ИИ в медицине: что уже работает — и что ещё нужно проверить

ИИ в медицине: полезен там, где понятна его задача

За словом «ИИ» скрываются очень разные инструменты. Один выделяет подозрительный участок на маммограмме. Другой превращает разговор на приёме в черновик записи. Третий читает историю болезни и предлагает объяснения симптомов. Их объединяют методы машинного обучения, но проверять их нужно по-разному: хорошая расшифровка речи ещё не означает хорошего клинического решения.

Масштаб использования уже велик. В опросе Американской медицинской ассоциации, опубликованном в марте 2026 года, 81% из 1 692 опрошенных врачей сообщили, что используют ИИ в профессиональной деятельности; в 2023 году таких было 38%. Частые сценарии — работа с исследованиями и документацией. Это данные самоотчёта в США: они не означают, что 81% врачей доверяют алгоритму ставить диагноз, и не описывают ситуацию в России. Опрос AMA [1]

Для врача полезнее вопрос «какую часть моей работы инструмент улучшает?». Для руководителя клиники — «как это улучшение измерить, не увеличив риск ошибки?». В этой статье мы разделим уже проверенные применения, перспективные эксперименты и результаты, которые пока не оправдали ожиданий.

Переход между этими уровнями нельзя считать автоматическим. Даже точная подсказка бесполезна, если приходит слишком поздно, теряется среди уведомлений или заставляет врача тратить больше времени на перепроверку.

Где узкая задача даёт убедительные результаты

Маммография: важен не только найденный рак

Радиология удобна для оценки ИИ: есть стандартизированные изображения, определённая находка и возможность сравнить заключения с последующим диагнозом. Но даже здесь «нашли больше» — лишь часть ответа. Можно обнаружить дополнительные опухоли, одновременно увеличить число лишних обследований или не повлиять на клинически значимые пропуски.

Поэтому особенно интересен шведский MASAI. В рандомизированном исследовании участвовали около 106 тысяч женщин. В публикации 2026 года оценивали интервальные раки — выявленные между плановыми раундами скрининга. Поддержка ИИ соответствовала заранее заданному критерию «не хуже» стандартного двойного чтения; чувствительность была выше, специфичность сопоставима. При этом статистически значимого снижения частоты интервального рака не показали. MASAI, The Lancet [2]

Корректный вывод здесь достаточно сильный и без преувеличений: конкретная система в конкретной организации скрининга прошла важную проверку безопасности и диагностических характеристик. Из этого не следует доказанное снижение смертности или равная эффективность любого алгоритма маммографии.

ЭКГ: пример проверки исхода, а не только точности

Более раннее исследование, опубликованное в 2024 году, показательно именно выбором конечной точки. У 15 965 госпитализированных пациентов проверяли систему ИИ-оповещений по ЭКГ. Смертность за 90 дней составила 3,6% в группе вмешательства и 4,3% в контроле; отношение рисков — 0,83, 95%-й доверительный интервал 0,70–0,99. Это результат целой системы выявления риска и реагирования врачей, а не доказательство того, что алгоритм сам лечит пациента. Nature Medicine [11]

Эти примеры объясняют, почему слово «медицинский» в названии продукта недостаточно. Надо знать, какое изображение или сигнал он принимает, какую находку ищет, кто видит уведомление и какое действие за ним следует.

Помощь с документацией: экономия реальна, но её нужно считать

Один из понятных сценариев генеративного ИИ — превратить большой объём медицинского текста в рабочую форму: сводку выписки, хронологию обследований, список лекарств или черновик записи. Здесь врач может проверить результат по исходным данным. Важное преимущество — возможность снять часть механической нагрузки, не передавая машине окончательное решение.

В рандомизированном исследовании двух инструментов автоматической документации участвовали 238 врачей. За восемь недель Nabla сократила время в редакторе медицинской записи на 9,5% относительно контроля. Для DAX статистически значимого изменения этого показателя не выявили. NEJM AI, 2025 [3]

Это не «приём стал на 9,5% короче». Измеряли конкретный участок работы, в одном медицинском центре и за ограниченный срок. Эффект зависит от специальности, привычек врача, интеграции с медицинской информационной системой и того, сколько исправлений требует черновик.

