Актуальность:В условиях роста антропогенной нагрузки и усложнения экологических систем традиционные методы гигиенического мониторинга сталкиваются с ограничениями: высокой трудоёмкостью, задержками в обработке данных, сложностью выявления скрытых закономерностей. Искусственный интеллект (ИИ) открывает новые возможности для этого.

Цель: проанализировать возможности и ограничения применения ИИ в гигиеническом мониторинге..

Методы исследования: обзор и анализ научных публикаций (2016–2026гг.) о применении ИИ в гигиене и экологии; сравнительный анализ точности и скорости обработки данных традиционными методами и с помощью ИИ‑алгоритмов; моделирование сценариев использования ИИ для прогнозирования гигиенических рисков; экспертная оценка этических и правовых аспектов внедрения ИИ в санитарно‑гигиенический мониторинг.

Результаты и их обсуждение: В ходе исследования выявлены ключевые возможности ИИ в гигиеническом мониторинге: ИИ‑системы интегрируют информацию с датчиков качества воздуха, воды, почвы, метеостанций и эпидемиологических отчётов в реальном времени; алгоритмы машинного обучения прогнозируют вспышки инфекций и загрязнение среды с точностью до 85–92% на срок 3–7дней, опережая традиционные методы; ИИ анализирует многомерные данные и выявляет корреляции между факторами среды и заболеваемостью, которые сложно обнаружить вручную; автоматизированный анализ данных позволяет точечно распределять ресурсы надзора; нейросети обнаруживают аномалии в показателях среды до достижения критических уровней. Вместе с тем выявлены существенные ограничения: зависимость от качества данных; сложность интерпретации, что критично для принятия управленческих решений в гигиене; правовые и этические барьеры при использовании персональных данных требует соблюдения норм конфиденциальности и согласия на обработку информации; высокие затраты на внедрение и кадровый дефицит.

Выводы: ИИ обладает высоким потенциалом для повышения точности, скорости и прогностической способности гигиенического мониторинга. Ключевые ограничения связаны с качеством данных, интерпретируемостью моделей, правовыми нормами и ресурсоёмкостью внедрения.