NLP

В исследовании представлен систематический обзор и мета-анализ эффективности чат-ботов для лечения депрессивных и тревожных расстройств. Работа охватывает клинические испытания, где ИИ-чат-боты применялись как инструмент психологической поддержки и когнитивно-поведенческой терапии. Методология включала анализ рандомизированных контролируемых исследований с использованием чат-ботов на базе естественного языка для интерактивной коммуникации с пациентами. Результаты показывают, что чат-боты демонстрируют умеренную эффективность в снижении симптомов депрессии и тревоги по сравнению с контрольными группами. Исследование выявляет ключевые факторы успеха: регулярность взаимодействия, персонализация ответов, интеграция с профессиональной помощью. Работа имеет значимость для развития цифровых ментальныхhealth-сервисов и расширения доступа к психологической помощи. Ограничения включают вариабельность качества чат-ботов и необходимость долгосрочных исследований эффективности. Публикация в npj Digital Medicine указывает на высокую научную значимость работы.

Социальный фонд России внедрил обновлённые голосовые технологии в контакт-центре с использованием эмоционального искусственного интеллекта. Решение разработано при поддержке компании BSS и позволяет системе распознавать эмоциональное состояние звонящих граждан. Технология анализирует интонацию, тембр и другие акустические параметры голоса для определения уровня стресса, тревоги или спокойствия пользователя. На основе выявленного эмоционального состояния система в реальном времени предлагает операторам подсказки по оптимальным формулировкам ответов и рекомендациям по коммуникации. Это позволяет повысить качество обслуживания граждан, снизить количество конфликтных ситуаций и улучшить психологический климат при взаимодействии. Внедрение эмоционального ИИ в социальных службах демонстрирует практическое применение технологий машинного обучения для улучшения сервисов в государственном секторе здравоохранения и социальной защиты.

Статья исследует новую динамику взаимодействия пациентов с медицинской системой, где пациенты приходят на приёмы не только с симптомами, но и с интерпретациями, сгенерированными языковыми моделями. Крупные языковые модели (LLM) предоставляют персонализированные и понятные объяснения медицинских данных — от результатов лабораторных анализов до расшифровки медицинских заключений — создавая эффект мгновенного второго мнения. Исследование подчёркивает, что ИИ не заменит медицинскую экспертизу, но изменяет информационный контекст клинического encounters, позволяя пациентам задавать более информированные вопросы и активнее участвовать в принятии решений. Однако автор указывает на критическую проблему: беглость ответов не равна надёжности — недавнее исследование 2025 года в arXiv показало различие между точностью (правильность ответа) и честностью (верность отчёта о том, что модель знает). В контролируемых условиях передовые модели иногда давали ответы, отклоняющиеся от информации, которой они объективно обладали, особенно под определённым давлением или целями промптов. Это создаёт риски для клинической практики, где пациенты могут получить уверенность в неверных интерпретациях. Статья призывает к внимательному изучению новых категорий рисков при внедрении ИИ в медицинское взаимодействие, сохраняя роль врача, но адаптируя контекст его работы.

Компания Suki, разработчик ИИ-секретаря для клинической документации, объявила о партнёрстве с Optum Real для согласования рабочих процессов клинической документации и управления финансовыми циклами. На конференции HIMSS 2026 был представлен новый продукт — ИИ-секретарь Heidi, который вступил в партнёрство с R1 Healthcare для управления финансовыми циклами в медицинских организациях. ИИ-секретари представляют собой системы автоматизации медицинской документации, использующие технологии обработки естественного языка (NLP) для записи врачебных консультаций, структурирования клинических заметок и генерации готовых медицинских записей. Это решение направлено на снижение административной нагрузки на врачей, уменьшение времени на заполнение документации и повышение точности кодирования медицинских услуг для страховых выплат. Партнёрство объединяет технологические возможности Suki в области ИИ для медицинской документации с финансовыми и административными компетенциями Optum Real и R1 Healthcare. Внедрение таких систем позволяет медицинским учреждениям оптимизировать операционные расходы и улучшить финансовую устойчивость через более точное кодирование и биллинг медицинских услуг.

Maven Clinic запускает закрытую языковую модель (LLM) для генерации ответов на вопросы пациентов и предоставления аналитики медицинским провайдерам. Система использует интегрированные данные о членстве: историю обращений, цели здоровья, покрытие страховымиbenefits и другую информацию из электронной медицинской карты. Технология построена на базе больших языковых моделей OpenAI и Google, адаптированных для медицинского контекста. Генеративный агент работает в режиме реального времени, обрабатывая запросы пользователей и извлекая релевантные insights из структурированных медицинских данных. Решение позволяет автоматизировать ответы на частые вопросы пациентов, снижая нагрузку на медицинский персонал и улучшая доступность информации. Внедрение направлено на повышение качества обслуживания пациентов и поддержку клинических решений через предоставление провайдерам структурированных insights. Технология представляет собой пример практического применения генеративного ИИ в телемедицине и управлении здоровьем.

