Скрытый текст
Всем привет! Меня зовут Владлен Бабкин, и я практикующий управленец в медицине. В этой статье мой личный взгляд изнутри операционной реальности медицинской организации, а не обзор технологий. Под БФМ (большими фундаментальными моделями) я понимаю класс моделей, к которому относятся и большие языковые модели вроде тех, что лежат в основе ChatGPT.
Фантастика, которая случилась буднично
Конечно, про искусственный интеллект я знал задолго до 2023 года, как, наверное, и большинство из нас. Скайнет из «Терминатора», «Матрица», роботы Айзека Азимова — всё это было давно известно, но оставалось фантастикой: увлекательным художественным вымыслом, который существовал где‑то очень далеко от моей реальной профессиональной жизни.
Примерно в феврале 2023 года в российских СМИ и на телевидении широко обсуждалась история Александра Жадана, студента выпускного курса РГГУ. Он написал дипломную работу по менеджменту с помощью нейросети ChatGPT всего за 23 часа, а затем успешно её защитил, и публично рассказал об этом в социальных сетях. История вызвала большой общественный резонанс, стала темой федеральных телепередач и спровоцировала дискуссию в образовательной среде: как теперь проверять студенческие работы и каким должно быть место ИИ в обучении. Впоследствии российские ВУЗы внесли заметные изменения в подходы к работе системы «Антиплагиат».
Для меня эта история стала переломным моментом. Не потому, что я впер‑вые услышал про ИИ, а потому, что почувствовал: то, что раньше казалось сюжетом фантастического фильма или романа, произошло здесь и сейчас, причём в самой обычной ситуации — со студенческим дипломом. Будущее, о котором я раньше только читал и смотрел кино, уже наступило, причём совершенно буднично, без спецэффектов и предупреждающих титров. Я даже не заметил момента, когда это случилось.
«Поезд ушёл»: от тревоги к интересу
Об истории Жадана я узнал из телевизионных новостей, и это было почти случайностью. Мой обычный ритм жизни выглядел так: работа, тренировка, дом, сон, снова работа. На телевидение времени почти не оставалось, да и особого интереса к нему я не испытывал.
Эта история меня зацепила. Я начал читать о ней в интернете и довольно быстро поймал себя на неприятной мысли: поезд уже ушёл, а я даже не успел понять, что он вообще отправляется. Возникло ощущение, что искусственный интеллект — это область, в которую я опоздал.
Тем сильнее оказался интерес. Я дважды прочитал книгу Эрика Тополя «Искусственный интеллект в медицине: Как умные технологии меняют подход к лечению». Она была далеко не единственным источником: были статьи, выступления, конференции, профессиональные дискуссии. Но именно книга Тополя стала для меня «билетом в один конец». После неё я уже не мог воспринимать ИИ как далёкую технологию, не имеющую отношения к моей профессиональной жизни.
В последующие годы я регулярно посещал мероприятия по применению ИИ в медицине: Инновационного центра «Сколково», Московского инновационного кластера «Ломоносов», конгрессы «Оргздрав», Международный конгресс «Информационные технологии в медицине» и другие профессиональные площадки. За это время мне удалось понаблюдать за довольно интересной эволюцией отношения медицинского сообщества к ИИ.
Три фазы: осторожность, хайп, отрезвление
Фаза 1. Осторожность и непонимание. ИИ был чем‑то новым и непривычным, и относились к нему так же, как ко всему, природа чего ещё не вполне понятна: с интересом, но и с настороженностью.
Фаза 2. Технологический хайп. Казалось, что ИИ необходимо срочно внедрить буквально во всё. Медицинские организации начали искать решения на базе AI, компании‑разработчики активно предлагали свои продукты, а руководителям приходилось отвечать на вполне практичный вопрос: если все вокруг внедряют ИИ, что именно должны внедрить мы?
В профессиональной и публичной повестке тех лет появлялись сообщения о распоряжениях и требованиях, связанных с внедрением AI в государственной системе здравоохранения. В частности, широко обсуждалась установка на внедрение медицинскими организациями определённого количества решений на базе ИИ. На практике ситуация выглядела порой парадоксально: у некоторых руководителей слово «дашборд» вызывало непонимание, а теперь им предстояло ещё и разобраться, куда именно «прикрутить» искусственный интеллект, чтобы выполнить поставленные задачи и отчитаться о результате.
