30 статей
В статье представлено исследование применения глубокого обучения (BERT, RoBERTa, XLNet) и LLM-фреймворка RATAS для автоматической оценки вербальных ответов студентов-медсестер в симуляторе виртуальной реальности. Результаты показывают высокую точность трансформерных моделей в контролируемых условиях и стабильность LLM-подхода при оценке реальных ответов, подтверждая жизнеспособность ИИ для обучения коммуникации в медицине.
В данном дайджесте освещены ключевые события на стыке искусственного интеллекта и медицины за неделю с 26 октября по 1 ноября 2026 года. Одним из главных инцидентов стало судебное разбирательство против OpenAI: истцы утверждают, что алгоритм ChatGPT по неосторожности причинил смерть женщине с эпилепсией, рекомендовав отмену жизненно важного препарата. Этот случай подчеркивает критические риски внедрения генеративных ИИ-моделей в клиническую практику без должного контроля. С другой стороны, компания Boehringer Ingelheim совместно с Microsoft начала работу над созданием цифровых двойников пациентов, что направлено на оптимизацию и ускорение клинических исследований. В образовательном секторе Саратовский и Башкирский государственные медицинские университеты открыли IT-программы Сеченовского университета и «Школы 21», готовя кадры для цифровой трансформации здравоохранения. Также отмечено применение языковых моделей в носимых сенсорных сетях: интеграция NLP улучшила персонализацию диетических рекомендаций на 7,8%. Дополнительно исследуется влияние ИИ на потребительское поведение: выявлено, что алгоритмы рекомендуют конкретные фармацевтические бренды в 75% ответов пользователям, что ставит вопросы о влиянии коммерческих интересов на медицинские рекомендации.
Статья, опубликованная в журнале npj Digital Medicine 8 октября 2026 года, исследует вопросы управления и регулирования когнитивного труда, который врачи и исследователи делегируют системам искусственного интеллекта. Особое внимание уделяется двум ключевым областям: научной письменности (написание статей, отчетов) и медицинскому образованию (обучение студентов, подготовка учебных материалов). Авторы анализируют, как автоматизация интеллектуальных задач влияет на профессиональную ответственность, качество знаний и этические стандарты в медицине. Исследование подчеркивает необходимость разработки новых рамок контроля за использованием ИИ, чтобы обеспечить сохранение критического мышления у медицинских работников и студентов. Работа затрагивает проблемы валидации сгенерированного контента, риск чрезмерной зависимости от алгоритмов и необходимость пересмотра учебных программ с учетом интеграции ИИ-инструментов. Статья предлагает подходы к балансу между эффективностью, предоставляемой ИИ, и необходимостью сохранения человеческого контроля над критически важными когнитивными процессами в здравоохранении.
В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, представлена успешная проспективная оценка системы искусственного интеллекта, предназначенной для автоматической оценки практических экзаменов OSCE (Objective Structured Clinical Examination) у студентов-медицинских вузов. Система использует мультимодальный подход, анализируя одновременно видео- и аудиоданные, а также текстовые транскрипты взаимодействий между студентами и стандартизированными пациентами. Методология включает применение глубоких нейронных сетей для распознавания вербальных и невербальных сигналов, оценки клинических навыков коммуникации и принятия решений в реальном времени. Ключевые результаты демонстрируют высокую корреляцию между оценками, выставленными ИИ, и оценками независимых экспертов-людей, что подтверждает надежность алгоритма. Исследование показывает, что внедрение таких систем может значительно снизить нагрузку на преподавательский состав и обеспечить более объективную и масштабируемую оценку клинических компетенций. Это открывает новые возможности для интеграции ИИ в медицинское образование и стандартизацию оценки практических навыков будущих врачей.
Исследователи из NYU Langone Health разработали систему на базе ИИ (с использованием ChatGPT-4o), которая анализирует ежедневные клинические отчеты ординаторов по радиологии. Инструмент выявляет пробелы в их практике и автоматически подбирает целевые учебные случаи для восполнения недостающего опыта, что повышает эффективность персонализированного обучения.
