ИИ в клиническом мышлении

Вы дочитываете сложный случай, открываете помощника на основе искусственного интеллекта, вставляете историю и через секунды получаете список из десяти хорошо объяснённых диагнозов. Кажется, проблема решена. Рандомизированное клиническое исследование с участием 50 врачей показало нечто менее очевидное: наличие языковой модели в дополнение к обычным ресурсам не улучшило значимо эффективность врачей в диагностическом рассуждении, хотя сама модель набрала больше баллов, чем врачи (Goh et al., 2024).

NEXO — это ежедневная игра по медицинской диагностике: один клинический случай в день, шесть последовательных подсказок и обратная связь по близости МКБ-10 на пяти уровнях.

Этот текст обобщает, что показывают исследования об искусственном интеллекте в клиническом рассуждении, какие риски возникают, когда он входит в рутину, и как учиться с ИИ рядом, не переставая развивать собственное рассуждение.

Главные пункты

• Языковые модели уже хорошо справляются с тестами и клиническими виньетками, но наличие инструмента не гарантирует, что врач будет рассуждать лучше.
• В некоторых исследованиях врачи с поддержкой ИИ составляли более полные списки дифференциального диагноза.
• Предвзятость автоматизации, склонность слишком доверять машине, — известный риск, и есть способы его снизить.
• Одно обсервационное исследование предполагает, что постоянный контакт с ИИ может ухудшить эффективность, когда он недоступен.
• Для тех, кто учится, важен порядок: сначала ваше рассуждение, потом сравнение с инструментом.

Содержание

• Что ИИ уже умеет в диагностике
• ИИ в руках врача: что меняется
• Риски: предвзятость автоматизации и потеря навыка
• Как учиться клиническому рассуждению с ИИ рядом
• Где тренировка без помощи остаётся необходимой
• Частые вопросы
• Чек-лист для использования ИИ в клиническом рассуждении

Что ИИ уже умеет в диагностике

Идея использовать компьютеры для помощи в диагностике стара, и качество инструментов сильно изменилось за несколько лет. Стоит взглянуть на эволюцию, чтобы понять, что означают нынешние цифры.

До языковых моделей

В 2015 году одно исследование протестировало 23 онлайн-проверки симптомов с помощью 45 стандартизированных виньеток (Semigran et al., 2015). Инструменты дали правильный диагноз первым в 34% оценок и включили его в первые 20 в 58% (Semigran et al., 2015). При сортировке советы tended to be слишком осторожными, отправляя за помощью в ситуациях, когда самопомощь была разумной (Semigran et al., 2015).

Языковые модели на экзаменах

В 2023 году одно исследование оценило языковые модели на наборе баз медицинских вопросов, и одна из версий достигла 67,6% правильных ответов на вопросы в стиле экзамена на медицинскую лицензию в США (Singhal et al., 2023). Однако человеческая оценка ответов выявила важные пробелы, и даже версия, настроенная для медицины, уступала клиницистам (Singhal et al., 2023).

Авторы подчёркивают важность оценки ответов по нескольким осям, таким как фактичность, понимание, рассуждение, возможность вреда и предвзятость (Singhal et al., 2023). Выбрать правильный вариант на экзамене — это не то же самое, что хорошо рассуждать о пациенте.

Дифференциальный диагноз в сложных случаях

В 2025 году модель, оптимизированную для диагностического рассуждения, протестировали на 302 описаниях сложных случаев, опубликованных в литературе, которые оценивали 20 клиницистов (McDuff et al., 2025). В одиночку модель включила правильный диагноз в первые десять гипотез в 59,1% случаев против 33,6% у клиницистов без помощи (McDuff et al., 2025).

Другое исследование той же группы сравнило систему диагностической беседы с врачами первичной помощи в консультациях по тексту с обученными актёрами (Tu et al., 2025). Система показала более высокую диагностическую точность и была лучше по большинству оцениваемых осей, но авторы призывают к осторожности: консультация в текстовом чате не является обычной формой приёма, и нужно больше исследований, прежде чем внедрять систему в практику (Tu et al., 2025).

Где ИИ появляется в здравоохранении

Диагностика — лишь одно из направлений. Руководство Всемирной организации здравоохранения по большим мультимодальным моделям описывает пять основных применений в здравоохранении (ВОЗ, 2024):

• диагностика и клиническая помощь, например ответы на письменные вопросы пациентов;
• использование под руководством самого пациента, например, как исследовать симптомы и лечение;
• административные задачи, например, документирование и резюмирование приёмов в электронной медицинской карте;
• медицинское и сестринское образование, включая симуляционные встречи с пациентами;
• научные исследования и разработка лекарств.

