ИИ на приёме: больше пациента, меньше бумаг

В статье рассматриваются задачи, которые решает ИИ-ассистент врача, подход к его интеграции в медицинскую информационную систему (МИС), а также практические результаты эксплуатации с точки зрения врачей и руководства клиники.

Автор к. м. н., главный врач МЦ «Палитра» Ярослав Анатольевич Демиденко, г. Владимир

От идеи к практике: ИИ-ассистент как помощник врача в частной клинике

Большие языковые модели (LLM) сегодня позволяют создавать интеллектуальные системы, способные быстро обрабатывать медицинскую информацию, легко масштабироваться и работать с высокой степенью детализации. В условиях постоянного роста объёма данных — электронной медицинской карты (ЭМК), результатов исследований, клинических рекомендаций — такие решения становятся инструментом поддержки персонализированного лечения, снижения частоты ошибок и повышения качества клинических решений.

В клинике «Палитра» на базе ряда LLM был создан и внедрён ИИ-ассистент врача, работающий непосредственно в момент принятия клинического решения — во время приёма. В статье рассматриваются задачи, которые он решает, подход к его интеграции в медицинскую информационную систему (МИС), а также практические результаты эксплуатации с точки зрения врачей и руководства клиники.

Прежде чем перейти к описанию ИИ-ассистента, важно обозначить проблемы, ради решения которых он создавался.

От информационного поиска к интеллектуальной поддержке

Клиника «Палитра» последовательно развивает качество медицинской помощи. Несколько лет назад на рынке появились системы поддержки врачебных решений (СППВР), аккумулирующие структурированную медицинскую информацию: научные статьи, клинические рекомендации, протоколы лечения. В клинике была внедрена одна из таких систем с интеграцией в МИС через API. Это позволило врачам получать релевантную информацию непосредственно из окна приёма пациента.

Однако практическое использование решения выявило существенное ограничение: наличие информации на экране не означало быстрого получения ответа на конкретный клинический вопрос. Врач по-прежнему был вынужден тратить значительное время на просмотр объёмных текстов, а сложные случаи нередко разбирались уже после приёма, в личное время. Фактически вместо экономии времени система создавала дополнительную нагрузку и не соответствовала потребностям врача в точке принятия решения.

Анализ доступных СППВР показал, что проблема носит системный характер: врачу приходится переключаться между окнами, дублировать данные в разных интерфейсах и учитывать риски, связанные с безопасностью персональных данных. Требовался качественно иной подход — система, которая не только предоставляет информацию, но и анализирует клиническую ситуацию в контексте конкретного приёма, предлагая рекомендации в момент принятия решения.

Проверка гипотезы: может ли ИИ оценивать клинические решения

Разработка ИИ-ассистента началась с валидации ключевой гипотезы: может ли LLM объективно оценивать качество клинических решений врача. Для этого использовалась готовая инфраструктура модуля «Внешняя экспертиза» в МИС.

Была проведена сравнительная оценка: 5–10 клинических случаев от пяти врачей разных специальностей одновременно направлялись на независимую экспертизу и анализировались тремя LLM, показавшими высокую применимость в клинической практике. Эксперты и модели оценивали идентичные сценарии по единым критериям качества медицинской помощи.

Директор по клинико-экспертной работе выполнила «слепой» анализ всех заключений без указания их источника. По результатам этой оценки первые позиции в рейтинге качества заняли именно модели LLM, а не эксперты-люди. Это подтвердило исходную гипотезу: большие языковые модели демонстрируют конкурентоспособный уровень анализа клинических ситуаций. Полученный результат стал основанием для разработки полноценного ИИ-ассистента.

Команда как фактор успеха

После успешной валидации была сформирована рабочая группа. Её ядро составили сотрудники клиники, мотивированные участвовать в развитии организации и собственного профессионального уровня.

