Статьи с темой: «большие языковые модели»
-
2026 № 6 Процесс создания агента на базе искусственного интеллекта для решения задач управленческой офтальмологии.
Цифровизация здравоохранения и рост рынка агентного искусственного интеллекта обостряют потребность в автоматизации конкурентной разведки, особенно в высококонкурентных сегментах частной медицины, таких как офтальмология, где коммерческий результат напрямую зависит от ценовой политики, спектра услуг и репутации на цифровых площадках.
На этом фоне традиционный ручной мониторинг сайтов и прайс-листов конкурентов оказывается трудозатратным, нерегулярным и плохо масштабируемым, что обосновывает необходимость создания специализированного ИИ-агента для поддержания управленческих решений.
Цель исследования: разработка и описание архитектурных подходов к созданию ИИ-агента конкурентного мониторинга для офтальмологической клиники, включающих методологию сбора и анализа данных о конкурентах, выбор технологического стека и способы интеграции агента в управленческие процессы медицинской организации.
Материалы и методы. Исследование выполнено в формате методологической разработки программного решения с использованием официальных веб-сайтов офтальмологических клиник в пределах МКАД, отобранных по данным
Яндекс.Карт и 2ГИС при наличии актуальной карточки организации и функционирующего сайта. Реализация базировалась на языке Python 3, фреймворке LangChain для построения агентных конвейеров и RAG-подхода, библиотеках requests и BeautifulSoup для веб-краулинга, pandas и SQLAlchemy для табличной обработки и работы с базами данных (SQLite3 и MariaDB), векторизации текстов моделью paraphrase-multilingual и локальном развёртывании LLM (Qwen 2.5 и Llama 3.1) через Ollama; сбор данных осуществлялся собственным веб-краулером с обновлением базы дважды в месяц.
Результаты. Разработан ИИ-агент, реализующий полный цикл конкурентного мониторинга: плановый обход сайтов клиник, извлечение и структурированное хранение текстового контента, семантический поиск по запросам управленческого персонала и формирование ответов в виде сравнительных таблиц. Агента успешно использовали для ценового мониторинга ключевых офтальмологических услуг, анализа спектра процедур и подготовки сводных отчётов; тестирование показало стабильную воспроизводимость результатов и отсутствие фактических ошибок за счёт RAG-архитектуры, при этом время выполнения типового запроса сократилось примерно с 2 часов ручной работы до менее чем 12 минут (до 1,5–2 минут при использовании облачных моделей), что обеспечивает многократную экономию трудозатрат и формирует заметный экономический эффект.
Выводы. ИИ-агент на основе локально развёрнутых языковых моделей и RAG-подхода продемонстрировал практическую применимость для задач конкурентного мониторинга в частной офтальмологии, обеспечивая достоверный, воспроизводимый и экономически эффективный инструмент поддержки управленческих решений. Предложенный методологический фреймворк, включающий векторную базу данных, многоуровневую фильтрацию запросов и отказ от внешних облачных сервисов, может быть адаптирован для медицинских организаций и других профилей при учёте доменной специфики, а дальнейшее развитие решения связано с расширением аналитических модулей и автоматизацией регулярной отчётности для руководства. -
2023 № 10 Chatgpt как один из элементов цифровой медицинской грамотности: трансформация здравоохранения и первичной медико-санитарной помощи.
Искусственный интеллект (ИИ) играет важную роль в цифровом здравоохранении, включая первичную медико-санитарную помощь, и значительный вклад в этот прогресс вносят большие языковые модели. ChatGPT – новейшая языковая модель – вызвал интерес в мировом сообществе, в том числе в сфере здравоохранения, и привлек внимание к исследованию больших языковых моделей с точки зрения их полезности и безопасности практического использования. Эта статья исследует роль ChatGPT как инструмента повышения цифровой медицинской грамотности, оценивая его преимущества и потенциальные риски в контексте современного здравоохранения и первичной медико-санитарной помощи.
Цель исследования: оценить потенциальные преимущества и вызовы интеграции ChatGPT в систему здравоохранения, в том числе первичную медико-санитарную помощь, как элемента цифровой медицинской грамотности.