Школа сестринского дела Университета Рутгерса (Rutgers School of Nursing) внедряет обучение студентов модели виртуального ухода, который поддерживается технологиями искусственного интеллекта. Это сотрудничество с компанией Caregility направлено на подготовку специалистов к работе в современных условиях: в высокотехнологичных палатах, телеинтенсивной терапии и программах «больница на дому». Декан школы Анджела Старквейджер отмечает, что концепция виртуального ухода существует уже около 30 лет, однако именно сейчас ИИ-компонент становится критически важным для интеграции этих систем в реальную клиническую практику. Обучение включает работу с рабочими процессами, используемыми в подключенных к сети палатах, что позволяет студентам освоить навыки взаимодействия с ИИ-ассистентами и цифровыми платформами мониторинга. Данный подход отражает глобальный тренд на цифровизацию медицинского образования, где понимание алгоритмов ИИ и виртуальных интерфейсов становится таким же необходимым, как и традиционные клинические навыки. Внедрение таких программ помогает сократить разрыв между академической подготовкой и требованиями современных здравоохранительных систем, где ИИ играет ключевую роль в оптимизации потоков пациентов и сборе данных.
Исследование использует метод Дельфи для определения ключевых компетенций и учебных целей по искусственному интеллекту, необходимых студентам-медикам для будущей клинической практики. Разработанный фреймворк включает 7 компетенций и 37 учебных целей, направленных на интеграцию теоретических знаний и этического использования ИИ в медицинское образование.
В данном исследовании проводится сравнительная оценка эффективности трех больших языковых моделей (LLM) — Claude-Sonnet-4.6, Grok-4 и ChatGPT-5 — в задачах пренатальной диагностики по сравнению с двумя врачами-клиницистами. Для оценки использовался набор из 125 вопросов, взятых из национального стандартизированного квалификационного экзамена по пренатальному ультразвуковому скринингу в Китае. Исследование показало, что общая точность ответов не имела статистически значимых различий между моделями и врачами: главный врач набрал 89,60% (112/125), Claude-Sonnet-4.6 — 85,60% (107/125), Grok-4 — 84,80% (106/125), ChatGPT-5 — 84,00% (105/125), а врач-ординатор — 80,00% (100/125). Однако при детализации по типам вопросов выявились существенные различия: в задачах на основе клинических случаев (n=20) главный врач значительно превзошел все модели (95,00% против 70,00% у лучшей модели, Grok-4), что указывает на пробелы в сложном клиническом рассуждении у ИИ. В последовательных наборах вопросов Grok-4 (95,74%) и главный врач (93,62%) показали лучшие результаты по сравнению с врачом-ординатором (76,60%). Авторы приходят к выводу, что современные LLM могут служить мощными инструментами для расширения знаний, но пока не готовы к автономному выполнению роли клинического рассудителя в такой сложной и этически значимой области, как пренатальная диагностика.
Статья посвящена интеграции генеративного искусственного интеллекта в медицинское образование, подчеркивая, что неконтролируемое использование студентами и ординаторами обогнало разработку институциональных политик. Авторы предлагают практическую концептуальную рамку для оценки рисков, основанную на степени когнитивного вытеснения — том, насколько инструмент берет на себя мыслительные процессы, которые должны формироваться у обучающегося. Выделяются три ключевых вида вреда: «потеря навыков» (deskilling) у резидентов, чье суждение еще формируется; «неприобретение навыков» (never-skilling) у студентов-доклиников, которые не осваивают фундаментальные компетенции, так как их выполняет ИИ; и «искажение навыков» (mis-skilling), возникающее при усвоении предвзятости и ошибок ИИ как нормы. Предложенный подход основан на принципе калибровки, а не запрета, требуя индивидуального подхода к каждому этапу обучения. Исследование указывает на необходимость проспективных исследований для измерения этих рисков в реальной клинической практике. Работа служит руководством для преподавателей, помогая определить, какие задачи с ИИ поддерживают формирование навыков, а какие их подменяют. Акцент делается на том, что вопрос заключается не в том, использовать ли ИИ, а в том, как спроектировать эту интеграцию для сохранения клинической компетентности будущих врачей.
