screening of pediatric renal ultrasound abnormalities: deep learning and transfer learning approach // JMIR Med. — 2022. — V. 10 (11). — P. e40878. DOI: 10.2196/40878
10. Kuo C.C., Chang C.M., Liu K.T. et al. Automation of the kidney function prediction and classification through ultrasound-based kidney imaging using deep learning // NPJ Digit. — 2019. — V. 2. — Р. 29. DOI: 10.1038/s41746-019-0104-2
11. Седашкина О.А., Колсанов А.В. Разработка интеллектуальной системы поддержки принятия врачебных решений для прогнозирования хронической болезни почек у детей // Менеджер здравоохранения. — 2024. — № — С. 92–102. DOI: 10.21045/1811-0185-2024-9-92-102
12. Miguel O.X., Kaczmarek E., Lee I. et al. Deep learning prediction of renal anomalies for prenatal ultrasound diagnosis // Sci. — 2024. — V. 14 (1). — Р. 9013. DOI: 10.1038/s41598-024-59248-4
13. Song S.H., Han J.H., Kim K.S. et al. Deep-learning segmentation of ultrasound images for automated calculation of the hydronephrosis area to renal parenchyma ratio // Investig. Urol. — 2022. — V. 63 (4). — Р. 455–463. DOI: 10.4111/icu.20220085
14. Yin S., Peng Q., Li H. et al. Multi-instance deep learning of ultrasound imaging data for pattern classification of congenital abnormalities of the kidney and urinary tract in children // Urology. — 2020. — V. 142. — Р. 183–189. DOI: 10.1016/j.urology.2020.05.019
15. Feng C., Ong K., Young D.M. et al. Artificial intelligence-assisted quantification and assessment of whole slide images for pediatric kidney disease diagnosis // Bioinformatics. — 2024. — V. 40 (1). btad740. DOI: 10.1093/bioinformatics/btad740
16. Van der Kamp A., de Bel T., van Alst L. et al. Automated deep learning-based classification of Wilms tumor histopathology // Cancers (Basel). — 2023. — V. 15 (9). — Р. 2656. DOI: 10.3390/cancers15092656
17. Testa F., Fontana F., Pollastri F. et al. Automated prediction of kidney failure in IgA nephropathy with deep learning from biopsy images // Clin. J. Am. Soc. — 2022. — V. 17 (9). — Р. 1316–1324. DOI: 10.2215/CJN.01760222
18. Leventoglu E., Soran M. Clinical characteristics of children with acute post-streptococcal glomerulonephritis and re-evaluation of patients with artificial intelligence // Medeni Med. J. — 2024. — V. 39 (3). — Р. 221–229. DOI: 10.4274/MMJ.galenos.2024.09382
19. Xu L., Jiang S., Li C. et al. Acute kidney disease in hospitalized pediatric patients: risk prediction based on an artificial intelligence approach // Ren. — 2024. — V. 46 (2). 2438858. DOI: 10.1080/0886022X.2024.2438858
20. Fragasso T., Raggi V., Passaro D. et al. Predicting acute kidney injury with an artificial intelligence-driven model in a pediatric cardiac intensive care unit // J. Anesth. Crit. Care. — 2023. — V. 3 (1). — Р. 37. DOI: 10.1186/s44158-023-00125-3
21. Dong J., Feng T., Thapa-Chhetry B. et al. Machine learning model for early prediction of acute kidney injury (AKI) in pediatric critical care // Crit. — 2021. — V. 25 (1). — Р. 288. DOI: 10.1186/s13054-021-03724-0

REFERENCES

1. Nada A., Ahmed Y., Hu J. et al. The American Society of Pediatric Nephrology Quality Improvement and Artificial Intelligence (ASPN QI/AI) Interest Group. AI-powered insights in pediatric nephrology: current applications and future opportunities. Pediatr. Nephrol, 2026, vol. 41 (5), rr. 1275–1286. DOI: 10.1007/s00467-025-06911-1
2. Thadani S., Horvat C.M., Silos C. et al. Current status and future directions for the use of artificial intelligence in pediatric critical care nephrology. Pediatr. Nephrol, 2025. DOI: 10.1007/s00467-025-07019-2
3. Sedashkina O.A. Artificial Intelligence — a New Word in Nephrology: Application Points and Prospects (Literature Review). Menedzher zdravookhraneniya, 2025, no. 1, pp. 76–84 (in Russ.). DOI: 10.21045/1811-0185-2025-1-76-84
4. Kulikova M.Kh. Primeneniye iskusstvennogo intellekta v protsesse diagnostiki zabolevaniy [Application of Artificial Intelligence in Disease Diagnosis]. Digital Era: Materialy II Vserossiyskoy nauchno-prakticheskoy konferentsii, Groznyy, 25 marta 2022 g. Groznyy: Chechenskiy gos. un-t im. A.A. Kadyrova, 2022. Pp. 66–70. DOI: 10.36684/59-2022-2-66-70
5. Terekhov M.R. Possibilities and Prospects of Using Artificial Intelligence in Healthcare. Fenomenus, 2024, no. 1 (27), pp. 165–169 (in Russ.).