Что полезно поручать первым

Для пилота можно выбрать задачу с коротким и проверяемым результатом. Например: «Составь хронологию обследований с датами; не добавляй интерпретацию» или «Выдели назначенные препараты, дозы и изменения схемы; неизвестное обозначь как неизвестное». Здесь проще заметить пропуск, чем в длинном рассуждении о нескольких заболеваниях.

Главная опасность хорошего пересказа — незаметное изменение смысла. «Пациент отрицает боль» может превратиться в «боль не оценена», предположение — в диагноз, отменённый препарат — в действующее назначение. Поэтому при проверке сводки стоит сопоставлять не весь текст подряд, а критические элементы: даты, отрицания, дозировки, аллергии, источники и степень уверенности. Это предлагаемая нами организация проверки, а не результат отдельного клинического испытания.

Современные модели умеют больше. Что именно доказано?

Языковые модели стали лучше работать с длинным контекстом, изображениями и последовательностью действий. Но в клиническом разборе требуется не просто воспроизвести знания. Нужно заметить, каких данных нет, отличить главное от сопутствующего и ответить на тот вопрос, который поставил врач.

AMIE: разговор, изображения и несколько визитов

В исследовании AMIE, опубликованном в мае 2026 года, система на основе Gemini 2.0 Flash участвовала в 105 симулированных консультациях с актёрами-пациентами. Она работала с изображениями, ЭКГ и документами. По оценкам специалистов система превосходила врачей первичной помощи по 29 из 32 исследованных параметров. Однако это была исследовательская симуляция, а не подтверждение пользы для реальных пациентов; система также отличалась от обычного пользовательского чата. Nature Medicine [5]

Другая работа AMIE 2026 года перенесла проверку на последовательность визитов: как меняются план и рекомендации при появлении новых сведений. В симулированных сценариях система показала перспективные результаты по качеству ведения и соответствию рекомендациям. Это шаг к проверке длительного сопровождения, но пока не доказательство эффективности автономного ведения больного. Nature [6]

GPT‑5.2, Gemini 3.1 Pro и Claude Opus 4.6: тест не равен приёму

В июньской работе Nature Medicine сравнили эти три универсальные модели со специализированными медицинскими системами OpenEvidence и UpToDate Expert AI. Помимо экзаменационных задач использовали 100 обезличенных реальных врачебных запросов и слепые оценки клиницистов. Универсальные модели получили более высокие оценки в рамках этого сравнения. Значимых различий по оценённым показателям вреда и галлюцинаций не обнаружили. Сравнение 2026 года [7]

В сентябре появилась методологическая критика. В ответе авторы признали ограничения тестовых наборов, в том числе риск того, что экзаменационные задания могли встречаться в обучающих данных, и влияние модели-оценщика. Это не отменяет исследование, но ограничивает его выводы: таблица результатов не выбирает «лучшего ИИ-врача» для любой клиники. Обсуждение [8] · Ответ авторов [9]

Практический смысл этих работ — возможность получать полезный второй взгляд на сложный материал. Но проверить приходится весь маршрут: исходные документы, поиск источников, правила подготовки ответа и действия врача после прочтения. Сильная базовая модель — только один из компонентов.

Когда хороший ответ не улучшает лечение

В июне 2026 года опубликовано рандомизированное исследование поддержки клинических решений в первичной помощи Кении. В 16 учреждениях участвовали 103 медицинских специалиста; в анализ вошли 9 347 обращений. Основным показателем была не оценка текста, а неуспех лечения в течение 14 дней. Nature Medicine [4]

Статистически значимого улучшения основного исхода не получили, хотя качество документации повысилось. Нежелательных сигналов безопасности исследователи не обнаружили в пределах этого испытания. При этом событий было меньше ожидаемого, наблюдение было коротким, а сравнительно небольшую пользу такой дизайн мог не выявить.

Это особенно полезный результат для клиники. Инструмент может сделать запись лучше, но исход лечения зависит ещё от доступности обследований, лекарств, повторного визита, соблюдения рекомендаций и исходного качества помощи. Улучшение одного звена не гарантирует улучшения всей цепочки.

Почему нельзя сравнивать только названия моделей

У исследования есть как минимум две даты: когда собирали данные и когда вышла статья. Проспективная проверка занимает месяцы; к публикации модель может получить несколько обновлений. Поэтому старое название модели не делает исследование бесполезным, а новое — не делает его доказательства автоматически сильнее.

