🧪 97% на медэкзамене. И это только первый этаж медицинского ИИ

Я собрала в одну карту почти 30 свежих исследований и бенчмарков из 14 научных журналов, лабораторий и репозиториев: Nature Medicine, Lancet, NEJM AI, JAMIA, Stanford и других.

Картина впечатляет:

97,4% на медицинском экзамене MedQA.
55–60% в открытой диагностике без вариантов ответа.
46% в PhysicianBench, где агент изучает реальную электронную карту, рассуждает, выполняет действия и делает в среднем 27 обращений к инструментам на одну задачу. ([Nature][1])

Это лестница автономности.

Сначала модель демонстрирует знания. Затем ставит диагноз в условиях неопределённости. Следующая ступень: самостоятельно найти нужные данные, собрать историю пациента, выбрать инструменты, выполнить клинические действия и оформить результат.

На отдельных задачах ИИ уже превосходит врачей. В рандомизированном исследовании симулированных приёмов AMIE показала более высокую диагностическую точность и получила лучшие оценки по 30 из 32 клинических критериев. В HealthBench Professional система на базе GPT-5.4 набрала больше баллов, чем ответы профильных врачей. ([Nature][2])

Причём научные публикации выходят медленнее, чем обновляются модели. Часть исследований уже тестирует предыдущие поколения. Поэтому эти цифры скорее моментальный снимок быстро растущей технологии.

И ещё важное: здесь измеряется преимущественно клиническое мышление. Огромный ближайший эффект ИИ лежит в другом слое: документации, выписках, кодировании, сообщениях, маршрутизации пациентов и работе с медицинскими данными.

В исследовании 263 специалистов после месяца работы с AI-скрайбом доля участников с признаками выгорания снизилась с 51,9 до 38,8%. Одновременно уменьшились когнитивная нагрузка и работа с документами после приёма. ([JAMA Network][3])

ИИ уже набрал достаточно медицинского интеллекта, чтобы менять здравоохранение.

Следующий скачок произойдёт, когда этот интеллект станет инфраструктурой, а врач снова получит самый дефицитный ресурс: внимание к человеку.

📎Я постаралась собрать всё в одном месте. Полный обзор с исследованиями, бенчмарками и ссылками на первоисточники прикрепила в предыдущем сообщении.
—————

[1]: https://www.nature.com/articles/s41591-026-04431-5?utm_source=chatgpt.com "General-purpose large language models outperform specialized ..."
[2]: https://www.nature.com/articles/s41586-025-08866-7 "Towards conversational diagnostic artificial intelligence | Nature"
[3]: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2839542?utm_source=chatgpt.com "Use of Ambient AI Scribes to Reduce Administrative ..."

🥺Худший способ внедрить ИИ в клинике

Начать с вопроса:
«Куда нам встроить ИИ?»

Правильный вопрос другой:

Где клиника теряет время, деньги, внимание сотрудников или качество помощи?

ИИ не исправляет процесс. Он усиливает то, что уже есть. Хороший процесс станет быстрее. Плохой начнёт производить хаос в промышленных масштабах.

📎Что автоматизировать первым

Обычно не самые эффектные задачи:

🔵запись и подтверждение визитов;
🔵ответы на типовые вопросы;
🔵сбор и проверку документов;
🔵обработку обращений;
🔵транскрибацию;
🔵черновики выписок;
🔵поиск и сверку данных в карте.

Хороший кандидат:

🔵часто повторяется;
🔵работает по понятным правилам;
🔵имеет контролируемую цену ошибки;
🔵освобождает действительно ценное время;
🔵позволяет измерить результат до и после.

📎Что автоматизировать рано

Не стоит начинать, если:

🔵каждый сотрудник выполняет процесс по-своему;
🔵процесс постоянно меняется;
🔵у него нет владельца;
🔵ошибку сложно заметить;
🔵система влияет на клиническое решение без строгой проверки.

📎Сначала стандартизация. Потом автоматизация.

Главная ловушка

Автоматизировать отдельное действие, но не весь путь.

ИИ создаёт запись. Врач её проверяет, копирует в другую систему, исправляет форматирование и добавляет пропущенные поля.

Формально ИИ внедрён. Фактически появилась новая работа.

