NLP

Компания Doctronic, работающая на базе искусственного интеллекта в сфере первичной медицинской помощи, объявила о приобретении виртуальной педиатрической платформы Summer Health. Doctronic использует ИИ-платформу для анализа симптомов пациентов и формирования планов лечения на основе рецензируемых исследований, а также предлагает видеоконсультации с врачами за $39. За два года платформа обслужила более 30 миллионов медицинских обращений во всех 50 штатах США. Summer Health, основанная в 2022 году, специализируется на текстовой педиатрической помощи и обработала свыше 100 000 детских обращений по вопросам лихорадки, питания, медикаментов, сна и развития. Ключевая ценность сделки — доступ Doctronic к уникальному датасету из 100 000 педиатрических текстовых сообщений, который позволит обучить более точные ИИ-модели для детской медицины. Основатель Summer Health Эллен Дасильва войдёт в команду Doctronic как старший вице-президент по партнёрствам. Объединение платформ создаст комплексную ИИ-ориентированную систему здравоохранения для всей семьи — от рождения до взрослого возраста, обеспечивая доступ к качественной педиатрической помощи вне традиционных часов приёма.

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.

Статья посвящена актуальной проблеме внедрения больших языковых моделей (LLM) в клиническую практику. Основное внимание уделено вопросу доверия врачей к ИИ-чат-ботам и методологии оценки их безопасности и точности. Разработчики медицинских ИИ-инструментов заявляют, что существующие подходы к бенчмаркингу имеют серьёзные недостатки и не отражают реальные клинические условия. Поднимается проблема конкуренции между различными LLM за внимание медицинского сообщества. Статья исследует напряжённость между быстрым внедрением технологий и необходимостью доказательной валидации. Особый акцент сделан на том, что текущие стандарты оценки могут не соответствовать специфике медицинских задач. Материал важен для понимания барьеров на пути интеграции ИИ в здравоохранение и необходимости разработки более релевантных метрик оценки.

Еженедельный дайджест ключевых событий в области применения искусственного интеллекта в российском и мировом здравоохранении. В обзоре представлены четыре основные темы: утверждение российского закона о поддержке развития ИИ-технологий, что создаёт правовую базу для внедрения искусственного интеллекта в медицинскую отрасль; запуск пилотного проекта цифрового сервиса на основе ИИ в Московской области для улучшения доступности медицинской помощи; заключение многолетнего стратегического соглашения между контрактной исследовательской организацией ICON и компанией Anthropic о внедрении языковой модели Claude в процессы клинических исследований для ускорения разработки лекарств; публикация эталонного бенчмарка от компании Insilico Medicine для оценки ИИ-моделей в фармацевтике и биотехнологиях. Материал охватывает регуляторные, практические и исследовательские аспекты применения ИИ в медицине.

Исследование посвящено применению моделей машинного обучения для анализа эмоционального состояния пациентов на онлайн-форумах поддержки онкологических больных. Авторы провели бенчмарк классических, рекуррентных и трансформерных моделей для четырёхклассовой ординальной классификации тональности, используя датасет Mental Health Insights—Vulnerable Cancer Patients объёмом 10 392 записи. Модели оценивались по взвешенному F1-мере, макро AUC one-vs-rest и класс-специфичным метрикам на разбиении 60/20/20. Наилучшие результаты показала модель ALBERT с взвешенным F1 0,7667 и макро AUC 0,931, BioBERT продемонстрировал близкие показатели (F1 0,7613, AUC 0,917) с несколько более высокой полнотой для класса «очень негативный» (0,8019 против 0,7736). Анализ ошибок выявил, что ошибки трансформеров концентрируются вокруг ординальных границ решений, а остаточные ошибки положительного класса имеют операционную важность для рабочих процессов поддержки. Исследование поддерживает использование тонкой настройки трансформеров как компонента систем поддержки решений для мониторинга уязвимых пациентов, подчёркивая необходимость калибровки, прозрачного анализа ошибок и человеческого надзора вместо автономной клинической оценки.