Разумный подход сочетает свежие проверки возможностей с наблюдением в настоящем процессе. Бенчмарк помогает выбрать кандидата для испытания. Работа с врачами показывает, как им пользуются. Клиническое исследование отвечает на вопрос о результате для пациентов. Подменять один этап другим нельзя.

ИИ помогает открывать лекарства. Испытания всё равно нужны

Применение ИИ не ограничивается кабинетом врача. Модели ищут связи в биологических данных, помогают выбрать молекулярную мишень, предлагают структуры соединений и оценивают, какие кандидаты стоит проверять экспериментально. Это способ ускорить поиск, но не получить готовое лекарство без лаборатории и клинических исследований.

В 2025 году опубликована рандомизированная фаза 2a исследования рентосертиба при идиопатическом лёгочном фиброзе. ИИ использовали при поиске мишени и разработке молекулы. В испытании участвовал 71 пациент, лечение продолжалось 12 недель; основной задачей была оценка безопасности и переносимости. Изменения функции лёгких изучали как дополнительные показатели. Nature Medicine [10]

Это содержательный пример: путь от вычислительной гипотезы действительно дошёл до пациентов. Однако небольшая ранняя фаза не доказывает окончательную эффективность, долгосрочную безопасность или преимущество перед существующей терапией. Происхождение молекулы не заменяет обычную доказательную программу.

Для медицинской науки перспективны и менее заметные задачи: сопоставление результатов исследований, поиск подходящих критериев включения в испытания, выделение пробелов в данных. Но даже при грамотном поиске нужно отличать найденную публикацию от её правильной интерпретации. Обзор, который собран быстро, может оказаться односторонним, если система пропустила отрицательные результаты или повторно учла одну и ту же выборку.

Самая опасная ошибка выглядит правдоподобно

Проблема генеративного ИИ не сводится к выдуманной статье. Ответ может содержать настоящую ссылку, верную общую мысль и одну неверную деталь, которая меняет решение. Например, модель переносит рекомендацию для другой возрастной группы, смешивает две даты обследований или делает диагностический вывод по отсутствующему показателю. ВОЗ отдельно рассматривает риски ошибок, предвзятости, избыточного доверия, конфиденциальности и кибербезопасности больших мультимодальных моделей. Руководство ВОЗ [16]

Почему ссылка не гарантирует правильности

Система с поиском по источникам обычно сначала отбирает фрагменты документов, затем составляет ответ. Ошибка возможна на каждом шаге: нужную рекомендацию не нашли, нашли устаревшую версию, выбрали соседний абзац или сделали вывод шире, чем допускает источник. Поэтому проверяется не только наличие ссылки, но и соответствие конкретного утверждения конкретному месту в документе.

• Данные пациентаВозраст, пол, даты, единицы, отрицания и принадлежность документов одному случаю.
• Клинический выводОтделены ли установленный факт, вероятная гипотеза и недостающие сведения?
• Лечение и дозаЕсть ли показания, противопоказания, путь введения и условия применимости? Подтверждён ли источник?
• ИсточникиОткрывается ли ссылка, актуальна ли версия и поддерживает ли документ именно этот вывод?
• Ответ на запросРешена ли поставленная задача? Длинный текст сам по себе не означает полноту.

Перенос в другую клинику может изменить результат

Показателен опыт модели прогнозирования сепсиса Epic. Независимая внешняя проверка 2021 года обнаружила существенно более слабые характеристики, чем ожидалось: при рассмотренном пороге система пропускала много случаев и одновременно создавала значительную нагрузку уведомлениями. Это исторический пример конкретной версии прогностической модели, а не оценка современных языковых моделей или всех продуктов Epic. JAMA Internal Medicine [12]

Вывод для внедрения сохраняет силу: инструмент нужно проверять на собственном потоке данных. Отличаются оборудование, частота заболеваний, язык документации, сокращения и порядок обследований. Одна и та же «точность» может означать совершенно разное число ложных тревог в скрининге редкого состояния и в специализированном отделении.

Станет ли врач хуже работать без подсказки?

