NLP

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.

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.

Исследование оценивает способность LLM с Chain-of-Thought reasoning интерпретировать ультразвуковые признаки узлов щитовидной железы в рамках ACR-TIRADS. Grok-3 показал наивысшую точность в качественном анализе (96%), Gemini-2.5 Pro и DeepSeek-R1 превзошли в количественных задачах. Модели продемонстрировали потенциал для клинической поддержки принятия решений.

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.