Для студента это означает, что ИИ будет появляться в разных точках обучения — от резюме статьи до симуляции приёма. В каждой из них вопрос один и тот же: инструмент делает работу за меня или помогает мне делать лучше?

Как читать эти результаты

Тип исследования	Что измеряет	Что не измеряет
Тесты с множественным выбором	Знание и распознавание паттернов в закрытых вопросах	Сбор данных, физикальное обследование, контекст пациента
Виньетки и описания случаев	Способность построить дифференциальный ряд по готовому тексту	Задача решить, какие данные искать
Симулированные консультации в текстовом формате	Беседа и рассуждение в контролируемом формате	Очный приём с ограниченным временем и ресурсами
Испытания с врачами	Эффект от предоставления инструмента тому, кто ведёт приём	Эффект на пациентов, кроме случаев, когда исход клинический

Источник таблицы: синтез из редакционной статьи на основе дизайнов Singhal et al., 2023, McDuff et al., 2025, Tu et al., 2025 и Goh et al., 2024.

Совместное прочтение таково: ИИ хорошо справляется с задачами, где данные уже поступают организованными. Работа решить, что спрашивать, что обследовать и что запрашивать, остаётся за тем, кто ведёт приём.

ИИ в руках врача: что меняется

Знать, что инструмент справляется сам, — одно. Знать, принимает ли врач с инструментом лучшие решения, — другое, и именно этот вопрос важен для практики.

Рандомизированное испытание с врачами

В испытании 2024 года врачи семейной медицины, внутренних болезней и неотложной помощи были случайным образом распределены для использования языковой модели вместе с обычными ресурсами или только обычных ресурсов, с до шести виньеток в час (Goh et al., 2024). Основной исход оценивал точность дифференциального ряда, выбор факторов за и против каждой гипотезы и следующие шаги исследования (Goh et al., 2024).

Медиана балла составила 76% в группе с моделью и 74% в группе без неё — разница без статистической значимости (Goh et al., 2024). Модель сама по себе набрала на 16 процентных пунктов больше, чем группа обычных ресурсов, и авторы заключают, что нужно развивать как технологию, так и способ работы специалистов с ней (Goh et al., 2024).

Когда помощь расширила дифференциальный ряд

В исследовании описаний случаев клиницисты с поддержкой модели составили более полные списки дифференциальной диагностики и чаще попадали в первые десять гипотез (51,7%), чем клиницисты без помощи (36,1%) и те, кто использовал поиск в интернете (44,4%) (McDuff et al., 2025). В этом исследовании все клиницисты сначала строили дифференциальный ряд без помощи и только потом использовали инструмент (McDuff et al., 2025).

Что объясняет разницу между исследованиями

Дизайны разные, и нельзя сравнивать числа напрямую. Но одно бросается в глаза: иметь инструмент — не то же самое, что уметь им пользоваться. Испытание 2024 года предполагает, что без обучения и без определённого способа работы с ИИ врач может не воспользоваться тем, что она предлагает. Исследование 2025 года предполагает, что сначала подумать, а потом обратиться к инструменту — это способ использования, который расширяет список гипотез.

Риски: автоматизационная предвзятость и потеря навыка

У каждого инструмента, помогающего решать, есть сопутствующий риск: решить за вас. У этого риска есть название, и его изучали задолго до языковых моделей.

Автоматизационная предвзятость

Систематический обзор определил автоматизационную предвзятость как склонность слишком доверять автоматизированным системам и объединил 74 исследования по этой теме (Goddard et al., 2012). Авторы напоминают, что, хотя системы поддержки принятия решений улучшают общую производительность в большинстве исследований, часто не распознаются новые ошибки, которые они могут внести (Goddard et al., 2012).

Факторы, влияющие на предвзятость	Что помогает снизить
Доверие к инструменту	Обучение
Когнитивный стиль и опыт в задаче	Подчёркивать, что ответственность лежит на том, кто решает
Рабочая нагрузка	Показывать актуальные уровни уверенности вместе с ответом
Сложная задача и мало времени	Давать информацию, а не готовую рекомендацию

Источник таблицы: посредники и способы смягчения, описанные в Goddard et al., 2012.