Однозначного ответа пока нет. Наблюдательная работа 2025 года выявила снижение частоты обнаружения аденом при колоноскопии без ИИ после периода использования подсказок. Но её дизайн не доказывает, что причиной была именно потеря навыка. В проспективном исследовании 2026 года эффекта ухудшения при работе без ИИ после его использования не обнаружили. Исследование 2025 года [13] · Исследование 2026 года [14]

Поэтому полезнее организовать работу так, чтобы собственное суждение врача оставалось видимым: фиксировать предварительную оценку до подсказки, обсуждать расхождения и периодически проверять качество без помощи системы. Это практическая рекомендация для обучения и контроля, а не обещание полного устранения риска.

Что дают исследования — и чего из них не следует

У каждого результата есть собственная единица измерения: найденная опухоль, минута работы, оценка эксперта или неуспех лечения. Чем ближе показатель к цели внедрения, тем полезнее исследование для решения клиники.

Экономит ли ИИ время в вашей клинике?

Сравните одну и ту же задачу до и после внедрения. Учитывайте подготовку данных, чтение и правки результата. Подставьте собственные наблюдения: числа ниже — только пример.

Как клинике проверить пользу до масштабирования

Ниже — предлагаемый редакцией порядок пилота. Он помогает организовать проверку, но не заменяет клиническое исследование, проверку правового статуса продукта или оценку информационной безопасности.

1. Выберите одну задачу. Например, подготовку хронологии из выписок. «Внедрить ИИ во всю клинику» слишком широко: непонятно, где возник эффект и что исправлять.
2. Опишите обычный процесс. Кто выполняет задачу, сколько времени тратит, какие ошибки уже встречаются, что считается законченным результатом.
3. Соберите представительные случаи. Нужны простые и сложные примеры, короткие запросы и подробные истории, неполные данные, противоречия, сканы разного качества. Нельзя проверять только заранее удобные примеры.
4. Заранее задайте критерии. Полнота критических данных, соответствие вопросу, обоснованность вывода, актуальность источников, ошибки доз и дат. Для опасных ошибок нужен отдельный учёт, а не растворение в среднем балле.
5. Сравните результаты вслепую, где это возможно. Оценщик не должен знать, какой ответ подготовлен с ИИ. Разногласия врачей разбирают отдельно; медицинская оценка не всегда сводится к одному числу.
6. Измерьте полные затраты. Подготовка, ожидание, чтение, исправления и повторные попытки входят в стоимость процесса. Время генерации на экране — только часть этих затрат.
7. Зафиксируйте условия остановки. Что происходит при критической ошибке, кто её разбирает, как отключить проблемную функцию и вернуться к обычной работе.
8. Контролируйте обновления. Храните версию модели, источников и правил подготовки ответа. После существенного изменения повторяйте проверку на контрольных случаях.

Особый критерий — намерение врача

«Сверь показания к операции» и «разбери случай целиком» — разные задания, даже если приложены одинаковые документы. Хороший инструмент должен распознать задачу и её границы. Сухой запрос из нескольких пунктов не даёт основания придумывать недостающий анамнез, а длинная история не требует отвечать на все мыслимые вопросы.

Для проверки полезны пары случаев: один комплект документов с разными запросами и один запрос с разной полнотой данных. Оцените, меняется ли фокус ответа, отделяются ли неизвестные сведения и сохраняются ли важные ограничения. Ответ может быть кратким и качественным; объём не стоит включать в критерии успеха сам по себе.

Кто увидит данные и кто отвечает за результат

До пилота нужно определить допустимые данные, места их обработки и хранения, сроки удаления, права доступа и действия при сбое. Если используется внешний поставщик, отдельно выясняют, сохраняет ли он запросы и использует ли их для обучения. Обещание «без регистрации» не отвечает на эти вопросы. Для реальных медицинских документов требуется согласованный с ответственными специалистами порядок работы, а не только удобная форма загрузки.

Пилот можно признать успешным, когда по заранее установленным критериям улучшается выбранная задача, приемлемы затраты и понятен порядок обращения с ошибками. Единого «правильного» числа случаев для всех продуктов нет: оно зависит от ожидаемого эффекта, редкости опасных ошибок и риска применения.

Перспектива — помощь в процессе, а не бесконечный чат

Наиболее интересное развитие — объединение нескольких функций: найти нужную рекомендацию, сверить её с документами, показать расхождения, подготовить короткий вывод и сохранить, на основании чего он сделан. Такая система полезна не количеством написанного, а тем, что врачу легче проверить и принять решение.

