Несколько слов в карте скорой помощи могут многое рассказать о тяжести состояния пациента. Исследователи из США обучили алгоритм анализировать главную жалобу, которую медик записывал после встречи с пациентом, и оценивать вероятность семи групп экстренных вмешательств. Для обучения использовали 9 171 818 случаев за 2023 год, для отдельной проверки ещё 9 838 357 случаев за 2024 год.
Результат выглядит впечатляюще, но требует аккуратной формулировки. ИИ не распознавал инфаркт, инсульт или внутреннее кровотечение по одной фразе. Алгоритм прогнозировал, будет ли в электронной карте зафиксирована определённая процедура, например поддержка дыхательных путей, остановка кровотечения или переливание крови. Исследование не проверяло, снижает ли такая подсказка смертность и помогает ли бригадам принимать решения в реальном времени.
Что именно пытался предсказать медицинский ИИ
Авторы исследования, опубликованного 16 июля 2026 года в npj Digital Medicine, работали с обезличенными электронными картами американских служб экстренной помощи. Из каждой карты алгоритм получал текст главной жалобы, составленный медицинским работником, и информацию о выполненных до госпитализации процедурах.
Исследователи разделили вмешательства на семь групп
- поддержка дыхательных путей
- сердечно-сосудистые вмешательства
- процедуры на грудной клетке
- остановка кровотечения
- введение сосудосуживающих препаратов
- переливание крови
- введение кристаллоидных растворов
Внутри категорий могли находиться разные действия. Поддержка дыхательных путей включает интубацию и вентиляцию, сердечно-сосудистая группа включает реанимационные процедуры, а вмешательства на грудной клетке могут включать экстренное устранение опасного скопления воздуха вокруг лёгкого.
Название «жизнеспасающие вмешательства» пришло из методологии авторов. Термин нельзя понимать буквально для каждой отдельной процедуры. Например, внутривенный раствор иногда применяют при критическом состоянии, но сама капельница не всегда означает непосредственную угрозу жизни.
Почти 19 миллионов пациентов или 19 миллионов случаев
В заголовках легко написать, что ИИ изучил данные 19 миллионов пациентов. Такая формулировка неточна. Исследователи проанализировали 19 010 175 записей о выездах и оказанной помощи. Один человек мог обращаться в экстренную службу несколько раз, поэтому число уникальных пациентов неизвестно.
Данные поступили из крупной американской системы ESO Data Collaborative. Платформа объединяет обезличенные записи служб скорой помощи, пожарных подразделений и больниц, добровольно предоставляющих сведения для исследований. Сама база ESO охватывает тысячи организаций и сотни миллионов записей, но не представляет собой полную перепись всех вызовов скорой помощи в США.
Размер выборки остаётся сильной стороной работы. Миллионы случаев позволяют изучать редкие процедуры, для которых обычной больничной базы оказалось бы недостаточно. Огромное число записей, однако, не устраняет систематические ошибки. Если службы одинаково заполняют карты или следуют похожим протоколам, алгоритм может хорошо воспроизводить именно такую практику, а не универсальные закономерности экстренной медицины.
Как слова превращали в медицинский прогноз
Авторы использовали случайный лес, классический алгоритм машинного обучения, состоящий из множества деревьев решений. Модель искала слова и сочетания признаков, которые чаще встречались перед определёнными процедурами.
Сложная генеративная нейросеть для такой задачи не понадобилась. Алгоритм не рассуждал о симптомах и не строил медицинское объяснение. Модель статистически сопоставляла лексику медицинских записей с последующими действиями бригады.
Подобный подход может обнаружить очевидные связи. Упоминания тяжёлого нарушения дыхания логично связаны с интубацией, а описание массивной травмы с остановкой кровотечения. Наряду с медицинским смыслом алгоритм способен усвоить сокращения, шаблоны отдельных служб, особенности программного обеспечения и привычки конкретных медиков.
Что показала проверка на данных следующего года
Модели обучали на случаях 2023 года, после чего без смешивания выборок проверяли на записях 2024 года. Такое разделение лучше случайной разбивки одной базы, поскольку показывает, сохраняется ли результат спустя год.
Для шести из семи категорий площадь под ROC-кривой находилась в диапазоне от 0,821 до 0,929. Лучший результат модель показала для вмешательств на грудной клетке, наиболее низкий среди успешно предсказываемых категорий получила сердечно-сосудистая группа.