Материалы и методы. Проведен систематический поиск в PubMed/MEDLINE и Google Scholar.
Результаты. В ходе данного исследования обнаружены опасения относительно использования ChatGPT. Эти опасения включают этические вопросы, прозрачность и юридические аспекты, риск предвзятости, неправильных цитат, безопасности информации.
Выводы. ChatGPT представляет собой ценный инструмент для повышения цифровой медицинской грамотности и внедрение может привести к кардинальным изменениям в медицинском образовании, научных исследованиях и практическом здравоохранении, однако его использование должно осуществляться с осторожностью: требуется сотрудничество регулирующих органов государственной власти всех стран мира. Такой подход позволит разработать правовые нормы, регламентирующие этический кодекс, которые станут основой «ответственного» использования ChatGPT и других моделей на основе ИИ в сфере медицинского образования, научных исследований и практического здравоохранения. -
2026 № 5 Сложное – просто: большие языковые модели в создании пациентоориентированных рентгенологических заключений – обзор предметного поля.
Прямой доступ пациентов к результатам рентгенологических исследований становится нормой клинической практики, однако медицинская терминология протоколов исследований затрудняет их понимание. Большие языковые модели (LLM) рассматриваются как инструмент автоматического создания заключений, адаптированных для понимания пациентом (или пациентоориентированных заключений), но систематическая оценка их возможностей и ограничений не проводилась.
Цель исследования: картирование литературы по применению больших языковых моделей и традиционных подходов для создания пациентоориентированных рентгенологических заключений.
Материалы и методы. Поиск проведён в пяти базах данных (PubMed, Google Scholar, Semantic Scholar, arXiv, medRxiv) за период январь 2020 – декабрь 2025 года. Включались публикации о пациентоориентированных рентгенологических заключениях по результатам компьютерной томографии, магнитно-резонансной томографии, рентгенографии, маммографии, флю-орографии и остеоденситометрии. Основной поиск – на английском языке; русскоязычные источники включены при выявлении вне основной стратегии. Данные извлекались по стандартизированной форме, охватывающей восемь исследовательских
вопросов. Скрининг и извлечение данных выполнялись одним исследователем; извлечённые данные верифицированы двумя соавторами путём сопоставления с оригинальными источниками.
Результаты. Из 1615 идентифицированных записей включено 60 публикаций. Более половины исследований (n = 35; 58,3%) опубликованы в 2024–2025 годах; географически преобладали США (n = 35; 58,3%). Подходы на основе LLM применялись в 33 исследованиях (55,0%), преимущественно модели семейства GPT; традиционные методы обработки естественного языка (NLP)
и ручного упрощения – в 19 (31,7%), остальные публикации включали гибридные подходы и обзоры. Наиболее распространённым дизайном являлась техническая валидация (n = 27; 45,0%). LLM повышали удобочитаемость заключений: показатель по шкале Flesch-Kincaid Grade Level снижался с исходных 10–13 до 5–12 классов. Все сравнительные исследования с участием пациентов показали статистически значимое улучшение понимания пациентоориентированных заключений. Авторы включённых исследований систематически анализировали ошибки генерируемых текстов при использовании LLM-подходов: частота ошибок и галлюцинаций LLM варьировалась от 0% до 50% в зависимости от модели и промпта; для традиционных NLP-подходов
систематический анализ ошибок во включенных исследованиях не проводился. Выявлен эмпирически обоснованный компромисс между удобочитаемостью и точностью: при целевом уровне ниже 11-го класса точность значимо снижалась. Только 3 из 60 исследований являлись рандомизированными контролируемыми испытаниями.
Выводы. LLM способны повышать уровень удобочитаемости и полноту понимания рентгенологических протоколов при сохранении клинической точности в большинстве случаев. Согласно результатам некоторых исследований, оптимальный целевой уровень составляет 8–11 классов; данная рекомендация требует подтверждения в будущих работах. Ключевым условием практического внедрения является верификация упрощённых заключений специалистом, что обусловлено текущим уровнем развития систем контроля качества сгенерированных текстов. Приоритетными направлениями являются крупномасштабные рандомизированные контролируемые исследования с оценкой клинических исходов и валидация подходов в неанглоязычных контекстах.