ИИсследование здоровья

🧠 Возможно, главная проблема внедрения ИИ в медицине — вовсе не технологии

А готовность руководителей к изменениям.

Недавно по приглашению одного из партнеров ArnaAI я выступил на 20-м Международном конгрессе Kolkhida по пластической хирургии и эстетической медицине, который проходил 3–5 июля в Тбилиси.

Тема моего доклада — «How Can AI Automate Medical Documentation?»

Я рассказывал о том, как ИИ может анализировать разговор врача с пациентом и автоматически превращать его в структурированную медицинскую документацию.

Выступление проходило в рамках секции «AI in Aesthetic Medicine: From Clinical Practice to Marketing Strategy». Среди спикеров были специалисты из разных стран Европы и Юго-Восточной Азии.

Практически все участники соглашались: ИИ будет всё сильнее менять эстетическую медицину — от маркетинга и коммуникации с пациентами до клинических процессов и качества сервиса.

Но главным инсайтом для меня стал разрыв между развитием самих AI-технологий и их реальным внедрением в клиниках.

Команды, которые много лет работают с ИИ, иногда находятся внутри технологического пузыря. Нам может казаться, что автоматическая расшифровка приёма, генерация медицинских документов и анализ диалога врача с пациентом — уже привычные инструменты.

Но для значительной части рынка это всё ещё новая реальность.

Когда я описывал возможности ArnaAI, одни участники проявляли большой интерес, для других технология оказалась совершенно новой, а некоторые относились к ней со скепсисом.

И это нормально.

Однако мой десятилетний опыт работы с AI-проектами показывает: скорость внедрения инноваций часто зависит не столько от возможностей технологии, сколько от позиции руководства.

Если руководители готовы экспериментировать, менять процессы и разбираться в новых инструментах — внедрение движется очень быстро.

Если ИИ воспринимается исключительно как риск, модный тренд или задача IT-отдела — даже сильная технология может остаться на уровне презентации.

Возможно, прежде чем создавать ещё больше AI-инструментов для врачей, маркетологов и администраторов, нам необходимо создать ИИ для самих лиц, принимающих решения?

Систему, которая поможет руководителям понять:

— где именно ИИ способен принести пользу;
— какие процессы необходимо изменить;
— как оценить экономический эффект;
— как внедрять технологии безопасно и ответственно.

Возможно, следующий этап AI-революции — это не только создание ещё более мощных моделей.

Это подготовка организаций и их руководителей к использованию моделей, которые уже существуют.

А как вы считаете, что сегодня сильнее всего тормозит внедрение ИИ в медицине?

1️⃣ Ограничения технологий
2️⃣ Регулирование и защита данных
3️⃣ Стоимость и сложность интеграции
4️⃣ Позиция руководства и корпоративная культура
5️⃣ Недоверие врачей и пациентов

Напишите номер или поделитесь своим мнением в комментариях 👇

Спасибо организаторам Kolkhida Congress за прекрасное международное мероприятие и возможность рассказать о том, как мы в ArnaAI видим развитие искусственного интеллекта в медицине.

🫁💰 Можно ли "отменить" простуды и грипп как класс болезней?

Недавно обнаружил инициативу Intercept (благотворительная миссия на $500 млн) с очень амбициозной идеей🔥А именно - радикально снизить бремя респираторных инфекций, а в перспективе вообще сделать их редким исключением, а не нормой жизни.

📌 Что они считают проблемой:

• респираторные вирусы убивают около 1 млн человек в год;

• создают экономический ущерб около $600 млрд в год;

• и при этом до сих пор часто воспринимаются как “ну просто простуда”.

🐚Что предлагают делать:

1️⃣ Broad-spectrum preventatives

Не “одна вакцина под один вирус”, а более широкая защита сразу от нескольких групп респираторных вирусов: в виде укола, назального спрея или таблетки. Цель — предотвратить более 75% симптомных инфекций при максимально простом применении.

2️⃣ Air cleaning technologies

Вторая ставка — очистка воздуха в помещениях: фильтрация, антимикробный свет, другие способы снижать количество инфекционных аэрозолей в воздухе. Логика простая: так же, как мы когда-то сделали безопаснее воду, можно сделать безопаснее и воздух в помещениях.

💊Почему это интересно именно для AI/healthcare:

• на сайте прямо говорится, что новые биодатасеты и AI-инструменты для protein design могут ускорить создание новых противовирусных решений;

• то есть ИИ здесь не “чат-бот для пациента”, а инструмент для биологии, молекулярного дизайна и поиска новых классов профилактики.

⚠️ Но важный нюанс

Это не “у нас уже есть решение от всех вирусов”.
Пока это скорее большая ставка на то, что наука, инженерия, клинические исследования и правильный спрос смогут вместе сдвинуть область. На сайте честно пишут, что развитию мешают техническая сложность, клиническая неопределённость и слабый рыночный сигнал.

