В исследовании Университета Стоуни-Брук врачи предпочли сводки о выписке, созданные ИИ, в 95% случаев

В исследовании Университета Стоуни-Брук врачи-рецензенты предпочли созданные ИИ сводки о выписке аналогичным документам, составленным людьми, в 95% оценённых случаев госпитализации. В ходе ретроспективного анализа рассматривались 60 госпитализаций по профилю внутренних болезней продолжительностью от 7 до 21 дня. При длительном лечении и большом объёме медицинских записей передача пациента для дальнейшего амбулаторного наблюдения становится особенно сложной.

Результаты, опубликованные в npj Digital Medicine, позволяют предположить, что большие языковые модели могут помочь врачам составлять более полные и удобные для использования документы о выписке. Они также показывают, почему проверка человеком остаётся необходимой: ошибки содержались и в сводках, созданных ИИ, и в документах, составленных людьми, а более высокие оценки не свидетельствуют о лучших исходах лечения пациентов.

Почему составление сводок о выписке — сложная задача для ИИ

Сводка о выписке связывает оказанную в стационаре помощь с работой врачей, отвечающих за дальнейшее наблюдение пациента. В ней необходимо объяснить причину госпитализации, ход лечения, изменения в назначениях лекарств, нерешённые проблемы и план последующего наблюдения. Если в документе для врача первичной медицинской помощи нет нужного объяснения или непонятно, что делать дальше, врачу может потребоваться восстановить картину госпитализации по гораздо более объёмной медицинской документации.

При длительной госпитализации эта проблема усугубляется. Накапливаются записи о ходе лечения, консультации специалистов, результаты визуализирующих исследований и другие документы; информация часто повторяется, а план лечения меняется. Полезная сводка должна сохранять итоговую клиническую картину и при этом объяснять, как менялись решения.

Подход Университета Стоуни-Брук разрабатывался совместно с врачами с учётом того, какая информация нужна специалистам, принимающим пациента. По сообщению университета, система за несколько минут преобразовывала медицинские записи пациента в черновик сводки о выписке. Это характеризует время генерации документа; влияние системы на общие затраты времени врачей на ведение документации и её проверку ещё предстоит оценить в клинической практике.

По каким показателям врачи поставили более высокие оценки

В исследовании сопоставлялись оценки врачей стационарных отделений и врачей первичной медицинской помощи. Рецензенты выше оценили сводки, созданные ИИ, по общему качеству, удобочитаемости и краткости, фактической точности и полноте. Они также выявили меньше пропущенных клинических сведений.

По использовавшейся пятибалльной шкале средняя оценка общего качества сводок, созданных ИИ, составила 4,71 против 3,16 у документов, составленных людьми. Средняя оценка фактической точности составила 4,62 против 3,73, а полноты — 4,69 против 3,42. Это оценки врачей, а не доля утверждений, достоверность которых была подтверждена.

На графике указаны 120 оценок для каждого типа сводок по совокупности показателей врачей стационарных отделений и врачей первичной медицинской помощи, а также 60 оценок для каждого типа по вопросам, касающимся исключительно первичной медицинской помощи. Врачи первичной медицинской помощи выше оценили сводки, созданные ИИ, по тому, насколько хорошо они помогают понять ход госпитализации, объяснить его пациентам и лицам, осуществляющим уход, и обеспечить последующее наблюдение.

Эти различия важны, поскольку у человека, который составляет сводку о выписке, и у специалиста, который будет ею руководствоваться, разные точки зрения. Документ может подробно описывать события в стационаре, но при этом не прояснять для принимающего пациента врача, какие вопросы остаются нерешёнными и почему изменили назначение лекарства.

Как конвейер суммаризации обрабатывает объёмные медицинские записи

Публичная публикация исходного кода исследователей даёт дополнительное представление о технологии. Экспортированный ими конвейер на базе LangChain/LangGraph группирует записи в хронологическом порядке, формирует структурированную сводку и дорабатывает её черновик по мере обработки новых фрагментов. На отдельном этапе из отмеченных записей извлекаются случайные находки, после чего оформляется итоговый текст.

Такой поэтапный подход учитывает практическое ограничение языковых моделей: объёмная медицинская документация может превышать объём текста, который модель способна обработать за один проход. Если сохранять и дополнять структурированный черновик, в итоговый документ можно включать информацию из последующих частей записи.

В опубликованной версии кода также сохраняются идентификаторы источников и формируются метаданные цитирования, сопровождающие структурированные и текстовые результаты. В неё включены синтетические демонстрационные данные, а в репозитории доступны для анализа обезличенные результаты оценок и аннотирования ошибок. Это позволяет изучать рабочий процесс, не публикуя исходные медицинские записи пациентов.

Меньшее число пропусков не устраняет клинические риски

Согласно опубликованному реферату, меньшее число аннотированных неточностей или пропусков объясняется главным образом тем, что пропусков было меньше. В нём также сообщается, что статистически значимых различий между двумя типами сводок в оценках рецензентов относительно тяжести и вероятности вреда, связанного с ошибками, не выявлено.

Этот результат не доказывает ни того, что оба подхода одинаково безопасны, ни того, что черновик, созданный ИИ, можно без проверки вносить в медицинскую документацию пациента. Оценивались документы и суждения врачей; исследование не показало снижения числа повторных госпитализаций, случаев вреда, связанного с лекарствами, или улучшения других показателей исхода лечения пациентов.

Авторы подчёркивают, что перед использованием документ должен проверить врач. Инструкции по приёму лекарств, нерешённые медицинские вопросы и рекомендации по дальнейшему наблюдению — ключевые элементы документа, и ошибки или упущения в этих разделах могут иметь серьёзные последствия.

Что необходимо сделать до внедрения в повседневную клиническую практику

«Эти результаты свидетельствуют о том, что искусственный интеллект может помогать с оформлением выписной документации после сложного лечения в стационаре», — заявила Rachel Wong, доктор медицины, соавтор-корреспондент исследования и доцент клинической медицины в Stony Brook. Её слова приводятся в сообщении университета.

Соавтор-корреспондент исследования Fusheng Wang, доктор философии, сообщил, что на следующих этапах исследования планируется оценить точность и безопасность системы, фактическую экономию времени врачей и её совместимость с клиническими рабочими процессами. По данным университета, рассматривается возможность провести пилотное внедрение в повседневную практику Stony Brook Medicine.

Междисциплинарный проект под руководством Tyler Osborne, аспиранта докторантуры по информатике, объединил врачей, специалистов по информатике, биомедицинских информатиков и экспертов по коммуникациям. Исследование даёт обнадёживающие свидетельства того, что составление сложных выписных эпикризов можно поручить ИИ под контролем врача. Чтобы понять, насколько надёжно этот подход можно применять в повседневной работе, необходимо оценивать не только сгенерированный текст, но и процесс его проверки.