NLP

Исследование посвящено разработке и валидации новой многоуровневой схемы аннотирования MRIRA (Medication-Related Incident Report Annotation), предназначенной для структурирования неструктурированных текстовых отчетов о медицинских ошибках. Методология включала двухфазный процесс: на первом этапе на основе 55 отчетов о происшествиях с контролируемыми препаратами была создана итеративная схема, включающая 16 типов сущностей, 11 типов событий и 9 типов отношений. Во второй фазе проводилась проверка надежности схемы на данных Национальной службы здравоохранения (NHS) с использованием метрик F1. Результаты показали высокую точность распознавания сущностей (F1 до 0.91) и извлечения связей между ними (F1 до 0.83), при этом извлечение событий показало умеренную согласованность (F1 0.62–0.72). Разработанная схема MRIRA представляет собой критически важный ресурс для создания автоматизированных NLP-инструментов, которые позволят медицинским организациям систематически анализировать причины ошибок и повышать безопасность лекарственной терапии.

Исследование, опубликованное в журнале npj Digital Medicine, посвящено практическому применению больших языковых моделей (LLM) для автоматизации процесса медицинского кодирования по стандарту МКБ-10-CM. Ключевой особенностью разработанного решения является его строгая интеграция со стандартом HL7-CDA, что обеспечивает высокую точность извлечения данных из структурированных и неструктурированных клинических документов. В ходе исследования оценивалась эффективность модели в условиях реальной клинической практики, а не только на синтетических наборах данных. Основной акцент сделан на минимизации ошибок при интерпретации сложных медицинских записей и обеспечении соответствия регуляторным требованиям. Результаты демонстрируют потенциал использования специализированных LLM для снижения административной нагрузки на врачей и повышения точности выставления счетов в медицинских учреждениях. Данная работа представляет значительный интерес для оптимизации документооборота и внедрения ИИ в операционные процессы здравоохранения.

Представлена ArcMAP — приложение, использующее модель BioLORD для автоматизации сопоставления локальных медицинских кодов со стандартными словарями в системе NHS. Система включает интерфейс для экспертной проверки и конвейер непрерывного обучения, что позволило повысить точность картирования лабораторных тестов с 37,0% до 91,6%.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено применению больших языковых моделей (LLM) для автоматизации процесса контроля качества выписных эпикризов. Традиционно оценка качества медицинских документов требует значительных временных затрат со стороны врачей, что делает ручной мониторинг неэффективным. Авторы предлагают методологию, использующую LLM для автоматического сопоставления данных в выписных документах с клиническими записями, обеспечивая высокую точность проверки полноты и корректности информации. Внедрение данного решения позволяет масштабировать проекты по улучшению качества медицинской документации без увеличения нагрузки на персонал. Результаты демонстрируют, что использование ИИ значительно сокращает время на аудит документов, сохраняя при этом уровень точности, сопоставимый с экспертной оценкой человека. Это имеет критическое значение для повышения безопасности пациентов и оптимизации документооборота в современных медицинских учреждениях.

Исследование оценивает эффективность использования архитектуры Transformer для анализа эмоционального состояния пациентов в ходе психотерапии. Авторы обнаружили, что извлеченные признаки тональности речи коррелируют с клиническими показателями дистресса и могут служить дополнительным инструментом для выявления пациентов с риском ухудшения состояния или прекращения лечения.

Исследователи предложили ансамблевую модель на базе LLaMA-3 и GPT-4o mini для автоматического извлечения данных о регуляторных сетях бактерий из научных текстов. Метод показал высокую точность (F1-score > 0.87) и позволил реконструировать сеть для Salmonella Typhimurium на основе более чем 2000 статей.

Компания Bercut, входящая в ИТ-кластер «Ростелекома», анонсировала запуск нового продукта AI Data Fabric, предназначенного для интеграции больших языковых моделей (LLM) в корпоративную среду. Решение фокусируется на создании автономных ИИ-агентов и обеспечении бесшовного доступа к структурированным и неструктурированным данным внутри организаций. Методология продукта базируется на концепции Data Fabric, что позволяет объединить разрозненные источники данных для обучения и дообучения моделей без необходимости их физического перемещения. Ключевой особенностью является поддержка безопасного развертывания моделей внутри контура заказчика, что критически важно для соблюдения требований по защите персональных данных. Внедрение AI Data Fabric позволяет компаниям автоматизировать сложные аналитические процессы и повысить точность ответов ИИ-ассистентов за счет актуальной контекстной информации. Продукт ориентирован на масштабируемость и может быть адаптирован под специфические нужды различных отраслей, включая здравоохранение, где требуется высокая точность обработки медицинских записей.

