NLP

Компания Suki, специализирующаяся на голосовых помощниках для врачей, представила новую функцию «Ask», предназначенную для клинической поддержки принятия решений. Данная интеграция использует API UpToDate AI от издательства Wolters Kluwer, что позволяет получать ответы, основанные на доказательной медицине и проприетарном контенте UpToDate. Функция встроена непосредственно в рабочие процессы медицинских работников, обеспечивая быстрый доступ к актуальной информации без необходимости переключения между приложениями. Это решение направлено на снижение когнитивной нагрузки на врачей и минимизацию риска врачебных ошибок за счет предоставления проверенных данных в реальном времени. Интеграция демонстрирует тренд на внедрение генеративного искусственного интеллекта в повседневную клиническую практику для улучшения качества оказания медицинской помощи. Технология позволяет врачам задавать вопросы в естественной форме и получать структурированные ответы, соответствующие текущим клиническим рекомендациям. Партнерство с Wolters Kluwer подчеркивает важность достоверности источников при использовании ИИ в чувствительных медицинских сферах. Запуск функции расширяет возможности платформы Suki, превращая ее из простого инструмента транскрипции в комплексную систему поддержки принятия решений.

В статье рассматривается применение моделей на архитектуре Transformer в кардиологии для анализа ЭКГ, медицинских изображений и электронных карт. Авторы критически оценивают трансляционные ограничения, такие как качество данных и валидация, и определяют приоритеты для внедрения ответственного ИИ в клиническую практику.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, представлена инновационная методология генерации истории настоящего заболевания (HPI) для пациентов с гипертиреозом с применением мультиагентной системы на базе больших языковых моделей (LLM) и технологии поиска с дополнением (RAG). Ключевой проблемой, которую решает данная работа, является снижение уровня «позитивных фактических галлюцинаций» — ситуаций, когда ИИ генерирует правдоподобные, но неверные медицинские утверждения, что критически важно для безопасности пациентов. Авторы разработали архитектуру, в которой несколько специализированных агентов взаимодействуют для извлечения данных, проверки фактов и формирования итогового текста, используя внешние базы знаний через RAG для верификации клинических параметров. Методология позволяет существенно повысить точность и достоверность автоматически сгенерированных медицинских записей по сравнению с традиционными одноагентными подходами. Результаты исследования демонстрируют значительное улучшение качества текста и снижение количества фактических ошибок, что делает систему пригодной для интеграции в клиническую практику для автоматизации документирования. Это исследование вносит важный вклад в развитие надежных ИИ-инструментов для обработки естественного языка в медицине, особенно в контексте сложных эндокринных заболеваний. Работа подчеркивает необходимость строгого контроля за фактологической точностью при использовании генеративного ИИ в здравоохранении.

В статье, опубликованной в журнале npj Digital Medicine 6 октября 2026 года, представлен новый метод применения искусственного интеллекта для усиления фармаконадзора с использованием базы данных сообщений о побочных эффектах FDA (FAERS). Исследование фокусируется на разработке калиброванной модели машинного обучения, способной более точно выявлять и классифицировать потенциальные сигналы о нежелательных лекарственных реакциях, минимизируя уровень ложноположительных результатов. Авторы применяют передовые алгоритмы обработки естественного языка (NLP) для анализа неструктурированных текстовых отчетов, что позволяет извлекать скрытые паттерны и корреляции между препаратами и побочными эффектами, которые часто упускаются при традиционном ручном анализе. Ключевым нововведением является внедрение механизма калибровки вероятностей, который обеспечивает надежную оценку неопределенности предсказаний модели, что критически важно для принятия клинических решений и регуляторных выводов. Результаты демонстрируют значительное улучшение показателей точности и полноты (precision и recall) по сравнению с существующими базовыми методами, что подтверждает эффективность подхода в реальных условиях мониторинга безопасности лекарств. Данный инструмент может быть интегрирован в рабочие процессы регуляторных органов и фармацевтических компаний для ускорения выявления рисков и повышения качества данных о безопасности препаратов на этапе постмаркетингового наблюдения.