В команду вошли главный врач, руководитель ИТ-отдела, программист 1С и группа врачей терапевтической и педиатрической специализаций. Участие врачей было принципиально важным: именно они формулировали реальные потребности приёма, определяли логику организации интерфейса и обеспечивали оперативную обратную связь разработчикам. Это позволило значительно сократить цикл доработок и быстрее адаптировать систему к реальной клинической практике.

Как ИИ-ассистент работает до начала приёма

Работа ИИ-ассистента начинается ещё до начала приёма. В условиях высокой клинической нагрузки и ограниченного времени предварительный анализ медицинской документации пациента часто оказывается затруднён. Врач начинает беседу, располагая лишь фрагментарными данными из ЭМК, что может приводить к упущению важных анамнестических деталей, удлинению опроса и снижению эффективности консультации.

Чтобы устранить этот информационный разрыв, в клинике «Палитра» был реализован функционал автоматического предварительного сбора и структурирования анамнеза пациента на основе всей доступной ЭМК.

За 15–20 минут до запланированного визита система автоматически инициирует анализ электронной медицинской карты. ИИ-ассистент обрабатывает все доступные записи: протоколы прошлых осмотров, выписки, результаты обследований, сведения о госпитализациях и консультациях. На основе этого массива формируется единый структурированный предварительный анамнез, который открывается врачу в интерфейсе МИС одновременно с заполнением протокола приёма.

Структура автоматически формируемого анамнеза включает следующие разделы:

1. «Красные флаги» — тревожные симптомы, признаки острых состояний и маркеры потенциально опасных заболеваний, отмеченные в предыдущих записях.

2. Факторы риска и значимый анамнез — сведения о курении, употреблении алкоголя, профессиональных вредностях, физической активности, питании.

3. Детские болезни — систематизированную информацию о перенесённых инфекционных заболеваниях.

4. Хронические заболевания — сводные данные об активных и ремиттирующих патологиях с указанием даты установления, последней активности и текущей терапии.

5. Аллергологический анамнез — список зафиксированных аллергических реакций и непереносимостей с указанием аллергена и типа реакции.

6. Операции, госпитализации и значимые процедуры — хронологический перечень вмешательств с датами и краткими комментариями.

7. Гинекологический анамнез — для женщин.

8. Гемотрансфузионный анамнез.

9. Семейный анамнез — сгруппированные сведения о наследственных и хронических заболеваниях у ближайших родственников. Ключевое преимущество системы состоит в её динамичности.

Сформированный анамнез не является статичным отчётом. В ходе приёма врач может верифицировать предложенные системой данные, дополнять и корректировать их на основе беседы с пациентом, уточняя или добавляя сведения прямо в интерактивном интерфейсе. После завершения приёма и проверки врачом все изменения автоматически структурируются и переносятся в соответствующие разделы ЭМК, поддерживая её актуальность и полноту.

Получение врачом обобщённой структурированной информации до начала приёма имеет принципиальное значение. Это позволяет:
•    сократить до 30–40% времени, обычно затрачиваемого на рутинный сбор анамнеза;
•    снизить риск пропуска значимых данных, например сведений об аллергиях или перенесённых операциях;
•    сосредоточить консультацию на актуальных жалобах, физикальном осмотре и совместном принятии решений;
•    повысить    преемственность    помощи,    поскольку    актуализированный структурированный анамнез становится рабочим инструментом для любого специалиста, который в дальнейшем ведёт пациента.

Как ИИ-ассистент работает во время приёма

Основной функционал ИИ-ассистента раскрывается при работе с конкретным пациентом на приёме. Интерфейс взаимодействия построен максимально просто и интуитивно. После заполнения протокола осмотра врач нажимает одну кнопку — «АССИСТЕНТ». Справа, рядом с документом приёма, открывается окно интерактивного диалога. Параллельно в фоновом режиме в систему отправляется автоматически обезличенный протокол осмотра для анализа.