Российская языковая модель «ГигаЧат» получила масштабное обновление, расширив свои возможности в области многоязычного понимания и генерации текста. Теперь ИИ-помощник поддерживает более 30 языков, включая языки народов России и стран СНГ, что значительно повышает доступность технологий для различных этнических групп. Основное внимание при разработке было уделено улучшению качества лингвистических конструкций и точности передачи контекста на менее распространенных языках. Это обновление позволяет использовать нейросеть для локализации контента, автоматического перевода и создания персонализированных текстовых ответов в многоязычной среде. Технология имеет высокую значимость для развития цифровой инклюзивности и интеграции ИИ в региональные сервисы коммуникации. Внедрение таких языковых мощностей открывает новые возможности для автоматизации поддержки пользователей и образовательных проектов в мультикультурных регионах.

Данное исследование представляет собой комплексный систематический обзор и создание экспериментального бенчмарка для оценки качества медицинских записей, генерируемых моделями искусственного интеллекта. Авторы анализируют существующие методологии оценки, разделяя их на автоматизированные метрики и экспертную оценку врачами. В работе исследуется проблема несоответствия между стандартными NLP-метриками (такими как ROUGE или METEOR) и реальной клинической точностью, необходимой для безопасного ведения документации. Исследователи предлагают новый бенчмарк, который позволяет более объективно тестировать LLM на предмет галлюцинаций и полноты передачи медицинских фактов. Результаты подчеркивают, что текущие автоматизированные методы часто не способны уловить критические медицинские нюансы, что делает необходимым внедрение специализированных клинических оценочных фреймворков. Работа имеет высокую практическую значимость для разработчиков медицинских ИИ-систем, стремящихся к стандартизации качества генеративного контента.

Исследование ClinicRealm представляет собой сравнительный анализ эффективности больших языковых моделей (LLM) и традиционных методов машинного обучения для задач клинического прогнозирования, не требующих генерации текста. Авторы пересматривают актуальность применения LLM в клинической практике, где требуется точность предсказаний, а не креативность. Методология включает бенчмаркинг различных моделей на реальных клинических наборах данных с использованием метрик точности, чувствительности и специфичности. Ключевой вывод работы заключается в том, что для многих негенеративных задач традиционные алгоритмы (логистическая регрессия, градиентный бустинг, SVM) могут превосходить LLM по точности при меньших вычислительных затратах. Исследование подчёркивает необходимость критической оценки целесообразности использования ресурсоёмких LLM в клинических системах. Результаты имеют практическое значение для выбора архитектуры моделей в медицинских приложениях, где важны интерпретируемость и воспроизводимость. Работа публикуется в npj Digital Medicine — ведущем рецензируемом журнале в области цифрового здравоохранения.

Исследование представляет собой разработку системы искусственного интеллекта, предназначенной для автоматического обнаружения признаков психиатрических кризисов в текстовых сообщениях пользователей. Авторы создали специализированный датасет для обучения моделей машинного обучения, содержащий размеченные примеры текстовых диалогов с идентифицированными кризисными состояниями. Методология включает использование современных подходов глубокого обучения, включая трансформерные архитектуры, адаптированные для анализа психологического контекста сообщений. Система работает как «guardrail» (защитный барьер), который может предупреждать о потенциальных рисках самоповреждения или суицидальных намерений в реальном времени. Исследование опубликовано в ведущем журнале npj Digital Medicine (Nature Portfolio), что подтверждает научную строгость работы. Практическая значимость заключается в возможности интеграции такой системы в чат-боты, платформы психологической помощи и системы мониторинга ментального здоровья. Ключевые результаты включают оценку точности модели и анализ этических аспектов применения ИИ в чувствительных сферах психиатрической помощи.

В Санкт-Петербурге разработана система ИИ-администратора для медицинских клиник и стоматологий, предназначенная для автоматизации обработки обращений пациентов. Система направлена на снижение нагрузки на фронт-офис медицинских учреждений и оптимизацию процессов записи и обработки запросов. Технология использует искусственный интеллект для распознавания и маршрутизации обращений, что позволяет сократить время ожидания пациентов и повысить эффективность работы административного персонала. Продукт ориентирован на интеграцию с существующими системами записи в медицинских организациях, обеспечивая круглосуточную доступность для пациентов. Разработка представляет собой практическое применение NLP и автоматизации в сфере управления медицинскими учреждениями. Решение может быть масштабировано на другие города и типы медицинских организаций, что расширяет возможности цифровизации российского здравоохранения. Проект демонстрирует тренд на внедрение ИИ-решений для оптимизации административных процессов в медицине, а не только для клинических задач.