В данном исследовании оценивается способность больших языковых моделей (LLM), в частности ChatGPT-4o и Gemini 3 Pro, точно оценивать транскрибированные симулированные взаимодействия между стандартизированными пациентами и студентами-медиками, а также генерировать полезную нарративную обратную связь. Исследование проводилось в рамках одного центра с участием 12 пар «врач-пациент», где оценки LLM сравнивались с оценками врача-рецензента, использующего золотой стандарт рубрики, включающей 55 элементов сбора анамнеза и 19 элементов презентации случая для оценки диагностического мышления, планирования лечения и консультирования пациентов. Результаты показали высокую степень согласия между LLM и врачом при оценке элементов сбора анамнеза (коэффициент каппы Коэна κ = 0,84–0,89; внутриклассовые коэффициенты корреляции ICC = 0,93–0,97), тогда как согласие при оценке презентации случая было умеренным (κ = 0,62–0,72; ICC = 0,61–0,83). Обе модели сгенерировали подробную, точную и клинически полезную нарративную обратную связь, которая была дополнительно оценена независимыми экспертами. Авторы делают вывод, что LLM могут надежно оценивать симулированные взаимодействия врач-пациент, что открывает возможности для стандартизированной оценки клинической коммуникации в исследовательских целях, улучшении качества медицинской помощи и медицинском образовании. Это исследование демонстрирует практическую применимость ИИ для автоматизации сложного процесса оценки коммуникативных навыков медицинских работников, снижая субъективность и временные затраты на ручную оценку.
В исследовании, опубликованном в журнале npj Digital Medicine, проводится детальная оценка возможностей генеративного искусственного интеллекта в контексте создания синтетических хирургических видео. Авторы фокусируются на измерении так называемого «разрыва в правдоподобии» (plausibility gap) — разницы между качеством сгенерированных моделей и реальными хирургическими процедурами. Для объективной оценки используется метод экспертной оценки, при котором опытные хирурги анализируют сгенерированные видеоматериалы на предмет анатомической точности, реалистичности движений инструментов и общей клинической достоверности. Исследование демонстрирует, что современные генеративные модели способны создавать высококачественные симуляции, однако сохраняются значительные пробелы в передаче тонких нюансов хирургической техники. Полученные количественные метрики позволяют стандартизировать оценку качества генеративных моделей для медицинских нужд. Результаты работы имеют важное значение для разработки обучающих симуляторов, тестирования алгоритмов компьютерного зрения и создания датасетов для обучения ИИ-систем в хирургии. Работа закладывает основу для более надежного применения генеративного ИИ в медицинском образовании и предоперационном планировании.
Статья поднимает важную проблему подготовки будущих врачей к работе с электронными медицинскими картами (EHR) в условиях современной клинической практики. Авторы отмечают, что хотя современные студенты-медики уверенно пользуются цифровыми инструментами, это не гарантирует их готовности к требованиям резидентуры, где необходимо быстро ориентироваться в обширных историях болезни, управлять назначениями и фиксировать решения в условиях интенсивного рабочего потока. Особое внимание уделяется трансформации документации под влиянием ИИ-инструментов амбиентного прослушивания, которые превращают процесс записи из задачи письма в задачу редактирования, проверки и принятия ответственности за сгенерированный ИИ текст. Авторы подчеркивают необходимость раннего практического обучения студентов работе с EHR, включая навыки взаимодействия с ИИ-генерируемым контентом. Статья затрагивает вопросы медицинского образования, интеграции ИИ в клиническую документацию и подготовки кадров к новым реалиям цифровой медицины, однако не содержит конкретных данных исследований или количественных результатов.
Статья предлагает основанную на наставничестве структуру для использования ИИ в медицинских диссертациях и ранних научных публикациях, подчеркивая формирование профессиональных навыков, а не только соблюдение требований. Автор вводит три операционных принципа: ось карьерного этапа, правило последовательности (запрет ИИ до первого самостоятельного черновика) и трассировку правок, а также типологию задач для адаптации политики. Основной вывод: раскрытие использования ИИ недостаточно для обучения, необходим надзор супервизора для сохранения когнитивной работы письма.
Статья опубликована в журнале npj Digital Medicine 7 августа 2026 года и посвящена новой стратегии instructional design для преподавания концепций искусственного интеллекта специалистам здравоохранения без технического бэкграунда. Авторы предлагают использовать генеративные ИИ-инструменты для быстрого создания интерактивных практических обучающих материалов, включая веб-симуляции, динамические визуализации и клинические кейсы. Основная цель — подготовить студентов медицинских специальностей к безопасному и эффективному использованию ИИ-инструментов в будущей практике. Методология основана на применении генеративного ИИ для автоматизации создания образовательного контента, что позволяет масштабировать обучение и адаптировать материалы под разные уровни подготовки. Подход особенно актуален в контексте растущего внедрения ИИ в клиническую практику и необходимости массовой переподготовки медицинских кадров. Исследование подчёркивает важность практического, а не только теоретического знакомства с ИИ-технологиями для будущих врачей и медработников.