☝️Итак:

Intercept интересен не как “ещё один фонд”, а как попытка собрать вокруг респираторных инфекций новую логику отрасли:

• не лечить последствия по одному;

• а строить системную профилактику;

• причём сразу на двух уровнях — человек + среда.

Если хотя бы часть этой стратегии сработает, это может сильно повлиять и на больницы и на обычную жизнь людей зимой.

Как вам идея: реалистичная долгосрочная ставка или слишком красивая утопия?

Поделитесь в комментариях 👇🏼

🧬🤖 ИИ помог найти диагнозы там, где годы ничего не давали

OpenAI вместе с Boston Children’s Hospital и Harvard описали кейс, где ИИ reasoning-модель использовали не для «автодиагностики», а для повторного разбора уже очень сложных и ранее неразрешённых детских генетических случаев. Исследователи пересмотрели 376 старых кейсов и после экспертной проверки, доп. тестов и клинического подтверждения врачи установили 18 диагнозов. Это дало дополнительный диагностический выход 4.8% в группе, которую до этого уже много раз анализировали специалисты.

Почему это важно:

• В редких заболеваниях проблема часто не в отсутствии данных, а в том, что геном, симптомы, семейная история и новая научная литература «разбросаны» по разным системам и обновляются со временем. Старый кейс может стать решаемым через годы просто потому, что наука уже ушла вперёд.

• Модель работала как слой «объясняющего анализа»: не просто предлагала ген, а связывала симптомы, тип наследования, варианты мутаций и публикации в осмысленную гипотезу для врача.

• Самое важное: ИИ не ставил диагноз самостоятельно. Каждый результат проходил через врачебную оценку, подтверждающее тестирование и клиническую верификацию. OpenAI отдельно подчёркивает, что это не доказательство того, что такие модели можно использовать для самостоятельной диагностики пациентов.

📊 Что нашли по группам:

• нейроразвитие — 10 диагнозов из 100 кейсов
• нейромышечные заболевания — 4 из 61
• внезапная необъяснимая смерть в педиатрии — 2 из 200
• ранний психоз — 2 из 15

Но здесь важно не переоценить цифры: часть найденных диагнозов оказалась «повторным обнаружением» уже существовавшей информации, которая просто не была сведена вместе в рабочем контуре команды. То есть ИИ здесь помогает не только «думать», но и собирать рассыпанное знание (кстати, это напоминает наш проект DariaAI, где пользователь мог хранить свои разные медицинские данные в одном месте).

⚠️ Критический комментарий

Это очень сильный пример не «ИИ-врача», а ИИ-ассистента для редких и перегруженных сценариев, где у людей просто не хватает времени держать в голове тысячи редких болезней, новые статьи, переоценки вариантов и сложные сочетания признаков. Но исследование было ретроспективным, не измеряло экономию времени, нагрузку ложноположительных находок, стоимость и влияние на лечение. То есть до реальной массовой интеграции в клинику ещё нужна отдельная серьёзная проверка.

📌 Вывод:

Один из самых реалистичных и полезных сценариев для ИИ в медицине — не заменить врача, а помочь заново просмотреть «безнадёжные» кейсы и вытащить из них гипотезы, которые человек потом проверит по всем правилам. Для редких заболеваний это может быть очень ценно: иногда ответ уже где-то рядом, но вручную до него слишком трудно добраться.

Вопрос к вам: как думаете, где ИИ даст больше пользы в ближайшие годы — в первичной диагностике или в повторном разборе самых сложных случаев врачами?

🌍 Один из уроков, который мы сейчас проживаем с ArnaAI

Даже если у вас хороший продукт, сильный интерес со стороны клиентов и уже почти согласованные пилоты — внешние события могут резко поставить всё на паузу.

Например, в последние месяцы мы общались с потенциальными healthcare-партнёрами в Саудовской Аравии, ОАЭ и Омане по запуску пилотов ArnaAI в клиниках.

Диалог шёл хорошо:
• был реальный интерес
• были предметные обсуждения
• был потенциал запуска

Но после эскалации конфликта между Ираном и США часть потенциальных пилотов была приостановлена.

Не потому что продукт стал менее нужным.

А потому что у клиник и партнёров сразу меняются приоритеты:
риск, неопределённость, внутренняя координация, осторожность в принятии решений.

Похожая история у нас была и в Демократической Республике Конго.

Мы долго согласовывали условия с локальным партнёром, который помогал выводить ArnaAI на клиники региона. После большого количества обсуждений соглашение с нашей стороны уже было одобрено.

И вот в стране началась вспышка Эболы.

Понятно, что в такой ситуации приоритеты системы здравоохранения резко смещаются.

Не потому что проблема неэффективных процессов в клиниках исчезает.

