rehabРеабилитологияJournal of Medical Rehabilitation2949-58732949-5881IRBIS LLC10.17749/2949-5873/rehabil.2025.61rehab-116Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESПрогнозирование эффективности реабилитационных мероприятий у больных туберкулезом легких с помощью нейронных сетейObjective: To justify the inclusion of input parameters in a neural network designed to predict rehabilitation measures for patients with pulmonary tuberculosis who have lost their permanent work capacity. Material and methods. The study included 335 patients with pulmonary tuberculosis, 212 with a newly diagnosed case and 123 with a chronic form. To predict the effectiveness of rehabilitation measures, a neural network was developed in the Python 3.14 programming language. Its architecture incorporates a multilayer perceptron with direct connections between neurons and backpropagation algorithms. In the context of this study, it was advisable to use a neural network for predicting permanent disability in patients with pulmonary tuberculosis. Results. The following were integrated as input parameters of the neural network: genotype DD of the GSTM1 gene, genotype EE of the GSTT1 gene, genotype ТС of the АВСВ1 gene and polymorphic variants of cytokine genes, including tumor necrosis factor alpha (–308G>A (rs1800629)), interleukin (IL) 1-beta (–31C>T (rs1143627)), IL-4 (–589C>T) (rs2243250)), IL-10 (–592C>A (rs1800872)), and IL-10 (–1082A>G (rs1800896)). Additionally, an adverse recurrent course, multiple and extensive drug resistance, and persistent respiratory and cardiopulmonary failure following a course of rehabilitation were incorporated. Regression analysis showed the statistical significance of all input parameters with respect to the modeling of the dependent variable. As a result of testing the neural network, the prediction accuracy (rehabilitation efficiency) was 88,3%. Conclusion. The use of a neural network provides highly accurate predictions regarding the effectiveness of rehabilitation of patients with pulmonary tuberculosis. This method can be incorporated into clinical pulmonology practice to evaluate persistent disability in such patients. The presented predictive model is expected to form the basis of a comprehensive rehabilitation program that addresses medical, professional and social aspects.ural networkshttps://orcid.org/0000-0001-7341-3648АлыменкоМ. А.AlymenkoM. A.

Алыменко Максим Алексеевич, к.м.н. 

ул. Муштари, д. 11, Казань 420012 

Scopus Author ID: 57189520353

WoS ResearcherID: HGC-7298-2022 

Maxim A. Alymenko, PhD 

11 Mushtari Str., Kazan 420012

Scopus Author ID: 57189520353

WoS ResearcherID: HGC-7298-2022 

maxim.alymenko@gmail.comhttps://orcid.org/0009-0003-9460-4648ГарбузоваИ. Э.GarbuzovaI. E.

Гарбузова Ильмира Эмиргамзаевна

ул. Мещанская, д. 9/14, стр. 1, Москва 129090  

WoS ResearcherID: KHY-0937-2024 

Ilmira E. Garbuzova 

9/14 bldg 1 Meshchanskaya Str., Moscow 129090 

WoS ResearcherID: KHY-0937-2024 

https://orcid.org/0000-0001-6121-7412ЛипатовВ. А.LipatovV. A.

Липатов Вячеслав Александрович, д.м.н., проф.

ул. К. Маркса, д. 3, Курск 305041   

WoS ResearcherID: D-8788-2013

Scopus Auhor ID: 6603948707. 

Viacheslav A. Lipatov, Dr. Sci. Med., Prof.  

3 K. Marx Str., Kursk 305041 

WoS ResearcherID: D-8788-2013

Scopus Auhor ID: 6603948707 

https://orcid.org/0009-0004-1703-2233КобелевИ. Ю.KobelevI. Yu.

Кобелев Илья Юрьевич 

ул. Трубецкая, д. 8, стр. 2, Москва 119048, 

Ilya Yu. Kobelev 

8 bldg 2 Trubetskaya Str., Moscow 119048 

https://orcid.org/0000-0002-9461-9255РагулинаВ. А.RagulinaV. A.