AUROC не означает, что алгоритм давал правильный ответ в 82 или 93 процентах случаев. Метрика показывает, насколько хорошо модель ранжирует пациентов по риску при разных порогах срабатывания. Значение 0,5 соответствует случайному ранжированию, единица означает идеальное разделение групп.
Для практической работы одной AUROC недостаточно. При редких вмешательствах алгоритм может получить высокий показатель и одновременно выдавать множество ложных тревог. Для оценки клинической ценности нужны чувствительность, специфичность, положительная прогностическая ценность, калибровка и анализ последствий ошибок. Методические рекомендации по оценке моделей также требуют проверять алгоритм в той популяции и условиях, где его собираются применять.
| Исследование показало | Исследование не показало |
|---|---|
| Слова из медицинских карт связаны с последующими процедурами | ИИ понимает состояние пациента как врач |
| Результат сохранился на данных следующего года | Модель одинаково работает в любой службе и стране |
| Шесть категорий удалось неплохо ранжировать по риску | У шести категорий точность превышает 80 процентов |
| Алгоритм можно рассматривать как основу для системы поддержки | Подсказка улучшает лечение или снижает смертность |
Главная жалоба уже содержит мнение медика
Самое существенное ограничение скрыто в происхождении текста. Жалобу записывал специалист скорой помощи, а не пациент или диспетчер во время первого звонка. Перед заполнением карты медик мог увидеть травму, оценить сознание и дыхание, измерить показатели или начать лечение.
Алгоритм поэтому анализировал не «два волшебных слова пациента», а сжатое профессиональное описание ситуации. В формулировке уже могло присутствовать клиническое мнение человека, который видел больного.
Разница меняет возможный сценарий применения. Результаты нельзя автоматически переносить на распознавание речи во время звонка по номеру экстренной службы. Диспетчер слышит рассказ пациента или очевидца, сталкивается с шумом, паникой, неполными сведениями и бытовыми выражениями. Медик у пациента получает гораздо больше контекста.
ИИ предсказывал действия бригады, а не объективную необходимость
Целевой меткой служила выполненная процедура. Такой критерий удобен для анализа электронных карт, но действие медика и истинная потребность пациента не всегда совпадают.
Бригада могла провести вмешательство из предосторожности. Нужная процедура могла остаться невыполненной из-за противопоказаний, нехватки оборудования, короткого времени до больницы или ошибки. Протоколы и доступные полномочия также различаются между службами.
Модель училась воспроизводить реальные решения, включая возможные различия в оснащении и практике. Высокая способность предсказывать действия медиков ещё не доказывает, что алгоритм верно определяет медицинскую необходимость.
Самая точная формулировка результата звучит так. По словам из карты алгоритм оценивал вероятность того, что бригада задокументирует одну из семи групп процедур.
Почему проверка на 2024 год ещё не стала внешней валидацией
Разделение данных по годам защищает от части статистических ошибок. Модель не проверяли в полностью независимой информационной системе, другой стране или службах, работающих по принципиально иным протоколам.
Один поставщик электронных карт задаёт структуру полей, допустимые форматы и рабочий процесс. Медики из разных регионов могут пользоваться сходными шаблонами и сокращениями. Алгоритм способен распознавать такие особенности так же хорошо, как клинические сигналы.
Для полноценной внешней проверки потребуется испытать модель на данных организаций, которые не участвовали в создании исходной базы. Отдельно придётся изучить работу с детьми, пожилыми пациентами, людьми с нарушением речи, пациентами без сознания и носителями разных языков.
Масштабное исследование выросло из небольшого эксперимента
Новая работа продолжает исследование той же группы, опубликованное в 2025 году. Тогда авторы изучили 12 913 пациентов санитарной авиации и пытались предсказывать похожие группы вмешательств по кратким впечатлениям медиков. Модель показала AUROC 0,793 для любого жизнеспасающего вмешательства, но выборка состояла преимущественно из тяжёлых пациентов, которых перевозили по воздуху.
Нынешняя работа расширила подход до миллионов обычных выездов наземных служб. Смена масштаба имеет значение. В санитарной авиации доля критических пациентов высока, тогда как в общей скорой помощи большинство вызовов не требует реанимационных процедур. Редкие события сложнее предсказывать без большого числа ложных тревог.