Через 1–1,5 минуты врач получает структурированный отчёт, включающий анализ протокола, выявленные риски, клинико-экспертные замечания и рекомендации по повышению качества клинического решения.

Структура отчёта включает пять основных блоков.
1. Резюме — краткая итоговая оценка приёма с акцентом на наличие «красных флагов».
2. Соответствие диагнозу — сопоставление жалоб, анамнеза, объективного статуса и данных обследований с поставленным диагнозом. Ассистент выявляет возможные несоответствия, оценивает вероятность корректности диагноза и предлагает направления для уточнения.
3. Соответствие стандартам — проверка выполнения обязательных требований в части диагностики, лечения и мониторинга в соответствии с клиническими рекомендациями. Система рассчитывает интегральный показатель соответствия. Если по конкретному случаю клинические рекомендации отсутствуют, анализ проводится на основе принципов доказательной медицины с использованием рекомендаций российских и международных медицинских обществ.
4. Анализ лекарственной совместимости — оценка назначений с точки зрения дозировок, противопоказаний, длительности применения, учёта возраста пациента и лекарственных взаимодействий. Система классифицирует риски, формулирует рекомендации по коррекции терапии и приводит торговые наименования препаратов к международным непатентованным наименованиям (МНН).
5. Качество ведения медицинской документации — комплексный анализ оформления протокола: полнота заполнения обязательных разделов, логическая связность, клинический стиль формулировок, корректность оформления диагноза и наличие назначений из справочника номенклатуры.

Дополнительный контур: поддержка при работе по ДМС

Особенностью системы является её применение в случаях, когда приём проводится по программе добровольного медицинского страхования (ДМС). В этом случае МИС автоматически передаёт ИИ-ассистенту релевантную информацию о страховой программе. Ассистент анализирует соответствие назначений страховым критериям и условиям программы.

Врач получает дополнительную экспертную оценку страхового случая, включая:

1. Валидацию наличия страхового случая по ДМС — проверку соответствия ситуации критериям острого состояния или обострения хронического заболевания, а также анализ объективного подтверждения диагноза.
2. Анализ назначенных и оказанных услуг по ДМС — оценку их соответствия страховому случаю и условиям программы страхования.
3. Маркировку каждой услуги по уровню страхового риска:
–  критический риск отказа в оплате;
–  условная оплата, требующая доработки;
–  соответствие условиям программы.
4. Конкретные рекомендации по доработке протокола и усилению аргументации случая для повышения вероятности оплаты.

Таким образом, ИИ-ассистент помогает не только в клиническом анализе, но и в снижении административных рисков, связанных со страховой экспертизой.

Для чего создавался ИИ-ассистент и каковы границы его применения

С самого начала в клинике было важно чётко определить роль системы.

Во-первых, ИИ-ассистент предоставляет поддержку и аналитику, а не критику. Система выявляет потенциально значимые аспекты клинической ситуации и обращает на них внимание врача. Её замечание следует рассматривать не как указание на ошибку, а как предложение альтернативного аналитического ракурса, требующего рассмотрения.

Во-вторых, ассистент не является инструментом контроля над врачом. Качество медицинской помощи по-прежнему оценивается через традиционные механизмы клинико-экспертной работы. ИИ-система дополняет, но не заменяет внутренние процессы обеспечения качества.

В-третьих, использование ассистента способствует профессиональной эволюции врача. Система берёт на себя анализ рутинных элементов протокола, освобождая ресурсы врача для экспертной интерпретации и принятия решений в тех аспектах, которые не поддаются алгоритмизации в полном объёме.

В-четвёртых, ИИ-ассистент поддерживает объективность клинического мышления. В ситуациях, когда профессиональный опыт может приводить к когнитивной предвзятости, система предлагает альтернативный взгляд и помогает сохранить аналитическую полноту.

