триаж

Компания Pelago запустила платформу, объединяющую помощь при зависимостях и психических расстройствах, с ключевым компонентом — клиническим ИИ-инструментом Sona, который проводит голосовую оценку пациентов, триаж и предоставляет когнитивно-поведенческую терапию. Два наблюдательных исследования на более чем 9000 диалогах показали снижение «плохих» дней психического здоровья на 20–25% в месяц.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года и посвящено применению больших языковых моделей (LLM) для автоматизации процесса сортировки медицинских направлений в условиях многопрофильной больницы третичного уровня. Работа рассматривает внедрение ИИ-системы для оптимизации маршрутизации пациентов между специалистами, что является актуальной задачей для снижения нагрузки на медицинский персонал и уменьшения времени ожидания консультаций. Журнал npj Digital Medicine входит в издательскую группу Nature и специализируется на исследованиях цифровых технологий в здравоохранении, что подтверждает научную значимость работы. К сожалению, в предоставленном материале отсутствуют детали методологии, конкретные метрики эффективности системы (точность сортировки, время обработки, снижение нагрузки на персонал) и результаты клинической валидации. Тема исследования высоко релевантна для практического здравоохранения, поскольку автоматизация триажа направлений может существенно улучшить организацию медицинской помощи и снизить административную нагрузку на врачей. Для полной оценки вклада исследования необходимы дополнительные данные о размере выборки, дизайне исследования и сравнении с существующими методами триажа.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный подход к оптимизации работы служб скорой помощи через использование лексического машинного обучения для анализа первичных жалоб пациентов. Методология заключается в автоматизированной обработке текстовых данных (chief complaints), поступающих от диспетчеров или пациентов, для более точной классификации состояний. Ключевым результатом является повышение точности предварительной сортировки (триажа) пациентов, что позволяет сократить время реагирования на критические вызовы. Использование NLP-моделей позволяет выявлять скрытые паттерны в описании симптомов, которые могут быть упущены человеком. Данная технология имеет высокую значимость для снижения нагрузки на системы экстренной помощи и улучшения выживаемости пациентов за счет оперативной доставки специализированных бригад. Внедрение подобных ML-моделей в протоколы диспетчерских служб является перспективным шагом для цифровой трансформации медицины катастроф.