Способен ли ИИ к клиническому мышлению в диагностике

Диагноз — не вся медицина

Поводом стал материал на Хабре о том, как в 2026 году несколько исследований проверяли языковые модели в диагностике. Один из ключевых примеров — публикация в Science. Там модель OpenAI o1-preview сравнили с двумя терапевтами на данных из приемного покоя.

Для эксперимента взяли описания 76 реальных визитов из медицинских карт. Условия сделали близкими к врачебным: ИИ и врачам давали детальные данные, где часть информации могла быть лишней, а часть — решающей. Сравнение шло на трех этапах: при поступлении пациента, после первичного осмотра и после перевода в профильное отделение.

Результат ожидаемо улучшался у всех по мере накопления данных. На финальном этапе модель дала верный или близкий диагноз в 82% случаев. У терапевтов — 79% и 70%.

Статистика заметная. Но не окончательная. Потому что врач не просто угадывает название болезни. Он строит список вероятностей, проверяет опасные варианты, интерпретирует анализы, меняет гипотезу, если данные не сходятся. Это и называется клиническим рассуждением. Не красивый термин, а рабочий механизм снижения риска.

Где ИИ выглядит сильным — и где начинается туман

На исследование отреагировали осторожно. Радиолог Микаэль Тордьман из Icahn School of Medicine заявил, что пора переходить к реальным клиническим испытаниям, но доказательств нужно больше. Он также предположил, что модели, специально обученные под медицину, могут показать еще лучший результат.

Соавторы исследования были сдержаннее. Их вывод не в том, что ИИ заменяет врача. Скорее вопрос в другом: как встроить такой инструмент в повседневную работу клинициста.

Это важная разница. ИИ может быстро собрать вероятный диагноз из текста. Может звучать уверенно. Может попасть в цель. Но пациент приходит не как готовая клиническая задача с правильным ответом в конце учебника. Он приходит с неполной историей, сопутствующими болезнями, тревогой, противопоказаниями, бытовыми ограничениями и иногда — с симптомом, который нельзя пропустить.

Боль в груди здесь хороший пример. Модель может назвать инфаркт. Врач должен не только назвать его, но и понять, какие альтернативы нельзя упустить, какие обследования нужны, как срочно действовать и что делать, если первые данные не подтверждают исходную гипотезу.

Проверка мышления дала более скромные числа

За две недели до статьи в Science вышла работа в JAMA Network Open. Масштаб был другим: 21 модель проверяли на тысячах клинических виньеток — гипотетических описаниях случаев. Среди моделей упоминались GPT-5, Claude 4.5 Opus, Gemini 3.0, Grok 4 и другие топовые системы.

Если смотреть только на точность диагноза, модели попали в диапазон 81–90%. Опять красиво. Но авторы не ограничились одной метрикой и предложили способ оценки PrIME-LLM. Он проверяет не только финальный ответ, а несколько этапов клинического рассуждения: дифференциальную диагностику, анализ результатов обследований, постановку финального диагноза, выбор тактики лечения и другие вопросы клинической логики.

И тут цифры стали ниже: суммарная точность по этой методике составила от 64% у Gemini 1.5 Flash до 78% у Grok 4.

Вот здесь и лежит главный вывод для пациента. Использовать чат-бота как справочник вопросов к врачу — разумно. Использовать его как врача — уже лотерея с медицинским интерфейсом. Диагноз в строке ответа не равен маршруту лечения. Убедительный текст не равен ответственности. Высокая корреляция с правильным ответом не доказывает понимания болезни.

ИИ становится сильным инструментом для медицины. Это уже не гипотеза. Но пока его место — рядом с врачом, а не вместо него. Особенно там, где ошибка стоит не неловкого ответа, а пропущенного диагноза.