В России около 70 тысяч детей болеют ревматическими заболеваниями. Это группа заболеваний, при которых иммунная система начинает атаковать собственные органы и ткани. Примерно 2 раза в год ребёнку необходима госпитализация в стационар различного уровня (от краевой/областной больницы до медицинской организации федерального подчинения) для оценки состояния здоровья, эффективности и безопасности назначенной терапии. Однако, когда ребёнок возвращается домой, рядом может не быть ни одного врача, который знает, что делать с этой терапией.
На связи Юлия Шеянова, менеджер проектов в здравоохранении, Центр технологий для общества Yandex Cloud. В этой статье расскажу, как мы в Yandex Cloud вместе с Ассоциацией детских ревматологов (ASPiRRe) и студентом ИТМО сделали ИИ-агента для системы дистанционного мониторинга.
Ниже — как он устроен и почему мы доверили модели только две узкие задачи, а все решения о рисках вынесли в детерминированные правила.
Зачем нужен дистанционный мониторинг
В детской ревматологии врачи работают по принципу treat-to-target (T2T) — «лечение до достижения цели». Цель — ремиссия, для которой врачу важно постоянно видеть динамику состояния пациента. Через три месяца после назначения терапии врачи рассчитывают увидеть улучшение примерно на 50%: меньше суставов с активным воспалением (опухших, болезненных, с нарушением функции), снижение лабораторных маркеров, отражающих воспалительный процесс. Через полгода рассчитывают на ремиссию. То есть ребенок должен чувствовать себя здоровым, ни на что не жаловаться и вести такой же образ жизни, как его здоровые сверстники, но на лекарственных препаратах. Если цель не достигнута, терапию меняют.
Проблема в том, что видеть пациента постоянно физически невозможно — он живёт в своём регионе, а медицинские организации необходимого уровня сосредоточены в крупных городах. Поэтому 5 лет назад Ассоциация детских ревматологов запустила дистанционный мониторинг: платформу с мобильным приложением «Ювенильный артрит», куда пациент регулярно вносит результаты анализов, фотографии суставов и кожи, данные о приёме препаратов — включая пропуски, если, например, лекарства не оказалось в аптеке. В системе работают 32 врача — фактически всё ревматологическое отделение ФГАУ «НМИЦ здоровья детей» Минздрава России, клиника детских болезней Сеченовского университета и врачи ещё из пяти регионов. В системе зарегистрировано около 1500 пациентов, у каждого врача под наблюдением находится от 10 до 100 человек.
До недавнего времени мониторинг работал в режиме обычного чата: пациент писал, врач отвечал в свободное от основной работы время. Обработки текста моделью не было. На практике это означало, что систему использовали скорее ретроспективно — чтобы проанализировать динамику пациента к следующему очному визиту, а не как канал быстрой обратной связи. Ответить оперативно на все вопросы всех 1500 пациентов без автоматизации врачам объективно было тяжело, но без ответа не оставался ни один вопрос.
Пациентов больше, чем кажется на первый взгляд
По данным федерального статистического наблюдения, в России в 2025 году было зарегистрировано около 70 тысяч детей с ревматическими диагнозами: 33 тысячи с юношеским артритом, 10 тысяч с системными заболеваниями соединительной ткани, 27 тысяч с реактивными артропатиями.
Число заболевших детей растёт на 10–15% в год — отчасти из-за реального роста заболеваемости и улучшения выявляемости, отчасти, предположительно, из-за молекулярной мимикрии после перенесённых вирусных инфекций, включая COVID-19: антитела, выработанные против вируса, по ошибке атакуют собственные ткани. Похожая картина наблюдается при других аутоиммунных заболеваниях, в частности при рассеянном склерозе.
Сложности лечения и обеспечения терапией
Одно из самых частых тяжелых ревматических заболеваний — юношеский артрит с системным началом (сЮА), им болеют около 1500 детей, включённых в федеральную программу 14 высокозатратных нозологий. Из остальных пациентов с ЮА без системных проявлений 50% — с олигоартритом (поражены 1–4 сустава), около 30% — с полиартритом, 10% — с другими вариантами ЮА.
Такие дети длительно получают генно-инженерные биологические препараты (ГИБП) и малые молекулы (новый класс препаратов — ингибиторы янус-киназ). Стоимость лечения ощутимая: например, один флакон Канакинумаба стоит около 500 тысяч рублей. Детям постарше требуется уже два флакона на введение. В масштабе года такая терапия для одного ребёнка обходится в десятки миллионов рублей, а в рамках федеральной программы лекарственное обеспечение проводится за счет государства; по программе высокозатратных нозологий в 2026 году Канакинумаб получат порядка 320 человек, из них 220 — дети.