Фаза 3. Отрезвление. Особенно заметно это стало в 2025 году, на конгрессе «Оргздрав» (его проводит Высшая школа организации и управления здравоохранением) и на Международном конгрессе «Информационные технологии в медицине». Риторика стала значительно спокойнее. В докладах и дискуссиях всё реже звучало «Где ещё можно применить AI?» и всё чаще — «Как сделать так, чтобы его применение действительно приносило пользу?»
Никто не спорил с тем, что БФМ — прорывная и масштабная технология, открывающая совершенно новые возможности, но стало очевидно: сама по себе технология ещё не означает решения медицинской или управленческой задачи. Появились принципиальные вопросы:
• Как правильно применять БФМ в медицине?
• Можно ли доверять им в такой сложной и ответственной области?
• Достаточно ли просто встроить БФМ в существующие процессы или нам предстоит гораздо более глубокая перестройка самой модели организации здравоохранения?
• И, пожалуй, самое важное: каким должен быть ИИ, которому действительно можно доверять?
Для меня всё более очевидным становилось, что нам нужен доверенный искусственный интеллект: система, поведение которой можно контролировать, результаты — проверять, а риски — своевременно обнаруживать и ими управлять.
При этом нельзя забывать, что компьютерная обработка медицинских данных существует давно. Поэтому задача сегодня не в том, чтобы добавить к уже существующим информационным системам ещё один модный «технологический слой» под названием AI, ИИ или БФМ. Вопрос гораздо шире: какую реальную проблему мы решаем, какой результат получаем и как этот результат измеряем?
Конгресс «Оргздрав» 2026 года оставил у меня уже иное впечатление: я заметил сдвиг от энтузиазма к здоровому скепсису. В некоторых выступлениях даже появилась лёгкая ирония по отношению к моде на ИИ. На мой взгляд, это хороший признак.
Где ИИ уже работает: задача, процесс, пользователь, результат
Отдельно стоит сказать об успешном опыте применения компьютерного зрения в работе врачей‑рентгенологов в Москве. Этот пример показывает: там, где технология действительно встроена в конкретный клинический процесс и решает конкретную задачу, AI способен приносить вполне измеримую в рублях пользу.
Среди множества решений, представленных на «Оргздраве» 2026, особенно запомнился проект НМИЦ колопроктологии имени А.Н. Рыжих Минздрава России — отечественная система ArtInCol для анализа потокового видео при колоноскопии в режиме реального времени. AI‑система анализирует видеопоток с эндоскопа прямо во время исследования и помогает выявлять малозаметные полипы, аденомы и ранние эпителиальные новообразования. По словам директора центра, профессора Сергея Ивановича Ачкасова, результаты многоцентровых исследований показали, что AI‑ассистент способен снижать риск пропуска патологии и повышать точность скрининговой диагностики колоректального рака.
Это действительно впечатляет, потому что здесь есть не просто словосочетание «искусственный интеллект», а понятная клиническая задача, конкретный процесс, конкретный пользователь и потенциально измеримый результат.
Взгляд управленца: «оркестр» AI‑сервисов
Дальше происходит не менее интересное. Как практикующий управленец, который всю профессиональную жизнь находится внутри операционной реальности медицинской организации, я присматриваюсь к БФМ как к потенциальному управленческому инструменту. За последнее время мне предлагали самые разные AI‑решения:
• системы голосового заполнения медицинской документации;
• инструменты анализа медицинских карт на соответствие клиническим рекомендациям;
• электронного клинического фармаколога;
• решения для контактного центра, автоматизации переписки и голосового взаимодействия с пациентами (их предлагали коллегам из службы клиентского сервиса);
• AI‑помощников для первичного отбора кандидатов (их предлагали HR‑службе, чтобы снять часть нагрузки со специалистов по подбору персонала).
Каждое из этих решений само по себе выглядит логично, но за каждое нужно платить отдельно. Каждое ПО необходимо внедрить, интегрировать, обучить пользователей, контролировать и регулярно проверять. Важно и то, что в предложенных нам версиях модели работали далеко не идеально.
Пока мне всё это напоминает оркестр, в котором каждый музыкант играет на своём инструменте, но общего произведения ещё не получилось. Мы имеем множество несовершенных узкопрофильных решений на базе БФМ: отдельно голосовой помощник, отдельно система для контактного центра, отдельно анализ медицинской документации, отдельно HR‑инструмент и так далее. Если собрать весь этот «оркестр» в частной клинике, совсем не очевидно, что клиника автоматически получит от этого экономическую или организационную выгоду.