А потому что рынок здравоохранения всегда живёт внутри более широкого контекста:
• эпидемиология
• безопасность
• инфраструктура
• государственные приоритеты
• кризисное реагирование

📌 Это один из самых трудных, но важных уроков глобального B2B:

Не всё зависит от тебя.
Но реакция на это — зависит.

Что делаем мы:

• держим дверь открытой для партнёров на Ближнем Востоке и в Африке
• продолжаем общаться с новыми клиниками
• идём в новые рынки и новые индустрии
• продолжаем строить ArnaAI дальше

Потому что в такие моменты главное — не замирать.

Для фаундеров, которые строят AI-компании или работают на глобальных рынках:

Когда мир становится сложнее — это не повод остановиться.
Это момент, когда особенно важно продолжать движение.

🚀 Весенний состав YCombinator (лучшего акселератора мира) снова напомнил: самые интересные стартапы в медицине — это уже давно не «ещё одно приложение для записи к врачу».

Настоящая движуха сейчас глубже:
— клинические исследования
— онкоскрининг
— медицинский биллинг
— первичная помощь
— визуализация
— инфраструктура для медицинского AI

Вот 7 команд, за которыми я бы посоветовал следить внимательно:

1️⃣ Framewise Health

ИИ делает персонализированные видео для восстановления пациентов — с учётом анамнеза и языка.

Почему это может выстрелить: пациентам часто не хватает не лечения, а понятного объяснения, что делать дальше.

2️⃣ BioStack

Строят инфраструктуру и data-пайплайны для обучения медицинских ИИ-моделей.

Очень важный слой: без нормальных данных и среды разработки «медицинский ИИ» быстро превращается в красивую презентацию.

3️⃣ Harbor

AI-native система для данных клинических исследований.

Если такие продукты реально заработают в масштабе, они смогут ускорять не только бумажную работу, но и сам путь новых препаратов и технологий до пациента.

4️⃣ Lumius

Портативное и доступное 3D-УЗИ.

Это ставка на то, что визуализация должна становиться проще, дешевле и ближе к точке оказания помощи.

5️⃣ Adialante

Делают МРТ для онкоскрининга доступнее, начиная с мобильного формата.

Очень сильная идея: чем раньше находишь проблему, тем выше шанс изменить исход.

6️⃣ Taiga

ИИ для медицинского биллинга в независимых практиках.

Не хайпово. Но очень денежно и очень больно для рынка. Огромный кусок неэффективности в медицине до сих пор сидит в админке.

7️⃣ Clara

ИИ для первичной помощи с учётом медданных и проверкой со стороны клинициста.

И вот это, возможно, главный сдвиг:
мы идём от «ИИ отвечает на вопросы» к «ИИ становится частью клинического процесса».

📌 Главный вывод:

Новый healthtech строится не вокруг красивых интерфейсов.

Он строится вокруг сломанных основ медицины:
— как пациент понимает рекомендации
— как проходят исследования
— как работает финансовая часть
— как раньше находить рак
— как встроить ИИ в реальную клиническую работу

Какая из этих вертикалей вам кажется самой недооценённой сейчас: клинические исследования, биллинг, диагностика или первичная помощь?

🤖💊 Bristol Myers даёт ИИ доступ не 5 исследователям, а сразу 30,000+ сотрудникам

Bristol Myers Squibb (международная фармацевтическая компания) объявила о стратегическом соглашении с Anthropic: модель Claude планируют развернуть по всей компании, чтобы ускорить поиск, разработку и вывод новых лекарств. Речь не только про R&D: охват заявлен от исследований и клинической разработки до производства, коммерческих и корпоративных функций.

Почему новость важная:

• это уже не формат “давайте дадим учёным чат-бота”, а попытка сделать ИИ общим рабочим слоем поверх внутренних данных и процессов большой фармы; BMS прямо пишет о подключении людей, систем и накопленных знаний компании в масштабе всего предприятия.

• доступ планируют дать более чем 30,000 сотрудников — это очень крупный сигнал, что фарма начинает воспринимать ИИ как инфраструктуру, а не как локальный эксперимент.

• BMS отдельно выделила 3 приоритета: ускорение разработки софта через Claude Code, внедрение ИИ-агентов в ключевые процессы движения препарата вперёд и использование Claude как единого интеллектуального слоя над внутренними данными компании.

Где именно ждут эффект:

1️⃣ Исследования
BMS хочет применять ИИ-рассуждение к своим многолетним научным, молекулярным и клиническим данным, чтобы быстрее находить и оптимизировать мишени, в том числе в онкологии, гематологии, неврологии и иммунологии.

2️⃣ Разработка препаратов
Заявлена автоматизация документов для клинических исследований: отчётов, narratives по безопасности пациентов и поддержки регуляторных подач — с целью сократить время между готовностью данных и подачей документов.

3️⃣ Производство и качество
Компания также рассматривает ИИ для расследования отклонений, CAPA-документации и решений по выпуску серий, то есть ИИ идёт уже не только в “науку”, но и в очень операционный контур фармы.