В исследовании, опубликованном в журнале npj Digital Medicine 6 октября 2026 года, представлена методология извлечения количественных метрик из текстовых нарративов пациентов с хронической боли с использованием больших языковых моделей (LLM). Авторы демонстрируют конвергентную валидность этих новых метрик, показывая их сильную корреляцию с традиционными клиническими шкалами оценки боли и психологического состояния. Исследование выявляет и валидирует новые когнитивные конструкты, которые ранее не могли быть надежно измерены стандартными опросниками, но которые существенно влияют на восприятие боли и качество жизни пациентов. Методология включает обработку естественного языка (NLP) для анализа открытых ответов пациентов, что позволяет выявлять сложные паттерны мышления, эмоциональные состояния и когнитивные искажения. Результаты подтверждают, что LLM-анализ текстовых данных может служить мощным дополнением к клинической практике, обеспечивая более глубокое и персонализированное понимание состояния пациента. Это открытие имеет значительный потенциал для улучшения диагностики, мониторинга эффективности лечения и разработки индивидуальных стратегий терапии хронической боли. Исследование закладывает основу для интеграции текстового анализа на базе ИИ в рутинную клиническую оценку, повышая точность и глубину медицинской интерпретации субъективных жалоб пациентов.

Группа исследователей представила в журнале Nature новую систему OncoTagger, предназначенную для автоматизированного мониторинга и структурирования научной литературы, посвященной применению искусственного интеллекта в онкологии. Система работает на уровне аннотаций и способна анализировать десятки тысяч публикаций, классифицируя их по множеству параметров: решаемым клиническим задачам, типам онкологических заболеваний, используемым методам ИИ, географическому происхождению исследований, а также применяемым метрикам эффективности. Для валидации и тестирования алгоритма была использована обширная выборка, состоящая из 59 900 англоязычных научных работ, опубликованных в базе Web of Science Core Collection (WoSCC) в период с 2019 по 2025 год. Разработка решает критическую проблему информационного шума и фрагментации данных в быстро растущей области на стыке машинного обучения и медицины, позволяя исследователям и клиницистам эффективно отслеживать актуальные тренды и находить релевантные исследования. OncoTagger демонстрирует способность обрабатывать большие объемы неструктурированных текстовых данных, что делает ее мощным инструментом для систематических обзоров и мета-анализов в онкологии. Внедрение подобных систем может значительно ускорить процесс трансляции научных открытий в клиническую практику, сокращая время на поиск и оценку новых методов диагностики и лечения. Система открывает возможности для более глубокого понимания того, какие именно аспекты ИИ-технологий получают наибольшее внимание в научном сообществе и где существуют пробелы в исследованиях.

В статье представлен метод ddkg.skill — агентский навык для больших языковых моделей (LLM), предназначенный для корректного запроса к сложным биомедицинским графам знаний, в частности к DDKG (Data Distillery Knowledge Graph) NIH. Несмотря на то что заголовок ссылается на алгоритм MOSAIC для обучения встраиваний узлов графа через спектральный анализ операторов диффузии, основной практический вклад работы заключается в интеграции LLM с биомедицинскими данными. Система использует контроллер, библиотеку специфичных для DDKG справочных материалов, структурированные таблицы и валидированные шаблоны запросов, чтобы направлять ИИ через процессы разрешения сущностей, проверки графа и построения запросов Cypher. Оценка проводилась на версии DDKG от декабря 2025 года: в тесте из семи случаев пять запросов к источникам, отсутствующим в примерах, были выполнены корректно. Разработанная система обеспечивает версионированный и переносимый способ передачи общих ИИ-системам практических знаний о сложных биомедицинских графах, что позволяет выполнять сложные задачи интеграции данных, такие как поиск пересечений геномных данных или связь фенотипов с клиническими базами, минимизируя ошибки в синтаксисе и семантике запросов.

