Экспертные заключения: 0
Консультации: 0

Медозор

Медозор: описание проекта

Медозор — исследовательский и прикладной проект по созданию русскоязычной медицинской RAG-системы и образовательной платформы на её основе. Мы хотим помочь студентам, ординаторам, врачам и преподавателям находить информацию в медицинских источниках, изучать медицину и развивать клинические навыки.

В платформу планируется встроить искусственный интеллект: он будет помогать пользователям находить и объяснять информацию из медицинских источников, разбирать учебные случаи и взаимодействовать с виртуальным пациентом. Исследовательское ядро проекта — медицинская RAG-система, которая объединяет языковую модель с поиском по русскоязычным медицинским документам и помогает связывать ответы с источниками.

На этой основе планируется развивать платформу с учебными материалами, поиском по источникам, клиническими задачами и интерактивными тренажёрами. Один из первых сценариев — виртуальный пациент для подготовки к первичной аккредитации.

Медозор — инициативная разработка с центральным исследовательским направлением. Ниже описаны замысел платформы и состояние первого прототипа; RAG-система и большинство возможностей пока не реализованы.

Проблема

Студентам и ординаторам нужно применять теоретические знания в клинических ситуациях, готовиться к аккредитации и отрабатывать общение с пациентом. Практикующим врачам важно поддерживать профессиональные знания и находить нужные сведения в медицинских источниках, а преподавателям — готовить материалы для занятий. При этом возможность регулярно разбирать учебные случаи с преподавателем или симулированным пациентом и получать индивидуальную обратную связь есть не всегда.

Медицинских рекомендаций и других источников много: они охватывают разные заболевания, содержат объёмные разделы, таблицы и условия применения. Рекомендации обновляются, поэтому важно учитывать не только содержание, но и версию документа. Найти нужный фрагмент и связать его с конкретным вопросом или учебной ситуацией бывает трудоёмко. Мы хотим исследовать систему, которая помогает быстро находить подходящие материалы и показывает, на какие источники опирается объяснение.

Существующие решения и возможность для проекта

Идеи виртуального пациента, цифровых тренажёров и медицинского RAG не новые. За рубежом и в России уже существуют образовательные платформы и инструменты поиска по медицинским материалам. Например, «Третье мнение» описывает RAG-ассистента по клиническим рекомендациям, а AInterMed заявляет поиск по рекомендациям и учебные случаи с виртуальным пациентом. Это описания самих продуктов; их качество и возможности предстоит изучить отдельно.

Мы видим возможность исследовать русскоязычную систему работы с медицинскими источниками и её применение в обучении. Насколько существующие решения закрывают потребности пользователей и чем Медозор сможет отличаться, предстоит проверить с помощью сравнения продуктов, экспериментов и интервью. Уникальность и преимущество проекта пока не доказаны.

Готовый зарубежный продукт нельзя считать подходящим для этой задачи без адаптации и проверки. Нужно учитывать русский язык и медицинскую терминологию, состав и версии российских источников, формат обучения и аккредитации, а также права на использование материалов. Даже если использовать готовые модели и инструменты, их качество на нашей базе документов и наших учебных вопросах необходимо измерить отдельно.

Решение

Медозор задуман как единая платформа для изучения медицины, практики и преподавания. Пользователь сможет найти материал, применить знания в задаче или тренажёре и получить разбор с указанием источников.

Планируемые направления платформы:

  • Учебные материалы и поиск. Изучение медицинских тем и быстрый поиск по отобранным источникам с возможностью перейти к первоисточнику.
  • Клинические задачи и проверка знаний. Учебные случаи, вопросы и объяснения, которые помогают повторять материал и разбирать решения.
  • Практика навыков. Интерактивные сценарии и виртуальные пациенты для тренировки общения и клинического мышления.
  • Подготовка к аккредитации. Тренировочные станции, чек-листы и разбор выполненных действий.
  • Инструменты для преподавателей. Поиск материалов и помощь в подготовке заданий для занятий.
  • Работа над ошибками. Обратная связь и материалы для повторения тем, которые вызывают затруднения.

Состав и приоритеты этих возможностей предстоит проверить с пользователями; они не означают, что перечисленные функции уже реализованы.

Искусственный интеллект предполагается использовать внутри этих функций: для поиска и объяснения материалов с помощью RAG, подготовки черновиков учебных заданий и разбора, а также для диалога с виртуальным пациентом. В каждом сценарии его работу и качество результатов предстоит проверять отдельно; учебные карточки перед публикацией проверяет врач.

Первый разрабатываемый сценарий — учебный приём с виртуальным пациентом на станции сбора жалоб и анамнеза.