⚠️ Но здесь важен один трезвый вывод

Это не новость “ИИ сам откроет новые лекарства”. Пока из публичных формулировок видно другое: крупная фарма пытается снять огромные потери времени на стыках данных, документов, регуляторики, разработки и производства. И если это сработает, главный выигрыш может быть не в “магическом открытии молекулы”, а в ускорении всей машины drug development. Такой вывод следует из описанных BMS сценариев внедрения.

Отдельно интересно, что Reuters приводит оценку McKinsey: агентный ИИ может повысить продуктивность клинической разработки примерно на 35–45% в ближайшие 5 лет. Это не гарантия для BMS, но хороший индикатор того, почему бигфарма так активно идёт в эту тему.

📌 Вывод: на наших глазах ИИ в фарме смещается из зоны “помощник для отдельных команд” в зону “операционная система компании”. И, возможно, самый большой эффект в ближайшие годы будет не в headline-проектах про молекулы, а в незаметном ускорении документов, решений, качества и передачи знаний внутри фармгигантов.

🚀 Новый функционал ArnaAI: оценка качества приёма врача по вашим критериям

Недавно к нам пришёл очень практичный запрос от одного из клиентов:
можно ли автоматически оценивать, как врач проводит приём — не только по факту заполнения протокола, а именно по качеству сервиса?
Например:

• представился ли врач
• был ли вежлив и эмпатичен
• понятно ли объяснил ситуацию пациенту
• дал ли рекомендации
• рассказал ли о дополнительных услугах клиники
• вёл ли разговор структурно и профессионально

Мы взяли эту задачу в работу — и сделали новый инструмент в административной панели ArnaAI.

Что теперь можно делать:

1️⃣ Создавать собственные критерии оценки

Руководство клиники само задаёт, по каким признакам оценивать приём.

Это важно: не “общий шаблон для всех”, а именно ваша логика сервиса, ваши стандарты коммуникации и ваши приоритеты.

2️⃣ Прогонять аудиозапись разговора врача с пациентом через систему скоринга

После этого система за секунды может сформировать детализированный отчёт:

• общая оценка приёма
• оценка по отдельным критериям
• что врач сделал хорошо
• какие элементы были пропущены
• где есть точки роста по сервису и коммуникации

3️⃣ Видеть реальную картину по команде

Теперь руководство может быстрее понимать:

• какие врачи действительно дают высокий уровень сервиса
• где есть сильные практики, которые можно масштабировать
• кому из врачей нужно помочь подтянуть коммуникацию
• где клиника теряет качество пациентского опыта не на медицине, а на подаче, структуре и сервисе

Почему нам кажется это важным:

Во многих клиниках качество работы врача оценивают фрагментарно:
по жалобам, выборочным прослушкам или субъективному впечатлению.

Но когда появляется понятная и настраиваемая система оценки, управлять сервисом становится сильно проще.

Не “кажется, этот врач общается слабее”,
а есть конкретные критерии, прозрачная оценка и детальный разбор.

📌 Что в этом особенно ценно

Это не инструмент для “наказания врачей”.

Это инструмент для руководства клиники, чтобы:

• видеть сильных сотрудников
• находить зоны для обучения
• выравнивать стандарты сервиса
• повышать качество пациентского опыта системно, а не вручную

По сути, мы добавили в ArnaAI ещё один слой пользы:
не только помощь в документации после приёма, но и инструмент управления качеством коммуникации внутри клиники.

Если вы руководите клиникой и хотите по своим правилам оценивать, как врачи проводят приём — напишите мне в личку @mikhail_shakh.

Покажем, как это работает на практике.

🧬 ИИ нашёл «скрытые подтипы» болезней у полумиллиона людей

Одна из самых интересных идей в medAI сейчас — не просто предсказывать один диагноз, а учиться видеть целостный «портрет» человека по тысячам признаков сразу: анализам, образу жизни, питанию, симптомам, анамнезу и сопутствующим болезням.

Именно это и сделали авторы новой работы в npj Digital Medicine: они обучили foundation model под названием ukbFound на данных 502,118 участников UK Biobank, превратив тысячи фенотипических признаков в последовательности, похожие на язык. Модель затем использовали для нескольких задач: стратификации болезней, поиска связей между заболеваниями и прогноза риска.

Что получилось особенно интересно:

1️⃣ ИИ нашёл разные подтипы внутри одной и той же болезни

В работе модель выделяла подгруппы пациентов в 289 заболеваниях, и для 53 из 289 различия между подгруппами были статистически значимы по прогнозу. Это важный сигнал: под одним названием диагноза часто скрываются очень разные пациенты с разной траекторией болезни.

2️⃣ Для ХОБЛ всплыл неожиданный маркер

Авторы пишут, что модель обнаружила две подгруппы ХОБЛ, которые различались распределением базофилов. Это может указывать на новый индикатор снижения функции лёгких — то есть ИИ не просто «угадывает риск», а помогает вытащить потенциально новые клинические гипотезы.