Статья исследует двойственную роль ИИ-секретарей (AI scribes) в подготовке будущих врачей. ИИ-секретари — это инструменты на основе искусственного интеллекта, которые автоматически генерируют клинические заметки во время приёма пациентов, освобождая врачей от рутинной документации. Медицинские педагоги стремятся обучить студентов работе с этими технологиями, поскольку они становятся стандартом в современной клинической практике. Однако существует серьёзная обеспокоенность тем, что делегирование ведения записей ИИ может негативно повлиять на развитие критических навыков у обучающихся. В частности, эксперты опасаются, что студенты могут утратить способность самостоятельно структурировать клиническую информацию, выявлять ключевые симптомы и формировать диагностические гипотезы в процессе документирования. Статья поднимает важный вопрос о балансе между внедрением эффективных технологий и сохранением фундаментальных компетенций в медицинском образовании. Дискуссия отражает более широкую проблему интеграции ИИ в здравоохранение: как использовать автоматизацию, не подрывая профессиональное развитие специалистов.
Учёные из Университета медицинских наук силовых ведомств США и австралийской компании New Medical Education Australia опубликовали исследование о влиянии генеративного искусственного интеллекта на медицинское образование. Авторы работы, размещённой в рецензируемом журнале Digital Medicine, утверждают, что массовое внедрение ИИ-инструментов в клиническую практику требует фундаментального пересмотра подготовки врачей. Ключевой тезис исследования: медицинское образование должно сместить фокус с традиционной передачи знаний на развитие критического клинического мышления и способности оценивать достоверность ответов, генерируемых ИИ-системами. Исследователи подчёркивают необходимость формирования у будущих медиков навыков ответственного использования генеративных моделей, включая понимание их ограничений и рисков. Работа акцентирует внимание на том, что врачи должны уметь верифицировать рекомендации ИИ, а не слепо им доверять. Данное исследование имеет практическую значимость для медицинских вузов и образовательных программ, поскольку задаёт новые требования к компетенциям выпускников в эпоху повсеместного распространения искусственного интеллекта.
Министерство науки и высшего образования РФ инициировало проект создания государственной информационной системы «Цифровая платформа «Университеты». Данная ГИС призвана автоматизировать полный цикл взаимодействия с абитуриентами и студентами, включая онлайн-поступление, верификацию статуса обучения и подбор программ дополнительного образования или стажировок. Важной особенностью проекта является внедрение инструментов глубокой аналитики и мониторинга ключевых показателей эффективности (KPI) высших учебных заведений. В рамках инициативы планируется обязательное внедрение системы в медицинских вузах, что позволит цифровизировать образовательный процесс в сфере подготовки медицинских кадров. Несмотря на то, что основной фокус направлен на административную и образовательную инфраструктуру, проект создает базу для интеграции данных, необходимых для дальнейшего применения ИИ в управлении медицинским образованием и анализе компетенций специалистов.
В исследовании рассматривается процесс внедрения и использования специализированной платформы на базе искусственного интеллекта для подготовки студентов к объективному структурированному клиническому экзамену (OSCE). Основное внимание уделяется методологии «целенаправленной практики» (deliberate practice), где ИИ выступает в роли симулятора для отработки клинических навыков. Исследование анализирует, как обучающиеся адаптируют цифровые инструменты в процессе подготовки к государственным лицензионным экзаменам. Ключевые результаты демонстрируют высокую степень вовлеченности пользователей и потенциал ИИ-платформы в создании реалистичной среды для оценки компетенций. Использование платформы позволяет стандартизировать процесс подготовки и обеспечить немедленную обратную связь, что критически важно для формирования клинического мышления. Данная работа имеет высокую значимость для медицинского образования, предлагая масштабируемое решение для подготовки будущих врачей к сертификации.
Исследование оценивает способность восьми различных LLM генерировать вопросы и ответы для медицинских экзаменов на основе реальных данных ЭМК. Результаты показали, что модели (особенно ERNIE 4) могут достигать высокой точности информации, сопоставимой с экспертами, что делает их перспективным инструментом для медицинского обучения.
Исследование оценивает способность LLM извлекать метаданные из медицинских экзаменов по эндокринологии. Результаты показывают, что высокая точность ответов не гарантирует надежности: многие модели демонстрируют высокую вариативность при повторных запусках, что критично для автоматизации оценки.
