Почему исследователи смотрели не только на рецепты
По данным публикации, специалисты отобрали пациентов, которые не приобретали назначенные препараты как минимум в течение года. Затем большие языковые модели анализировали электронные медицинские записи, чтобы найти упоминания о прекращении лечения и определить, кто был инициатором решения — пациент или врач.
Логика исследования строилась на различии между формальным фактом и медицинским контекстом. Сведения о выписанных рецептах показывают, что человек перестал получать лекарство, но не объясняют, почему это произошло. Как следует из комментария младшего научного сотрудника по медицинской информатике Тартуского университета Хендрика Шувалова, реальная причина чаще находится в текстовых заметках лечащего врача, а их ручной разбор требует больших затрат времени.
Основной анализ, по данным источника, выполнялся с помощью модели Llama 3.1-70B, развернутой на защищенном локальном сервере университета. GPT-4o использовали только для небольшого объема предварительно обезличенных и вручную проверенных медицинских текстов.
Что удалось выявить с помощью ИИ
В публикации говорится, что модель правильно распознавала сведения о прекращении приема лекарств в 93–98% случаев, а точность определения причин отказа от терапии достигала 95–96%. Источник также сообщает, что наиболее распространенной задокументированной причиной прекращения лечения были побочные реакции на препараты.
Отдельно приводятся данные по группам лекарств: среди пациентов, принимавших статины, нежелательные эффекты составляли около 70% всех задокументированных причин отказа от терапии; для противодиабетических препаратов показатель был ниже, но достигал почти 45%.
Для пациента главный практический вывод из этой новости — не в том, что ИИ должен принимать решения вместо врача, а в том, что подробность медицинской записи может иметь значение. Если в карте отражены жалобы, реакция на препарат, причины отмены или замены терапии, такие данные в дальнейшем могут быть полезны для оценки лечения и для исследований. Если же причина прекращения приема нигде не зафиксирована, формально может остаться только факт, что лекарство больше не приобреталось.
Что пациенту и клинике стоит отслеживать дальше
Эта работа показывает интерес клиник и исследователей к использованию больших языковых моделей для анализа неструктурированных медицинских записей. Но из опубликованной информации не следует, что такой подход уже стал стандартом для всех медицинских организаций или что он может заменять консультацию врача.
Пациентам при обсуждении отмены, замены или перерыва в терапии стоит обращать внимание на то, как это отражается в документах: указана ли причина изменения лечения, зафиксированы ли побочные реакции, понятно ли, кто предложил прекратить прием препарата. Для клиник важными остаются вопросы защиты медицинских данных и того, где именно обрабатываются записи: в описанном исследовании основной анализ проводился на локальном защищенном сервере университета, а внешняя модель применялась только к небольшому обезличенному и проверенному набору текстов.
Пока из публикации не ясно, как быстро подобные инструменты могут перейти из исследовательской практики в повседневную работу клиник и какие правила будут сопровождать их использование. Следить стоит за тем, будут ли такие модели применяться для контроля качества лечения, анализа побочных реакций и оценки причин, по которым пациенты прекращают терапию.
Проверка первоисточников
Где сверить правила и документы
Ссылки помогают быстро перейти от советов в статье к официальным реестрам, правилам или справочным сервисам. Перед оплатой или претензией сохраняйте дату проверки.