Рагулина Вера Алексеевна, к.б.н., доцент 

ул. К. Маркса, д. 3, Курск 305041 

WoS ResearcherlD: G-2153-2016

Scopus Author ID: 7801673012 

Vera А. Ragulina, PhD, Assoc Prof.  

3 K. Marx Str., Kursk 305041 

WoS ResearcherlD: G-2153-2016

Scopus Author ID: 7801673012 

https://orcid.org/0000-0001-8353-8655ВалиевР. Ш.ValievR. Sh.

Валиев Равиль Шамилович, д.м.н., проф.

ул. Муштари, д. 11, Казань 420012 

Scopus Author ID: 7103235075  

Ravil Sh. Valiev, Dr. Sci. Med., Prof. 

11 Mushtari Str., Kazan 420012 

Scopus Author ID: 7103235075 

https://orcid.org/0009-0003-7796-6292ТурсуноваН. В.TursunovaN. V.

Турсунова Наталья Владимировна, к.б.н. 

ул. Охотская, д. 81А, Новосибирск 630040

Natalya V. Tursunova, PhD 

81А Okhotskaya Str., Novosibirsk 630040 

Казанская государственная медицинская академия – филиал Федерального государственного бюджетного образовательного учреждения дополнительного профессионального образования «Российская медицинская академия непрерывного профессионального образования» Министерства здравоохранения Российской ФедерацииРоссияKazan State Medical Academy – branch of Russian Medical Academy of Continuing Professional EducationRussian FederationАвтономная некоммерческая организация высшего образования «Московский университет «Синергия»РоссияMoscow University “Synergy”Russian FederationФедеральное государственное бюджетное образовательное учреждение высшего образования «Курский государственный медицинский университет» Министерства здравоохранения Российской ФедерацииРоссияKursk State Medical UniversityRussian FederationФедеральное государственное автономное образовательное учреждение высшего образования «Первый Московский государственный медицинский университет им. И.М. Сеченова» Министерства здравоохранения Российской Федерации (Сеченовский Университет)РоссияSechenov UniversityRussian FederationФедеральное государственное бюджетное учреждение «Новосибирский научно-исследовательский институт туберкулеза» Министерства здравоохранения Российской ФедерацииРоссияNovosibirsk Research Institute of TuberculosisRussian Federation20250804202633165173Copyright © Алыменко М.А., Гарбузова И.Э., Липатов В.А., Кобелев И.Ю., Рагулина В.А., Валиев Р.Ш., Турсунова Н.В., 20262026Алыменко М.А., Гарбузова И.Э., Липатов В.А., Кобелев И.Ю., Рагулина В.А., Валиев Р.Ш., Турсунова Н.В.Alymenko M.A., Garbuzova I.E., Lipatov V.A., Kobelev I.Y., Ragulina V.A., Valiev R.S., Tursunova N.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rehabilitology.com/jour/article/view/116Цель

Цель: обоснование включения входных параметров для нейронной сети, позволяющей осуществлять прогнозирование эффективности реабилитационных мероприятий с учетом утраты стойкой трудоспособности у больных туберкулезом легких.

Материал и методы

Материал и методы. В исследование включены 335 пациентов с туберкулезом легких, из них 212 – с впервые выявленным заболеванием, 123 – с хроническими формами. Для прогнозирования эффективности реабилитационных мероприятий была разработана нейронная сеть на языке программирования Python 3.14. Архитектура сети базируется на многослойном персептроне с прямыми связями между нейронами и применением алгоритмов обратного распространения ошибки. В рамках данного исследования было признано целесообразным обеспечить прогнозирование утраты стойкой трудоспособности у пациентов с туберкулезом легких с помощью нейронной сети.

