Виртуальные пациенты с ИИ меняют обучение медицине

Виртуальный пациент вместо актёра: медицинский ИИ начинает учить специалистов разговаривать с людьми

В Гонконге искусственный интеллект получил роль пожилого клиента

Китайский университет Гонконга (Chinese University of Hong Kong, CUHK) совместно с Votee AI разработал виртуального пожилого клиента для обучения специалистов терапии принятия и ответственности — Acceptance and Commitment Therapy, или ACT. Проект реализован при участии Nethersole School of Nursing медицинского факультета CUHK и ACTuWISE.

В исходном сообщении речь идет о студентах-медиках, однако опубликованное 16 сентября 2026 года описание проекта уточняет важную деталь: система предназначена прежде всего для подготовки социальных работников и специалистов, осваивающих консультирование. Это не виртуальный больной, которому студент должен поставить диагноз, а цифровой собеседник, с которым можно тренировать терапевтическое взаимодействие.

ACT — направление поведенческой терапии, в котором человека учат не столько устранять неприятные мысли и эмоции, сколько иначе взаимодействовать с ними, принимать неизбежный психологический дискомфорт и действовать в соответствии со своими ценностями. Поэтому качество разговора здесь является частью самой терапии. Для обучения недостаточно знать правильные определения: специалист должен научиться задавать вопросы, реагировать на ответы клиента и не превращать беседу в механическое выполнение протокола.

Именно эту часть работы пытается воспроизвести виртуальный клиент. Он предлагает обучающемуся различные ситуации, поддерживает разговор в реальном времени, а система анализирует, насколько ответы и действия соответствуют принципам ACT.

Разработка получила золотую медаль на 51-й Международной выставке изобретений в Женеве в 2026 году. Но награда сама по себе не является доказательством образовательной или клинической эффективности — этот вопрос требует отдельных сравнительных исследований.

Ценность виртуального пациента начинается там, где учебник перестает работать

Медицина и психотерапия содержат навыки, которые невозможно освоить только чтением. Будущему специалисту необходимо разговаривать с пациентами, собирать анамнез, замечать противоречия, задавать уточняющие вопросы, объяснять сложное, реагировать на тревогу, сопротивление или непонимание.

Традиционно эту проблему решают несколькими способами: практикой с реальными пациентами, работой под наблюдением преподавателя и занятиями со стандартизированными пациентами — специально подготовленными людьми, которые разыгрывают определенную клиническую ситуацию.

У каждого варианта есть ограничения. Реальный пациент не является учебным тренажером: обучающийся не может бесконечно повторять с ним один и тот же разговор и намеренно совершать ошибки. Работа с подготовленными актёрами требует времени, организации и денег. Кроме того, число клинических баз, преподавателей и подходящих ситуаций ограничено.

Виртуальный пациент предлагает принципиально другую модель: сценарий можно повторить десятки раз, изменять его сложность и давать обучающемуся немедленную обратную связь.

Это не означает замену реальной клинической практики. Скорее возникает промежуточный слой между учебником и встречей с человеком: безопасная среда, где ошибку можно совершить до того, как она станет ошибкой в настоящей консультации.

Кантонский язык оказался не интерфейсом, а частью клинической задачи

Самая интересная особенность гонконгского проекта связана с языком.

Votee AI разработала систему, способную работать на кантонском — языке, который значительно хуже представлен в современных больших языковых моделях, чем английский. Дополнительная трудность состоит в частом переключении кодов: человек может использовать кантонскую грамматику, но вставлять английские медицинские и профессиональные термины, а также диалектные выражения, сленг и идиомы.

Для обычного чат-бота это техническая проблема. Для психотерапевтического обучения — уже клиническая.

Специалист должен понимать не только буквальное содержание фразы, но и способ, которым человек выражает эмоции, сомнения или сопротивление. Если модель сглаживает диалект, не распознает разговорное выражение или отвечает так, как реальный носитель языка почти никогда не ответил бы, реалистичность симуляции резко снижается.

По данным Times Higher Education, при создании системы использовались научная литература, утвержденные подходы к клиническому моделированию, обезличенные исследовательские данные и синтетически созданные диалоги под экспертным медицинским контролем.

Таким образом, локальный язык здесь становится не переводом готового англоязычного продукта, а частью архитектуры виртуального пациента.

Это важно далеко за пределами Гонконга. Большая часть населения мира разговаривает на языках, для которых объем качественных данных существенно меньше, чем для английского. Медицинский ИИ, хорошо работающий только с несколькими крупнейшими языками, способен не уменьшить, а воспроизвести существующее цифровое неравенство.

Виртуальные пациенты уже выходят за пределы одного эксперимента

Гонконгская разработка появилась не в вакууме.

Еще во время пандемии COVID-19 исследователи Университета Гонконга начали создавать чат-бота для обучения студентов сбору анамнеза. В исследовании, опубликованном в 2022 году, 132 студента последнего курса были распределены между традиционным обучением с реальными пациентами и занятиями с виртуальным пациентом. Авторы пришли к выводу, что чат-бот может использоваться как дополнительный инструмент обучения сбору медицинского анамнеза.