Статья опубликована в рецензируемом журнале npj Digital Medicine 1 августа 2026 года и посвящена применению искусственного интеллекта в области психического здоровья молодёжи. Исследование фокусируется на чат-ботах с ИИ и их роли в оценке, мониторинге и профилактике суицидального риска среди подростков и молодых взрослых. Работа представляет собой аналитический обзор текущего состояния доказательной базы в этой быстро развивающейся области. Авторы систематически идентифицируют критические пробелы в существующих исследованиях, включая вопросы валидации алгоритмов, этические аспекты и клиническую интеграцию. На основе выявленных проблем предлагается структурированная повестка для будущих клинических исследований и регуляторных инициатив. Тема имеет высокую практическую значимость в контексте растущего использования ИИ-ассистентов в здравоохранении и телемедицине. Предоставленный фрагмент содержит метаданные публикации без доступа к полному тексту, что ограничивает возможность детального анализа конкретной методологии и числовых результатов исследования.

Исследование представляет MedKGent — новый фреймворк на основе большой языковой модели (LLM) для автоматизированного построения медицинских карт знаний (knowledge graphs), которые эволюционируют во времени. Система использует агентный подход, где специализированные ИИ-агенты извлекают, верифицируют и связывают медицинские понятия из научной литературы и клинических данных, создавая динамическую структуру знаний. Методология включает многоагентную архитектуру с разделением задач: одни агенты отвечают за извлечение сущностей, другие — за установление временны́х зависимостей между медицинскими событиями, третьи — за валидацию связей. Ключевое преимущество подхода — способность отслеживать изменения медицинских знаний во времени, что критически важно для актуализации клинических рекомендаций и поддержки принятия решений. Фреймворк демонстрирует потенциал для применения в системах клинической поддержки, автоматическом обновлении медицинских онтологий и исследовании эволюции медицинских концепций. Работа опубликована в рецензируемом журнале npj Digital Medicine, что подтверждает научную значимость исследования для цифровизации здравоохранения.

HOPPR представила фундаментальную модель HOPPR EF Chest CT Narrative, которая обрабатывает 3D-объёмы КТ грудной клетки и генерирует текстовые описания характеристик изображений across лёгких, сердца, аорты и других структур. Модель обучена на данных из множественных клинических центров США с акцентом на редкие но серьёзные состояния (эмболия лёгочной артерии, пневмоторакс, переломы рёбер) и доступна через HIPAA-совместимую инфраструктуру HOPPR AI Foundry.

Статья опубликована в ведущем журнале npj Digital Medicine и посвящена сравнению метрик обработки естественного языка (NLP) для анализа речевых паттернов у пациентов с психозом across multiple languages. Исследование направлено на оценку эффективности различных NLP-подходов для выявления языковых маркеров психотических расстройств в мультиязычной среде. Методология включает бенчмаркинг существующих алгоритмов машинного обучения на кросс-лингвистических датасетах пациентов с психозом. Результаты имеют прямое практическое значение для разработки диагностических инструментов на основе ИИ в психиатрии, позволяющих преодолевать языковые барьеры. Работа способствует стандартизации NLP-метрик для ментального здоровья и может ускорить внедрение автоматизированных систем скрининга психотических расстройств в клиническую практику. Публикация актуальна для исследователей в области цифровой психиатрии и разработчиков медицинских AI-решений.

Компания Guardoc Health использует модели Amazon Nova через Bedrock для автоматизации обработки миллионов клинических документов в учреждениях длительного ухода. Внедрение RAG-архитектуры и инструментов Amazon позволило снизить количество ошибок в документации на 46% и сократить расходы на штрафы при аудитах на 70%.

В данном исследовании, опубликованном в журнале npj Digital Medicine, рассматривается потенциал использования больших языковых моделей (LLM) для раннего обнаружения признаков психотических расстройств. Авторы анализируют способность нейросетей интерпретировать лингвистические паттерны, которые могут указывать на когнитивные и семантические изменения, характерные для начальных стадий психоза. Методология включает тестирование различных архитектур LLM на наборах данных, содержащих текстовые репрезентации речи пациентов. Ключевым результатом является демонстрация высокой точности моделей в дифференциации между контрольной группой и лицами с высоким риском развития психоза. Исследование подчеркивает значимость автоматизированного анализа речи как неинвазивного инструмента скрининга в психиатрической практике. Полученные данные открывают путь к созданию систем поддержки принятия врачебных решений, способных выявлять риски на ранних этапах, когда терапевтическое вмешательство наиболее эффективно.