3️⃣ Риск болезни можно увидеть заранее даже по образу жизни и питанию

В задаче прогноза заболеваний модель использовала только данные об образе жизни и рационе и показала результат лучше 10 бенчмарк-моделей, с приростом AUC на +0.03 до +0.16. Самый яркий пример — подагра: группа самого высокого риска имела в 17.5 раза выше шансы развития болезни в перспективе до 8 лет.

4️⃣ ИИ нашёл и новые связи между болезнями

В анализе мультиморбидности модель выявила ранее не описанные связи, например между low platelet disorder и gout, а также кластеры заболеваний с возможными общими механизмами. Для системной медицины это очень сильная идея: не смотреть на болезнь по одной, а видеть сеть взаимосвязей.

Почему это важно для healthcare:

• для исследователей — способ находить новые биомаркеры и подтипы болезней
• для клиник — шаг к более точной стратификации пациентов, а не подходу “один диагноз = один сценарий”
• для preventive health — возможность видеть риск задолго до клинического дебюта, даже по «мягким» данным вроде питания и привычек

⚠️ Но важный нюанс

Это очень сильная исследовательская работа, но пока не история из серии «завтра ставим в больницу и лечим лучше всех». Модель обучена на UK Biobank, а значит главный вопрос дальше — внешняя проверка на других популяциях, других системах здравоохранения и реальной клинической практике. Кроме того, сама статья на сайте Nature помечена как unedited manuscript version, то есть перед финальной публикацией текст ещё может быть отредактирован.

📌 Вывод:

Похоже, следующий большой шаг AI in healthcare — это не только “ИИ читает снимок” или “ИИ пишет заметку”, а ИИ собирает глубокий цифровой фенотип человека и находит скрытые закономерности, которые врач не увидит вручную.

Если такие модели пройдут внешнюю валидацию, они могут стать основой для действительно персонализированной медицины: когда мы работаем не просто с диагнозом, а с конкретным типом пациента внутри этого диагноза.

Как вам такой вектор развития: больше всего пользы ИИ даст в диагностике, в прогнозе риска или в поиске скрытых подтипов заболеваний?

____

🟡 P.S. Кстати, еще в 2020 году, мы с командой разрабатывали сервис под названием uHealth, где также планировали анализировать питание, уровень стресса, физичекую активность для прогноза риска аутоимунных и онкологических заболеваний. Если публикация наберет более 20 реакций до конца недели, то сделаем пост про данный сервис 😉

🤖 ИИ, бюрократия и новый клинический workflow

Недавно в журнале Asian Hospital & Healthcare Management вышла моя статья “AI, Bureaucracy, and the New Clinical Workflow”.

В ней я коротко разбираю, как искусственный интеллект меняет работу медицинских учреждений: снижает бюрократическую нагрузку на врачей, помогает с документацией и постепенно формирует новый клинический workflow.

Статья небольшая, поэтому рекомендую к прочтению всем, кто следит за развитием ИИ в здравоохранении 😉

Ссылка

🧠👁 ИИ по снимку глаз может замечать признаки сразу шести болезней

Вышло интересное исследование: учёные показали, что искусственный интеллект по снимкам глазного дна может находить признаки не одной, а сразу нескольких болезней обмена веществ и гормональной системы.

О каких болезнях речь:

• сахарный диабет 2 типа
• повышенное давление
• повышенный холестерин
• подагра
• остеопороз
• болезни щитовидной железы

Почему вообще глаза могут об этом “подсказывать”?

Сетчатка — это внутренняя оболочка глаза, где хорошо видны мелкие сосуды. По сути, это одно из немногих мест в организме, где врач может без операции посмотреть на сосуды изнутри.
Искусственный интеллект ищет на этих снимках малозаметные изменения, которые могут быть связаны с разными болезнями всего организма, а не только глаз.

Что сделали исследователи:

• собрали более 107 тысяч снимков глазного дна
• использовали данные более чем 53 тысяч человек
• обучили модель искать признаки сразу нескольких заболеваний
• проверили её на разных группах людей, в том числе в регионах с ограниченными ресурсами
• отдельно посмотрели, как это работает в реальной клинической практике

📊 Насколько хорошо это работает?

Результаты выглядят многообещающе, но это пока не “волшебная кнопка”.

Для одних болезней точность была выше, для других — ниже.
Лучше всего система справлялась с диабетом и подагрой.
Слабее — с болезнями щитовидной железы.

То есть такой подход уже может быть полезен как быстрый первичный отбор: кого стоит направить на дополнительные обследования.
Но это не замена анализам, диагнозу и врачу.

Отдельно важно, что в пробном внедрении такая проверка занимала около 30 секунд на человека.
Для массовых осмотров это очень интересно: быстро, без боли и без забора крови.

