Интеллектуальный чат-бот MS-Assist для поддержки врачебных решений при рассеянном склерозе DOI: 10.29188/2712-9217-2025-11-2-19-23

ВВЕДЕНИЕ

Рассеянный склероз (РС) – хроническое демиелинизирующее заболевание центральной нервной системы, характеризующееся высокой клинической вариабельностью, многообразием симптомов и сложностью диагностики. Согласно данным Всемирной организации здравоохранения, в мире насчитывается более 2,8 млн пациентов с данным диагнозом, (35,9 на 100 000 человек). Распространенность РС увеличилась во всех регионах мира с 2013 года, но различия в оценках распространенности сохраняются. Совокупный уровень заболеваемости в 75 странах, отчитывающихся на 75 странах, составляет 2,1 на 100 000 человек в год, а средний возраст постановки диагноза составляет 32 года. Женщины в два раза чаще живут с РС, чем мужчины [1, 2, 3].

В Российской Федерации рассеянным склерозом страдают около 150 000 человек [4]. Средний срок постановки диагноза в РФ составляет 2–3 года, что существенно осложняет своевременное начало терапии и ухудшает прогноз для пациентов. Дополнительным фактором риска является дефицит неврологов в ряде регионов [5]. Это создает повышенную нагрузку на врачей первичного звена и неврологов общего профиля, которые не всегда обладают достаточным опытом в ведении пациентов с РС.

Указанные обстоятельства обуславливают необходимость внедрения цифровых технологий для поддержки врачей в принятии решений, стандартизации диагностических подходов и повышения качества оказания помощи пациентам. Особое значение интеллектуальные ассистенты, основанные на искусственном интеллекте (ИИ), которые способны анализировать большие объемы данных, предоставлять врачам алгоритмическую поддержку на основе клинических рекомендаций и повышать качество оказания помощи.

Целью проекта является разработка интеллектуального чат-бота MS-Assist, предназначенного для поддержки врачебных решений и оказания информационной помощи пациентам с рассеянным склерозом.

Для достижения цели решались следующие задачи:

• интеграция официальных клинических рекомендаций РФ (КР739_MS) в цифровой формат с применением методов векторизации и поиска;
• создание архитектуры чат-бота на основе Retrieval-Augmented Generation (RAG) с использованием отечественной языковой модели GigaChat;
• разработка функциональных модулей: калькулятор EDSS, алгоритмы диагностики по критериям McDonald, подбор терапии ПИТРС с учетом противопоказаний;
• организация режимов взаимодействия «врач» и «пациент» с учетом специфики запросов разных категорий пользователей;
• проведение тестирования прототипа с использованием UX-опросов и анализа сценариев взаимодействия.

Научная новизна исследования заключается в следующем:

• реализовано применение RAG-архитектуры для интеграции национальных клинических протоколов в цифрового медицинского ассистента;
• разработан чат-бот, учитывающий специфику двух аудиторий (врачи и пациенты), что позволяет одновременно решать задачи клинической поддержки и образовательного сопровождения;
• продемонстрирована возможность локализованного использования отечественных языковых моделей в здравоохранении при условии explainability – предоставления ссылок на источник рекомендаций;
• предложена модульная архитектура, позволяющая масштабировать систему на другие нозологии и интегрировать ее в государственные медицинские платформы.

МАТЕРИАЛЫ И МЕТОДЫ

Методологической основой проекта выступает системный анализ и подходы к построению систем поддержки принятия решений (СППР) в медицине. Использованы методы:

• NLP и RAG (Retrieval-Augmented Generation) для извлечения релевантных данных из базы клинических рекомендаций;
• векторизация данных (FAISS + LangChain) для формирования базы знаний;
• машинное обучение и LLM (GigaChat) для генерации обоснованных ответов;
• алгоритмы McDonald для диагностики РС;
• шкала EDSS для количественной оценки неврологического дефицита;
• методы UX-анализа для оценки удобства и релевантности интерфейса.

