У 35-летнего фаундера Connor Christou нашли опухоль размером 11×11×8 сантиметров, хотя еще в 2025 году его чекап был «зеленым» по всем ключевым показателям. Эта история про ИИ в медицине важна не только как личный кейс пациента: она показывает, как генеративные модели уже становятся рабочим слоем между врачом, данными и вопросами, которые человек раньше просто не умел формулировать.
Как пишет TechCrunch, Christou много лет жил в режиме биохакера без карикатурности: Whoop, Oura, почти 100 биомаркеров ежегодно, протоколы долголетия по мотивам Peter Attia и Rhonda Patrick, выверенные добавки, сон, циркадные ритмы, питание. На этом фоне диагноз выглядел почти издевательски случайным. После тренировки у него опухла рука, врач нашел два тромба и отправил на операцию, но предоперационное обследование резко сменило сценарий: за грудиной обнаружили массивное образование, а биопсия подтвердила агрессивную быстрорастущую неходжкинскую лимфому. По словам Christou, речь шла о редкой форме заболевания, встречающейся примерно в одном случае на 420 тысяч человек, причем образ жизни, стресс и диета здесь не играли роли. Опухоль, как ему объяснили, сформировалась примерно за три месяца и через несколько недель могла вывести болезнь на четвертую стадию.
Дальше началась часть, которая для IT-аудитории звучит неприятно знакомо: система дает два взаимоисключающих ответа, а решение все равно должен принимать ты сам. Первый онколог, по данным TechCrunch, рекомендовал более мягкую схему химиотерапии. Второй, к которому Christou обратился буквально накануне первой инфузии, настоял на тяжелом варианте: непрерывное стационарное введение препаратов циклами каждые три недели в течение шести месяцев. Разница была не вкусовой, а арифметической. Для его клинической картины первая схема давала около 60% шанса на успех, вторая — около 85%. Вместо того чтобы выбрать врача «по харизме», предприниматель за двое суток собрал 12 мнений через личные контакты, гематологов и онкологов в США и других странах. Счет оказался 11:1 в пользу более агрессивного лечения, и он согласился на него.
Самое интересное начинается там, где ИИ в медицине перестает быть заголовком для презентации и становится инструментом ежедневной рутины. Во время лечения Christou не пытался заменить врача чат-ботом. Он использовал Claude как систему сборки контекста: загружал результаты анализов крови, данные сканов, метрики с носимых устройств, голосовые заметки о симптомах, побочных эффектах, лекарствах и «лекарствах от лекарств». Он носил Whoop в течение всей терапии и, по его словам, браслет довольно точно показывал дни, когда иммунная система должна была просесть, иногда еще до явных симптомов. На практике ИИ помогал не ставить диагноз из воздуха, а выстраивать структуру разговора с врачами: что спросить, какие риски перепроверить, где рекомендация опирается на стандартный протокол, а где на особенности именно его случая.
Это хорошо укладывается в более широкий тренд. В марте, как напоминает издание, вышел опрос, показавший, что уже треть взрослых американцев использует чат-ботов для медицинской информации и советов. При этом восторг тут рано путать с доказательной базой. Danielle Bitterman, клинический руководитель по data science и AI в Mass General Brigham, ранее предупреждала в комментарии The New York Times: универсальные чат-боты часто ошибаются и пока не прошли достаточную проверку для персонализированной диагностики. Christou с этим не спорит. Его позиция заметно трезвее евангелистских постов в LinkedIn: модель не лечила его и не заменяла онколога, но помогала разбираться в редкой патологии, с которой конкретный врач может сталкиваться раз в год, а не каждую неделю.
Критический эпизод случился в финале лечения. Заключительный ПЭТ-скан оказался неоднозначным, и его онколог начал обсуждать вторую линию терапии, вплоть до лучевой нагрузки рядом с сердцем и легкими. Для пациента после шести месяцев химии это уже не нюанс формулировки, а развилка с очень конкретной ценой ошибки. Christou снова полез в данные и выяснил, что для этого типа лимфомы доля ложноположительных результатов на финальном ПЭТ может доходить примерно до 60%. Затем он загрузил в Claude три ПЭТ-скана и МРТ. Модель подсветила феномен, который легко пропустить: у пациентов младше 40 лет после такой терапии может реактивироваться вилочковая железа, и на снимках это выглядит почти как активная болезнь. С учетом возраста и особенностей изображений модель оценила вероятность такого сценария примерно в 90%. После этого Christou собрал еще три мнения, и четвертый врач подтвердил: это не рецидив, а thymus rebound, то есть реактивация тимуса. Лучевая терапия не понадобилась.
Для разработчиков и фаундеров здесь важен не только человеческий сюжет, но и архитектура поведения. В обычной больнице данные пациента расползаются по анализам, снимкам, выпискам, заметкам, устройствам и памяти самого человека. Генеративная модель в таком контуре работает не как магический диагност, а как слой агрегации и навигации: сводит разрозненный контекст, помогает увидеть конфликт рекомендаций и заставляет задавать более точные вопросы. Это уже не очень похоже на «погуглить симптомы». Скорее на попытку собрать персональную аналитическую панель там, где медицинская система по-прежнему живет в режиме фрагментов.
Для бизнеса история тоже неприятно конкретна. Christou к моменту болезни уже построил Keragon — AI-платформу для автоматизации административных процессов в медпрактиках, — и лечение дало ему взгляд изнутри не как продавцу, а как пациенту. Он увидел врачей и медсестер, заваленных задачами, не связанными с лечением напрямую, и стандартные протоколы, которые одинаково проходят и молодой фаундер, и 80-летняя пациентка, а затем тонут в цепочке побочных эффектов и коррекции этих побочных эффектов новыми препаратами. Если смотреть на медицину глазами продуктового человека, то это рынок, где главный дефицит уже не только в специалистах, но и в сборке решений вокруг конкретного пациента, а не вокруг среднего случая из протокола.
Главный вопрос теперь даже не в том, можно ли применять ИИ в медицине, а в том, кто и как встроит его в реальный клинический контур без самоуверенных обещаний и без перекладывания ответственности на пациента. Пока одни обсуждают риски галлюцинаций, другие уже используют модели как рабочий интерфейс к собственной болезни. И если эта практика закрепится, то следующая конкуренция в healthtech пойдет не за самый разговорчивый чат, а за самый надежный слой между медицинскими данными, врачебным решением и человеком, который не хочет выбирать между слепым доверием и самодельной экспертизой. Подробности исходной истории собрал .