⚠️ Что важно понимать

1️⃣ ИИ не ставит диагноз по глазу
Он не “видит диабет” напрямую. Он замечает сочетания признаков, которые чаще встречаются у людей с определёнными болезнями.

2️⃣ Это инструмент отбора, а не окончательное решение
То есть система может подсказать, что человеку стоит пройти обычные обследования, но не заменяет их.

3️⃣ Для разных болезней точность разная
Поэтому внедрять такие решения надо аккуратно, особенно если речь идёт о массовом использовании.

📌 Вывод

Очень похоже, что в будущем обычный снимок глаз может стать не только проверкой зрения, но и быстрым способом заподозрить болезни обмена веществ и гормональные нарушения.

Это сильный пример того, как ИИ может помогать не лечить напрямую, а раньше замечать риск и вовремя отправлять человека на дообследование.

Главный вопрос теперь не только в точности модели, но и в том, как правильно встроить такие решения в медицину, чтобы они реально помогали людям, а не просто выдавали “тревожные сигналы”.

🩺🤖 OpenAI анонсировали отдельный ChatGPT для врачей. Это уже серьёзный сигнал для рынка

OpenAI представила "ChatGPT for Clinicians" — специальную версию ChatGPT для клинической работы. Сейчас её бесплатно открыли для подтверждённых врачей (NP, PA) и фармацевтов в США

Что туда входит и почему это важно:

✅ помощь с клиническими вопросами, документацией и медицинским поиском;

✅ поиск по рецензируемым медицинским источникам с цитатами;

✅ режим глубокого исследования по журналам и литературе;

✅ для подходящих аккаунтов — опция HIPAA compliance через BAA

Почему новость важнее, чем кажется на первый взгляд?

1️⃣ Это уже не просто “общий ИИ для всех”, а явный заход в специализированный медицинский workflow.
OpenAI прямо говорит, что продукт сделан для клинических задач: документации, поиска, обзоров литературы и повседневной рутины врача.

2️⃣ Ставка делается не только на модель, но и на доверие.
OpenAI пишет, что врачебные советники просмотрели более 700,000 ответов моделей в медицинских сценариях, а перед релизом врачи протестировали 6,924 реальных диалога из своей практики. В компании также заявляют, что в этой проверке 99.6% ответов были оценены как безопасные и точные.


📌 Вывод:

Похоже, мы входим в этап, где большие ИИ-компании перестают делать просто “универсального помощника” и начинают собирать вертикальные продукты под конкретные роли в медицине.

Следующий важный вопрос для рынка будет не “умеет ли модель отвечать”, а:

может ли она безопасно встроиться в реальную работу врача и действительно убрать часть рутины, а не добавить новые риски?

Как думаете: врачи быстрее примут ИИ именно как помощника для документации и поиска, чем как инструмент для клинических решений?

🤖🩺 ИИ может заранее находить людей с высоким риском рака поджелудочной — ещё до диагноза?

На medRxiv 13 апреля 2026 вышел препринт о PRISM — модели на данных электронных медкарт, которую проспективно проверили уже после реального запуска в 44 медицинских организациях США. Цель была очень практичная: понять, может ли модель находить людей с повышенным ближайшим риском рака поджелудочной железы вне узкой группы с наследственным/генетическим риском.

📌идея в том, что ИИ здесь может заранее сузить огромную популяцию до более разумной группы для наблюдения и дообследования.

Почему это важно:
рак поджелудочной почти всегда упирается в позднее выявление. А действующие подходы к наблюдению в основном покрывают людей с семейным или генетическим риском, хотя большая часть будущих случаев возникает вне этой группы. Именно это и пытается закрыть PRISM — не заменить врача, а стать “первым ситом” на масштабе популяции.

💁‍♂️Но есть и важное “но”:
это пока препринт, то есть работа ещё не прошла полноценное рецензирование. И даже при 30-кратном enrichment абсолютный риск в high-risk группе остаётся не гигантским — речь не о готовом массовом скрининге «для всех завтра утром», а о системе отбора, после которой ещё нужны понятные маршруты: кому делать МРТ/КТ/EUS, как часто, сколько это стоит и как избежать лишних обследований.

📌 Вывод:
это один из самых практичных кейсов ИИ в здравоохранении за последнее время. Не “диагноз от нейросети”, а более реалистичный сценарий: ИИ просматривает миллионы медкарт и помогает найти тех, кого система иначе пропустила бы слишком долго. Если такие модели дойдут до рутинной клиники, главный эффект может быть в том, что часть пациентов попадёт на дообследование на месяцы или даже годы раньше, чем у них разовьется недуг

Вопрос к вам:
вы бы доверили ИИ роль “тихого фильтра” в фоне — который не ставит диагноз, а подсказывает, кого стоит проверить внимательнее?