Считать нужно не минуты, которые сэкономила модель, а время всего процесса: проверку, исправления, интеграции и разбор исключений.

Система может хорошо обрабатывать 90% случаев, но оставшиеся 10% съедят весь эффект.

📎Готовый сервис VS своя разработка

Типовые задачи обычно разумнее закрывать готовыми решениями.

Своя система оправдана, если процесс уникален, стратегически важен, имеет большой объём и клиника готова поддерживать продукт годами.

Чаще всего оптимальна гибридная модель: готовые сервисы для стандартных функций, собственная логика и данные внутри клиники.

📎Как запускать

Не нужна AI-стратегия на сто страниц.

Нужны:

🔵один ограниченный сценарий;
🔵исходные метрики;
🔵реальные пользователи;
🔵критерии успеха и остановки;
🔵оценка качества, времени, экономики и рисков.

Закрыть неудачный пилот не провал. Провал — продолжать его только потому, что уже вложились.

Искать нужно не применение для ИИ. Искать нужно узкое место клиники.

Хорошая автоматизация забирает повторение, но не создаёт новую работу и не размывает ответственность.

——
Чуть нагляднее-в прикрепленной презентации 👆

🥳 Друзья, завершилась трёхнедельная программа MedSignal AI — и она превзошла мои ожидания почти во всём.
🔵120 участников с очень сильной экспертизой в медицине и IT
🔵11 живых встреч со спикерами, чаще всего по два часа и больше
🔵12 отдельных видеоуроков
🔵Практика, гайды, плагины, материалы и готовые решения на GitHub

Мой внутренний перфекционист редко бывает по-настоящему доволен. Но здесь даже он немного растерялся — и, кажется, вдохновился.

У меня самой после программы осталось много инсайтов, которыми буду постепенно делиться.

Один из модулей был посвящён внедрению ИИ в бизнес и клинические процессы. Прикрепляю презентацию моего выступления, а ниже — главные тезисы о том, что в клинике действительно стоит автоматизировать и как не ускорить хаос.

(см. предыдущий пост выше 👆)

Мы, кажется, слишком долго учили AI давать правильные ответы. Следующая задача сложнее: научить его понимать, когда ответа недостаточно для действия.

Oб этом вышла моя новая статья в Unite.AI — международном AI-издании, которое читают на стыке research, tech и industry.
Статья формально про FemTech. Но на самом деле, про одну из главных проблем всего health AI.

Мы очень долго оптимизировали prediction.
Sensitivity. Specificity. AUROC. Calibration. Confidence scores.
Но в реальном медицинском продукте prediction - это только середина цепочки.

После того как модель сказала «вероятность 72%», возникает гораздо более важный вопрос:

что системе теперь разрешено сделать?

72% может быть достаточно, чтобы предложить повторить измерение завтра.
Недостаточно — чтобы отменить визит к врачу.

И совсем другая планка нужна, если ошибка меняет лечение, влияет на репродуктивное решение или создаёт ложное ощущение безопасности.

То есть качество AI-системы нельзя оценивать отдельно от стоимости ошибки и последующего действия.

И тут начинается более интересная инженерия.

Например, два одинаковых confidence score могут означать совершенно разное качество знания.

В одном случае у системы год стабильных данных, хороший baseline и все входные сигналы согласованы.
В другом — три измерения, пропуски, jet lag, болезнь и пользователь, который только вчера начал носить устройство.

Интерфейс может показать одинаковые «78%».
Но эпистемологияески это две разные вселенные.
Поэтому следующий слой health AI — не просто лучше предсказывать.
Он должен уметь различать:

🔵uncertainty модели — насколько неоднозначен сам вывод
🔵uncertainty данных — достаточно ли вообще информации
🔵и decision uncertainty — достаточно ли этого знания для конкретного действия.

Это три разные проблемы. Мы пока часто схлопываем их в одно красивое число.

Есть ещё один парадокс.

Мы обычно воспринимаем отказ AI отвечать как недостаток системы. В медицине всё может быть наоборот.

Способность сказать:
«данных недостаточно»,
«я вышел за область, на которой был валидирован»,
«цена ошибки здесь слишком высока»,
«нужен человек»
— может быть признаком более зрелой системы, чем ещё один уверенный prediction.