Мультимодальность добавляет работу с изображениями и сигналами, а длительный контекст — возможность учитывать изменение состояния во времени. Агентные системы способны последовательно выполнять несколько действий. Но чем больше действий они выполняют самостоятельно, тем важнее границы полномочий, журнал операций и возможность остановиться при недостатке данных.

Оценки тоже становятся шире. Например, MedHELM рассматривает множество медицинских задач: клиническое решение, документацию, общение, исследования и административную работу. Это полезный сдвиг от одного экзаменационного балла к профилю сильных и слабых сторон. Но даже широкий бенчмарк остаётся лишь частью проверки. Stanford MedHELM [17]

А что с общением с пациентами?

Понятное объяснение — отдельная задача. Человек может неверно сформулировать симптом, не сообщить важный признак или не понять рекомендацию. В рандомизированной работе с 1 298 участниками доступ к языковым моделям не дал ожидаемого улучшения медицинских решений неспециалистов на сценариях. Хороший ответ модели в изоляции не гарантировал хорошего результата взаимодействия с человеком. Nature Medicine, 2026 [15]

Поэтому ближайшая практическая цель для клиники — не максимальная автономность. Это надёжная помощь в ограниченной задаче: понятный результат, проверяемые источники, измеримое изменение работы и сохранённая ответственность врача. Именно такой инструмент имеет смысл испытывать и постепенно расширять.

Источники и способ подготовки материала

Материал подготовлен по публикациям, доступным на 20 октября 2026 года. Это редакционный научно-популярный обзор, не систематический обзор и не метаанализ. Мы целенаправленно отбирали первичные исследования с разными результатами, современные сравнения моделей, крупный опрос и рекомендации ВОЗ. Отдельно отмечали симуляции, наблюдательные данные и клинические испытания. Дата публикации не всегда совпадает с периодом сбора данных.

1. AMA. Использование ИИ врачами12 марта 2026 · опрос 1 692 врачей США; самоотчёт, не оценка эффективности
2. Gommers et al. MASAI: интервальные раки при скринингеThe Lancet, 2026 · рандомизированное исследование; DOI: 10.1016/S0140-6736(25)02464-X
3. Lukac et al. Ambient AI scribesNEJM AI, 2025 · рандомизированное исследование двух инструментов документации
4. Agweyu et al. Поддержка клинических решений в КенииNature Medicine, 2026 · рандомизированное исследование в первичной помощи
5. Saab et al. Мультимодальный диалог AMIENature Medicine, 2026 · 105 симулированных консультаций
6. Liévin et al. AMIE и ведение пациента во времениNature, 2026 · оценка на клинических симуляциях
7. Vishwanath et al. Универсальные и медицинские ИИ-системыNature Medicine, 2026 · сравнительный бенчмарк, включая GPT‑5.2, Gemini 3.1 Pro и Claude Opus 4.6
8. Beaulieu-Jones, Nemati. Ограничения сравнительных бенчмарковNature Medicine, сентябрь 2026 · методологическая критика исследования
9. Vishwanath et al. Ответ на методологическую критикуNature Medicine, сентябрь 2026 · уточнение границ выводов
10. Рентосертиб при идиопатическом лёгочном фиброзеNature Medicine, 2025 · рандомизированная фаза 2a; кандидат разработан с применением ИИ
11. Lin et al. ЭКГ-оповещения с поддержкой ИИNature Medicine, 2024 · рандомизированное исследование смертности в стационаре
12. Wong et al. Внешняя проверка модели прогнозирования сепсисаJAMA Internal Medicine, 2021 · независимая ретроспективная валидация
13. Budzyń et al. Навыки эндоскопистов после работы с ИИLancet Gastroenterology & Hepatology, 2025 · наблюдательное исследование
14. Learning and deskilling effects of AI in colonoscopy2026 · прагматическое проспективное исследование
15. Использование языковых моделей для медицинских решений неспециалистамиNature Medicine, 2026 · рандомизированное исследование на сценариях
16. ВОЗ. Этика и управление большими мультимодальными моделями2024 · руководство по рискам, ответственности и внедрению
17. Stanford MedHELM. Комплексная оценка медицинских задачИсследовательская система оценки; задачи, наборы данных и ограничения бенчмарков