Предполагаемый сценарий работы:

  1. Студент начинает станцию и получает краткую информацию о пациенте.
  2. Он задаёт вопросы в свободной форме, а виртуальный пациент отвечает в рамках заранее подготовленной карточки случая.
  3. Система сопоставляет действия студента с чек-листом станции.
  4. После завершения студент получает разбор: какие пункты выполнены и что можно улучшить.

Клинические факты пациента хранятся в карточке случая. Языковая модель должна использовать их для диалога, а не придумывать новые симптомы, результаты обследований или диагноз. Перед публикацией карточку проверяет врач.

Пример применения: виртуальный пациент и разбор со ссылками

Один из наиболее наглядных сценариев применения платформы — учебный приём, за которым следует разбор с опорой на медицинские источники:

  1. Преподаватель или врач готовит карточку учебного случая. При её создании RAG может помочь найти подходящие фрагменты источников; содержание карточки проверяет специалист.
  2. Студент общается с виртуальным пациентом, собирает жалобы и анамнез. Пациент отвечает по фактам проверенной карточки.
  3. После диалога система сопоставляет вопросы студента с учебным чек-листом. Например, если студент не спросил о длительности жалоб, разбор указывает на пропущенный пункт.
  4. RAG может найти связанные учебные материалы и фрагменты рекомендаций, чтобы помочь объяснить значение пропущенного вопроса. Рядом с объяснением пользователь сможет открыть источник и проверить его контекст.
  5. Студент может изучить материал и повторить упражнение; состав и полезность такого сценария ещё предстоит проверить.

Так поиск становится частью обучения: он помогает связать конкретное действие в учебном случае с материалом, на который опирается разбор. При этом RAG не определяет самостоятельно, что студент действительно сделал или пропустил: это устанавливается по диалогу и чек-листу. Найденные источники и созданные объяснения тоже требуют проверки; их качество и применимость должны оцениваться отдельно.

Возможность сочетать виртуального пациента с поиском по знаниям изучается и в других проектах. Например, исследователи цифрового пациента для тренировки сбора анамнеза в офтальмологии использовали подход с извлечением данных, а авторы MedTutor исследовали RAG для подготовки учебных материалов по клиническим случаям. Эти работы подтверждают интерес к направлению, но не доказывают эффективность предлагаемого сценария Медозора: её потребуется оценить отдельно.

Для кого

Платформа рассчитана на несколько групп пользователей:

  • Студенты-медики — подготовка к занятиям и аккредитации, тренировка общения с пациентом и разбор клинических задач.
  • Ординаторы — развитие навыков по специальности, работа с учебными случаями и поиск медицинской информации.
  • Практикующие врачи — поиск по отобранным медицинским источникам и повторение профессиональных знаний.
  • Преподаватели — поиск материалов и подготовка учебных задач для занятий.

Первый этап сфокусирован на студентах 5–6 курсов и станции первичной аккредитации. Потребности остальных групп и конкретные сценарии для них предстоит изучить отдельно.

Участники проекта

В проекте участвуют три человека.

Первый участник отвечает за исследование и разработку медицинской RAG-системы: изучает методы информационного поиска, работу языковых моделей с контекстом и разрабатывает поисковую и серверную части.

Второй участник разрабатывает образовательную платформу и её интерфейс, проектирует учебные сценарии и тренажёры, проводит тестирование прототипа и собирает обратную связь пользователей.

Третий участник занимается подготовкой и структурированием медицинских документов, формированием проверочного набора вопросов и источников, оценкой качества поиска и ответов, а также анализом результатов экспериментов. Для проверки медицинского содержания планируется привлекать врача-методиста.

Бизнес-модель

Медозор развивается как образовательная платформа с перспективой коммерческого использования. Исследование медицинского RAG помогает создавать и проверять её технологическую основу; продуктом для пользователей становятся поиск, учебные материалы, задачи и тренажёры.

Предварительно рассматриваются два направления монетизации:

  • Индивидуальный доступ. Часть материалов и возможностей может быть доступна бесплатно, а подписка — открывать расширенный доступ к тренажёрам, учебным случаям и другим функциям. Предполагаемые пользователи — студенты, ординаторы и врачи.
  • Доступ для организаций. Медицинские вузы и другие образовательные организации могут получать доступ для групп обучающихся. В перспективе для преподавателей можно предложить инструменты подготовки заданий и просмотра результатов.

На первом этапе планируется проверить готовность студентов платить за подготовку к аккредитации. Состав бесплатных и платных функций, стоимость подписки и условия для организаций пока не утверждены: их предстоит определить по результатам интервью, тестирования продукта и оценки расходов на модели, подготовку материалов и проверку врачами.