Дети с другими ревматическими заболеваниями также имеют право на бесплатное лекарственное обеспечение.
За формулировкой «нужен постоянный мониторинг» стоят конкретные дорогие и сложные схемы лечения.
Как появилась идея
Инициатором проекта выступила Екатерина Иосифовна Алексеева. Её команда разрабатывает отечественные клинические рекомендации по детской ревматологии и работает в крупнейшем в стране профильном ревматологическом отделении — том самом, где родился дистанционный мониторинг.
У врачей уже была рабочая платформа дистанционного мониторинга — веб-версия для десктопа и приложения под iOS и Android с общим бэкендом. Нашей задачей было добавить туда слой обработки естественного языка: ускорить ответы на типовые вопросы и снять часть нагрузки с врачей, которые отвечают на них поверх основной работы. Совместно с нами агента разрабатывал Давид Койфман, студент ИТМО, инфраструктуру и доступ к LLM предоставила компания Yandex Cloud.
Конечно, «ИИ-агент» звучит модно. На самом деле за этим термином скрывается языковая модель, которая по шагам выполняет задачу: читает входные данные, обращается к внешним источникам и структурирует ответ.
Интерес к таким системам в медицине огромный — только за 2024 год FDA авторизовало 168 устройств на машинном обучении, а всего в реестре их уже больше тысячи. Подавляющее большинство занимается анализом изображений: на радиологию приходится почти три четверти (74%) систем. Однако систем, которые разбирают свободный текст пациента и работают на стыке с реальными назначениями, — единицы. В детской ревматологии — с её редкими диагнозами и терапией, подавляющей иммунитет, — подобных работающих решений мы не встретили.
Причина проста: языковой модели нельзя доверять там, где ценой ошибки является здоровье ребёнка. В адверсариальных тестах, где в описание пациента подкладывали один ложный факт (несуществующий анализ или симптом), модели подхватывали и развивали ошибку в 50–83% случаев; в обзорах доля выдуманных или ошибочных ссылок на источники доходит до 25–50%.
Дополнительные инструкции снижают частоту ошибок примерно вдвое, но не убирают риски. Даже такой показатель для нас неприемлем, поэтому мы выстроили иной подход.
Как это устроено внутри
Роль модели сузили до двух вызовов на один диалог:
Извлечь структурированные данные из текста пациента, написанного в свободной форме (что именно он сообщает: симптом, результат анализа, пропуск дозы).
Сгенерировать текст ответа на основе найденных в базе документов и истории болезни.
Оценка риска — решение, требует ли ситуация вмешательства врача, — вообще не проходит через LLM. Логика заложена в детерминированный код на Python с правилами, вынесенными в YAML-файл.
Такое разделение нужно для прямой защиты от галлюцинаций. Также разделение помогает сделать логику принятия решений аудируемой: клиницист может открыть правило и увидеть точный порог, по которому агент решил эскалировать случай.
Технически всё развёрнуто на виртуальной машине Yandex Cloud в Docker-контейнерах. Используется готовая LLM через Yandex AI Studio — дообучения не потребовалось. База знаний для RAG — 5070 фрагментов текста, извлечённых из 48 PDF-документов: 8 клинических рекомендаций Минздрава и 40 инструкций к препаратам и профильных нормативных актов (включая 61-ФЗ о лекарствах, 152-ФЗ о персональных данных и порядок фармаконадзора). Эмбеддинги считаются моделью multilingual-e5-base, хранятся в pgvector поверх PostgreSQL.
Сам агент — бэкенд-модуль с REST API, встроенный в уже существующее мобильное приложение «Ювенильный артрит» и в его веб-версию. Он обрабатывает несколько категорий сообщений: о приёме или пропуске препаратов, симптомах, результатах анализов, смене торгового названия на биоаналог, недоступности лекарства в аптеке, нарушении условий хранения.
Общие бытовые вопросы вроде «можно ли ребёнку в сад или на физкультуру» планируем отфильтровывать до того, как агент начнёт подгружать в контекст всю историю болезни, — чтобы не гонять тяжёлый контекст там, где он не нужен.
Важно также уточнить ключевое правило, в том числе для соблюдения врачебной этики. Сервис дистанционного мониторинга физически находится в облаке заказчика — Ассоциации детских ревматологов. Yandex Cloud предоставляет грант и инфраструктуру, но встраивает агента в сервис сама Ассоциация — то есть у нас нет прямого доступа к персональным данным пациентов. На этапе разработки и настройки использовались синтетические данные.
