Контроль качества — фундаментальное требование современной медицины, закрепленное на законодательном уровне. Мониторинг качества необходим на всех этапах оказания помощи, и в первую очередь нужен самому врачу — для избежания ошибок, которые могут привести как к рискам для пациента, так и к репутационным потерям, штрафам и санкциям для учреждения.
Однако охватить всю медицинскую документацию и процессы только человеческими силами крайне проблематично. Особенно эта трудность ощутима для крупных учреждений, таких, как Краевая Клиническая Больница (далее — ККБ) г. Красноярска. В поисках решения проблемы специалисты больницы совместно с компанией СП. АРМ прибегли к помощи искусственного интеллекта. Об опыте использования прорывных технологий в целях контроля качества в медицине рассказал Евгений Александрович Ермилов — врач-невролог консультативно-диагностического отделения КГБУЗ ККБ — на прошедшей 18 сентября IX научной конференции в Красноярске.
Генеративный AI как новое средство повышения качества медицинской помощи
Однако охватить всю медицинскую документацию и процессы только человеческими силами крайне проблематично. Особенно эта трудность ощутима для крупных учреждений, таких, как Краевая Клиническая Больница (далее — ККБ) г. Красноярска. В поисках решения проблемы специалисты больницы совместно с компанией СП. АРМ прибегли к помощи искусственного интеллекта. Об опыте использования прорывных технологий в целях контроля качества в медицине рассказал Евгений Александрович Ермилов — врач-невролог консультативно-диагностического отделения КГБУЗ ККБ — на прошедшей 18 сентября IX научной конференции в Красноярске.
Пилотное исследование: оценка применимости AI в экспертизе качества
Для определения применимости искусственного интеллекта в области контроля качества в ККБ провели пилотное исследование. Были взяты результаты экспертиз 23 врачей-экспертов по 14 различным профилям за период с января по сентябрь 2025 года.
Базу данных составила 2751 оценка, что составляет около 10% от всей генерируемой документации. Анализ данных выявил так называемый «парадокс экспертного контроля» — в 80% случаев эксперт выставлял оценку 90 и выше баллов из 100 возможных.
Для исследования использовался собственный чек-лист внутреннего аудита, с большим количеством пунктов. Согласно ему любые отклонения — например, отсутствие динамики с предыдущего приема, описания локального статуса или рекомендации шкалы для пациентов — существенно снижают итоговый результат.
Были учтены и другие факторы. Так, из анализа намеренно исключены оценки экспертов, которые всегда ставили 100%, и исключены результаты самопроверки. Естественно, каждый эксперт оценивал себя высоко, что логично, так как он досконально знает чек-лист.
Также анализ показал, что совпадение специальности проверяющего и проверяемого (например, невролог проверяет невролога) не дает статистически значимой разницы в результатах по сравнению со случаями различных специализаций. Чувство солидарности профессионала по отношению к коллеге, даже другой специализации, заставляло его быть менее объективным, пропускать ошибки, которые следовало отметить.
Базу данных составила 2751 оценка, что составляет около 10% от всей генерируемой документации. Анализ данных выявил так называемый «парадокс экспертного контроля» — в 80% случаев эксперт выставлял оценку 90 и выше баллов из 100 возможных.
Для исследования использовался собственный чек-лист внутреннего аудита, с большим количеством пунктов. Согласно ему любые отклонения — например, отсутствие динамики с предыдущего приема, описания локального статуса или рекомендации шкалы для пациентов — существенно снижают итоговый результат.
Были учтены и другие факторы. Так, из анализа намеренно исключены оценки экспертов, которые всегда ставили 100%, и исключены результаты самопроверки. Естественно, каждый эксперт оценивал себя высоко, что логично, так как он досконально знает чек-лист.
Также анализ показал, что совпадение специальности проверяющего и проверяемого (например, невролог проверяет невролога) не дает статистически значимой разницы в результатах по сравнению со случаями различных специализаций. Чувство солидарности профессионала по отношению к коллеге, даже другой специализации, заставляло его быть менее объективным, пропускать ошибки, которые следовало отметить.
- Евгений Александрович ЕрмиловВрач-невролог консультативно-диагностического отделения КГБУЗ ККБИсходя из результатов эксперимента, было выявлено узкое место в экспертизе качества работы экспертов. Вероятно, это связано с тем, что работа эксперта сопряжена с высокой клинической нагрузкой, что не способствует глубокому и доскональному анализу каждой проверяемой истории болезни. Поэтому внедрение ИИ в систему экспертизы качества стало еще более востребованным.
Поэтапное внедрение искусственного интеллекта
Работа по интеграции ИИ в экспертизу велась поэтапно.
Прежде всего были протестированы различные LLM-модели. Врачи были зарегистрированы на различных платформах и обучены работе с нейросетями. В ходе тестов выяснилось, что разные модели дают разную оценку одному и тому же случаю, что потребовало более тщательного отбора.
Вторым этапом стала разработка инструмента выгрузки данных в медицинскую информационную систему qMS. Специалисты ККБ разработали инструмент непосредственно в МИС для выгрузки анонимизированных данных и их предоставления чат-ботам. Это обеспечило безопасность пациентов за счет деперсонификации. Процедура стала выглядеть так: врач открывает историю болезни и проводит экспертизу по чек-листу самостоятельно, после чего данные выгружаются, копируются в чат, и система предлагает свой процент оценки. Так были получены две оценки: до и после использования AI.
