ПРАКТИКА · MEDICAL AI
Искусственный интеллект в медицине: строим проверяемую платформу поддержки решений
Мы работаем над системой, которая связывает оценку рисков, профилактику, временную нетрудоспособность и результаты программ здоровья в единый управляемый цикл. ИИ здесь нужен не для роли «автономного врача», а для восстановления знаний, поиска доказательств и подготовки проверяемых решений.
Не ещё один медицинский чат
Задача проекта шире, чем сбор анкет или хранение медицинских документов. Система должна помогать управлять здоровьем и продуктивностью больших организованных групп, например сотрудников компании.
Целевой цикл выглядит так: оценить текущее состояние, определить цели, сформировать план действий, провести профилактические мероприятия, измерить изменения и скорректировать программу. Для участника это понятная траектория сопровождения. Для специалистов — планирование и контроль. Для руководства — агрегированная аналитика по рискам, динамике здоровья, отсутствиям и результатам программ.
Почему первая задача — восстановить систему знаний
Предметная модель создавалась в разные годы. Знания распределены между документами, таблицами, классификаторами, презентациями и программным кодом. Одно понятие может иметь несколько версий, а формула в старой презентации — отличаться от расчёта в приложении.
Поэтому мы не загружаем весь массив в модель и не просим её «разобраться». Сначала строится проверяемая цепочка: источник → структурированное утверждение → функция → расчёт → отчёт → ответственная роль. Противоречия сохраняются как противоречия до решения профильного специалиста.
Как ИИ помогает уже сейчас
- Инвентаризация. ИИ помогает классифицировать большие массивы и находить связанные материалы.
- Provenance. Каждый существенный вывод сохраняет координату источника, а не только красивую сводку.
- Карта функций. Мы связываем данные с расчётами, интерфейсами, отчётами и ролями.
- Контроль расхождений. Дубли, разные редакции и незакрытые поля попадают в review queue.
- Подготовка корпуса. Документы превращаются в структурированный слой для поиска, не подменяя исходники.
- Тесты и документация. ИИ ускоряет подготовку спецификаций и проверок, но результат подтверждается детерминированными артефактами.
RAG с цитатами и правом отказаться
Следующий слой — RAG, который ищет релевантные фрагменты перед формированием ответа. Для медицинского сценария недостаточно выдать убедительный текст. Ответ должен показать источник и редакцию документа. Если доказательств нет или источники расходятся, корректное поведение — явно отказаться от вывода.
Такой подход дополняет нашу практику source grounding и проверку целостности цитат RAG.
Что останется детерминированным
Критические формулы, правила противопоказаний, права доступа и переходы состояния не должны зависеть от свободной генерации. Модель может объяснить расчёт, но сам расчёт выполняется проверяемым кодом. Она может подобрать источники, но клиническое решение проходит профессиональную проверку.
Именно поэтому специалисты по медицинскому искусственному интеллекту нужны не только для выбора модели. Они проектируют границы данных, критерии качества, сценарии отказа и взаимодействие с врачами.
Наш план
- Завершить инвентаризацию источников, прав, версий и происхождения.
- Собрать каноническую базу знаний и граф медицинских связей.
- Отделить проверяемые формулы и правила от генеративного слоя.
- Развить RAG с цитатами, abstention и контролем актуальности.
- Создать профессиональный eval-набор и процесс врачебной проверки.
- Добавлять адаптацию модели только там, где измерения покажут ограничение RAG.
- Подключать страны по одной, с локальными рекомендациями, терминологией и требованиями к данным.
Многоязычность — не перевод интерфейса
Выход в другую юрисдикцию требует локальных клинических рекомендаций, классификаторов, требований к приватности и проверки специалистами страны. Нельзя автоматически переносить медицинское правило только потому, что модель умеет перевести текст.
Граница ответственности
Проект развивается как система поддержки решений и управления программами, а не как автономная диагностика. Реальные медицинские данные не становятся обучающим корпусом автоматически. Для них нужны отдельные правовые основания, минимизация, деидентификация и контроль доступа.
Для нас ценность ИИ в том, чтобы превратить сложное наследие знаний в прозрачную, проверяемую и развиваемую систему — и оставить последнее слово за доказательствами и специалистом.