Результаты

Результаты. В качестве входных параметров нейросети были интегрированы следующие: генотип DD гена GSTM1, генотип ЕЕ гена GSTT1, генотип ТС гена АВСВ1 и полиморфные варианты генов цитокинов – фактора некроза опухоли альфа (–308G>A (rs1800629)), интерлейкина (ИЛ) 1-бета (–31C>T (rs1143627)), ИЛ-4 (–589C>T (rs2243250)), ИЛ-10 (–592C>A (rs1800872)), ИЛ-10 (–1082A>G (rs1800896)), а также неблагоприятное рецидивирующее течение, множественная и широкая лекарственная устойчивость, сохранение дыхательной и легочно-сердечной недостаточности после курса реабилитации. Регрессионный анализ показал статистическую значимость всех входных параметров в отношении моделирования зависимой переменной. В результате тестирования нейронной сети точность прогноза («эффективность реабилитации») составила 88,3%.

Заключение

Заключение. Применение нейронной сети для прогнозирования эффективности реабилитации пациентов с легочным туберкулезом обеспечивает высокую точность предсказания. Данный метод может быть внедрен в практическую деятельность врачей-фтизиатров для оценки степени развития стойкой утраты трудоспособности у таких больных. Предполагается, что представленная модель станет основой для комплексной программы реабилитации, охватывающей врачебные, профессиональные и социальные аспекты. ISSN 2949-5873 (print) ISSN 2949-5881 (online) Данная интернет-версия статьи была скачана с сайта https://rehabilitology.com. Не предназначено для использования в коммерческих целях. Инфор

Objective

Objective: To justify the inclusion of input parameters in a neural network designed to predict rehabilitation measures for patients with pulmonary tuberculosis who have lost their permanent work capacity.

Material and methods

Material and methods. The study included 335 patients with pulmonary tuberculosis, 212 with a newly diagnosed case and 123 with a chronic form. To predict the effectiveness of rehabilitation measures, a neural network was developed in the Python 3.14 programming language. Its architecture incorporates a multilayer perceptron with direct connections between neurons and backpropagation algorithms. In the context of this study, it was advisable to use a neural network for predicting permanent disability in patients with pulmonary tuberculosis.

Results

Results. The following were integrated as input parameters of the neural network: genotype DD of the GSTM1 gene, genotype EE of the GSTT1 gene, genotype ТС of the АВСВ1 gene and polymorphic variants of cytokine genes, including tumor necrosis factor alpha (–308G>A (rs1800629)), interleukin (IL) 1-beta (–31C>T (rs1143627)), IL-4 (–589C>T) (rs2243250)), IL-10 (–592C>A (rs1800872)), and IL-10 (–1082A>G (rs1800896)). Additionally, an adverse recurrent course, multiple and extensive drug resistance, and persistent respiratory and cardiopulmonary failure following a course of rehabilitation were incorporated. Regression analysis showed the statistical significance of all input parameters with respect to the modeling of the dependent variable. As a result of testing the neural network, the prediction accuracy (rehabilitation efficiency) was 88,3%.

Conclusion

Conclusion. The use of a neural network provides highly accurate predictions regarding the effectiveness of rehabilitation of patients with pulmonary tuberculosis. This method can be incorporated into clinical pulmonology practice to evaluate persistent disability in such patients. The presented predictive model is expected to form the basis of a comprehensive rehabilitation program that addresses medical, professional and social aspects.