Всемирная организация здравоохранения также упоминает предвзятость автоматизации среди рисков больших мультимодальных моделей, наряду с ложными, неточными, предвзятыми или неполными ответами (ВОЗ, 2024). В том же руководстве среди возможных применений этих моделей указано медицинское образование, включая симуляционные встречи с пациентами (ВОЗ, 2024).

Потеря навыка

Обсервационное исследование в четырёх эндоскопических центрах Польши сравнило колоноскопии, выполненные без ИИ, до и после внедрения инструмента обнаружения полипов (Budzyń et al., 2025). Частота обнаружения аденом при исследованиях без ИИ снизилась с 28,4% до 22,4% после знакомства с инструментом (Budzyń et al., 2025).

Авторы интерпретируют это так: постоянный контакт с ИИ может негативно влиять на результаты, когда она недоступна (Budzyń et al., 2025). Это обсервационное исследование, посвящённое визуальной задаче в одной специальности, и оно не доказывает тот же эффект в диагностическом рассуждении. Но предупреждение важно для тех, кто только формирует свою базу: навык, который вы не тренируете, имеет свойство слабеть.

Риск для тех, кто ещё учится

Для студента главный риск — пропустить этап, который формирует рассуждение. Когда список гипотез приходит готовым, вы перестаёте тренировать именно то, что текст о клиническом мышлении на клиническом цикле описывает как ядро навыка: собирать данные, выдвигать гипотезы и проверять их. А без собственной базы трудно заметить, когда инструмент ошибается.

Как изучать клиническое мышление с ИИ рядом

Полезный вопрос не в том, стоит ли пользоваться ИИ, а в том, когда и для чего. Порядок, в котором вы используете инструмент, меняет то, чему вы учитесь.

Сначала вы, потом инструмент

Схема исследования по описаниям случаев, в котором каждый клиницист составлял дифференциальный диагноз самостоятельно, прежде чем обратиться к инструменту, — хороший образец для учёбы (McDuff et al., 2025). На практике:

1. Прочитайте случай и напишите его резюме одним предложением.
2. Составьте свой дифференциальный ряд из трёх–пяти гипотез по порядку.
3. Напишите по одному доводу за и против каждой гипотезы.
4. Только после этого обратитесь к инструменту.
5. Сравните: какую гипотезу он предложил, которой у вас не было? Проигнорировал ли он данные, которые вы считали важными?

С таким алгоритмом ИИ становится обратной связью о вашем рассуждении, а не его заменой. Это та же логика, что и проверка себя перед тем, как подсмотреть ответ, описанная в тексте о повторении через игру.

Используйте ИИ, чтобы спрашивать, а не только чтобы отвечать

Некоторые способы использования скорее тренируют рассуждение:

• Попросить контраргумент. «Какие данные из этого случая ослабляют мою основную гипотезу?»
• Попросить диагноз, который нельзя пропустить. «Какая серьёзная причина сочетается с этими находками, а я её упустил?»
• Попросить следующий вопрос. «Какой вопрос из анамнеза разделит первые две гипотезы?»
• Попросить объяснить механизм. «Почему это заболевание вызывает такую находку?»

В любом случае проверьте ответ по надёжному источнику. Модели могут выдавать ложные или неполные утверждения (ВОЗ, 2024), и гладкость текста не гарантирует его правильность.

Обратная связь о том, что вы пишете

ИИ также изучается как способ давать обратную связь о письменном рассуждении. В исследовании в двух американских учреждениях были разработаны модели для оценки документации клинического рассуждения в приёмных записях ординаторов, и авторы заключают, что подобный инструмент может расширить обратную связь о рассуждении (Schaye et al., 2025). Результаты различались между моделями, а некоторые показали недостаточную эффективность для внедрения (Schaye et al., 2025).

Разобранный пример

Посмотрите, как работает алгоритм на учебном случае. Этот случай — дидактическая виньетка Editorial, и цель — показать метод, а не научить тактике ведения.

Случай. Женщина 34 лет с утомляемостью в течение двух месяцев, прибавкой в весе и запором. Она говорит, что мёрзнет сильнее, чем коллеги на работе.

Шаг 1, ваше резюме. «Молодая женщина с утомляемостью, прибавкой в весе, запором и непереносимостью холода в течение двух месяцев».

Шаг 2, ваш дифференциальный ряд. Вы ставите гипотиреоз на первое место, затем депрессию, анемию и эффект лекарства, и отмечаете, что говорит в пользу каждой. Заметьте, что непереносимость холода говорит в пользу первой гипотезы.

Шаг 3, консультация. Вы просите у инструмента дифференциал для того же резюме. Он выдаёт похожий список и добавляет апноэ во сне и беременность, о которых вы не подумали.