Исследователи из NYU Langone Health разработали систему на базе ИИ (с использованием ChatGPT-4o), которая анализирует ежедневные клинические отчеты ординаторов по радиологии. Инструмент выявляет пробелы в их практике и автоматически подбирает целевые учебные случаи для восполнения недостающего опыта, что повышает эффективность персонализированного обучения.

В исследовании представлен новый элементно-аннотированный набор данных SPIRIT-CONSORT-ELM, разработанный специально для обучения и оценки больших языковых моделей (LLM) в контексте проверки качества отчетности рандомизированных контролируемых испытаний (РКИ). Авторы применяют передовые методы обработки естественного языка для автоматизированного анализа текстов клинических исследований на соответствие стандартам SPIRIT (протоколы) и CONSORT (отчеты). Методология включает детальную разметку текстовых элементов на уровне предложений и абзацев, что позволяет LLM точно идентифицировать наличие или отсутствие ключевых компонентов отчетности. Ключевые результаты демонстрируют высокую эффективность предложенного подхода: модель показывает значительное улучшение метрик точности и полноты по сравнению с базовыми методами ручного или полуструктурированного анализа. Это решение способно существенно сократить время, необходимое рецензентам и редакторам журналов для проверки соответствия публикаций международным стандартам. Внедрение таких инструментов в редакционные процессы может повысить прозрачность и надежность клинических данных, снижая риск публикации исследований с неполной или искаженной информацией. Работа закладывает основу для создания надежных систем поддержки принятия решений в научной коммуникации и медицинской этике.

Статья представляет новую архитектуру R-GCRED, использующую большие языковые модели (LLM) и онтологически направленный поиск для извлечения клинически значимых симптомов из текстовых нарративов. Система обеспечивает прозрачность за счет верификации доказательств, калибровки вероятностей и моделирования рекомендаций с учетом неопределенности, демонстрируя высокие метрики на бенчмарках DAIC-WOZ и CLEF eRisk.

Статья обсуждает применение технологии «vibe coding» (генерация кода через естественный язык с помощью ИИ) для устранения административных барьеров в здравоохранении, в частности в стоматологии. Описывается, как ИИ позволяет медицинскому персоналу самостоятельно создавать инструменты для оптимизации рабочих процессов, сокращая время на разработку и снижая нагрузку на врачей.

В статье представлена разработка EyeSeek — специализированной большой языковой модели (LLM), предназначенной для использования в первичной офтальмологической помощи. Основная цель системы заключается в двух направлениях: автоматизированном скрининге уровня медицинской грамотности пациентов и непосредственном улучшении этой грамотности через адаптивное взаимодействие. Модель обучена на специализированных медицинских данных, что позволяет ей точно оценивать понимание пациентами информации о здоровье глаз и предоставлять персонализированные разъяснения. Использование LLM в данном контексте демонстрирует высокий потенциал для снижения барьеров коммуникации между врачами и пациентами, особенно в условиях дефицита времени на приеме. Исследование подчеркивает важность интеграции современных технологий обработки естественного языка в клиническую практику для повышения качества обслуживания. Результаты работы указывают на то, что EyeSeek может стать эффективным инструментом для оптимизации процессов информирования пациентов и улучшения исходов лечения за счет повышения их осведомленности. Статья опубликована в авторитетном журнале npj Digital Medicine, что подтверждает научную обоснованность и новизну подхода.

Авторы предлагают рассматривать не просто вывод модели, а всю конфигурированную систему ответа (LLM, выбор источников, интерфейс, маршрутизацию действий) как единицу оценки ИИ в здравоохранении. Вводится понятие «синтетического контроля», подчеркивающее, что организационные факторы и архитектура интеграции могут влиять на то, как медицинская информация превращается в действия, даже при идентичном контенте.