Медицинский RAG

Центральное исследовательское направление — разработка и оценка собственной медицинской RAG-системы. RAG — генерация с дополнением из поиска: система сначала находит подходящие фрагменты в подготовленной базе документов, а затем передаёт их языковой модели вместе с запросом. Мы планируем проектировать и проверять весь этот процесс на русскоязычных медицинских материалах; для его отдельных частей могут использоваться готовые модели и открытые инструменты.

Основной исследовательский вопрос: как представление медицинских документов, методы поиска и организация контекста языковой модели влияют на качество извлечения информации и подтверждённость ответов в учебных медицинских сценариях?

Возможные задачи RAG в Медозоре:

  • поиск ответов на учебные вопросы с указанием найденных источников и их фрагментов;
  • поиск материалов для подготовки и проверки учебных случаев;
  • помощь в подготовке объяснений и разбора со ссылками на источники;
  • сопоставление разных способов поиска и оценка того, насколько найденные фрагменты подходят для учебных задач.

Состав источников, поисковые методы и конкретные сценарии применения ещё предстоит определить и проверить. В качестве основы рассматриваются действующие клинические рекомендации Минздрава России и открытые клинические случаи с подходящей лицензией. Найденный текст и ответы модели требуют проверки: RAG сам по себе не гарантирует достоверность результата. Виртуальный пациент при этом опирается на проверенную карточку конкретного случая; постоянное обращение к RAG для его диалога не предполагается как обязательное условие.

Почему нужны исследования

Подключить языковую модель к интерфейсу и базе документов технически возможно без создания медицинской поисковой системы. Но такой прототип сам по себе не отвечает на главный вопрос: находит ли он нужное медицинское положение, учитывает ли условия его применения и подтверждает ли им каждое существенное утверждение ответа?

В медицине важно не только то, что ответ выглядит убедительно. Значение могут иметь возрастная группа, показания и противопоказания, стадия заболевания и другие условия. Если система потеряет такое условие при обработке документа или составлении ответа, смысл найденной рекомендации может измениться. Для разных сценариев пользователя эти риски и требования к проверке могут различаться.

Исследования показывают, что задача не сводится к добавлению ссылок. В работе SourceCheckup исследователи проверяли, подтверждают ли источники утверждения языковых моделей на вопросы о здоровье. В дополнительной проверке GPT-4o с поиском в интернете на 300 вопросах из набора HealthSearchQA автоматическая оценка показала, что около 76% отдельных утверждений подтверждались хотя бы одним источником из ответа; около 38% ответов были полностью подтверждены источниками. Авторы также привлекали врачей к проверке части результатов. Это результат конкретной конфигурации и набора вопросов, а не оценка всех медицинских RAG-систем или качества ответов по российским рекомендациям. Он показывает, почему наличие ссылки ещё не гарантирует правильность ответа.

В исследовании ответов по неврологическим рекомендациям среди обнаруженных ошибок были использование устаревших рекомендаций, неоднозначные детали и неполное извлечение нужной информации. Исследование MedRAG показывает, что на результат влияют выбранные источники, способ поиска и языковая модель. Поэтому компоненты и их сочетания необходимо проверять на наших документах и задачах, а не считать найденную в литературе конфигурацию универсальной.

При разработке Медозора предстоит решить несколько взаимосвязанных задач:

  • Подготовка документов. Извлекать текст, таблицы и их заголовки так, чтобы важные условия не терялись при обработке и разбиении на фрагменты.
  • Актуальность. Отслеживать версии, даты и статусы документов, чтобы пользователь мог понять, на какой источник опирается ответ и актуален ли он для задачи.
  • Качество поиска. Находить нужную информацию по русскоязычным вопросам, синонимам и сокращениям, различая похожие медицинские понятия и условия, от которых зависит применимость текста.
  • Контекст и ссылки. Проверять не только существование источника, но и то, подтверждает ли конкретный фрагмент соответствующее утверждение ответа и сохранены ли существенные ограничения.
  • Недостаток или противоречие данных. Исследовать, как система должна отвечать, если подходящий фрагмент не найден, вопрос сформулирован неоднозначно или источники дают различающиеся сведения.
  • Оценка качества. С участием медицинских специалистов проверять отдельно поиск, соответствие ответов источникам и качество ответа в целом, в том числе на сложных случаях и вопросах без ответа в выбранной базе.

Ошибки могут возникнуть на любом из этих этапов: при извлечении текста из документа, выборе фрагмента или формировании ответа. Поэтому задача проекта — исследовать всю цепочку и её ограничения, а не только подключить нейросеть к поиску. Проверка и участие специалистов остаются необходимыми; заранее обещать безошибочную работу системы нельзя.

Исследовательские направления

Проект предполагает изучение теоретических основ информационного поиска (Information Retrieval), обработки естественного языка и работы языковых моделей с контекстом. На этой основе мы планируем выдвигать гипотезы, строить сравнимые эксперименты и исследовать причины ошибок, а не ограничиваться настройкой готового чата.