🗣И снова про ArnaAI

А почему? Потому что полезно и врачам и пациентам 😉

Кстати, подробную информацию на русском вы можете прочитать здесь, а протестировать сервис (первые 100 мин - БЕСПЛАТНО) - здесь

Ну, а если вам интересно куда будет двигаться индустрия ИИ - можете посмотреть подкаст с Варварой ✅

🧠Сознание — это не продукт мозга, а свойство самой реальности?

Научные медиа обсуждают довольно радикальную идею: известный нейробиолог Кристоф Кох предлагает всерьёз пересмотреть привычный материалистический взгляд, где сознание полностью «производится» мозгом. Поводом стало его выступление на симпозиуме Behind and Beyond the Brain в Порту 8–11 апреля 2026 года.

Что именно он ставит под вопрос:

1️⃣ Мы до сих пор не можем нормально объяснить, как физические процессы в мозге превращаются в субъективный опыт — то есть в само ощущение «я переживаю».

2️⃣ Современная физика тоже оставляет открытым вопрос, что вообще считать фундаментальной реальностью.

3️⃣ Есть феномены вроде околосмертных переживаний, мистических состояний и терминальной ясности, которые плохо укладываются в стандартные нейробиологические модели.

💡 На что опирается Кох?

Он давно связан с теорией интегрированной информации. В очень упрощённом виде её идея такая: если в системе достаточно сложно и цельно объединена информация, у неё может быть некоторая форма субъективного опыта. Отсюда и смелый вывод: возможно, сознание не возникает только в мозге, а является более базовым свойством мира.

⚠️ Но здесь важно не переусердствовать

Это не «доказали, что душа существует» и не «нейронаука ошибалась». Пока речь идёт не о закрытом научном вопросе, а о серьёзной философско-научной дискуссии. Даже в исходном материале это подаётся как приглашение к пересмотру рамки, а не как финальный ответ. Источник новости — пресс-материал BIAL Foundation о выступлении Коха, а не новая экспериментальная работа, которая окончательно всё решила.

📌 Почему это интересно для медицины и ИИ?

Потому что вся логика нейротехнологий, психиатрии, оценки сознания у тяжёлых пациентов и даже разговоров про «сознательный ИИ» упирается в один и тот же вопрос: сознание — это вычисление, биология или что-то более фундаментальное? Пока ответа нет, мы всё ещё строим многие выводы на неполной картине.

Вопрос к вам:
как вам ближе — сознание как продукт нейронов или как фундаментальное свойство реальности?

🧠📈 ИИ в американских клиниках уже не "эксперимент", а новая норма

Свежий опрос в США показывает: в 2026 году уже 75% систем здравоохранения используют хотя бы одно ИИ-решение или планируют использовать его в этом году. Год назад таких было 59%. А доля организаций, где нет вообще ни одного ИИ-направления, снизилась с 41% до 25%.

📌Что особенно важно:

• рынок уходит от одиночных пилотов к "пакетному" внедрению — 50% систем уже имеют 3 и более ИИ-решения против 30% годом ранее

• главный вход ИИ в клинику — это не "диагностика будущего", а рутина: заметки врача и ИИ-ассистенты для прослушивания и документирования приёма (вспоминаем ArnaAI) лидируют с 68% внедрения/планов внедрения; дальше идут улучшение клинической документации — 43%, ИИ-кодирование — 36%, черновики ответов пациентам — 36%

• самый быстрый рост показали черновики ответов пациентам: +80% год к году. Заметки/ИИ-ассистенты для прослушивания выросли на 62%.

💸 И ещё один важный сигнал для рынка: среди тех, кто смог посчитать эффект, больше половины сообщили как минимум о 2x ROI от уже внедрённых ИИ-решений. То есть разговор всё чаще идёт не про “вау, у нас есть ИИ”, а про вполне измеримую экономику.

Но картина не идеально радужная.

Авторы отдельно отмечают, что опыт внедрения остаётся смешанным: часть систем сталкивается с медленным запуском и осторожностью сотрудников. То есть узкое место теперь часто не сама модель, а внедрение в процессы, обучение людей и доверие команды.

📌 Мой вывод:

Самый реалистичный сценарий ИИ в здравоохранении прямо сейчас — не "ИИ заменит врача", а "ИИ съест административную нагрузку первым".
Именно поэтому быстрее всего летят решения вокруг документации, кодирования, переписок - ам понятнее ценность, быстрее считаются деньги и меньше регуляторного риска. Это очень показательный сигнал для всех, кто строит продукты для клиник.

Вопрос к вам: в вашей практике/компании ИИ сегодня уже даёт реальную экономию времени — или пока остаётся красивым пилотом?

