ИИ для медицины: поиск, документы и обращения в закрытом контуре вашей организации

Внешний программный интерфейс облачной модели годится для открытых данных: расписание приёма, описание услуги. Для документов с фамилиями пациентов, диагнозами и номерами карт он чаще всего не подходит по требованиям заказчика: текст уходит за пределы организации, а срок хранения и круг лиц у стороннего сервиса вы не определяете. Поэтому основной вариант у нас один: модель, поиск и хранилище работают на ваших серверах. Сравнение вариантов — в статье «Своя LLM или ChatGPT API».

Что остаётся внутри контура

• Документы и индекс. Индекс строится из ваших файлов, хранится у вас и удаляется вместе с документом.
• Запросы сотрудников и ответы. Журнал содержит куски документов, поэтому у него те же права доступа и тот же срок хранения, что у самих документов.
• Модель и её настройки. Веса, подсказки и параметры лежат у вас, перейти на другую модель можно без нас.

Что делаем, если сервера нет

Состав оборудования называем на обследовании, по выборке документов и числу пользователей. Варианты: сервер в вашем машинном зале, оборудование у выбранного вами хостера или изолированная сеть без выхода в интернет. Как это устроено технически, описано на странице «Развернуть LLM на своём сервере» и в разборе «Как развернуть LLM в закрытом контуре».

Правовые вопросы обработки данных пациентов решает юрист заказчика. Мы даём технические меры, которые можно показать проверяющему: где лежат данные, кто имеет доступ, что записано в журнал.

Неверно прочитанная дата рождения или номер полиса не ломает отчёт, а привязывает направление не к тому человеку. Поэтому каждое поле получает оценку уверенности, и порог задаётся по полю, а не один на весь бланк.

• Идентификационные поля. Фамилия, дата рождения, номер документа: порог высокий, любое сомнение уходит регистратору, а исходное значение показано рядом.
• Служебные поля. Дата направления, отделение, код организации: порог ниже, проверка выборочная.
• Рукописные поля. Идут на проверку, пока выборка не покажет, что доля ошибок для конкретного поля приемлема.
• Запись в учёт. Поле попадает в учётную систему после подтверждения или при уверенности выше порога. Порог подбирают на ваших бланках, а не копируют с чужого примера, см. статью «Порог уверенности модели».

Оцифровку бумажного архива считаем отдельной задачей: качество сканов определяет результат сильнее, чем модель. Общий подход — на странице «Распознавание документов и ввод данных в учёт», метрики — в статье «Как измерить точность распознавания документов».

Если задача сводится к поиску по базе знаний с ответом и источником, основа системы описана на странице «ИИ-ассистент по документам и базе знаний», а принципы построения поиска — на странице «RAG-системы на заказ». Медицинская специфика здесь: реестр редакций, пороги по полям бланков, проверка прав.

Если основная нагрузка — потоки сканов и ввод данных в учётную систему, смотрите интеллектуальную обработку документов. Для юридического и кадрового отделов подойдёт ИИ для юристов и HR.

Если пилот прошёл, дальше — вывод ИИ-пилота в продуктив. Разбор типовой задачи с теми же ограничениями — «Поиск по регламентам и распознавание бланков в клинике, без МИС».