NLP

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.

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.