Галкин
Георгий
Димитриевич

Цель проекта:

Разработать и внедрить интеллектуальную систему поддержки клинических решений на

основе анализа медицинских текстов и шкалы EDS, обеспечивающую врачам точные,

персонализированные и доказательно обоснованные диагностические рекомендации.

Проблема, которую решает результат проекта:

В клинической практике врачи сталкиваются с:

Неструктурированностью данных – медицинские записи (эпикризы, анамнезы, жалобы)

часто содержат:

Опечатки, сокращения, разговорные формулировки.

Противоречивую информацию (например, разный анамнез в записях разных

специалистов).

Отсутствие стандартизации (один и тот же симптом описывается по-разному).

Проблемы интеграции шкалы EDS – вручную заполненные баллы могут:

Быть субъективными (разные врачи оценивают по-разному).

Теряться в тексте (например, "ограничение подвижности 50%" не всегда преобразуется

в баллы EDS).

Каким образом результат проекта решает проблему:

Частичная автоматизация процессов постановки диагноза.

Описание конечного продукта проекта:

Инструмент врача, медицинского специалиста , упрощающий процесс постановки

диагноза.

Область применения продукта проекта:

Клиническая диагностика (терапия, неврология, ревматология, эндокринология).

Поддержка врачей в условиях ограниченного времени (экстренная медицина,

поликлиники).

Медицинские исследования (анализ больших данных, выявление редких паттернов).

Рынок, сегмент рынка:

Медицинские учреждения (Клиники, реабилитационные центры, НИИ, Неврологи,

реабилитологи врачи общей практики)

Страховые компании (Использование для оценки рисков и экспертизы)

Фармацевтические компании (Анализ данных для клинических исследований)

Государственные медицинские программы (Внедрение в систему здравоохранения)

Существующие аналоги:

• Ada Health (мобильное приложение для самодиагностики и помощи врачам)

• Buoy Health (чат-бот для предварительной диагностики)

• Российские аналоги (диагностические системы на базе ИИ от "Цифра Мед" и

"Медицинские скрининг-технологии")

Celsus AI использует ruBERT и онкодатасеты, подходит для прямого типа анализа, стоит

от 40 000 руб./мес., клиентами являются Инвитро и ГКБ №1 (Москва). Основное

преимущество — высокая точность в онкологии, но есть недостаток — нет обработки

неврологии.

MedScan работает на GPT-3 и CNN (рентген), также прямого типа, цена 35 000 руб./мес.,

среди клиентов — ЕМС. Главное преимущество — лучший анализ снимков, но слабый

NLP для текстов.

Nuance DAX основан на GPT-4 и Azure AI, относится к прямому типу, стоимость $300–

500/мес., клиенты — Mayo Clinic, Kaiser Permanente. Плюс — лучшая интеграция с Epic,

минус — ограниченность пользования на территории РФ.

Siemens Healthineers — это косвенный тип, технология AI-Rad Companion, цена

€400+/мес., работает с EU-больницами. Основное преимущество — лучший анализ

МРТ/КТ, но система только для изображений.

Конкурентные преимущества:

Наш продукт покрывает конкретно неврологическую составляющую рынка, там нет

аналогов.

На Российском рынке в целом критически мало подобных решений.

Ресурсы проекта:

Pretrained T5-large (3B параметров) + дообучение на медицинских текстах

(анонимизированные данные из 50+ клиник).

Датасеты: PubMed, MIMIC-III, локальные истории болезней (партнерские больницы).

Инфраструктурные:

Облачные сервера (GPU: NVIDIA A100) для обработки запросов в реальном времени.

FHIR-совместимый API для интеграции с EHR (1С:Медицина, МИС "Барс").

Экспертные: Врачи-консультанты (терапевты, ревматологи) для валидации диагнозов.

Затраты на реализацию проекта:

Статья расходов Комментарий

Разработка MVP (T5-модель + NLP) Дообучение модели, интеграция EDS

Веб-интерфейс и API Frontend/Backend, безопасность данных

Пилотные внедрения (2 клиники) Адаптация под локальные данные, обучение врачей

Юридическое сопровождение Сертификация, соответствие 152-ФЗ и GDPR

Маркетинг (B2B, конференции) Продвижение среди мед.учреждений

Операционные расходы (офис, cloud) AWS/GCP, зарплаты на 6 месяцев