НМИЦ кардиологии имени Чазова перевел в цифру наблюдение за пациентами после острого коронарного синдрома: в новый регистр уже загрузили более 13 тыс. медицинских документов, а обработка данных теперь занимает минуты вместо часов. Для ИТ-рынка это не очередной слайд про ИИ в кардиологии, а вполне прикладной кейс: большая госмедицина дошла до этапа, где языковые модели ставят не в витрину, а в рабочий контур с понятной пользой и жесткими требованиями к персональным данным.
Проект запустило ФГБУ «НМИЦК им. ак. Е. И. Чазова» Минздрава России при поддержке Центра технологий для общества «Яндекса», сообщает CNews. Речь идет о цифровом регистре пациентов, перенесших острый коронарный синдром, с автоматическим заполнением данных из медицинских документов. Раньше такую информацию обрабатывали вручную, и на это уходили часы. Теперь система сама анализирует документы, извлекает нужные параметры и передает их в аналитический контур для наблюдения за пациентами высокого риска и принятия решений по дальнейшей терапии.
Почему выбрали именно эту задачу, понятно без особых пояснений. Болезни системы кровообращения остаются главной причиной смертности в России, а острый коронарный синдром включает наиболее опасные сценарии ишемической болезни сердца, включая инфаркт миокарда и нестабильную стенокардию. У такой группы пациентов риск последующих осложнений остается высоким еще долго: по данным, приведенным в источнике, смертность в течение четырех лет может доходить до 20%. При этом, по словам представителей НМИЦ Чазова, до 20% пациентов после ОКС не попадают под раннее диспансерное наблюдение. Для клиники это означает потерянное время. Для ИТ-команды это означает хорошо формализуемую проблему: много разрозненных текстов, много повторяющейся ручной работы и высокая цена пропуска важных сигналов.
Пилотной площадкой стала Тульская область. Ее выбрали не случайно: там накоплен большой массив данных по пациентам с ОКС и, как следует из описания проекта, достаточно сильная региональная кардиологическая служба. В регистр вошли данные пациентов, выписанных после стационарного лечения в больницах региона за последние пять лет. На старте система получила более 13 тыс. документов. Архитектуру и финальную реализацию разработали специалисты Центра технологий для общества «Яндекса», а прототип, что характерно для нынешнего рынка, делали студенты «Яндекс Практикума». Хорошая иллюстрация того, как корпоративная R&D-машина и образовательная воронка начинают работать в одной связке, особенно на социальных и государственных проектах.
Технически решение построено в три этапа и использует две модели: YandexGPT Lite и Alice AI LLM на платформе Yandex AI Studio. Сначала система обезличивает документы: удаляет или изменяет персональные данные, но сохраняет связность истории конкретного пациента за счет уникальных идентификаторов. Это ключевой момент, потому что именно здесь обычно ломается половина красивых презентаций про медтех. Данные у больниц есть, но передать их разработчикам «как есть» нельзя. В проекте отдельно подчеркивается соответствие требованиям 152-ФЗ: персональные данные не выходят за контур медицинских организаций. Модели могут работать локально или в облаке, причем в облачной версии отключено логирование запросов. После обезличивания система извлекает из текстов более 90 параметров: диагнозы, сопутствующие заболевания, результаты обследований, данные осмотров, историю болезни, сведения об операциях и лекарственной терапии. Затем эти данные отправляются в аналитическую систему для мониторинга и визуализации.
На бумаге все выглядит почти очевидно, но на практике именно такой стек и становится главным маркером зрелости ИИ в кардиологии. Не чат-бот для общих советов и не демонстрация «спроси у модели, что с пациентом», а аккуратная сборка из обезличивания, извлечения сущностей и передачи результата в управленческий интерфейс. Для разработчиков здесь интересен не только выбор моделей, но и сама постановка задачи. Медицинский текст плох тем, что он редко бывает чистым: аббревиатуры, сокращения, латинские термины, небрежные формулировки, разные шаблоны выписок. Если система действительно устойчиво вытягивает из этого массива более 90 параметров, значит, речь идет о довольно приземленном, но ценном применении LLM там, где раньше побеждали либо люди с бесконечным терпением, либо жесткие правила, которые быстро начинали трещать по швам.
Для бизнеса и госсектора этот кейс важен еще по одной причине: он показывает, как меняется логика внедрения ИИ в чувствительных доменах. Несколько лет рынок в основном обсуждал «можно ли использовать генеративные модели в медицине». Теперь разговор смещается к более скучным, а значит, более полезным вопросам: как организовать обезличивание, кто владеет архитектурой, можно ли развернуть модели локально, что делать с логированием, как встроить результат в существующий процесс врача, а не заставить его жить в еще одном окне. В этом смысле проект НМИЦ Чазова и «Яндекса» выглядит не футуристично, а по-хорошему бюрократично. И это комплимент: рынок наконец приходит к пониманию, что в здравоохранении выигрывает не самый разговорчивый ИИ, а тот, который аккуратно сокращает время на рутину и не создает юридическую дыру размером с серверную.
Врачи в проекте получают не просто заполненную таблицу, а инструмент для более быстрого поиска пациентов, которых нужно вернуть в наблюдение, пригласить на визит, дообследовать или направить на вмешательство. В источнике также говорится, что автоматизированный регистр может повысить эффективность телемедицинских консультаций в удаленных регионах и упростить формирование целевых групп для выездных специалистов. Это уже важный сигнал для продуктовых команд: ценность возникает не в момент извлечения текста из выписки, а в момент, когда система начинает менять маршрутизацию пациента и приоритизацию действий врача. Иными словами, ИИ в кардиологии здесь работает не как витрина умной аналитики, а как слой над клиническим процессом.
Следующий шаг уже обозначен: участники проекта хотят масштабировать такие регистры на другие регионы Центрального федерального округа и адаптировать систему под другие заболевания, включая онкологию. Если эта схема действительно переносима, рынок получит не разовый пилот, а шаблон для типовых внедрений в медицине: сначала обезличивание, затем извлечение параметров, потом управленческий контур. Главный вопрос теперь не в том, умеет ли модель читать врачебные тексты, а в том, насколько быстро государственные и частные медорганизации научатся превращать такие пилоты в рутинную инфраструктуру.