NLP

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.

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.

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.

Исследование предлагает текстово-ориентированный фреймворк, использующий NLP-трансформер для генерации структурированных описаний из панорамных рентгенограмм с последующей классификацией заболеваний. Модель 1D-CNN показала наивысшую точность (84%), а оба текстовых подхода превзошли традиционные CNN, обученные непосредственно на изображениях.

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.