туберкулез легкихреабилитацияостаточные посттуберкулезные изменениянейронная сетьязык программирования Phytonpulmonary tuberculosisrehabilitationresidual post-tuberculosis changesneural networkPhyton programming languageReferencesGrace A., Mittal A., Jain S. et al. Shortened treatment regimens versus the standard regimen for drug-sensitive pulmonary tuberculosis. Cochrane Database Syst Rev. 2019;12 (12): CD012918. https://doi.org/10.1002/14651858.CD012918.pub2.Grace A., Mittal A., Jain S. et al. Shortened treatment regimens versus the standard regimen for drug-sensitive pulmonary tuberculosis. Cochrane Database Syst Rev. 2019;12 (12): CD012918. https://doi. org/10.1002/14651858.CD012918.pub2.Dodd P., Yuen C., Jayasooriya S., et al. Quantifying the global number of tuberculosis survivors: a modelling study. Lancet Infect Dis. 2021; 21 (7): 984–92. https://doi.org/10.1016/S1473-3099(20)30919-1.Dodd P., Yuen C., Jayasooriya S., et al. Quantifying the global number of tuberculosis survivors: a modelling study. Lancet Infect Dis. 2021; 21 (7): 984–92. https://doi.org/10.1016/S1473-3099(20)30919-1.Salhi В., Troosters T., Behaegel M., et al. Effects of pulmonary rehabilitation in patients with restrictive lung diseases. Chest. 2010; 137 (2): 273–9. https://doi.org/10.1378/chest.09-0241.Salhi В., Troosters T., Behaegel M., et al. Effects of pulmonary rehabilitation in patients with restrictive lung diseases. Chest. 2010; 137 (2): 273–9. https://doi.org/10.1378/chest.09-0241.Troosters Т., Janssens W., Demeyer H., Rabinovich R.A. Pulmonary rehabilitation and physical interventions. Eur Respir Rev. 2023; 32 (168): 220222. https://doi.org/10.1183/16000617.0222-2022.Troosters Т., Janssens W., Demeyer H., Rabinovich R.A. Pulmonary rehabilitation and physical interventions. Eur Respir Rev. 2023; 32 (168): 220222. https://doi.org/10.1183/16000617.0222-2022.Гусева В.А., Рублева Н.В., Коломиец В.М. Факторы эффективности реабилитации больных туберкулезом. В кн.: Актуальные вопросы борьбы с туберкулезом: материалы юбилейной сесии, посвященной 90-летию ЦНИИТ РАМН. 2011: 59–60.Guseva V.A., Rubleva N.V., Kolomiets V.M. Factors of effectiveness of rehabilitation of tuberculosis patients. In: Topical issues in the fight against tuberculosis: materials of the jubilee session dedicated to the 90th anniversary of TsNIIT RAMS. 2011: 59–60 (in Russ.).Жук Н.А. Принципы лечения и реабилитация больных активным туберкулезом. Проблемы туберкулеза и болезней легких. 2005; 8: 26–29.Zhuk N.A. Principles of treatment and rehabilitation of patients with active tuberculosis. Problems of Tuberculosis and Lung Disease. 2005; 8: 26–29 (in Russ.).Подгаева В.А., Голубев Д.Н. Влияние уровня жизни на показатели, отражающие эпидемическую ситуацию по туберкулезу на Урале. Туберкулез и болезни легких. 2011; 8: 8–10.Podgaeva V.A., Golubev D.N. The impact of living standards on indicators reflecting the epidemic situation of tuberculosis in the Urals. Tuberculosis and Lung Diseases. 2011; 8: 8–10. (in Russ.).Gerke A. Morbidity and mortality in sarcoidosis. Curr Opin Pulm Med. 2014; 20 (5): 472–8.Gerke A. Morbidity and mortality in sarcoidosis. Curr Opin Pulm Med. 2014; 20 (5): 472–8.Алыменко М.А., Валиев Р.Ш., Валиев Н.Р. и др. Ассоциация генотипов ферментов биотрансформации ксенобиотиков с чувствительностью к торпидно-текущему туберкулезу легких. Consilium Medicum. 2024; 26 (3): 193–8. https://doi.org/10.26442/20751753.2024.3.202659.Alymenko M.A., Valiev R.Sh., Valiev N.R., et al. Association of genotypes of biotransformation enzymes with susceptibility to chronic pulmonary tuberculosis. Consilium Medicum. 