8 октября на конференции ИТМ в Москве разработчик программного обеспечения СП.АРМ Григорий Витальевич Орлов представил доклад, посвященный ИИ-контуру современной МИС: аудиту документации и графовой поддержке принятия решений. В фокусе внимания оказались работа с клиническими рекомендациями, аудит медицинской документации и применение искусственного интеллекта для обеспечения безопасности терапии.
Пределы классического поиска: как изучать клинические рекомендации при мультиморбидности
Медицинскую информационную систему можно представить как набор инструментов, где уже есть контекст пациента: медицинские документы, диагнозы, назначения и сами клинические рекомендации.
В этой связке врач выступает в роли руководителя, который ставит задачу искусственному интеллекту. ИИ выбирает нужные инструменты, контролирует данные и выполнение операций. Однако ключевое требование к таким инструментам — предоставление проверяемого, подтвержденного данными и документацией обоснования принятых решений, а не просто генерация текстового ответа.
Работа врача сопряжена с высокой нагрузкой, особенно на амбулаторном приеме. Зачастую состояние пациента характеризуется мультиморбидностью, то есть наличием нескольких заболеваний одновременно. Для каждого диагноза необходимо изучить клинические рекомендации, которые могут занимать десятки страниц. Соответственно, для медицинского специалиста основная проблема заключается не в отсутствии знаний, а в невозможности быстро проверить медицинскую запись и согласовать между собой различные рекомендации, которые могут конфликтовать. Классическим решением в таких случаях является использование RAG-технологий (векторный поиск).
В этой связке врач выступает в роли руководителя, который ставит задачу искусственному интеллекту. ИИ выбирает нужные инструменты, контролирует данные и выполнение операций. Однако ключевое требование к таким инструментам — предоставление проверяемого, подтвержденного данными и документацией обоснования принятых решений, а не просто генерация текстового ответа.
Работа врача сопряжена с высокой нагрузкой, особенно на амбулаторном приеме. Зачастую состояние пациента характеризуется мультиморбидностью, то есть наличием нескольких заболеваний одновременно. Для каждого диагноза необходимо изучить клинические рекомендации, которые могут занимать десятки страниц. Соответственно, для медицинского специалиста основная проблема заключается не в отсутствии знаний, а в невозможности быстро проверить медицинскую запись и согласовать между собой различные рекомендации, которые могут конфликтовать. Классическим решением в таких случаях является использование RAG-технологий (векторный поиск).
RAG (Retrieval-Augmented Generation, или «генерация с дополненной выборкой») — это архитектурный подход в искусственном интеллекте, который соединяет языковую модель (LLM) с внешней базой знаний. Его суть в том, что модель не опирается только на знания, полученные при обучении, а сначала ищет релевантную информацию во внешних источниках, а затем генерирует ответ, опираясь на эти найденные данные.
Система берет текст и диагноз, отправляет их языковой модели и получает готовый ответ. Однако этот метод работает только для одного диагноза. При наличии нескольких заболеваний, требующих учета взаимосвязей и конфликтов в лечении, классический векторный поиск оказывается недостаточно эффективным.
От текста к связям: графовая алгебра безопасной терапии
Чтобы решить задачу поиска в условиях мультиморбидности, в СП.АРМ разработали метод GraphRAG. Граф отвечает на вопрос, где искать информацию, а векторный поиск из уже суженной области семантически связанных сущностей предоставляет ответ, что значительно снижает количество ложноположительных результатов. Граф состоит из узлов (заболевания, препараты, симптомы, ограничения) и ребер, которые отражают связи между ними: первая линия терапии, противопоказания и допустимые сочетания. Для настройки векторного поиска файл клинической рекомендации разбивается на семантические чанки (связанные по смыслу и логически завершенные фрагменты текста), из которых с помощью модели формируются триплеты «сущность — связь — сущность». После нормализации данные загружаются в базу.
Такой подход позволяет выстраивать безопасную терапию с помощью простых алгебраических операций над множествами. Система объединяет то, что рекомендовано для диагноза А и диагноза Б, и исключает то, что противопоказано для любого из них. На выходе формируются кандидаты без клинически выявленных противопоказаний, опираясь на базис из подтвержденных клинических рекомендаций. Вся архитектура работает в закрытом контуре конкретной медицинской организации: данные поступают из МИС, используются локальная модель и локальная база данных с графом.
Такой подход позволяет выстраивать безопасную терапию с помощью простых алгебраических операций над множествами. Система объединяет то, что рекомендовано для диагноза А и диагноза Б, и исключает то, что противопоказано для любого из них. На выходе формируются кандидаты без клинически выявленных противопоказаний, опираясь на базис из подтвержденных клинических рекомендаций. Вся архитектура работает в закрытом контуре конкретной медицинской организации: данные поступают из МИС, используются локальная модель и локальная база данных с графом.
Аудит документации: как проверить достоверность данных в ЭМК
Второй кейс применения ИИ в области клинических рекомендаций — аудит документации. Его задача — проверить полноту и согласованность всех записей в медицинской карте пациента и аккуратно указать врачу на возможные ошибки. Решение о том, исправлять их или нет, всегда остается за специалистом. Так, компания СП.АРМ разработала 9 сценариев применения клинических рекомендаций в рутине врача.
Например, сценарий соответствия плана критериям качества: система проводит оценку качества медицинской помощи и выдает таблицу с критериями, ссылками на конкретную клиническую рекомендацию и статусом «выполнена/не выполнена». Врач может проверить, как модель пришла к такому выводу, вплоть до цитат из конкретных рекомендаций.
Например, сценарий соответствия плана критериям качества: система проводит оценку качества медицинской помощи и выдает таблицу с критериями, ссылками на конкретную клиническую рекомендацию и статусом «выполнена/не выполнена». Врач может проверить, как модель пришла к такому выводу, вплоть до цитат из конкретных рекомендаций.
Миллисекунды на миллион связей: первые тесты прототипа
В ходе разработки прототипа было обработано свыше 500 клинических рекомендаций, загруженных с помощью конвейера, а не вручную. Система получила порядка 1 миллиона связанных данных. Скорость прохода по графу измеряется в миллисекундах. Такой показатель достигается за счет неглубокого обхода от стартовых сущностей (порядка 1–2 связей). При тестировании с классическими зарубежными моделями, работающими через RAG, ответы предложенного решения разнятся в пользу метода СП.АРМ.
- Григорий Витальевич ОрловРазработчик программного обеспечения СП.АРМВ качестве дальнейших шагов можно выделить перевод сервиса в фоновый режим работы с возможностью экспертной валидации в рабочем интерфейсе самой МИС, а также расширение графовой поддержки на другие части медицинской информационной системы. Наша глобальная цель — прийти к персонализированным клиническим рекомендациям и цифровым двойникам, когда рекомендация формируется для одного конкретного пациента.
С видеозаписями докладов с делового потока СП.АРМ на ИТМ можно ознакомиться по ссылке.
12 ноября / 2026
Автор: Мария Михайлова