Один мой коллега, главный врач другой клиники, охарактеризовал происходящее одним словом:
“Зоопарк” AI‑сервисов.
Мне кажется, это определение довольно красочно описывает текущую ситуацию.
Вопросы, на которые у меня пока нет ответов
Про надёжность. Что произойдёт, если модель начнёт галлюцинировать? Как обнаружить это до того, как ошибка повлияет на пациента? Что будет при деградации модели после обновления? Как понять, что качество работы системы изменилось? Кто должен это контролировать? Как быстро организация сможет выявить проблему и остановить использование неисправного ПО? И это далеко не полный перечень.
Про экономику и людей. Мне, к примеру, предлагали: «Мы внедрим систему голосового заполнения медицинской документации, и это позволит сократить время приёма врача». Хорошо, но сократить время приёма для чего? На первый взгляд ответ очевиден: если врач сможет принимать больше пациентов за то же рабочее время, клиника потенциально заработает больше.
Я вижу и другую сторону. Что, если освободившееся время мы просто превратим в дополнительную нагрузку на врача? Не приведёт ли это к росту усталости и выгоранию? Сохраним ли мы качество медицинской помощи? Не получится ли так, что инструмент, созданный для облегчения работы врача, станет механизмом увеличения интенсивности его труда? Не начнут ли сами врачи воспринимать все эти помощники и системы автоматизации как ещё один источник давления?
На эти вопросы я пока не получил убедительного ответа, особенно основанного на расчётах. Мне никто не показал простой и понятной модели: сколько стоит внедрение решения на основе БФМ «под ключ», сколько организация реально сэкономит или заработает благодаря ему, какие дополнительные риски возникнут и какова итоговая экономическая и медицинская эффективность.
Что дальше
Вот почему мне стало интересно разобраться в этой теме глубже. Не в том, чтобы ещё раз рассказать о возможностях искусственного интеллекта, а в том, чтобы понять, где он действительно нужен здравоохранению; как сделать его безопасным и управляемым; и как превратить набор отдельных программных продуктов в работающую систему, которая приносит реальную пользу врачу, пациенту и медицинской организации.
А как у вас? Если вы работаете в медицине, в ИТ для здравоохранения или внедряли ИИ в других отраслях: пробовали ли вы считать окупаемость таких решений «под ключ» и как контролируете их качество после обновлений моделей? Буду рад обсудить в комментариях.
Если вам интересно так же, как и мне, приглашаю в мои каналы «AI Healthcare Futures» в Telegram и MAX, где уже есть интересное по теме.
Комментарии (7)
AlexeyLapunov
07.10.2026 17:37Я не из медицины, занимаюсь проектированием работы с ИИ. Вот как я бы подходил к обоим вопросам.
Окупаемость — начинать с рисков, а не с экономии. От недопустимых последствий зависит, где и насколько строго проверять результат, а проверка часто становится главной статьёй затрат.
Для процесса — приёма, назначений и т.п. — заранее запишите, какие последствия ошибки клиника не примет ни за какую экономию. Например: неверная доза в записи, по которой потом назначат лечение; пропущенное взаимодействие препаратов; данные пациента, ушедшие не тому адресату. Список утверждает руководитель процесса, и от инструмента он не зависит: он одинаков для любого ИИ и для человека.
Найдите место, где такую ошибку можно поймать до того, как по ней начнут действовать, и замерьте, сколько стоит эта проверка на один случай. Проверка должна быть независимой от ИИ и опираться на внешние факты, а не на его выводы. Часто проверка съедает ровно те минуты, которые обещал поставщик.
Если поймать ошибку нечем, меняйте работу так, чтобы критичный факт приходил к ИИ уже подтверждённым. Если и это невозможно, откажитесь от инструмента.
Сравните затраты до и после целиком: время людей проверку и исправления, потери от пропущенных ошибок, интеграцию и обучение — а не только цену от вендора. Считайте все инструменты вместе, иначе одно и то же время врача «сэкономят» дважды.
До пилота договоритесь, при каких результатах инструмент внедряется шире, при каких дорабатывается и при каких от него отказываются. Например: «расширяем, если время на приём сократилось хотя бы на X минут и не было ни одной пропущенной опасной ошибки». Если правило не записать заранее, после пилота любой результат можно объяснить в пользу продолжения.