2024; 26 (3): 193–8 (in Russ.). https://doi.org/10.26442/20751753.2024.3.202659.Рембовский В.Р., Могиленкова Л.А. Процессы детоксикации при воздействии химических препаратов на организм. СПб.: Издательство Политехнического университета; 2017: 383 с.Rembovsky V.R., Mogilenkova L.A. Detoxification processes when the body is exposed to chemicals. Saint Petersburg: Polytechnic University Publishing House; 2017: 383 pp. (in Russ.).Щербо С.Н., Щербо Д.С., Соколова Н.А. и др. Генетическая наклонность и устойчивость к некоторым инфекционным заболеваниям. IV. Туберкулез. Медицинский алфавит. 2022: 1 (6): 7–10. https://doi.org/10.33667/2078-5631-2022-6-7-10.Shcherbo S.N., Shcherbo D.S., Sokolova N.A., et al. Genetic predisposition and resistance to certain infectious diseases. IV. Tuberculosis. Medical Alphabet. 2022: 1 (6): 7–10 (in Russ.). https://doi.org/10.33667/2078-5631-2022-6-7-10 (in Russ.).Ан А.Р., Рудко А.А., Брагина Е.Ю. и др. Исследование ассоциации полиморфных разновидностей генов цитокиновых сигналов с туберкулезом легких. Туберкулез и болезни легких. 2013: 90 (8): 34–9.An A.R., Rudko A.A., Bragina E.Yu., et al. Study of the association of polymorphic variants of cytokine signaling genes with pulmonary tuberculosis. Tuberculosis and Lung Diseases. 2013; 90 (8): 34–9 (in Russ.).Демьянов А.В., Котов А.Ю., Симбирцев А.С. Диагностическая ценность исследования уровней цитокинов в клинической практике. Цитокины и воспаление. 2003; 2 (3): 20–35.Demyanov A.V., Kotov A.Yu., Simbirtsev A.S. Diagnostic value of the study of cytokine levels in clinical practice. Cytokines and Inflammation. 2003; 2 (3): 20–35 (in Russ.).Симбирцев А.С. Цитокины – система регуляции защитных реакций организма. Цитокины и воспаление. 2002; 1 (1): 9–16.Simbirtsev A.S. Cytokines as a new system, regulating body defence reactions. Cytokines and Inflammation. 2002; 1 (1): 9–16 (in Russ.).Baggiotini M., Dewald B., Moser B. Human chemokines: an update. Annu Rev Immunol. 1997; 15: 675–705.Baggiotini M., Dewald B., Moser B. Human chemokines: an update. Annu Rev Immunol. 1997; 15: 675–705.Мордык А.В., Цыганкова Е.А., Пузырева Л.В., Турица А.А. Противотуберкулезный иммунитет и механизмы его формирования (обзор литературы). Дальневосточный медицинский журнал. 2014; 1: 126–30.Mordyk A.V., Tsygankova E.A., Puzyreva L.V., Turitsa A.A. Antitubercular immunity and mechanisms of its formation (literature review). Far Eastern Medical Journal. 2014; 1: 126–30 (in Russ.).Хайкин С. Нейронные сети: полный курс. М.: Вильямс; 2020: 1104 c.Haykin S.S. Neural networks: a comprehensive foundation. Macmillan; 1994: 696 pp. (in Russ.)Kriegeskorte N., Golan T. Neural network models and deep learning. Curr Biol. 2019; 29 (7): 231–6. https://doi.org/10.1016/j.cub.2019.02.034.Kriegeskorte N., Golan T. Neural network models and deep learning. Curr Biol. 2019; 29 (7): 231–6. https://doi.org/10.1016/j.cub.2019.02.034.Pérez J., Cabrera J.A., Castillo J.J., Velasco J.M. Bioinspired spiking neural network for nonlinear systems control. Neural Netw. 2018; 104: 15–25. https://doi.org/10.1016/j.neunet.2018.04.002.Pérez J., Cabrera J.A., Castillo J.J., Velasco J.M. Bioinspired spiking neural network for nonlinear systems control. Neural Netw. 2018; 104: 15–25. https://doi.org/10.1016/j.neunet.2018.04.002.Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития. Территория науки. 2017; 4: 83–7.Faustova K.I. Neural networks: application today and development prospects. Territory of Science. 2017; 4: 83–7 (in Russ.).Хасанов А.Г., Шайбаков Д.Г., Жернаков С.В. и др. Нейронные сети для прогнозирования динамики развития заболеваний. Креативная хирургия и онкология. 