Парижская технологическая компания Nabla, специализирующаяся на разработке систем Ambient Scribe (фонового медицинского документирования), объявила о назначении Брайана Мэннинга на должность нового генерального директора. В условиях стремительно растущего и высококонкурентного рынка ИИ-ассистентов для врачей, компания ставит целью расширение своей рыночной доли. Основной фокус стратегии под руководством Мэннинга будет направлен на масштабирование продукта, который использует технологии распознавания речи и обработки естественного языка (NLP) для автоматического создания медицинских записей во время приема пациента. Это решение призвано снизить административную нагрузку на медицинский персонал и предотвратить выгорание врачей. Данное назначение знаменует важный этап в развитии Nabla как ключевого игрока в сегменте медицинских ИИ-решений для автоматизации документооборота.

В исследовании представлена инновационная модель JRadiEvo, предназначенная для автоматической генерации медицинских отчетов на основе радиологических изображений на японском языке. Основная научная новизна заключается в применении метода эволюционной оптимизации для процесса слияния (model merging) нескольких специализированных нейросетевых архитектур. Авторы предложили алгоритм, который позволяет найти оптимальные весовые коэффициенты при объединении моделей, что минимизирует потерю специфических знаний каждой из них. Использование данного подхода позволяет значительно повысить точность интерпретации медицинских снимков и естественность языка в текстовых заключениях. Результаты демонстрируют превосходство JRadiEvo над существующими базовыми моделями в задачах генерации медицинского текста. Данная технология имеет высокую практическую значимость для автоматизации работы рентгенологов и снижения нагрузки на медицинский персонал в Японии.

Исследование оценивает способность восьми различных LLM генерировать вопросы и ответы для медицинских экзаменов на основе реальных данных ЭМК. Результаты показали, что модели (особенно ERNIE 4) могут достигать высокой точности информации, сопоставимой с экспертами, что делает их перспективным инструментом для медицинского обучения.

Исследование посвящено разработке аннотированного корпуса из 2040 выписных эпикризов для автоматического обнаружения гериатрических синдромов с помощью NLP. Сравнительный анализ показал высокую эффективность моделей BERT-cased и BioClinicalBERT в задачах распознавания именованных сущностей (NER) и классификации документов.

Исследование оценивает гибридную систему на базе LLM и нейросимволического ИИ для автоматизации документации при лечении возрастной макулярной дегенерации. Система показала точность извлечения данных до 98,3% и сократила время на ведение документации на 88%, значительно снижая административные расходы.

Исследование оценивает возможность использования расхождений между различными системами автоматического распознавания речи (ASR) для выявления ошибок в медицинских транскриптах. Результаты показывают, что низкий уровень согласия между моделями эффективно локализует зоны неопределенности, позволяя человеку сосредоточиться на критических участках текста.

Исследование посвящено использованию модели BioBERT для автоматической маркировки поведенческих признаков аутизма согласно критериям DSM-5. Установлено, что описания от родителей (lay narratives) обладают высокой диагностической ценностью, сопоставимой с клиническими записями, и могут быть интегрированы в рабочий процесс для ускорения диагностики.

Исследование посвящено изучению направленности трансфера знаний между моделями естественного языка (LLM) и биологическими фундаментальными моделями (например, ESM-2, ProtBERT). Авторы проверяют гипотезу о симметричности переноса структурных закономерностей, сравнивая перенос из языка в биологию и наоборот. В ходе экспериментов было установлено, что перенос знаний является асимметричным: языковые модели демонстрируют высокую эффективность при переходе к задачам распознавания гомологии белков (off-domain drop всего 0.08), в то время как биологические модели показывают слабую способность к адаптации под задачи языка (drop 0.36). Исследование показало, что масштабирование моделей не устраняет этот разрыв, а лишь увеличивает его: при росте параметров перенос из языка в биологию усиливается, тогда как обратный процесс стремится к случайным результатам. Результаты работы раскрывают фундаментальную направленность обучения моделей и доказывают, что общие структурные регулярности последовательностей не гарантируют симметричного переноса представлений. Данное открытие критически важно для разработки будущих мультимодальных моделей в биомедицине.