Далее проводился анализ результатов и оценка эффективности. Все данные сводились в единой таблице. При сопоставлении выявлена статистически значимая разница: оценки, выставленные с помощью ИИ, в среднем на 6% ниже, чем выставленные экспертом самостоятельно.
Кроме того, результаты эксперимента показали, что, после внедрения новой системы в июне 2025 года, у специалистов, которые начали ее использовать, наблюдалось повышение объективности экспертизы. Сам факт использования повлиял на оценку экспертами истории болезни — они стали обращать большее внимание на детали, которые пропускали в силу различных причин. Непредвзятый подход и автоматизация процессов помогли снизить психологический фактор профессиональной солидарности и повысить объективность оценок при человеческой оценке качества.
Прежде всего были протестированы различные LLM-модели. Врачи были зарегистрированы на различных платформах и обучены работе с нейросетями. В ходе тестов выяснилось, что разные модели дают разную оценку одному и тому же случаю, что потребовало более тщательного отбора.
Вторым этапом стала разработка инструмента выгрузки данных в медицинскую информационную систему qMS. Специалисты ККБ разработали инструмент непосредственно в МИС для выгрузки анонимизированных данных и их предоставления чат-ботам. Это обеспечило безопасность пациентов за счет деперсонификации. Процедура стала выглядеть так: врач открывает историю болезни и проводит экспертизу по чек-листу самостоятельно, после чего данные выгружаются, копируются в чат, и система предлагает свой процент оценки. Так были получены две оценки: до и после использования AI.
Далее проводился анализ результатов и оценка эффективности. Все данные сводились в единой таблице. При сопоставлении выявлена статистически значимая разница: оценки, выставленные с помощью ИИ, в среднем на 6% ниже, чем выставленные экспертом самостоятельно.
Кроме того, результаты эксперимента показали, что, после внедрения новой системы в июне 2025 года, у специалистов, которые начали ее использовать, наблюдалось повышение объективности экспертизы. Сам факт использования повлиял на оценку экспертами истории болезни — они стали обращать большее внимание на детали, которые пропускали в силу различных причин. Непредвзятый подход и автоматизация процессов помогли снизить психологический фактор профессиональной солидарности и повысить объективность оценок при человеческой оценке качества.
- Евгений Александрович ЕрмиловВрач-невролог консультативно-диагностического отделения КГБУЗ ККБЭксперимент помог выявить важный тренд: не только мы обучаем искусственный интеллект, но и он способен обучать нас. Мы можем сделать ИИ действенным инструментом оценки качества медицинской помощи, а он помогает врачам быть более внимательными и объективными уже в собственной, экспертной оценке.
И, наконец, третьим этапом стала подробная, глубокая работа над промт-инжинирингом. Специалисты ККБ подбирали и оптимизировали запросы для того, чтобы инструмент лучше понимал задачи и стабильнее анализировал данные. В целях оптимизации расходов, а также для повышения качества был осуществлен переход на локальный искусственный интеллект. Его возможности испытываются в рамках пилотной зоны, о совместном создании которой было объявлено при подписании меморандума между ККБ и компанией СП. АРМ на конференции в Красноярске.
На данный момент алгоритм работы с ИИ-помощником выглядит так:
- Отобранные в МИС qMS медицинские карты анонимно и автоматически оцениваются локальным ИИ.
- Ответ структурируется с помощью отдельного промта.
- Результат автоматически интегрируется с МИС qMS и переносится в электронную медицинскую карту пациента.
Далее руководитель подразделения получает в мессенджер сообщение с количеством проведенных проверок за период, поименными списками врачей и средней оценкой эффективности приема.
Перспективы использования ИИ в экспертизе качества
Опыт КГБУЗ ККБ открывает широкие перспективы:
- Стопроцентный охват всей генерируемой медицинской документации, объемы которой не могут быть адекватно охвачены человеческими силами.
- Отсечение случаев, оцененных ниже порогового значения и их передача врачу-эксперту для детальной проверки.
- Снижение человеческого фактора и смена роли врача-эксперта: он становится не столько проверяющим, сколько корректором, анализирующим и дорабатывающим результаты AI. Такие изменения в ежедневной практике позволяют существенно экономить время, посвящая рабочие часы непосредственно пациентам.
- Раннее выявление ошибок: анализировать можно не только законченные случаи, но и промежуточные этапы. Например, оценка на этапе первичного приема позволяет предотвратить тиражирование ошибок.
В дальнейшем специалисты ККБ предполагают возможность интеграции ИИ в амбулаторный прием. Возможности распознавания речи и ее транскрибации в текст, формулирования анамнеза на основе ранних записей, структурирование приема и анализ эффективности и безопасности терапии позволят максимально автоматизировать линейные процессы, высвобождая время для обстоятельной беседы врача с пациентом и принятия взвешенного врачебного решения.
Внедрение искусственного интеллекта в оценку качества — важный шаг к созданию более объективной, эффективной и учитывающей мельчайшие нюансы системы контроля. МИС qMS позволяет создать и гибко настроить такую систему, бесшовно интегрируя в нее инновационные технологии. Так, с помощью цифровизации здравоохранения, достигается главная цель любого медицинского учреждения: повышение безопасности и качества.
Внедрение искусственного интеллекта в оценку качества — важный шаг к созданию более объективной, эффективной и учитывающей мельчайшие нюансы системы контроля. МИС qMS позволяет создать и гибко настроить такую систему, бесшовно интегрируя в нее инновационные технологии. Так, с помощью цифровизации здравоохранения, достигается главная цель любого медицинского учреждения: повышение безопасности и качества.
30 октября / 2025
Автор: Мария Михайлова