Это называется abstention: система сознательно не принимает решение, когда ожидаемая надёжность недостаточна.

И, на мой взгляд, это одна из самых недооценённых product capabilities в healthcare AI.

Потому что хороший медицинский AI должен оптимизировать не количество ответов, а качество решений во всей системе человек + данные + модель + workflow.

И здесь меняется сама единица качества. Не:«насколько точна модель?»
А:«насколько хорошо система управляет переходом от неопределённого знания к реальному действию?»

В статье я называю это переходом from prediction to accountable action.

И мне кажется, именно здесь сейчас находится одна из самых интересных границ medical AI.

📎Статья в Unite.AI:
https://www.unite.ai/femtech-ai-uncertainty-design/

😺Почему нейронка рекомендует одну клинику, а другую как будто не видит

Part1️⃣

Пациент пишет: «Найди хорошую клинику репродуктивной медицины в Нью-Йорке».
Кажется, что AI сейчас пойдёт в интернет, просмотрит клиники и выберет лучшие.
Но данные показывают другую механику.
В эксперименте с 180 медицинскими запросами в 179 случаях из 180 уже первое наблюдаемое поисковое действие ChatGPT содержало название конкретного провайдера. А 85% клиник из финальных рекомендаций были среди этих первоначальных кандидатов.
То есть поиск AI, вероятно, устроен не как классическая выдача Google. Скорее как несколько последовательных фильтров.

1. Сначала формируется пул кандидатов.
Модель уже имеет некоторое представление о клиниках, врачах, брендах, специализациях и связях между ними.
Поэтому ещё до полноценной проверки в интернете некоторые организации могут оказаться «в поле зрения», а другие нет.
Отсюда первый принцип GEO (Generative Engine Optimization):
если AI плохо понимает, кто вы, чем занимаетесь и с чем вас связывать, до финального сравнения можно вообще не дойти.

2. Затем вопрос раскладывается на подзадачи.
Современный AI-поиск может переписывать запрос и запускать несколько поисков.
Например:
- клиника репродуктивной медицины в Нью-Йорке
- ЭКО после 40
- ПГТ-А
- страховка Aetna
- стоимость ЭКО
- срок записи
Поэтому клиника конкурирует уже не за один запрос «лучшая клиника ЭКО».
Она должна быть релевантна набору конкретных признаков, из которых AI собирает ответ.
При общем вопросе только 7,4% финальных рекомендаций составляли новые клиники, которых не было среди первых кандидатов.
Когда добавлялись цена и страховка, их становилось уже 36,1%.
То есть известность помогает войти в первоначальный список. Детальная и актуальная информация позволяет этот список изменить.

3. AI ищет доказательства.
Дальше важен уже не красивый брендовый текст, а информация, которую легко извлечь и сопоставить:
• какие процедуры вы проводите
• какие врачи их проводят
• где находится клиника
• какие страховки принимаете
• какие есть цены и варианты оплаты
• когда информация обновлена
• насколько быстро можно записаться
• подтверждают ли это другие источники
Фраза «индивидуальный подход и медицина мирового уровня» почти ничего машине не сообщает.
А вот:
«Принимаем Aetna PPO. Проводим ЭКО и ПГТ-А. Первичная консультация без страховки стоит $250. Информация обновлена в августе 2026 года»
уже содержит факты, которые можно найти, сравнить и использовать в ответе.

4. AI смотрит не только на ваш сайт.
Для нейросети клиника существует не одной страницей, а сетью упоминаний:
сайт клиники + профили врачей + профиль в Google + медицинские каталоги + публикации + СМИ + связи с госпиталями + научные работы + независимые сайты.
В медицинских запросах AI особенно часто цитирует крупные институциональные источники: Mayo Clinic, Cleveland Clinic, NHS, PubMed и другие авторитетные площадки.
Поэтому внешнее подтверждение становится частью GEO.

Ваш сайт говорит, кто вы. Интернет подтверждает, стоит ли этому верить.
Если на сайте один адрес, в каталоге другой, врач уже ушёл, страховка больше не принимается, а цены нигде не указаны, для AI это не просто плохой маркетинг. Это низкая уверенность в данных.