  • Модели информационного поиска и ранжирования. Исследовать, как лексический и семантический поиск, их сочетание и повторное ранжирование влияют на обнаружение релевантных медицинских фрагментов. Отдельный вопрос — как методы справляются с русскоязычными терминами, сокращениями и близкими по смыслу, но различающимися понятиями.
  • Представление медицинских документов. Сравнить способы разбиения и индексации текста, таблиц и связанных разделов. Проверить, помогает ли сохранение заголовков, условий применения, возраста пациента и версии документа точнее находить и интерпретировать рекомендации.
  • Работа с контекстом языковой модели. Изучить, как количество, длина, состав и порядок найденных фрагментов влияют на ответ. Например, важно проверить, сохраняет ли модель существенное условие рекомендации, если оно находится в другом фрагменте или глубоко внутри длинного контекста. Исследование Lost in the Middle показывает, что положение информации в длинном контексте может влиять на результаты; его выводы необходимо проверять на наших задачах и моделях.
  • Проверяемость и неопределённость. Исследовать связь отдельных утверждений ответа с источниками и поведение системы при неполных, неоднозначных или противоречивых данных. Наличие ссылки само по себе не считается доказательством того, что ответ ею подтверждается.
  • Оценка и анализ ошибок. С участием медицинских специалистов подготовить эталонные вопросы и источники, измерять качество поиска и ответов отдельно, изучать пропуски значимых условий и ложные подтверждения. Для итоговой оценки необходимо выделить данные, которые не использовались при настройке системы.

Эти направления задают глубину исследования, но не означают, что каждое из них потребует новой модели или алгоритма. Научную новизну конкретных гипотез и преимущество предложенных решений предстоит установить сравнением с опубликованными работами и базовыми методами.

Для первого исследования предполагается выбрать ограниченный набор медицинских тем и документов, подготовить с участием специалистов вопросы и эталонные фрагменты источников и сравнить поиск по словам, семантический поиск и их сочетание. Планируется отдельно оценивать, находит ли система нужный фрагмент, подтверждаются ли ответы источниками и как она ведёт себя, когда подходящей информации нет. Выбор набора, метрик и базовых решений ещё предстоит уточнить.

Исследовательская часть проекта — подобрать и оценить подходы на русскоязычных медицинских материалах и учебных сценариях. Не предполагается, что все технологии нужно создавать с нуля: открытые инструменты и опубликованные методы можно использовать как основу и проверять в наших условиях. Например, авторы MedRAG и бенчмарка MIRAGE сравнивали сочетания медицинских корпусов, поисковых систем и языковых моделей; их результаты полезны как отправная точка, но не заменяют проверку на выбранных нами русскоязычных источниках.


Ожидаемый результат

Ожидаемый продуктовый результат проекта — русскоязычная платформа для медицинского образования и развития клинических навыков со встроенным искусственным интеллектом. Она рассчитана на студентов, ординаторов, врачей и преподавателей и объединит поиск и объяснение информации по медицинским источникам, учебные материалы, клинические задачи, интерактивные тренажёры, обратную связь и инструменты подготовки заданий. Виртуальный пациент станет одним из учебных сценариев платформы.

Технологическим результатом станет собственная медицинская RAG-система, которую планируется использовать в разных функциях платформы: поиске ответов с указанием источников, объяснении тем, подготовке учебных материалов и разборе клинических задач. Применение системы в каждом сценарии потребует отдельной проверки качества.

Исследовательским результатом станет сравнительная оценка подходов к обработке документов, поиску и формированию ответов на русскоязычных медицинских материалах. Планируется подготовить проверочный набор вопросов и источников с участием специалистов, выявить ошибки и ограничения системы и определить направления её дальнейшего улучшения.

Разработка будет поэтапной: первый работающий прототип предполагает ограниченный набор медицинских тем, поиск по отобранным источникам и учебный приём с виртуальным пациентом. По результатам исследования и тестирования с пользователями планируется расширять материалы, задачи и тренажёры, а также проверять бизнес-модель платформы. Коммерциализация предполагается через индивидуальную подписку и доступ для образовательных организаций.

Виртуальные пациенты и разборы предназначены для учебных сценариев. При использовании поиска специалисты смогут переходить к первоисточникам и самостоятельно оценивать применимость найденной информации; автоматическую диагностику или назначение лечения проект на текущем этапе не предусматривает.

Ссылка

На страницу проекта

Направление

IT, Здравоохранение, медицина, фармацевтика, Наука

Рынки

EduNet, HealthNet, NeuroNet

Сквозные технологии

Искусственный интеллект, Технологии машинного обучения и когнитивные технологии, Персонифицированная медицина