Откуда HelpScaner берёт нормы: методология без чёрного ящика

Ответ на источнике, а не на «памяти» модели

Ключевое архитектурное решение: языковая модель в HelpScaner не является источником медицинских фактов. Она — механизм, который формулирует ответ, но опирается при этом на внешнюю проверяемую базу знаний. Перед формированием расшифровки система находит в базе релевантные документы по конкретным показателям и строит объяснение на них.

Этот подход называется retrieval-augmented generation (RAG), и его ценность подтверждена независимо. В контролируемом исследовании Lab-AI языковая модель без подключённой базы называла корректный нормальный диапазон анализа лишь в 38% случаев, а та же модель с базой — в 99%. Разница не в «мощности ИИ», а в наличии проверяемого источника под ответом.

Три уровня доказательной базы

База знаний построена не из одного источника, а из трёх уровней, каждый из которых отвечает за свою часть интерпретации.

1. Клинические рекомендации Минздрава РФ

Отвечают за российский клинический контекст: диагностические пороги, тактику наблюдения, отечественную специфику. Это действующие документы официального рубрикатора, а не пересказ. Именно они обеспечивают соответствие расшифровки российской клинической практике.

2. Международные лабораторные стандарты (CLSI, IFCC)

Отвечают за референсные интервалы и методологию их построения. CLSI и IFCC — международно признанные организации по стандартизации лабораторной медицины. На их принципах строятся корректные границы нормы для показателей.

3. Рецензируемые научные публикации

Отвечают за глубину и актуальность: свежие данные по отдельным маркерам, взаимосвязям показателей, популяционным особенностям. Источник — рецензируемые публикации (PubMed) по профильным направлениям.

База в цифрах

Объём базы — не самоцель, но он показывает, что за расшифровкой стоит систематизированный массив, а не несколько справочников.

Каждый источник проходит отбор — в базу попадают действующие рекомендации и рецензируемые работы, а не произвольные тексты из сети. Это и отделяет верифицированную базу от «всего интернета», на котором обучалась исходная модель.

Норма под конкретного пациента

Самая частая ошибка автоматической интерпретации — универсальная норма «для взрослого». Между тем один и тот же показатель читается по-разному в зависимости от того, кто перед нами.

• Пол. Референсы эритроцитов, ферритина, креатинина, ряда гормонов различаются у мужчин и женщин.
• Возраст. Детские нормы разбиты на подгруппы; у пожилых свои особенности по ряду показателей.
• Беременность. Многие показатели имеют отдельные референсы по триместрам — их нельзя читать по общей шкале.
• Особые группы. Спортсмены, хронические состояния — контекст, который меняет трактовку «нормы».

HelpScaner применяет популяционные нормы: расшифровка учитывает категорию пациента, а не подставляет один усреднённый интервал. Это ровно тот индивидуальный контекст, отсутствие которого исследования называют главным изъяном пациентских порталов и обычных ИИ-чатов.

Что происходит при расхождении источников

Источники иногда расходятся: международный стандарт может давать один референс, а российская клиническая рекомендация — другой, с поправкой на отечественную практику. Оставлять это на усмотрение модели нельзя — нужен принцип.

Поэтому в основе интерпретации лежит правило приоритета источников. Референсные интервалы берутся из лабораторных стандартов, диагностические пороги и тактика — из действующих клинических рекомендаций, российский контекст имеет приоритет там, где это важно для отечественной практики. То есть при конфликте система опирается на более авторитетный для данной задачи источник, а не усредняет всё подряд.

Как база остаётся действующей

Медицинские знания меняются, и «замороженная» на дате обучения модель — известная проблема любого ИИ. База знаний решает её тем, что обновляется отдельно от модели, по протоколу.

Отдельное преимущество подхода: обновить конкретный показатель можно, не переобучая языковую модель — достаточно обновить источник в базе. Это делает систему гибкой и позволяет держать нормы действующими, а не двухлетней давности.

Что методология не делает

Прозрачность требует честности и в обратную сторону — о границах. Даже самая выверенная база не превращает справочный сервис в систему клинических решений.

HelpScaner объясняет показатели, применяет корректные популяционные нормы и опирается на проверенные источники. Но он не ставит диагноз, не назначает лечение и не заменяет очную консультацию. База знаний обеспечивает качество справочной информации — а клиническое решение, синтез всей картины и ответственность остаются за врачом. Именно поэтому сервис безопасно рекомендовать пациенту: он готовит человека к приёму, а не подменяет его.

Коротко о главном

Методология HelpScaner строится на простом принципе: ответ должен опираться на проверяемый источник, а не на «эрудицию» модели. База из трёх уровней — клинические рекомендации Минздрава, международные лабораторные стандарты и рецензируемые публикации, около 10 250 источников — обеспечивает и российский контекст, и корректные референсы, и актуальную глубину. Нормы применяются под конкретного пациента, при конфликте источников работает правило приоритета, а сама база регулярно обновляется по протоколу. При этом сервис остаётся справочным и не претендует на клиническую функцию врача. Именно такая архитектура, а не мощность отдельной модели, отличает инструмент, которому можно доверять и который можно рекомендовать пациенту.