5. Единого рейтинга AI не существует.
Ещё один медицинский эксперимент показал:
совпадение источников ChatGPT с органическим Google Top-20 составило 13,6%.
У Gemini с Google было 53,9%.
А пересечение источников ChatGPT и Gemini оказалось совсем небольшим.
Поэтому «мы первые в Google» и «нас рекомендует ChatGPT» уже становятся разными задачами.
И один красивый скриншот, где ChatGPT поставил клинику на первое место, тоже мало что значит. Генеративная выдача вариативна: нужно тестировать разные формулировки, сценарии пациентов и повторные запросы.


❓Что же тогда делать клиникам? Продолжение в следующем посте🔽

Part 2⃣

😺Что клинике реально делать для GEO

Как нейронка формирует ответ разобрали в предыдущем посте💜

1. Сделать информацию о клинике однозначной.
Одинаковое название, адрес, врачи, специализации и услуги во всех ключевых источниках.

2. Строить понятную семантическую архитектуру сайта.
Отдельные страницы для самостоятельных сущностей и тем: врачей, услуг, филиалов, крупных направлений. Близкие вопросы объединять внутри одной сильной страницы, например стоимость, страховку, сроки и возрастные особенности ЭКО. Иначе страницы начинают конкурировать между собой и размывают для AI понимание, какая из них главная.

3. Публиковать факты вместо маркетинговых прилагательных.
Цены, страховки, процедуры, оборудование, квалификация врачей, сроки, адреса, ограничения.

4. Постоянно обновлять операционную информацию.
Устаревшие данные создают противоречия между источниками и снижают уверенность системы.

5. Развивать внешнюю авторитетность.
Профессиональные каталоги, медицинские сообщества, сотрудничество с госпиталями, экспертные публикации, исследования, качественные независимые упоминания.

6. Делать информацию понятной для машины.
Чистая структура сайта, ясные заголовки, отдельные страницы врачей и услуг, структурированные данные.

7. Не делать ставку на GEO-хаки.
llms.txt, тысячи AI-статей и специальные «тексты для ChatGPT» пока не имеют убедительных доказательств как универсальная стратегия.

8. Измерять не позицию, а сценарии.
Проверять ChatGPT, Gemini и Google по вопросам разных пациентов: цена, диагноз, страховка, возраст, география, срочность, конкретная процедура.

Поэтому GEO я бы определила не как «SEO для нейросетей».
SEO помогало поисковику найти страницу.
GEO помогает AI понять организацию, проверить её и решить, подходит ли она конкретному человеку.
Раньше клиника контролировала историю о себе на собственном сайте.
Теперь её цифровой профиль распределён по всему интернету.
И именно из этого цифрового следа AI собирает свою версию того, кому стоит доверить пациента.


📚Источники
Rotgar: ChatGPT Medical Provider Shortlists
Rotgar: Google vs ChatGPT vs Gemini Source Overlap
Aggarwal et al. GEO: Generative Engine Optimization, KDD 2024
Martinez. Critical Survey of GEO, 2026
Zhang et al. Citation Selection vs Citation Absorption, 2026
Chen et al. Generative Engine Optimization and Earned Media
Jacques et al. Authority Signals in AI-Cited Health Sources
OpenAI: How ChatGPT Search works
Google: AI features and your website

🤖 Как собрать AI-систему под задачу, а не наоборот

Мы слишком долго думали про AI как про «одного очень умного помощника». Но сложные системы всё чаще строятся иначе: несколько агентов, разные роли и разные схемы взаимодействия.

Я уже говорила об этом раньше, но вопросы продолжают приходить. Поэтому оставлю здесь ещё раз.

🖇️Когда проектируете AI-систему, думайте не только о том, какую модель выбрать, но и как агенты будут работать друг с другом.

🔵Вот 7 базовых архитектур:

1. Один агент / Single Agent
Один агент делает всё сам.
Когда: короткие понятные задачи без специализации.
Пример: бот клиники отвечает про запись, часы работы и подготовку к визиту.
+: просто, быстро, дёшево.
-: хуже справляется с длинными и сложными задачами.