Шаг 4, сравнение. Вопрос не в том, кто угадал, а в том, почему в его списке были пункты, которых не было в вашем. Беременность, например, — это гипотеза, которую проверяют у каждой женщины детородного возраста, и забыть о ней — ошибка привычки, а не знания.

Шаг 5, источник. Вы сверяетесь с надёжным справочником, какие обследования помогли бы разделить гипотезы, и записываете то, что узнали. Запись идёт в ваш блокнот ошибок вместе с привычкой, которой не хватило.

В итоге инструмент послужил тому, чтобы показать пробел в вашем рассуждении, а не тому, чтобы думать вместо вас. Именно эту разницу и защищает метод.

Частые ошибки при учёбе с ИИ

• Спрашивать раньше, чем думать. Готовый список отнимает у вас ту часть упражнения, которая формирует рассуждение.
• Принимать первый ответ. Гладкое объяснение кажется верным, даже когда оно неверно.
• Путать знание с рассуждением. Знать список причин симптома — не то же самое, что выбрать наиболее вероятную для пациента.
• Учиться только на закрытых вопросах. Модели хорошо справляются с тестами; приём начинается с открытой жалобы.
• Забывать о местном контексте. Эпидемиология, протоколы и ресурсы вашего учреждения меняют решение, и инструмент не всегда это учитывает.

Практические меры предосторожности

• Защищайте данные. Никогда не вставляйте имя, документ или любую информацию, позволяющую опознать человека, в публичный инструмент.
• Проверяйте источник. Просите ссылки и открывайте каждую; модели могут ссылаться на статьи, которых не существует.
• Соблюдайте правила своего учреждения. У вузов и больниц могут быть свои нормы об использовании ИИ.
• Фиксируйте своё решение. Если ИИ помог вспомнить гипотезу, решение и обоснование всё равно остаются вашими.

Этика и прозрачность

Использование ИИ в учёбе тоже связано с честностью. Если в работе для вуза или в разборе случая помогал инструмент, скажите об этом так же, как вы сослались бы на книгу. На приёме ответственность за решение несёт тот, кто его ведёт, и именно поэтому обзор о предвзятости автоматизации указывает усиление индивидуальной ответственности как один из способов снизить избыточное доверие (Goddard et al., 2012).

Где тренировка без помощи по-прежнему необходима

Даже если ИИ станет обычным на приёме, врачу нужно собственное рассуждение, чтобы знать, когда доверять, а когда сомневаться. Это рассуждение формируется практикой без помощи.

Что формирует только практика

Знать, какие данные искать, замечать, когда находка не сочетается с остальным, чувствовать, что случай тяжелее, чем кажется: эти навыки формируются на множестве случаев и обратной связи. Текст о дифференциальной диагностике по подсказкам показывает, как тренировать выдвижение и проверку гипотез, а текст об играх для клинического рассуждения сравнивает форматы тренировки.

Калибровать доверие к инструменту

Доверять ИИ в правильной мере требует знать по собственному опыту, как выглядит хорошее рассуждение. Тот, кто решил много случаев без помощи, замечает, когда ответ инструмента игнорирует важные данные, когда основная гипотеза не объясняет находку или когда список выглядит слишком общим. Тот, кто пропустил этот этап, склонен принимать первый хорошо написанный ответ. Поэтому тренировка без помощи и использование ИИ не конкурируют: первая делает второе безопасным.

Тренировка в NEXO

В NEXO случай приходит с максимум шестью подсказками, по одной за раз, и вы даёте гипотезу по названию диагноза или по коду МКБ-10, без чьих-либо подсказок с ответом. При каждой неверной гипотезе игра показывает близость по пяти уровням, от другой главы до точного кода МКБ, и открывает следующую подсказку. Это тренировка собственного рассуждения: решать при неполной информации и уточнять гипотезу по обратной связи.

Дневник даёт один случай в день, одинаковый для всех, а Архив собирает предыдущие ежедневные случаи. Мультимедиа добавляет изображение, аудио и другие обследования, а Континенты меняют фоновую эпидемиологию. Адреналин добавляет время в уравнение. Как открывается каждый режим, написано на странице экономики NEXO. После случая, если хотите, сравните своё рассуждение с рассуждением инструмента ИИ по схеме выше.