Что именно считается тревожным сигналом
Триаж — оценка, нужно ли врачу вмешаться прямо сейчас, — построен на конкретных клинических порогах. Вот часть правил, зашитых в rules.yaml:
цитопении, требующие отмены ГИБП: лейкоциты ниже 4,0; нейтрофилы ниже 1,0; тромбоциты ниже 100 (значения приведены как в клинических рекомендациях, лежащих в основе базы знаний агента);
любой инфекционный эпизод на фоне биологической терапии — потенциально угрожающий жизни из-за подавленного иммунитета;
АЛТ/АСТ выше нормы — маркер гепатотоксичности;
универсальные красные флаги для любого диагноза: обморок, судороги, анафилаксия, остановка дыхания;
синдром активации макрофагов при системном ЮИА — редкое, но потенциально летальное осложнение; ключевой маркер — резко повышенный ферритин.
При срабатывании одного из таких правил решение эскалируется врачу.
Как это выглядит для пациента и для врача
Сценариев два. Первый — пациент сам что-то спрашивает в чате: например, забыл, в какой дозировке и в какое время сегодня принимать препарат. Агент поднимает историю болезни, формирует ответ со ссылкой на источник в базе знаний и параллельно прогоняет ситуацию через триаж.
Второй — еженедельный отчёт о здоровье: пациент проходит обследование и заполняет объёмный опросник. До проекта опросник просто сохранялся в базе — его смотрели на следующем визите. Теперь агент сразу анализирует ответы по клиническим рекомендациям и отправляет врачу отчёт с размеченными рисками. Если показатели в норме — врач видит короткую сводку. Если, например, у ребёнка обнаружены признаки цитопении, отчёт помечается как требующий срочного внимания.
Отдельный раздел — проактивный контроль эффективности по логике treat-to-target: система сама замечает, что цель терапии не достигается, и показывает динамику по клиническому индексу активности:
В обоих случаях врач получает не готовый автоматический ответ пациенту, а черновик — с push-уведомлением о новом случае. Он может одобрить черновик, отредактировать его или отклонить полностью. На этапе пилота проверке подлежат все ответы без исключения. Часть простых, низкорисковых ответов планируем в будущем автоматизировать полностью.
Что уже показали тесты
Сейчас мы можем оценивать работу агента по комментариям врачей и инженерным метрикам. Вот что говорят врачи:
«ИИ берёт на себя сбор недостающей информации по случаям, не требующим экстренной реакции. Все потенциально критические ситуации незамедлительно направляются врачу. Ассистент собирает у пациента всю информацию, необходимую для принятия решения. Это сокращает общее время подготовки ответа в несколько раз, а число вопросов, решённых врачом при первом обращении пациента, возрастает на 40%»
Екатерина Алексеева
Руководитель НИИ детской ревматологии, заведующая ревматологическим отделением ФГАУ «НМИЦ здоровья детей» Минздрава России, президент Ассоциации детских ревматологов, главный внештатный детский специалист ревматолог Минздрава России.
Мы оценивали работу агента по следующим инженерным метрикам:
Это хорошие цифры, но они не отвечают на главный вопрос — помогает ли это реально быстрее выходить в ремиссию и реже пропускать дозы. Следующий шаг — пилотная когорта из 5–10 семей, а дальше полноценное исследование вместе с пациентами, уже пользующимися мониторингом.
Куда идём дальше?
Архитектура спроектирована так, чтобы новая нозология не требовала переписывания кода — будет достаточно нового блока правил в rules.yaml. Диагноз проверяется по этому файлу, а не хардкодится в логике.
В роадмапе — контроль эффективности терапии по логике treat-to-target с обратной связью от врачей, автогенерация оповещений в Росздравнадзор о нежелательных реакциях (сейчас это ручной процесс, а часть эффекта «ускользает»), интеграция с системой поддержки принятия врачебных решений НМИЦ и расширение функционала на другие ревматические заболевания. В перспективе тот же подход — RAG по клиническим рекомендациям + детерминированные правила безопасности — потенциально переносим на другие направления, где пациенты годами наблюдаются на биологической терапии: онкогематологию, нефрологию.
Ради чего всё это?
За цифрами, чатами и правилами в rules.yaml стоят конкретные семьи. Родители, которые годами методично вносят в приложение анализы и фотографии суставов ребёнка. Пациенты, которые живут за границей, но наблюдаются в ФГАУ «НМИЦ здоровья детей» Минздрава России, и при обострении госпитализируются раньше запланированного визита именно потому, что приложение позволяет реагировать быстро. А есть дети, которые наблюдались и лечились в отделении Е. И. Алексеевой и сами решили стать врачами-педиатрами, поступив на педиатрический факультет.
Пусть положительных историй будет больше. Ведь именно для того, чтобы и дети, и врачи жили здорово, мы развиваем ИИ-агента. Подход к разработке подобных решений мы опубликовали в открытом доступе на SourceCraft. А ещё более подробно о проекте можно узнать на специальном сайте.