2. Координатор + субагенты / Coordinator + Sub-agents
Главный агент распределяет части задачи между специалистами и собирает результат.
Когда: задачу можно разделить на независимые экспертные блоки.
Пример: виртуальный консилиум: кардиология одному агенту, эндокринология другому, координатор объединяет выводы.
+: специализация и параллельная работа.
-: детали могут теряться при передаче, координатор становится узким местом.

3. Рой / Swarm
Центрального начальника нет: агенты сами передают задачу дальше.
Когда: маршрут заранее неизвестен.
Пример: агент записи передаёт пациента агенту по страховке, тот — агенту по анализам.
+: гибкость.
-: сложнее контролировать, возможны циклы и лишние расходы.

4. Конвейер / Pipeline
Каждый агент выполняет один шаг и передаёт результат следующему.
Когда: процесс повторяется, а этапы заранее известны.
Пример: PDF с анализами → распознать → проверить → записать в базу → обновить дашборд.
+: предсказуемо, просто, дёшево.
-: ошибка в начале может пройти через всю цепочку.

5. Иерархия / Hierarchy
Система устроена как компания: «директор» → менеджеры → исполнители.
Когда: много специализированных агентов и нужно разделить ответственность.
Пример: управление клиникой через отдельные блоки лаборатории, стационара и регистратуры.
+: хорошо масштабируется.
-: дорого и медленно из-за нескольких уровней передачи информации.

6. Общая доска / Blackboard
Все агенты работают с одной общей памятью.
Когда: нужен единый источник данных и сохранение контекста.
Пример: несколько AI-специалистов читают и обновляют одну карту пациента.
+: меньше потери информации.
-: память нужно очень хорошо структурировать.

7. Дебаты + судья / Debate + Judge
Несколько агентов независимо решают одну задачу, отдельный агент сравнивает выводы.
Когда: цена ошибки высокая.
Пример: несколько AI-агентов разбирают сложный клинический случай, а «судья» сравнивает аргументы.
+: выше шанс заметить ошибку или альтернативную гипотезу.
-: дорого, а одинаковые модели могут повторять одинаковые ошибки.

🖇️ И важный момент: на практике эти архитектуры часто комбинируют.

Например, координатор распределяет задачи между специалистами, все работают с общей памятью, а спорные случаи запускают режим «дебаты + судья».

Поэтому я бы начинала не с вопроса «сколько агентов нам нужно?», а с другого:

Как должна двигаться информация и кто должен принимать решение на каждом этапе?

Из ответа на этот вопрос и рождается архитектура.

😳Stanford собрал виртуальную biotech-компанию из десятков тысяч AI-агентов.

У неё есть виртуальный научный директор и целые отделы: поиск терапевтических мишеней, безопасность, выбор типа терапии, анализ клинических исследований.

В одном из проектов система запустила около 37 000 агентов, которые разобрали 55 984 клинических исследования. Агенты читают результаты исследований, сопоставляют генетику, single-cell данные, биологические пути и клиническую информацию, а затем собирают всё это в научные гипотезы. Почти как фармкомпания, но где почти нет нанятых людей.

И это уже не только упражнение с научными статьями. Virtual Biotech использовали, например, для поиска стратегии лечения рака лёгкого. Система самостоятельно собрала доказательства из разных источников и предложила конкретную мишень и тип терапии.

💊 Параллельно ещё одина важная AI-веха.

Rentosertib, препарат от идиопатического лёгочного фиброза, в сентябре 2026 года получил первого пациента уже в III фазе клинических испытаний. AI использовали сначала для поиска новой мишени TNIK, а затем для создания самой молекулы препарата. Это первый generative-AI drug такого типа, дошедший до III фазы!

Мне здесь больше всего интересно следующее:
AI резко увеличивает количество гипотез, которые мы можем придумать и проверить интеллектуально. И давление постепенно переносится дальше по цепочке: в реальные эксперименты, безопасность, клинику и регуляцию.

Причём даже этот слой уже начинает ускоряться. FDA расширяет использование органоидов, organs-on-chips и компьютерных моделей в доклинической разработке лекарств.

Идею нового лекарства скоро можно будет получить очень быстро. Самой дорогой частью науки останется убедить реальность, что идея работает.

Источники:
- Stanford Medicine.
- Virtual Biotech
- Официальное сообщение
- Nature Medicine.