В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена клиническая оценка эффективности использования больших языковых моделей (LLM) для автоматической генерации выписных эпикризов у пациентов с длительными сроками госпитализации. Авторы фокусируются на «клиентоцентричном» подходе, оценивая качество, точность и полезность сгенерированных текстов непосредственно со стороны лечащих врачей, что является критически важным аспектом внедрения ИИ в рутинную клиническую практику. Исследование демонстрирует, как ИИ-инструменты могут снижать административную нагрузку на медицинский персонал и минимизировать риск выгорания врачей, занимаясь рутинным документированием. Ключевые результаты включают анализ соответствия сгенерированных выписок клиническим стандартам и выявление специфических ошибок или упущений, характерных для LLM в контексте сложных случаев с длительным пребыванием в стационаре. Работа подчеркивает необходимость тщательной валидации ИИ-генерации медицинских документов перед их интеграцией в электронные медицинские карты, обеспечивая баланс между автоматизацией и безопасностью пациента. Полученные данные имеют высокую значимость для разработки протоколов использования NLP-технологий в стационарной помощи, особенно в условиях нехватки кадров и роста объема документации.

Компания AKASA, специализирующаяся на медицинских технологиях, запустила автономную ИИ-платформу, предназначенную для автоматизации процессов медицинского кодирования в стационарах и обеспечения целостности клинической документации (CDI — Clinical Documentation Integrity). Платформа использует искусственный интеллект для автоматического извлечения и кодирования диагнозов и процедур из медицинской документации, что является частью более широкой стратегии компании по внедрению ИИ в процессы управления выручкой (revenue cycle management) медицинских учреждений. Медицинское кодирование — критически важный процесс, от точности которого зависят страховые возмещения и финансовая устойчивость больниц, при этом традиционно требующий значительного ручного труда кодировщиков. AKASA позиционирует своё решение как автономное, то есть способное выполнять задачи кодирования без постоянного вмешательства человека, что потенциально может снизить операционные расходы и ускорить оборот документов. Детали архитектуры модели, точность алгоритмов и результаты пилотных внедрений в предоставленном тексте не раскрываются.

В исследовании представлена концептуальная платформа Symptio на базе многоагентных LLM, предназначенная для автоматизированного сбора структурированного анамнеза пациента до консультации с врачом. Система продемонстрировала высокую точность (F1 98.79%) при генерации анамнеза по медицинским фреймворкам (SOCRATES, SAMPLE и др.) в 100 симулированных сценариях, подтвердив техническую возможность переноса рутинного сбора информации на досмотровый этап с обязательной валидацией врачом.

Статья исследует влияние генеративного искусственного интеллекта на профилактику употребления психоактивных веществ, анализируя, как алгоритмы переопределяют концепцию уязвимости. Автор формулирует гипотезу трансформации уязвимости, утверждая, что ИИ-системы сводят структурные проблемы к индивидуальным атрибутам, что может смещать фокус с системных изменений на персонализированные вмешательства.

В статье представлен метод GroundAnnot, направленный на решение проблемы галлюцинаций больших языковых моделей (LLM) при биологической аннотации генов. Исследователи разработали клиентское ПО, которое интегрируется с популярными бэкендами обогащения (PANTHER, Enrichr, g:Profiler) и накладывает строгие ограничения на вывод моделей: LLM может использовать только те идентификаторы терминов Gene Ontology (GO) и их метки, которые реально возвращены бэкендом. Эксперименты с тремя моделями (Qwen2.5-7B, Qwen3.8-27B и GPT-OSS-120B) на наборах генов заболеваний показали, что без ограничений валидность обогащения составляла всего 15,3–35,1%. Ключевой вывод: использование ограниченного словаря (closed vocabulary) полностью устранило генерацию несуществующих или неуместных биологических терминов, повысив надежность интерпретаций. Хотя модели все еще допускали ошибки в сопоставлении ID с актуальными описаниями, внедрение жестких контрактов на входные данные значительно повысило точность и доверие к ИИ-ассистентам в биоинформатике.

Компания Parakeet Health привлекла $10 млн в рамках раунда Series A для масштабирования своей ИИ-платформы, которая автоматизирует обработку входящих звонков, факсов и запись пациентов на прием. Платформа использует агентный ИИ для интеграции с электронными медицинскими картами (EHR) и оптимизации рабочих процессов в дерматологии и других медицинских специальностях, что позволяет снижать затраты и улучшать доступность помощи.