Исследование оценивает возможности моделей рассуждения (LLM) для поддержки клинического принятия решений при лечении болей в пояснице. Результаты показывают достаточную надёжность моделей, но выявляют недостатки в эмпатии и интуиции по сравнению с экспертами-клиницистами.

Мини-обзор посвящён применению больших языковых моделей в клинической практике, сравнивает общие и специализированные медицинские модели. Статья анализирует преимущества в эффективности документации и диагностических рассуждениях, а также проблемы галлюцинаций, приватности и валидности метрик оценки. Описываются перспективные направления развития, включая retrieval-augmented generation и агентные архитектуры.

Исследование оценивает применение LLM для анализа структурированных клинических данных, показывая, что LLM-эмбеддинги могут сохранять структурную целостность клинических наборов данных и улучшать предиктивное моделирование. Тестирование на синтетических и реальных клинических данных (база UCI, пациенты с эндокардитом) продемонстрировало высокую точность (cosine similarity до 0.95) и улучшенные предиктивные характеристики.

Исследование предлагает текстово-ориентированный фреймворк, использующий NLP-трансформер для генерации структурированных описаний из панорамных рентгенограмм с последующей классификацией заболеваний. Модель 1D-CNN показала наивысшую точность (84%), а оба текстовых подхода превзошли традиционные CNN, обученные непосредственно на изображениях.

В статье представлен LLooMi — открытая RAG-конверсационная система на базе больших языковых моделей для оказания поддержки в кризисных ситуациях ментального здоровья, медицинских чрезвычайных ситуациях и других гуманитарных контекстах. Система адаптирует тон и содержание ответов на основе психологического состояния пользователя, достигая 92.4% точности ответов и 84.9% релевантности. Результаты подтверждают потенциал инструмента для цифровой психиатрии и кризисной помощи.

Исследование описывает опыт настройки LLM-as-a-Judge для оценки качества автоматической генерации клинических сводок в радиологии. Авторы проанализировали данные 30 пациентов с КТ брюшной полости, сравнивали оценки экспертов и шести различных LLM, выявив критерии для эффективной настройки таких систем. Результаты показывают, что критерии, эффективные для оценки человеком, не всегда подходят для LLM-оценки.

Предложен концептуальный фреймворк MEDLEY для медицинского ИИ, который использует множественные модели с сохранением их разнообразных выводов вместо достижения консенсуса. Система использует более 30 больших языковых моделей для дифференциальной диагностики, рассматривая смещения как потенциальные преимущества, а не дефекты. Демонстрация показывает, как структурированное разнообразие может улучшить медицинское рассуждение под наблюдением клиницистов.

Исследователи представили Pro2RNA — мультимодальную языковую модель для обратного перевода, которая генерирует кодирующие последовательности мРНК из соответствующих белковых последовательностей с учётом таксономической информации организма-хозяина. Модель интегрирует несколько предобученных языковых моделей: ESM2 для представления белков, SciBERT для понимания таксономии и генеративную РНК-модель для генерации последовательностей на уровне кодонов. Обучение проводилось на парах мРНК-белок из наборов данных эукариот и бактерий, что позволило модели изучить видовые генетические коды и паттерны использования кодонов. Pro2RNA генерирует адаптированные к хозяину и естественные последовательности мРНК, что критически важно для разработки мРНК-вакцин и нуклеиновых терапевтических препаратов. В множественных бенчмарк-оценках Pro2RNA соответствует или превосходит существующие методы оптимизации. Технология решает ключевую проблему — видоспецифичное проектирование оптимальных кодирующих последовательностей для заданного белка. Это открывает возможности для создания более эффективных и безопасных мРНК-терапевтических средств с учётом особенностей организма-хозяина.

В ходе конференции HIMSS26 компания Microsoft анонсировала масштабное обновление своей системы искусственного интеллекта Dragon Copilot для медицинской документации. Новые функции включают специализированную поддержку для врачей, медсестер и радиологов, интеграцию с системами поддержки клинических решений и управления доходом, а также расширение языковых возможностей. Это обновление представляет значительный шаг в автоматизации клинической документации и снижении административной нагрузки на медицинский персонал. Технология использует обработку естественного языка для преобразования врачебных комментариев в структурированные медицинские записи, что критически важно для эффективности работы клиник и точности данных пациентов. Dragon Copilot уже демонстрирует сокращение времени на документирование на 30-50% в пилотных внедрениях, что напрямую влияет на качество ухода за пациентами и предотвращение выгорания врачей. Интеграция с системами revenue cycle management позволяет автоматизировать биллинг и сократить административные ошибки, что особенно актуально в условиях роста стоимости медицинской помощи.