Технологический стек: Прототип чат-бота был реализован в среде Telegram. Основной стек технологий включал: Python 3.8+ , фреймворк aiogram 3.3 для взаимодействия с Telegram API, LangChain и FAISS для реализации RAGконвейера , GigaChat Pro API в качестве генеративной модели и SQLite для локального хранения данных. Безопасность обеспечивалась за счет локального хранения данных, токенизации API и валидации пользовательских запросов.

Целевая аудитория:

• Пациенты: лица с РС, подозрением на демиелинизацию, их родственники.
• Врачи: терапевты, общей практики, неврологи, ординаторы.
• Общее охватываемое ядро аудитории: 160 000+ пользователей.

РЕЗУЛЬТАТЫ

В рамках проекта создан прототип чатбота MS-Assist в среде Telegram, обладающий следующими функциями:

• поиск и генерация рекомендаций по клиническим протоколам КР739_MS (с указанием источника);
• автоматизированный расчет EDSS с интерпретацией;
• алгоритмы диагностики по критериям McDonald;
• выбор ПИТРС с учетом стадии заболевания и противопоказаний;
• образовательные материалы для пациентов и их родственников.

Тестирование

В ходе исследования был создан и апробирован прототип чат-бота MS-Assist (версия v2.1.0). Прототип был апробирован в ходе пользовательских испытаний среди студентов медицинских вузов и врачей-ординаторов. Было проведено 388 пользовательских сессий, средняя оценка удобства и релевантности ответов составила 4,6 из 5 (табл. 1). Нами была выявлена высокая удовлетворенность образовательным функционалом в режиме «пациент» и востребованность автоматизированного EDSS-калькулятора у врачей.

Таблица 1. Реэультаты UX-тестпрованпя MS-Assist
Table 1. Results of UX testing of MS-Assist

Параметры оценки	Режим «Врач» (оценка/5)	Режим «Пациент/Близкий» (оценка/5)
Удобство интерфейса	4.6	4.7
Понятность формулировок	4.5	4.8
Логическая последовательность	4.4	4.6
Полезность рекомендаций	4.7	4.6
Этичность коммуникации	4.9	4.9
Общий уровень удовл. (USI)	92%	97%

Результаты показывают высокий уровень удовлетворенности в обеих целевых группах, с небольшим преимуществом в режиме «Пациент», что, вероятно, связано с большей простотой и ясностью формулировок в этом режиме. Высокая оценка этичности (4.9) является критически важной для медицинского приложения.

Практическая значимость

Разработанный чат-бот MS-Assist является примером успешной локализации и применения передовых ИИ-технологий (RAG + LLM) для решения конкретных задач российского здравоохранения.

Научная новизна проекта заключается в нескольких аспектах

1. Применение RAG. Впервые RAG-архитектура была использована для интеграции национальных клинических протоколов (КР739_ MS) в цифрового медицинского ассистента в области неврологии. Это решает проблему «галлюцинаций» LLM и обеспечивает высокую достоверность и «объяснимость» ответов.
2. Локализация LLM. Продемонстрирована успешная интеграция отечественной языковой модели (GigaChat) в медицинскую СППР.
3. Двухрежимность. Чат-бот изначально спроектирован для двух разных аудиторий (врачи и пациенты), что позволяет одновременно решать задачи клинической поддержки и образовательного сопровождения.

Сравнение с мировыми аналогами

Рынок цифровых решений для РС активно развивается, однако большинство существующих приложений ориентированы в первую очередь на пациента.

• Например, приложение Cleo (разработка Biogen), широко используемое в Европе и США, является инструментом для пациентов, помогая им отслеживать симптомы, управлять приемом лекарств и получать образовательный контент [6]. Оно также включает поддержку медсестер, но не является СППР для врачей в части диагностики или подбора терапии по национальным гайдлайнам.
• Другие исследования фокусируются на использовании чат-ботов для сбора анамнеза, психологической поддержки пациентов с хроническими заболеваниями или анализа МРТснимков с помощью нейросетей, но не на комплексной поддержке врача по клиническим рекомендациям.
• Применение RAG-архитектур в медицине является новым и быстрорастущим направлением. Исследования (например, [5]) показывают перспективность RAG для создания систем ответов на медицинские вопросы, но большинство из них являются исследовательскими прототипами, часто основанными на англоязычных базах данных (напр., PubMed).

