Автоматизация анализа клинических заметок
Команда исследователей во главе с Чарльзом Лу (Charles Lu) и Ювением С. Семёновым (Yevgeniy R. Semenov) представила новый фреймворк на базе больших языковых моделей (LLM). Система предназначена для извлечения данных о кожных иммунных побочных эффектах (cirAE) из неструктурированных клинических заметок. В отличие от простых чат-ботов, архитектура использует подход Human-in-the-Loop (человек в контуре) и Multi-Agent (многоагентную систему) с механизмом Retrieval-Augmented Generation (RAG).
Ключевые метрики эффективности
Сравнение работы автономных врачей и врачей, использующих LLM-ассистента, показало статистически значимое улучшение показателей. Система не только повышает точность, но и стандартизирует оценку, что критически важно для клинических испытаний.
| Метрика | Ручной анализ (Baseline) | LLM-ассистированный анализ | Изменение |
|---|---|---|---|
| Точность (F1 Score) | 0.77 | 0.88 | +11 п.п. |
| Согласие между экспертами (Cohen's kappa) | 0.50 | 0.82 | +0.32 |
| Среднее время обзора | 100% (Базовое) | ~50% | Сокращение в 2 раза |
Почему это важно для MedTech
Иммунотерапия онкологических заболеваний часто сопровождается побочными эффектами, затрагивающими различные органы. Выявление кожных проявлений (cirAE) вручную требует огромных трудозатрат и подвержено субъективной оценке. Представленный фреймворк демонстрирует, что гибридная модель «ИИ + Эксперт» способна:
- Устранить разницу в интерпретации данных между разными врачами (рост kappa с 0.50 до 0.82).
- Масштабировать сбор данных о токсичности без пропорционального роста штата аналитиков.
- Обеспечить прозрачность решений за счет механизма RAG, где модель опирается на проверенные медицинские источники.
Работа опубликована 9 мая 2026 года в arXiv (cs.CL) и открывает путь к применению подобных систем для мониторинга побочных эффектов в других органах и системах.
Источник: arXiv cs.CL ↗