AI-TEC: как искусственный интеллект встраивают во весь маршрут пациента

НЕ ОТДЕЛЬНЫЙ АЛГОРИТМ, А ЦЕЛАЯ КЛИНИКА: В КИТАЕ ПРОВЕРЯЮТ НОВУЮ МОДЕЛЬ МЕДИЦИНСКОГО ИИ

От распознавания снимка к управлению маршрутом пациента

Большая часть медицинского искусственного интеллекта последнего десятилетия развивалась по принципу «одна задача — один алгоритм». Система ищет диабетическую ретинопатию на фотографии глазного дна, анализирует снимок, оценивает риск заболевания или помогает врачу сформулировать заключение.

В офтальмологии этот подход продвинулся особенно далеко. В США уже разрешены FDA автономные системы для выявления диабетической ретинопатии, среди них LumineticsCore, EyeArt и AEYE-DS. Они способны выполнять конкретную диагностическую задачу без непосредственного участия офтальмолога.

Но клиническая медицина устроена сложнее отдельного теста.

Пациент сначала рассказывает, что его беспокоит. Затем необходимо определить срочность состояния, решить, какие исследования нужны, получить изображения и другие данные, сопоставить их с анамнезом, поставить диагноз, выбрать дальнейшую тактику и организовать наблюдение. Ошибка или задержка на одном этапе способна нивелировать преимущества очень точного алгоритма на другом.

Именно эту проблему пытается решить AI-Agent Augmented Tsinghua Eye Clinic — AI-TEC.

В сентябре 2026 года команда Цинхуа описала первые уроки реального внедрения системы в журнале Nature Medicine. Это принципиально важно: речь идет уже не только о том, насколько хорошо модель работает на подготовленном наборе данных, а о том, что происходит, когда искусственный интеллект попадает в настоящую больницу.

AI-TEC должен соединить шесть ИИ-агентов в одну систему

Концепция AI-TEC предусматривает шесть взаимосвязанных функций.

Агент предварительной консультации собирает жалобы и историю пациента. Агент сортировки оценивает риск и помогает определить необходимые исследования. Следующий компонент должен объединять данные разных методов обследования для диагностики. Еще один предоставляет врачу информацию для принятия клинического решения. Агент поддержки пациента отвечает за обучение, наблюдение и долгосрочное сопровождение. Шестой компонент координирует работу системы и ее адаптацию.

Смысл такой архитектуры не в количестве моделей.

В традиционной схеме врачу приходится самому соединять результаты различных цифровых инструментов. Один алгоритм проанализировал фотографию глазного дна, другой оценил риск, третий обработал текст — но клиническое решение по-прежнему формируется в отдельном информационном пространстве.

AI-TEC пытается превратить ИИ из набора независимых инструментов в связующий слой клиники: информация, полученная на одном этапе, должна автоматически становиться доступной следующему агенту и в конечном счете врачу.

Авторы называют такую модель «ИИ-нативной» системой здравоохранения: медицинский процесс не просто дополняется алгоритмами, а изначально проектируется с учетом их присутствия.

Однако здесь необходимо важное уточнение.

Несмотря на впечатление, которое может создать формулировка «ИИ-клиника», искусственный интеллект пока не управляет всем офтальмологическим процессом самостоятельно. Первая версия AI-TEC была интегрирована в информационную систему Пекинской больницы Цинхуа Чанъгэн в ноябре 2025 года и прежде всего охватывает предварительный опрос и сортировку пациентов. Полная шестикомпонентная архитектура остается целевой моделью дальнейшего развития.

И медицинские решения по-прежнему принимают врачи.

Реальные медицинские данные неожиданно ухудшили ИИ

Один из наиболее показательных уроков AI-TEC связан не с архитектурой нейросети, а с качеством информации.

Можно предположить, что чем больше реальных больничных данных получает модель, тем лучше она становится. Опыт китайской команды показал, почему это не обязательно так.

Медицинская документация создается прежде всего для лечения пациентов, а не для обучения искусственного интеллекта. Диагнозы могут формулироваться по-разному, записи бывают неполными, изображения различаются по качеству, а данные, поступающие из разных частей больничной системы, неоднородны.

При дополнительном обучении модели на необработанных данных реальной клиники ее характеристики не улучшились ожидаемым образом. Существенный прогресс появился после того, как врачи проверили и уточнили разметку данных.

По данным команды AI-TEC, показатель AUROC вырос примерно с 0,80 до 0,94 после перехода от необработанных больничных записей к проверенным специалистами меткам.

AUROC показывает, насколько хорошо алгоритм различает пациентов с интересующим состоянием и без него при разных порогах принятия решения. Значение 0,5 примерно соответствует случайному различению, а 1,0 — идеальному. Поэтому изменение с 0,80 до 0,94 может быть весьма существенным.

Но важнее сама причина улучшения.

В эпоху больших языковых и фундаментальных моделей может возникать впечатление, что достаточно предоставить системе огромный массив информации. Клиническая практика показывает обратное: объем данных не компенсирует их неопределенность. Если исходная информация содержит систематические ошибки, ИИ способен масштабировать их вместе со своими вычислительными возможностями.

Врач может отказаться даже от хорошего алгоритма

Второй урок AI-TEC еще менее связан с собственно искусственным интеллектом.

Алгоритм может демонстрировать высокую точность и одновременно почти не использоваться.

При раннем внедрении системы команда столкнулась со снижением интереса врачей к работе с ней. По опубликованным авторами данным о проекте, первоначальный уровень использования около 26% в определенный момент снизился примерно до 4%.

Причина показывает, насколько сильно лабораторная оценка медицинского ИИ отличается от оценки реальной медицинской технологии.