6. Yelfimov D.A., Yelfimova I.V., Dolgova I.G. et al. Application of information technologies in practical healthcare. Meditsinskaya nauka i obrazovaniye Urala, 2019, vol. 20, no. 1 (97), pp. 129–132 (in Russ.).
7. Zhao D., Wang W., Tang T. et al. Current progress in artificial intelligence-based medical image analysis for chronic kidney disease: a literature review. Comput. Struct. Biotechnol. J, 2023, vol. 21, rr. 3315–3326.
8. Tomašev N., Glorot X., Rae J.W. et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature, 2019, vol. 572 (7767), rr. 116–119. DOI: 10.1038/s41586-019-1390-1
9. Tsai M.C., Lu H.H., Chang Y.C. et al. Automatic screening of pediatric renal ultrasound abnormalities: deep learning and transfer learning approach. JMIR Med. Inform, 2022, vol. 10 (11), p. e40878. DOI: 10.2196/40878
10. Kuo C.C., Chang C.M., Liu K.T. et al. Automation of the kidney function prediction and classification through ultrasound-based kidney imaging using deep learning. NPJ Digit. Med, 2019, vol. 2, r. 29. DOI: 10.1038/s41746-019-0104-2
11. Sedashkina O.A., Kolsanov A.V. Development of an intelligent system for supporting medical decision-making to predict chronic kidney disease in children. Menedzher zdravookhraneniya, 2024, no. 9, pp. 92–102 (in Russ.). DOI: 10.21045/1811-0185-2024-9-92-102
12. Miguel O.X., Kaczmarek E., Lee I. et al. Deep learning prediction of renal anomalies for prenatal ultrasound diagnosis. Sci. Rep, 2024, vol. 14 (1), r. 9013. DOI: 10.1038/s41598-024-59248-4
13. Song S.H., Han J.H., Kim K.S. et al. Deep-learning segmentation of ultrasound images for automated calculation of the hydronephrosis area to renal parenchyma ratio. Investig. Clin. Urol, 2022, vol. 63 (4), rr. 455–463. DOI: 10.4111/icu.20220085
14. Yin S., Peng Q., Li H. et al. Multi-instance deep learning of ultrasound imaging data for pattern classification of congenital abnormalities of the kidney and urinary tract in children. Urology, 2020, vol. 142, rr. 183–189. DOI: 10.1016/j.urology.2020.05.019
15. Feng C., Ong K., Young D.M. et al. Artificial intelligence-assisted quantification and assessment of whole slide images for pediatric kidney disease diagnosis. Bioinformatics, 2024, vol. 40 (1). btad740. DOI: 10.1093/bioinformatics/btad740
16. Van der Kamp A., de Bel T., van Alst L. et al. Automated deep learning-based classification of Wilms tumor histopathology. Cancers (Basel), 2023, vol. 15 (9), rr. 2656. DOI: 10.3390/cancers15092656
17. Testa F., Fontana F., Pollastri F. et al. Automated prediction of kidney failure in IgA nephropathy with deep learning from biopsy images. Clin. J. Am. Soc. Nephrol, 2022, vol. 17 (9), rr. 1316–1324. DOI: 10.2215/CJN.01760222
18. Leventoglu E., Soran M. Clinical characteristics of children with acute post-streptococcal glomerulonephritis and re-evaluation of patients with artificial intelligence. Medeni Med. J, 2024, vol. 39 (3), rr. 221–229. DOI: 10.4274/MMJ.galenos.2024.09382
19. Xu L., Jiang S., Li C. et al. Acute kidney disease in hospitalized pediatric patients: risk prediction based on an artificial intelligence approach. Ren. Fail, 2024, vol. 46 (2). 2438858. DOI: 10.1080/0886022X.2024.2438858
20. Fragasso T., Raggi V., Passaro D. et al. Predicting acute kidney injury with an artificial intelligence-driven model in a pediatric cardiac intensive care unit. J. Anesth. Analg. Crit. Care, 2023, vol. 3 (1), r. 37. DOI: 10.1186/s44158-023-00125-3
21. Dong J., Feng T., Thapa-Chhetry B. et al. Machine learning model for early prediction of acute kidney injury (AKI) in pediatric critical care. Crit. Care, 2021, vol. 25 (1), r. 288. DOI: 10.1186/s13054-021-03724-0