Качество — своя приёмка, а не доверие вендору.
Соберите эталонный набор из своих обезличенных случаев. Обязательно включите трудные и опасные — те, что ведут к недопустимому. Правильные ответы у вас есть в МИС или пусть размечают врачи независимо от ИИ: если брать записи, сделанные с помощью ИИ, в эталон попадут его же ошибки.
Заранее запишите критерии приёмки на этом наборе — в терминах работы, а не метрик модели: «ни одной пропущенной аллергии», «правки требует не больше X% записей».
Любая новая версия и любой новый поставщик проходят этот набор до включения. Если поставщик не готов это обещать, это тоже ответ.
После включения регулярно проверяйте по тем же критериям выборку. Если ошибок больше порога, возвращайтесь к полной проверке.
Vladlen_Babkin Автор
07.10.2026 17:37Доброе утро, Алексей!
Благодарю Вас за то, что уделили время прочтению моего первого материала и за конструктивную обратную связь! Чувствуется профессиональный подход. Ваш совет абсолютно практичный и его можно положить в основу методологии принятия решений для внедрения и развития любого цифрового решения. Успехов!!
ToxaBes
О БФМ в медицине, где все в персональных и медицинских данных пациента, речь не идет. С медданными у нас все еще строже чем с ПДн, никаких зарубежных облачных моделей. А наши модели считать БФМ можно условно.
Остаются модели, которые можно разворачивать в закрытом контуре, а их нужно дообучать под задачу, иначе красивые метрики останутся только на бумаге. Сделать это могут не только лишь все (с)
Цель этой автоматизации не столько сокращение времени приема как такового, сколько снижение КОГНИТИВНОЙ нагрузки на врача за счет автоматизации рутинных процессов.
И это лишь первый шаг, на его основе уже строится мед помощник как система "второе мнение" для врача. Цель таже самая: снижение когнитивной нагрузки.
Дальше уже третьим этапом строится аналитика и отчетность по работе. И вот тут уже ускорение в чистом виде.
Суть ML-автоматизации в медицине заключается в улучшении качества обслуживания и снижения количества ошибок. Увеличение скорости же продают владельцу бизнеса тк иначе он может не понять целесообразность.
Vladlen_Babkin Автор
Приветствую Вас, ToxaBes, и благодарю за время, уделённое прочтению моего первого материала и за комментарий! Как начинающему автору, мне это особенно важно.
По первой части Вашего комментария о БФМ позиция понятна. В отношении остального, есть важный нюанс, который стоит разделить. Рутинные процессы в работе врача и когнитивная нагрузка, связанная с принятием клинических решений, не одно и то же. Например, заполнение электронной медицинской карты, перенос данных в поля протокола сами по себе не требуют клинического мышления. При этом они занимают время, отвлекают внимание и переключают врача между разными задачами.
Нас, врачей, как раз и готовили много лет для решения сложных когнитивных задач с использованием клинического мышления. Основная проблема, на мой взгляд, заключается именно в том, что время и интеллектуальные ресурсы специалиста расходуются на операции, для выполнения которых его медицинская квалификация зачастую избыточна, вместо того чтобы сосредоточиться на анализе клинической ситуации, дифференциальной диагностике, оценке рисков и выборе тактики лечения.
Более того, когда документация начинает конкурировать с пациентом за внимание, врач вынужден распределять его между содержанием беседы, клиническим анализом и необходимостью корректно оформить запись. Это дополнительная нагрузка, но её источник не в сложности клинической задачи, а в организации рабочего процесса.
Вот почему я рассматриваю автоматизацию документации с помощью ИИ не просто как способ сэкономить несколько минут на приёме, а как возможность вернуть врачу время и внимание для того, ради чего он, собственно, и нужен пациенту. Это не означает, что любая цифровизация автоматически улучшит качество медицинской помощи. Важно, чтобы технология действительно снимала рутинную работу, а не создавала новые задачи по проверке и исправлению её результатов.
В своей статье я вскользь упомянул об успешном московском эксперименте при использовании технологий обработки изображений в работе врачей-рентгенологов. В результате многолетней работы, с преодолением многочисленных технических и организационных сложностей получен положительный эффект, который заключается в повышении пропускной способности и доступности лучевой диагностики при оказании амбулаторно-поликлинической помощи москвичам без снижения качества результатов. Экономический эффект заключается в том, что не пришлось кратно увеличивать штат врачей-рентгенологов в системе ДЗМ.