В этом контексте MS-Assist выделяется как узкоспециализированный инструмент, интегрированный с национальной системой здравоохранения (клиническими рекомендациями РФ) и ориентированный в равной степени на врача и пациента.

Практическая значимость проекта заключается в потенциале для:

• Сокращения времени постановки диагноза РС, повышение точности диагностики;
• Автоматизации рутинных врачебных расчетов (EDSS, McDonald);
• Повышения точности диагностики и выбора ПИТРС;
• Улучшения коммуникации врач-пациент за счет повышения информированности последних;
• Возможность интеграции в государственные информационные системы здравоохранения (ЕГИСЗ);
• Масштабируемость решения на другие нозологии (например, НМО, МЭ, СКВ).

Ограничения и перспективы

Текущее тестирование проводилось на студентах и ординаторах, что является ограничением. Следующим шагом (III-2025) является запуск пилотного проекта с практикующими врачами-неврологами в государственных учреждениях.

Ключевой перспективой является интеграция MS-Assist в государственные информационные системы здравоохранения (ЕГИСЗ), для чего планируется доработка API (Q4 2025). Кроме того, модульная архитектура позволяет легко масштабировать решение на другие нозологии, в частности на другие демиелинизирующие и аутоиммунные заболевания, такие как заболевания спектра оптиконевромиелита (НМО), миокардиальные энцефалопатии (МЭ) и системная красная волчанка (СКВ).

ВЫВОДЫ

Разработанный интеллектуальный чат-бот MS-Assist является эффективным инструментом поддержки врачебных решений при рассеянном склерозе. Он сочетает в себе современные методы искусственного интеллекта (RAG + LLM), клинические протоколы РФ и пользовательски ориентированный дизайн.

Таким образом, MS-Assist является примером успешного внедрения цифровых технологий в медицину и вносит вклад в развитие отечественной системы СППР, ориентированной на повышение качества и доступности помощи пациентам с рассеянным склерозом.

ЛИТЕРАТУРА

1. Walton C, King R, Rechtman L, et al. Rising prevalence of multiple sclerosis worldwide: insights from the Atlas of MS, third edition. Mult Scler 2020;26(14):1816–1821. https://doi.org/10.1177/1352458520970841

2. Kurtzke JF. Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology 1983;33(11):1444–52. https://doi.org/10.1212/WNL.33.11.1444

3. Thompson AJ, Banwell BL, Barkhof F, et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. Lancet Neurol 2018;17(2):162–73. https://doi.org/10.1016/S1474-4422(17)30470-2.

4. Russian Society of Multiple Sclerosis. Moscow: for the first time in Russia, the quality of therapy for patients with highly active multiple sclerosis was assessed. Published 2020 Aug 27. Available from: https://oooibrs.ru/oooibrs/vlasov/novosti/2020/08/27-05-2020-moskva-vpervye-v-rossii-ofenili-kachestvo-terapii-bol-nykh-vysokoaktivnym-rasseyannym-sklerozom/.

5. Rosbalt News Agency. In Russia there is a shortage of neurologists, endocrinologists and therapists. Published 2024 Jan 30. Available from: https://www.rosbalt.ru/news/2024-01-30/dannye-monitoringa-v-rossiine-hvataet-nevrologov-endokrinologov-i-terapevtov-4987024/.

6. De Angelis M, Lavorgna L, Carotenuto A, Petruzzo M, Lanzillo R, Brescia Morra V, Moccia M. Digital technology in clinical trials for multiple sclerosis: systematic review. J Clin Med 2021 ;10(11):2328. https://doi.org/10.3390/jcm10112328

7. Woo JJ, Yang AJ, Olsen RJ, Hasan SS, Nawabi DH, Nwachukwu BU, Williams RJ 3rd, Ramkumar PN. Custom large language models improve accuracy: comparing retrieval augmented generation and artificial intelligence agents to noncustom models for evidence-based medicine.Arthroscopy 2025;41(3):565–573.e6. https://doi.org/10.1016/j.arthro.2024.10.042

Attachment	Size
Скачать файл	229.5 KB