Идея проекта:
Создание мобильной демоверсии сервиса, который автоматически распознаёт, структурирует и интерпретирует медицинские документы — в первую очередь результаты лабораторных анализов (кровь, моча, биохимия, гормоны, ПЦР и др.). Сервис построен на связке технологий: OCR/компьютерное зрение для извлечения текста и таблиц из фотографий и сканов, NLP/LLM-модули для нормализации показателей, распознавания референсных диапазонов, единиц измерения и формирования понятного пациенту резюме, а также мобильное приложение для съёмки документа, отображения результатов и хранения истории. Система ориентирована на пациентов, клиник, телемедицинские сервисы и лаборатории и решает проблему «сырых» PDF-выписок и бумажных бланков, которые невозможно быстро прочитать и сравнить в динамике.

Цель на акселератор:
За 10 недель акселератора сформировать и верифицировать работающий прототип мобильной демоверсии сервиса распознавания медицинских документов, который принимает фотографию или скан результата лабораторного анализа, автоматически извлекает и структурирует ключевые показатели (не менее 10–15 наименований), корректно определяет единицы измерения и референсные диапазоны, формирует понятное пациенту резюме и сохраняет историю исследований, демонстрируя точность распознавания не ниже заданного порога, а также подготовить архитектуру решения для масштабирования на другие типы медицинских документов и пилотного внедрения.

Задачи для достижения цели:

1. Разработка архитектуры и мобильного приложения: спроектировать модульную архитектуру (мобильный клиент, OCR-модуль, модуль нормализации и интерпретации, хранилище, API, слой безопасности и приватности медицинских данных), выбрать стек технологий (Kotlin/Swift или Flutter/React Native, Python, OCR-движки, LLM), реализовать базовый сценарий «съёмка → распознавание → результат».
2. Разработка OCR- и ИИ-модулей распознавания и интерпретации анализов: настроить пайплайн извлечения текста и таблиц из фотографий и сканов, обучить и валидировать модель нормализации показателей, распознавания единиц измерения и референсных диапазонов, реализовать формирование пациент-ориентированного резюме (в т.ч. отклонения, тренды, рекомендации по обращению к врачу).
3. Создание системы верификации и визуализации: разработать методику оценки точности (полнота и корректность извлечения показателей, ошибки в единицах и диапазонах, доля ложных срабатываний, скорость обработки) в сравнении с ручным вводом и эталонной разметкой, создать интерактивный дашборд для отображения исходного документа, результата распознавания, структурированных показателей и истории исследований.
4. Анализ применимости и подготовка бизнес-кейса: провести анализ чувствительности системы к качеству снимков, типу бланка и лаборатории, определить сценарии использования (Use Cases) для пациентов, клиник, телемедицины и лабораторий, проработать требования к защите персональных и медицинских данных, сформировать roadmap развития продукта за пределами акселератора.

Ожидаемые результаты:

1. Рабочий прототип (MVP) мобильной демоверсии сервиса: мобильное приложение, которое принимает фотографию или скан результата лабораторного анализа, автоматически извлекает и структурирует ключевые показатели, формирует резюме и сохраняет историю исследований через API.
2. Отчёт по верификации точности: документ, содержащий метрики (точность извлечения показателей, корректность единиц и референсных диапазонов, доля ложных срабатываний, среднее время обработки) и сравнение с ручным вводом и эталонной разметкой.
3. Интерактивный демонстрационный дашборд: визуальный интерфейс, отображающий исходный документ, результат распознавания, структурированные показатели, отклонения и историю исследований, готовый для показа инвесторам, клиникам и партнёрам.
4. Пакет проектной документации: архитектурная схема решения, описание бизнес-модели, анализ рынка цифровых медицинских сервисов, требования к защите медицинских данных и план дальнейшего развития (roadmap) на 6–12 месяцев.

Проект «Реализация мобильной демоверсии сервиса распознавания медицинских документов, преимущественно результатов лабораторных анализов» соотносится с национальным проектом технологического лидерства «Микроэлектроника» через уровень «Системы управления с применением искусственного интеллекта (робототехника)» и элемент «Процессоры с встроенными ускорителями ИИ» , что соответствует косвенной связи, поскольку сервис использует вычислительную технику и ИИ-обработку данных для OCR-распознавания, нормализации и интерпретации медицинских документов, включая результаты лабораторных анализов, но не создаёт саму микроэлектронную компонентную базу.

Дополнительно проект соотносится:

• с НПТЛ «Микроэлектроника»через уровень «Аналитическое оборудование (экология, медицина, биология, химия)» и элемент — тип связи прямая, поскольку сервис обрабатывает результаты лабораторных анализов, получаемые с аналитического оборудования (биохимические, гематологические, иммунологические анализаторы);
• с НПТЛ «Новые технологии сбережения здоровья» через уровень «Медицинские изделия» и — тип связи обеспечивающая, поскольку сервис обеспечивает пациентов и врачей структурированными результатами in vitro диагностики, интегрируется с приборами функциональной диагностики и относится к цифровым вспомогательным медицинским решениям;
• с НПТЛ «Научное приборостроение и расходные материалы» через уровень «Биоаналитические и микрофлюидные системы» — тип связи косвенная, поскольку сервис может распознавать и интерпретировать результаты цифровой ПЦР и других молекулярно-диагностических исследований.

На страницу проекта