🚀У нас в ArnaAI два новых и важных обновления функционала:

✏️ Редактирование заметок

Теперь медицинский специалист может самостоятельно редактировать содержание итогового документа, сформированного ИИ

⬇️ Сохранение документа в PDF

Теперь врачи могут сохранять документы к себе на рабочий стол в формате PDF и делиться ими с пациентами/клиентами

___

Если вы медицинский специалист (терапевт, психолог, нутрициолог, диетолог, врач УЗИ) - берегите своё время и передайте рутинную работу искусственному интеллекту... воспользуйтесь ArnaAI уже сегодня 😉

🤖🎥 ИИ уже сильнее врача в анализе операционного видео? Не совсем. Но связка «врач + ИИ» выглядит особенно мощно.

В свежем научном труде в npj Digital Medicine исследователи собрали 146 работ, а в количественный анализ включили 76 исследований, где сравнивали:
• ИИ
• врача без помощи ИИ
• врача с поддержкой ИИ

Что получилось:

1️⃣ Сам по себе ИИ показал более высокую чувствительность, чем врач без помощи ИИ.
То есть он чаще замечал важные находки на хирургических и интервенционных видео.

2️⃣ Но ещё интереснее другое: врач с ИИ оказался лучше врача без ИИ и по чувствительности, и по специфичности.
То есть комбинация не только чаще находит проблему, но и лучше фильтрует ложные срабатывания.

3️⃣ При этом у экспертов с ИИ не было значимого отличия от самого ИИ по ключевым метрикам.

И это важный сигнал: в части задач мы движемся не к "ИИ как второму мнению", а к сценарию, где машина становится полноценным участником клинического зрения.

Почему это важно:
• речь не про теоретические тесты, а про анализ видео из эндоскопии, хирургии и других интервенционных процедур
• именно видео — один из самых перспективных форматов для ИИ в медицине: поток данных большой, человек устаёт, а алгоритм может смотреть стабильно
• в реальной практике наиболее вероятен не сценарий “автономный ИИ вместо врача”, а “ИИ как ассистент в момент процедуры”

⚠️ Но есть важное ограничение
Авторы отдельно подчёркивают: большинство работ сравнивали ИИ против врача, а не изучали реальный сценарий внедрения — когда врач работает вместе с ИИ.

То есть доказательств в формате “человек + ИИ в живом клиническом процессе” всё ещё меньше, чем хотелось бы.

📌 Вывод:

Самый сильный тезис статьи — будущее, похоже, не в модели “ИИ заменит врача”, а в модели “лучший врач будет тот, у кого есть хороший ИИ-ассистент”.

Особенно в областях, где нужно непрерывно анализировать видео в реальном времени: эндоскопия, операционные, интервенционные процедуры, контроль качества и поиск мелких, но критичных находок.

Вопрос к вам: где связка “врач + ИИ” даст максимальный эффект раньше всего — в эндоскопии, хирургии или радиологии?

🧠 Почему "автономные ИИ агенты" в медицине всё ещё нуждаются в человеке?

На arXiv вышла работа “Human-Guided Agentic AI for Multimodal Clinical Prediction” — авторы разобрали, как агентные ИИ-системы (которые могут сами строить ML-пайплайны) работают на реальных клинических задачах, и показали, что лучшие результаты получаются не в режиме "полного автопилота", а в связке "агент + человек-эксперт".

❓Что они сделали

Авторы участвовали в бенчмарке AgentDS Healthcare и решали 3 задачи на мультимодальных данных (табличные данные + клинические тексты + PDF-чеки/счета + временные ряды витальных параметров):

1️⃣ Предсказать, вернётся ли пациент в больницу в ближайший месяц

2️⃣ Оценить, сколько примерно человек будет обращаться в неотложку и во сколько это обойдётся

3️⃣ Понять, можно ли пациента уже безопасно выписывать

🎛 Ключевые результаты

ИИ справился хорошо, но самый важный вывод вот какой:
Лучше всего система работает, когда ИИ помогает, а человек направляет.
Когда всё делали "на автопилоте", результаты были хуже.
А когда человек подсказывал ИИ, что именно важно искать в данных (в тексте врача, в PDF-документах, в показателях давления/пульса), качество заметно улучшалось.

🐚 Почему это важно для будущего AI в здравоохранении

Эта статья — хороший "холодный душ" для идеи полностью автономных ИИ-агентов в клинике.
Самый реалистичный путь прямо сейчас: Human-in-the-loop agentic AI, где агент ускоряет рутину (код, пайплайн, эксперименты), а человек задаёт правильные решения в критических точках — ради качества, интерпретируемости и воспроизводимости

А вы верите в то, что вскоре появятся клиники, в которых ИИ смогут оказывать услуги без привлечения живых людей?

Поделитесь мнением в комментариях 👇🏼

Дорогие дамы, поздравляем вас с Международным женским днём 🌷

Берегите себя и свое здоровье, созидайте мир вокруг и внутри вашей семьи 🎇

Мы живем в уникальное время, когда технологии ИИ позволяют открывать новые лекарства и предвосхищать заболевания, пользуйтесь этим, вдохновляйтесь, берегите себя и ваших близких!