При этом границы применения остаются принципиальными:
• ИИ-ассистент дополняет, но не заменяет клиническое решение врача.
• Все выводы системы требуют проверки и подтверждения клиническими методами.
• Прогнозы и вероятностные оценки являются предварительными и не могут служить основанием для окончательного вывода без клинической валидации.
• Окончательное решение и ответственность остаются за врачом, который руководствуется профессиональным суждением и клиническим опытом.

Статистика внедрения и использования

Функционал системы подлежит объективной оценке по показателям клинической адаптации. Ключевой метрикой является уровень активного использования врачами в реальной практике и степень интеграции в ежедневный рабочий процесс. Данные МИС позволяют оценивать это без субъективных интерпретаций.

С момента внедрения по текущую дату ИИ-ассистент использовали 112 врачей различных специальностей. Ежедневно система обрабатывает порядка 40–60 протоколов.

Эти данные свидетельствуют об успешной интеграции ИИ-ассистента в клиническую практику многопрофильного медицинского учреждения. Траектория внедрения демонстрирует типичную динамику инновационной диффузии: от ограниченной пилотной группы к быстрому росту и формированию устойчивой пользовательской базы.

Как и любое инновационное решение, система на этапе внедрения встретила ожидаемую резистентность. Были выявлены типовые возражения: сомнения в компетентности системы по сравнению с опытом врача, опасения по поводу её возможной контрольной функции, обеспокоенность конфиденциальностью данных и замечания к скорости работы.

Преодоление этих барьеров потребовало многоуровневого подхода. Наиболее убедительным аргументом стала демонстрация клинической ценности на реальных кейсах врачей-скептиков, где система выявляла упущения и повышала качество анализа. Существенную роль сыграло и чёткое позиционирование ассистента как инструмента поддержки, а не контроля. Дополнительное значение имела прозрачность в вопросах безопасности: система работает исключительно с обезличенными данными и не собирает информацию, идентифицирующую врача или пациента. Наконец, важным фактором принятия стали технические улучшения: время анализа было сокращено в четыре раза — с четырёх минут до одной.

Направления дальнейшего совершенствования

В настоящее время в клинике действует постоянная группа из 15 врачей различных специальностей, которые регулярно дают обратную связь по взаимодействию с ИИ-ассистентом. На основе этой обратной связи команда оптимизирует алгоритмы и принципы формирования ответов.

Уже реализованы следующие направления доработки:
• оптимизация структуры выводов: часть врачей предпочитает лаконичную информацию, необходимую в условиях реального приёма, другие — более полный анализ для самостоятельной экспертной оценки;
• улучшение парсинга клинической документации: система адаптируется к различным стилям врачебного изложения — от лаконичного до детального, с учётом сокращений и особенностей записей;
• обучение на сложных и граничных случаях: ситуации, в которых система показала недостаточную точность, включаются в обучающую выборку, что позволяет совершенствовать алгоритмы с учётом специфики конкретной медицинской организации.

Таким образом, врачи не только используют ИИ-ассистент, но и участвуют в его развитии. Это делает систему не внешним технологическим модулем, а частью внутренней профессиональной среды клиники.

Заключение

Путь от концепции к функционирующей системе потребовал значительных усилий. Исходная гипотеза о возможности LLM объективно оценивать качество клинических решений получила эмпирическое подтверждение. Была собрана рабочая команда, обеспечена интеграция в МИС и преодолены ключевые организационные барьеры внедрения.

Главный вывод состоит в том, что внедрение ИИ в клиническую практику — это прежде всего организационно-человеческая задача, а не только технологический проект. Эффективность ИИ-ассистента определяется не столько качеством программирования, сколько степенью его адаптации к реальности клинического процесса: временным ограничениям приёма, разнообразию стилей документирования и профессиональному уровню врача.

ИИ-ассистент работает как дополнение к клиническому суждению, а не как его замена. Именно такая модель — технология, адаптированная к врачу, а не врач, подстраивающийся под технологию, — позволяет раскрыть практический потенциал искусственного интеллекта в здравоохранении.