В амбулаторном кластере Депздрава Москвы ежедневно выполняется более 20 тыс. рентгенологических исследований. В высокие сезоны (весна/осень) активной диспансеризации населения количество исследований увеличивается под 30 тыс. в день. Более половины из них составляют скрининговые флюорография (ФЛГ) и маммография (ММГ). В структуре ФЛГ более 90% исследований – это норма. Компьютерная обработка изображений позволила сократить время их анализа в 5 – 6 раз при уровне чувствительности модели более 95%, что выше, чем у человека, т.к. модель не отвлекается и не устаёт от монотонной работы. Если описать процесс упрощённо, то врач оценивает результаты работы ИИ, обращает внимание на те участки, которые ему подсвечивает модель и либо валидирует нормальный результат, либо отмечает «не норму» и пациент направляется на диагностическую рентгенографию.
ToxaBes, когда врач-рентгенолог сотню раз в день в заключении пишет фразу типа: «Органы грудной клетки без видимой патологии» и рассматривает одинаковые изображения, он не испытывает высокой когнитивной нагрузки, а вот его клиническое мышление от такой работы притупляется и деградирует. На этом примере, отчётливо показано, как ИИ помогает человеку в рутинной работе, освобождая его время и умственную энергию для более важных дел.
Возможно, мы с Вами немного по-разному понимаем, что именно формирует когнитивную нагрузку врача. Буду рад продолжить дискуссию, поскольку вопрос действительно важный.
ToxaBes
Разве? А постоянная потеря/восстановление локуса внимания из-за переключение туда-сюда? Чтобы почувствовать разницу, представьте, что "Органы грудной клетки без видимой патологии" уже указано по умолчанию, и заменяется, только если врач отдельно это проговорит.
Да, под когнитивной нагрузкой я понимаю все что заставляет выпадать из потока размышлений. Все переключения, отвлечения и тд. Пример избегания переключений и снижения связанной с этим когнитивной нагрузки: западные психологи перешедшие на диктофоны.
Я не специалист в медицине, но по роду деятельности много приходится автоматизировать процесс человеческой деятельности различных специалистов с помощью ML. Поэтому я просто поделился своими наблюдениями, везде одно и тоже с когнитивной нагрузкой из-за переключений контекста туда-сюда.
Vladlen_Babkin Автор
"Разве? А постоянная потеря/восстановление локуса внимания из-за переключение туда-сюда? Чтобы почувствовать разницу, представьте, что "Органы грудной клетки без видимой патологии" уже указано по умолчанию, и заменяется, только если врач отдельно это проговорит".
В МИС обычно уже есть шаблон заключения. Врачу лишь надо его кликнуть, чтобы текст отобразился в соответствующем поле. Мгновение.
Я отношусь к тем, руководителям, которые только приветствуют технологические новинки, но обдуманно. У меня нет отрицания к голосовому заполнению меддокументации. Вопрос в том числе и организационный. Врач-рентгенолог, который традиционно не консультирует пациента, может себе это позволить. В частности, в НПКЦ ДИТ ДЗМ, в котором сейчас централизованно работают врачи-рентгенологи, используется ПО "Voice2Med" от компании "Центр речевых технологий". На практике его используют около 1/3 врачей и это - их добровольный выбор.
Иное дело, когда врач заполняет медицинский протокол в присутствии пациента. Из соображений профессиональной этики и деонтологии мы не произносим вслух некоторые вещи, оберегая пациента, но вносим их в протокол. Ручной ввод и возможность редактирования протокола пока ещё актуальны.
ToxaBes
Голосовой ввод данных был указан в качестве примера. При процедурах типа УЗИ, я помню (как пациент), что один специалист диктует, что он видит на экране, второй записывает.
Про неуместность проговаривания на приеме полностью согласен, но тут у нас смешались разные примеры работ врача, думаю их нужно разделять и автоматизировать по разному.
По моему мнению, цель автоматизации все равно заключается не в том чтобы принимать 15 человек в день вместо 10, а чтобы делать одну ошибку вместо трех на этих 10 пациентах (условно, масштаб ошибок для иллюстрации). Если в итоге врач сможет принимать 12 чел в день вместо 10 это прекрасно, но не должно быть главной целью в мед автоматизации.