Компания Corti представила новую агентную модель Symphony для автоматического медицинского кодирования, которая, по заявлению разработчиков, превосходит модели OpenAI, Anthropic, Amazon, Oracle и Google более чем на 25% по показателям клинической точности. Модель была оценена на двух широко используемых бенчмарках и дополнительно валидирована на реальных клинических данных. Медицинское кодирование — критически важный процесс в здравоохранении, связывающий клинические записи с биллинговыми системами и страховыми выплатами. Использование агентных моделей в этой области позволяет автоматизировать извлечение медицинских терминов из клинических записей и сопоставление их со стандартизированными кодами. Клиническая точность выше на 25% означает существенное снижение ошибок кодирования, что напрямую влияет на финансовую стабильность медицинских учреждений и качество отчётности. Валидация на реальных данных подтверждает практическую применимость решения в рабочих условиях больниц и клиник. Технология может быть особенно полезна для крупных медицинских систем, где объём документации требует высокой точности обработки. Развитие таких инструментов снижает административную нагрузку на медицинский персонал и позволяет сосредоточиться на непосредственной помощи пациентам.

Компания Ensemble Partners, занимающаяся медицинским администрированием, объявила о партнёрстве с Cohere для разработки первой в отрасли языковой модели, специально обученной для управления финансовыми процессами в здравоохранении (Revenue Cycle Management - RCM). ИИ-решение направлено на автоматизацию обработки страховых претензий, снижение количества отказов в выплатах (denials) и оптимизацию финансовых рабочих процессов медицинских учреждений. Технология использует large language model (LLM) для понимания и обработки медицинской документации, кодов диагностики и кодирования процедур, что критически важно для успешного прохождения страховых выплат. Внедрение таких систем позволяет медицинским организациям сократить административные расходы и улучшить cash flow, что особенно актуально в условиях растущих операционных затрат. Партнёрство объединяет экспертизу Ensemble в области медицинского администрирования с технологическими возможностями Cohere в области NLP, создавая специализированное решение для индустрии. Рынок ИИ в медицинском администрировании демонстрирует рост по мере того как организации ищут способы снизить операционные издержки и повысить эффективность финансовых операций.

Исследование оценило надежность ChatGPT в предоставлении информации о синдроме поликистозных яичников (СПКЯ). Медицинские работники из 14 стран оценили ответы ChatGPT выше, чем доказательные онлайн-рекомендации, по 11 из 12 вопросов. AI демонстрирует потенциал как вспомогательный инструмент для самообразования пациентов.

Статья представляет обзор применения больших языковых моделей в управлении качеством европейского здравоохранения, фокусируясь на автоматизации административных процессов и обеспечении соответствия регуляторным требованиям. Исследование выявляет значительный потенциал для повышения эффективности документооборота и аудита, однако подчеркивает отсутствие регуляторного одобрения для LLM-систем управления качеством и необходимость адаптации методологий валидации.

Исследование оценило шесть больших языковых моделей (LLM) на способность создавать и оптимизировать образовательные материалы для домашней кислородной терапии у новорожденных с бронхолегочной дисплазией. Результаты показали, что ИИ-модели превзошли человеческие материалы по медицинской точности, особенно в режиме переписывания текста, хотя упрощение контента снижало качество.

Исследование применяет методы машинного обучения для классификации пациентов с боковым амиотрофическим склерозом (БАС) против контрольной группы на основе данных смешанных анкет, содержащих как структурированные переменные, так и свободный текст. Разработана утечка-свободная ML-пайплайн с LLM-экстракцией текста в таблицу и компактным лонгитюдным кодированием. Сравнены три конфигурации признаков: Pool1 (только структурированные данные), Pool2 (добавлены компактные суммарные признаки из первого временного пункта), Pool3 (дополнены описаниями изменений между T1 и T2). В итоговой конфигурации Pool3 Random Forest достиг точности 0.673, F1-взвешенного показателя 0.666 и коэффициента корреляции Мэттьюса 0.323 на holdout-тесте. Кросс-валидация показала F1-weighted 0.654 и MCC 0.312. Анализ ablation показал, что удаление компактного временного блока значительно снижает производительность, тогда как удаление текстового блока почти не влияет. Вывод: в малых клинических когортах ценность языковой обработки заключается не в статических признаках, а в компактном представлении лонгитюдных траекторий изменений.

Статья о применении искусственного интеллекта для автоматизации набора пациентов в клинические испытания. AI-системы анализируют неструктурированные медицинские записи для выявления подходящих участников, превращая рекрутинг из реактивного в проактивный процесс.