2020; 10 (3): 198–204. https://doi.org/10.24060/2076-3093-2020-10-3-198-204.Hasanov A.G., Shaybakov D.G., Zhernakov S.V., et al. Neural networks in forecasting disease dynamics. Creative Surgery and Oncology. 2020; 10 (3): 198–204 (in Russ.). https://doi.org/10.24060/2076-3093-2020-10-3-198-204.Стрельцов В.А., Баранова В.Г., Столбун Ю.В. Необходимость оценки психологического статуса больных туберкулезом легких. Туберкулез и болезни легких. 2011; 5: 176–77.Streltsov V.A., Baranova V.G., Stolbun Yu.V. The need to assess the psychological status of patients with pulmonary tuberculosis. Tuberculosis and Lung Diseases. 2011; 5: 176–77 (in Russ.).Adams D. The biology of the granulomas. Pathology of granulomas. New York. 1983: 1–19.Adams D. The biology of the granulomas. Pathology of granulomas. New York. 1983: 1–19.Кантемирова Б.И., Сычев Д.А., Карпищенко В.Н. Исследование глутатиона как маркера второй фазы биотрансформации ксенобиотиков у детей с различной соматической патологией на фоне проводимого лечения. Биомедицина. 2013; 1 (2): 103–7.Kantemirova B.I., Sychev D.A., Karpishchenko V.N. Study of glutathione as a marker of the second phase of xenobiotic biotransformation in children with various somatic pathologies against the background of the treatment. Biomedicine. 2013; 1 (2): 103–7 (in Russ.).Kaur M., Shahil Rahman T.K., Dolma S., et al. Xenobiotic metabolizing gene variants and the risk of male infertility – a systematic review, meta-analysis and in silico analysis. Toxicol Rep. 2025; 14: 102019. https://doi.org/10.1016/j.toxrep.2025.102019.Kaur M., Shahil Rahman T.K., Dolma S., et al. Xenobiotic metabolizing gene variants and the risk of male infertility – a systematic review, meta-analysis and in silico analysis. Toxicol Rep. 2025; 14: 102019. https://doi.org/10.1016/j.toxrep.2025.102019.Bleasby K., Castle J.C., Roberts C.J., et al. Expression profiles of 50 xenobiotic transporter genes in humans and pre-clinical species: a resource for investigations into drug disposition. Xenobiotica. 2006; 36 (10–11): 963–88. https://doi.org/10.1080/00498250600861751.Bleasby K., Castle J.C., Roberts C.J., et al. Expression profiles of 50 xenobiotic transporter genes in humans and pre-clinical species: a resource for investigations into drug disposition. Xenobiotica. 2006; 36 (10–11): 963–88. https://doi.org/10.1080/00498250600861751.Maurice C.F., Haiser H.J., Turnbaugh P.J. Xenobiotics shape the physiology and gene expression of the active human gut microbiome. Cell. 2013; 152 (1–2): 39–50. https://doi.org/10.1016/j.cell.2012.10.052.Maurice C.F., Haiser H.J., Turnbaugh P.J. Xenobiotics shape the physiology and gene expression of the active human gut microbiome. Cell. 2013; 152 (1–2): 39–50. https://doi.org/10.1016/j.cell.2012.10.052.Rendina M., Turnbaugh P.J., Bradley P.H. Human xenobiotic metabolism proteins have full-length and split homologs in the gut microbiome. G3. 2025; 15 (9): jkaf131. https://doi.org/10.1093/g3journal/jkaf131.Rendina M., Turnbaugh P.J., Bradley P.H. Human xenobiotic metabolism proteins have full-length and split homologs in the gut microbiome. G3. 2025; 15 (9): jkaf131. https://doi.org/10.1093/g3journal/jkaf131.Лакин К.М., Крылов Ю.