Где алгоритм может оказаться полезным
Наиболее реалистичная роль связана не с заменой фельдшера, а с дополнительной проверкой. Электронная карта может заметить сочетание слов, связанное с высоким риском, и предложить медику ещё раз оценить дыхательные пути, кровотечение или состояние кровообращения.
Другой сценарий предполагает раннее предупреждение больницы. Если риск определённого вмешательства высок, принимающее отделение может заранее подготовить команду, оборудование или компоненты крови. Подобный сигнал особенно полезен, когда клиническая картина развивается быстро, а транспортировка занимает много времени.
Алгоритм также может помочь анализировать качество работы служб. Система способна находить случаи, где описание состояния и выполненные действия необычно расходятся. Такой анализ подходит для аудита, но не доказывает ошибку конкретного медика без изучения полной карты.
Что нужно проверить до внедрения ИИ в скорую помощь
Следующий этап должен проходить не в архиве, а в реальной работе. Исследователям придётся подключить модель к электронным картам и наблюдать, как подсказки меняют решения бригад.
- Сравнить помощь с подсказкой ИИ и без неё
- Подсчитать пропущенные критические случаи и ложные тревоги
- Проверить модель в независимых службах и регионах
- Оценить влияние на время лечения, осложнения и выживаемость
- Изучить различия между возрастными, языковыми и социальными группами
- Проверить, не вызывает ли поток предупреждений усталость у медиков
Без подобных испытаний нельзя утверждать, что алгоритм спасает жизни. Ретроспективная модель может прекрасно работать на готовых картах и потерять качество после внедрения. Медики меняют стиль записей, протоколы обновляются, оборудование отличается, а редкие ситуации почти всегда сложнее средней статистики.
Сработает ли американская модель в России
Готовый алгоритм нельзя просто перевести на русский язык. Российские бригады используют другие термины, сокращения, формы карт, протоколы и перечни доступных процедур. Даже знакомые слова могут иметь иной практический смысл.
Для российской версии понадобилась бы отдельная база обезличенных карт, единые правила разметки, независимая медицинская экспертиза и проверка в нескольких регионах. Разработчики также должны учитывать врачебную тайну, требования к персональным данным и регулирование медицинского программного обеспечения.
Решение об экстренном вмешательстве должно оставаться за медицинским специалистом. Алгоритм может подсказать, что риск выглядит необычно высоким, но не должен отменять клиническую оценку или блокировать необходимую процедуру.
Что в итоге доказали исследователи
Короткие текстовые записи скорой помощи содержат измеримый сигнал о последующих экстренных процедурах. Случайный лес смог извлечь такой сигнал из миллионов карт, а результат сохранился при проверке на данных следующего года.
Работа не доказала, что ИИ ставит диагноз по жалобе, заменяет диспетчера или знает, какое лечение действительно нужно пациенту. Алгоритм предсказывал задокументированные действия медиков и пока не прошёл проспективное испытание.
Практический смысл исследования связан с незаметным источником данных. Свободный текст в медицинской карте долго считался неудобным дополнением к цифрам. Машинное обучение показывает, что несколько слов могут стать ещё одним датчиком риска. Полезным такой датчик станет только после независимой проверки и аккуратного встраивания в работу бригады.
Вопросы об ИИ в скорой помощи
ИИ определял инфаркт и инсульт по словам пациента?
Нет. Модель не предсказывала конкретный диагноз. Алгоритм оценивал вероятность семи групп процедур, зафиксированных в карте скорой помощи.
Алгоритм анализировал разговор с диспетчером?
Нет. Источником служила главная жалоба, записанная медицинским работником в электронной карте после прибытия к пациенту.
AUROC 0,929 означает точность 92,9 процента?
Нет. AUROC оценивает способность ранжировать случаи по риску при разных порогах. Метрика не показывает напрямую долю верных ответов и число ложных тревог.
Почему исследование считают перспективным?
Модель проверили на очень большой выборке и на данных другого года. Подобный дизайн надёжнее эксперимента на одной небольшой базе, хотя до реального внедрения ещё далеко.
Может ли ИИ заменить фельдшера или врача?
Нет. Исследование поддерживает роль дополнительной подсказки. Клиническое решение требует осмотра, показателей пациента, контекста вызова и профессиональной ответственности специалиста.
Материал носит информационный характер и не заменяет медицинскую консультацию. При потере сознания, нарушении дыхания, сильной боли в груди, признаках инсульта, массивном кровотечении или резком ухудшении состояния нужно немедленно обращаться в экстренную службу.