Позднее Университет Гонконга развил эту концепцию в систему генеративных виртуальных пациентов с различными характерами, медицинскими историями и сценариями.

В 2026 году Гонконгская академия медицины также сообщила о разработке платформы виртуальных пациентов для подготовки врачей-специалистов. Она должна моделировать клинические случаи на кантонском языке и оценивать не только медицинские решения, но и коммуникацию, профессиональное поведение и эмпатию. При этом оценки ИИ предполагается использовать вместе с оценками опытных врачей, а не вместо них.

Поэтому важнее рассматривать проект CUHK и Votee AI не как отдельную технологическую демонстрацию, а как часть более широкой тенденции: генеративный ИИ постепенно превращает виртуального пациента из заранее запрограммированного сценария в динамического собеседника.

Старый симулятор фактически спрашивал: «Выберите один из четырех вариантов ответа». Новая система способна отвечать на свободно сформулированный вопрос, менять ход разговора и реагировать на предыдущие действия обучающегося.

Именно это различие делает большие языковые модели особенно интересными для медицинского образования.

Научные данные обнадеживают, но пока не позволяют объявить виртуальных пациентов полноценной заменой традиционному обучению

В мае 2026 года Journal of Medical Internet Research опубликовал систематический обзор исследований виртуальных пациентов на основе генеративного ИИ. Авторы проанализировали 15 работ, соответствовавших критериям включения.

В нескольких контролируемых исследованиях использование виртуальных пациентов сопровождалось улучшением отдельных навыков — например, принятия клинических решений и сбора анамнеза. Пользователи в целом высоко оценивали доступность и удобство подобных систем.

Однако доказательная база остается небольшой.

Только три из включенных исследований были рандомизированными контролируемыми испытаниями с относительно низким риском систематической ошибки. Во многих остальных работах использовались небольшие выборки, отсутствовали контрольные группы или долгосрочное наблюдение. Большинство экспериментов оценивали короткое взаимодействие, иногда фактически одну учебную сессию.

Поэтому сегодня корректнее говорить, что генеративные виртуальные пациенты показали осуществимость и потенциальную образовательную ценность, но пока неизвестно, насколько устойчиво приобретенные с их помощью навыки переносятся в работу с реальными людьми.

Особенно сложным остается моделирование эмоций и невербального поведения. Настоящий пациент может замолчать, избегать взгляда, неправильно понять вопрос, противоречить самому себе или выражать боль жестами и мимикой. Текстовая языковая модель воспроизводит эту сложность лишь частично.

Есть и более фундаментальная проблема: генеративная модель способна уверенно создавать фактически неправильную информацию. В обычном чат-боте это неприятность. В учебной системе ошибка может стать частью знаний будущего специалиста.

Поэтому виртуального пациента недостаточно сделать убедительным. Его клиническое поведение необходимо валидировать.

Локальная модель меняет не только язык, но и правила работы с медицинскими данными

Еще одна особенность проекта CUHK — размещение языковой модели непосредственно в инфраструктуре университета, а не использование внешнего коммерческого облачного сервиса.

Это различие имеет практическое значение. Учебная медицинская система потенциально работает с голосовыми записями студентов, результатами их оценки, внутренними клиническими сценариями и данными, на основе которых создавались эти сценарии.

При локальном размещении эти материалы могут оставаться внутри информационного контура университета.

Однако утверждать, что такой подход автоматически делает систему менее уязвимой для кибератак, было бы слишком сильно. Локальная инфраструктура уменьшает некоторые риски передачи информации внешнему поставщику и дает организации больший контроль над хранением данных, но одновременно требует собственной защиты серверов, управления доступом, обновлений и аудита безопасности.

Для здравоохранения это важная развилка. По мере распространения генеративного ИИ учреждениям придется выбирать не только модель с лучшими ответами, но и архитектуру, при которой чувствительные данные можно контролировать.

Самый реалистичный сценарий — не заменить пациента, а увеличить количество безопасной практики

Главное практическое преимущество виртуального пациента состоит в масштабируемости.

Студент может тренироваться вечером, повторять одну ситуацию несколько раз, работать с редким сценарием и получать стандартизированную обратную связь. Университет способен предоставить одинаковые исходные ситуации сотням обучающихся, а преподаватель — увидеть, на каких этапах они систематически ошибаются.

Особенно привлекательной технология становится там, где человеческий ресурс ограничен: не хватает клинических баз, преподавателей, супервизоров или стандартизированных пациентов.

Но именно здесь возникает риск неправильного применения. Если экономия станет главным критерием, виртуальный пациент может превратиться из дополнительного тренажера в дешевую замену человеческой практике.

Это было бы принципиально другим сценарием.

Реальный человек приносит в консультацию неопределенность, культурный контекст, эмоции и непредсказуемость, которые невозможно полностью запрограммировать. Поэтому наиболее обоснованная сегодня модель выглядит иначе: сначала многократная тренировка с ИИ, затем работа с реальным человеком под профессиональным наблюдением.

Так виртуальный пациент способен освободить дефицитное клиническое время для того, чему действительно невозможно научиться без пациента.