Ф. Биотрансформация лекарственных веществ. М.: Медицина; 1981: 344 с.Lakin K.M., Krylov Yu.F. Biotransformation of medicinal substances. Moscow: Meditsina; 1981: 344 pp. (in Russ.)Singh V., Dziwornu G.A., Chibale K. The implication of Mycobacterium tuberculosis-mediated metabolism of targeted xenobiotics. Nat Rev Chem. 2023; 7 (5): 340–54. https://doi.org/10.1038/s41570-023-00472-3.Singh V., Dziwornu G.A., Chibale K. The implication of Mycobacterium tuberculosis-mediated metabolism of targeted xenobiotics. Nat Rev Chem. 2023; 7 (5): 340–54. https://doi.org/10.1038/s41570-023-00472-3.Liu Y., Li H., Dai D., et al. Gene regulatory mechanism of mycobacterium tuberculosis during dormancy. Curr Issues Mol Biol. 2024; 46 (6): 5825–44. https://doi.org/10.3390/cimb46060348.Liu Y., Li H., Dai D., et al. Gene regulatory mechanism of mycobacterium tuberculosis during dormancy. Curr Issues Mol Biol. 2024; 46 (6): 5825–44. https://doi.org/10.3390/cimb46060348.Mehta V.K., Deb P.S., Rao D.S. Application of computer techniques in medicine. Med J Armed Forces India. 2017; 50 (3): 215–8. https://doi.org/10.1016/S0377-1237(17)31065-1.Mehta V.K., Deb P.S., Rao D.S. Application of computer techniques in medicine. Med J Armed Forces India. 2017; 50 (3): 215–8. https://doi.org/10.1016/S0377-1237(17)31065-1.Thacharodi A., Singh P., Meenatchi R., et al. Revolutionizing healthcare and medicine: the impact of modern technologies for a healthier future – a comprehensive review. Health Care Sci. 2024; 3 (5): 329–49. https://doi.org/10.1002/hcs2.115.Thacharodi A., Singh P., Meenatchi R., et al. Revolutionizing healthcare and medicine: the impact of modern technologies for a healthier future – a comprehensive review. Health Care Sci. 2024; 3 (5): 329–49. https://doi.org/10.1002/hcs2.115.Junaid S.B., Imam A.A., Balogun A.O., et al. Recent advancements in emerging technologies for healthcare management systems: a survey. Healthcare. 2022; 10 (10): 1940. https://doi.org/10.3390/healthcare10101940.Junaid S.B., Imam A.A., Balogun A.O., et al. Recent advancements in emerging technologies for healthcare management systems: a survey. Healthcare. 2022; 10 (10): 1940. https://doi.org/10.3390/healthcare10101940.Penny W., Frost D. Neural networks in clinical medicine. Med Decis Making. 1996; 16 (4): 386–98. https://doi.org/10.1177/0272989X9601600409.Penny W., Frost D. Neural networks in clinical medicine. Med Decis Making. 1996; 16 (4): 386–98. https://doi.org/10.1177/0272989X9601600409.Toma A., Diller G.P., Lawler P.R. Deep learning in medicine. JACC Adv. 2022; 1 (1): 100017. https://doi.org/10.1016/j.jacadv.2022.100017.Toma A., Diller G.P., Lawler P.R. Deep learning in medicine. JACC Adv. 2022; 1 (1): 100017. https://doi.org/10.1016/j.jacadv.2022.100017.Miotto R., Wang F., Wang S., et al. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2017; 19 (6): 1236–46. https://doi.org/10.1093/bib/bbx044.Miotto R., Wang F., Wang S., et al. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2017; 19 (6): 1236–46. https://doi.org/10.1093/bib/bbx044.Arntz A., Weber F., Handgraaf M., et al. Technologies in home-based digital rehabilitation: scoping review. JMIR Rehabil Assist Technol. 2023; 10: e43615. https://doi.org/10.2196/43615.Arntz A., Weber F., Handgraaf M., et al. Technologies in home-based digital rehabilitation: scoping review. JMIR Rehabil Assist Technol. 2023; 10: e43615. https://doi.org/10.2196/43615.Celian C., Redd H., Smaller K., et al. Use of technology in the rehabilitation setting: therapy observations, mixed methods analysis, and data visualization. Arch Rehabil Res Clin Transl. 2025; 7 (1): 100425. https://doi.org/10.1016/j.arrct.2024.100425.Celian C., Redd H., Smaller K., et al. Use of technology in the rehabilitation setting: therapy observations, mixed methods analysis, and data visualization. Arch Rehabil Res Clin Transl. 2025; 7 (1): 100425. https://doi.org/10.1016/j.arrct.2024.100425.

The authors declare that there are no conflicts of interest present.