Для разработчика дополнительная задержка загрузки, несколько лишних нажатий или неудобно расположенное заключение могут выглядеть незначительными недостатками интерфейса. Для врача, который повторяет эти действия десятки раз за рабочий день, они превращаются в дополнительную нагрузку.

Поэтому команда стала менять не только модели, но и способ их включения в рабочее место врача: интерфейс, скорость получения результата, последовательность действий и механизм обратной связи.

Это меняет сам вопрос, которым следует измерять успех медицинского ИИ.

Недостаточно спросить: «Насколько точно работает алгоритм?»

Нужно спрашивать: «Использует ли его врач, помогает ли он принять решение быстрее или лучше и улучшает ли в конечном счете помощь пациенту?»

Галлюцинация одного агента может стать исходными данными для другого

Многоагентная архитектура создает еще одну проблему, которой практически не существует у изолированного диагностического алгоритма.

Ошибка способна перемещаться по системе.

Если агент предварительного опроса неверно интерпретирует слова пациента, следующая система может использовать уже искаженную информацию для определения риска. На ее основании может быть предложен определенный набор исследований, после чего другой агент будет анализировать результаты в сформированном ранее контексте.

Таким образом, ошибка на раннем этапе теоретически способна не просто сохраниться, а повлиять на несколько последующих решений.

Для генеративного ИИ особенно важна проблема галлюцинаций — правдоподобных, но фактически неверных ответов модели. В многоэтапной медицинской системе недостаточно оценивать надежность каждого агента отдельно: необходимо понимать, как неопределенность передается между ними и где должна находиться обязательная человеческая проверка.

К этому добавляются вопросы кибербезопасности, конфиденциальности медицинских данных, распределения ответственности и контроля обновлений моделей.

Поэтому переход от одного медицинского алгоритма к системе взаимодействующих агентов увеличивает не только потенциальную пользу ИИ, но и сложность управления рисками.

Точность перестает быть главным показателем успеха

Nature Medicine обращает внимание еще на одну методологическую проблему.

Медицинские алгоритмы традиционно сравнивают по чувствительности, специфичности, AUROC и другим характеристикам. Они необходимы, но для оценки целой системы оказания медицинской помощи этого недостаточно.

Представим очень чувствительную систему скрининга заболевания глаза. Она действительно обнаруживает больше пациентов, которым требуется дополнительное обследование. Но если офтальмологическая служба не располагает достаточной пропускной способностью, результатом могут стать очереди, дополнительные исследования и рост числа направлений без соответствующего улучшения исходов.

Алгоритм в таком случае работает правильно, а система здравоохранения — не обязательно лучше.

Поэтому для AI-TEC и подобных проектов придется оценивать уже другую совокупность результатов: время врача, продолжительность маршрута пациента, количество дополнительных обследований, правильность направлений, нагрузку на специалистов, стоимость помощи, соблюдение рекомендаций и, в конечном счете, состояние здоровья пациентов.

Почему офтальмология стала полигоном для такой системы

Выбор офтальмологии не случаен.

Современная диагностика глазных заболеваний в значительной степени основана на цифровых изображениях. Фотографии глазного дна, оптическая когерентная томография и другие методы создают структурированные массивы данных, хорошо подходящие для компьютерного анализа.

Кроме того, некоторые заболевания — прежде всего диабетическая ретинопатия — требуют массового скрининга. Число людей, которым необходимо обследование, значительно превышает возможности специализированной офтальмологической помощи во многих системах здравоохранения.

Поэтому именно здесь появились одни из первых автономных диагностических ИИ-систем.

AI-TEC делает следующий шаг: вместо автоматизации одного исследования разработчики пытаются автоматизировать координацию нескольких этапов помощи.

Если такой принцип окажется жизнеспособным, его значение будет выходить далеко за пределы заболеваний глаз. Радиология, дерматология, патология, диабетология и другие направления с большим объемом цифровых данных потенциально могут столкнуться с той же эволюцией — от отдельных алгоритмов к системам, встроенным в полный маршрут пациента.

Но перенос архитектуры AI-TEC в другие области нельзя считать автоматическим. Чем больше клиническая специальность зависит от физикального обследования, неоднозначных симптомов и сложного сочетания заболеваний, тем труднее формализовать ее работу в последовательность цифровых агентов.

Настоящий эксперимент AI-TEC — не замена офтальмолога

Практическое значение китайского проекта поэтому несколько отличается от наиболее эффектного прочтения новости.

AI-TEC пока не показывает, что искусственный интеллект способен самостоятельно заменить офтальмологическую клинику. Опубликованный в Nature Medicine материал представляет ранний опыт внедрения, а не рандомизированное исследование, доказавшее улучшение здоровья пациентов.

Пока не установлено, что полная многоагентная система сокращает число диагностических ошибок, улучшает зрение пациентов, уменьшает стоимость медицинской помощи или повышает производительность клиники. Более того, значительная часть предусмотренной архитектуры еще находится на стадии развития.

Но эксперимент уже выявляет принципиально важное изменение.

Главным препятствием для следующего поколения медицинского ИИ может оказаться не недостаточная интеллектуальная способность моделей.

Ограничениями становятся качество исходных данных, интеграция с больничными информационными системами, удобство интерфейса, доверие врача, скорость работы, безопасность, контроль ошибок и способность системы превратить цифровой результат в реальное медицинское действие.

Для пациентов это различие особенно существенно. Ценность ИИ возникает не тогда, когда программа правильно распознала заболевание на изображении, а когда человек после этого получил своевременную диагностику, направление, лечение и последующее наблюдение.