Сохранять, обсуждать и исследовать

Кнопка Anki создаёт карточку прямо из NEXO и открывает её в приложении Anki — удобно сохранить данные, которые вы не оценили. Вкладка «Группа» в рейтинге, объединяющая приглашённых коллег, позволяет обсудить с группой, на какой подсказке кто угадал. Если вы координируете факультет, лигу или ординатуру и хотите использовать такие случаи в обучении, познакомьтесь с NEXO Closer. Исследователи, изучающие ИИ и клиническое мышление, могут предложить исследования через NEXO Researcher, а врачи, желающие разбирать случаи своей специальности, могут участвовать через NEXO Curator. Те, кто создаёт контент по медицине, могут познакомиться с NEXO Creators.

Частые вопросы

Искусственный интеллект ставит диагноз лучше врача?

В некоторых исследованиях с виньетками и описаниями случаев модель сама по себе набрала больше баллов, чем врачи (Goh et al., 2024; McDuff et al., 2025). В этих исследованиях используются данные, уже организованные в текст, и не измеряется сбор данных или очный приём.

Улучшает ли использование ИИ мышление врача?

Зависит от того, как его использовать. В рандомизированном исследовании доступность инструмента не улучшила значимо мышление врачей (Goh et al., 2024). В другом исследовании, где клиницисты сначала думали, а потом консультировались, дифференциальные диагнозы стали полнее (McDuff et al., 2025).

Что такое автоматизационная предвзятость?

Это склонность слишком доверять автоматизированным системам. Систематический обзор выявил факторы, влияющие на неё, такие как рабочая нагрузка и нехватка времени, и способы её снизить, такие как обучение и усиление ответственности того, кто принимает решение (Goddard et al., 2012).

Может ли использование ИИ привести к потере навыка у врача?

Наблюдательное исследование в колоноскопии обнаружило снижение частоты обнаружения аденом при исследованиях без ИИ после того, как врачи начали использовать инструмент (Budzyń et al., 2025). Результат относится к той задаче, но подчёркивает важность сохранения практики без помощи.

Как студент, могу ли я использовать ИИ для изучения случаев?

Можете, но с методом: составьте свой дифференциальный диагноз сначала, консультируйтесь потом и сравните. Проверяйте каждую информацию в надёжном источнике и никогда не вставляйте данные, идентифицирующие людей. ВОЗ предупреждает, что эти модели могут выдавать ложные или неполные ответы (ВОЗ, 2024).

Для чего ещё ИИ используется в здравоохранении?

ВОЗ описывает применения в диагностике и клинической помощи, использовании самим пациентом, административных задачах, таких как документирование приёмов, медицинском образовании и научных исследованиях (ВОЗ, 2024).

Как NEXO помогает в этой тренировке?

В NEXO вы решаете случай с помощью до шести подсказок и получаете близость гипотезы по МКБ-10, тренируя собственное мышление с обратной связью при каждой попытке. Чтобы познакомиться с игрой, прочитайте что такое NEXO.

Чек-лист для использования ИИ в клиническом мышлении

1. Составьте свой дифференциальный диагноз до того, как открыть любой инструмент.
2. Запишите данные за и против каждой гипотезы.
3. Консультируйтесь с ИИ как со вторым мнением, а не как с первым ответом.
4. Попросите контраргумент и серьёзную причину, которая могла остаться за бортом.
5. Проверьте каждую информацию в надёжном источнике.
6. Откройте ссылки, которые укажет инструмент.
7. Защитите данные: ничего, что идентифицирует человека, не попадает в инструмент.
8. Недоверяйте больше, когда устали или спешите.
9. Сохраняйте тренировку без помощи, чтобы не потерять базу.
10. Берите решение на себя: обоснование ваше.

Хотите потренировать своё мышление без помощи сегодня? Играйте случай дня в NEXO.

Ссылки

1. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open. 2024. https://pubmed.ncbi.nlm.nih.gov/39466245/
2. McDuff D, Schaekermann M, Tu T, et al. Towards accurate differential diagnosis with large language models. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205049/
3. Tu T, Schaekermann M, Palepu A, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205050/
4. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023. https://pubmed.ncbi.nlm.nih.gov/37438534/
5. Semigran HL, Linder JA, Gidengil C, Mehrotra A. Evaluation of symptom checkers for self diagnosis and triage: audit study. BMJ. 2015. https://pubmed.ncbi.nlm.nih.gov/26157077/
6. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012. https://pubmed.ncbi.nlm.nih.gov/21685142/
7. Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025. https://pubmed.ncbi.nlm.nih.gov/40816301/
8. Всемирная организация здравоохранения. WHO releases AI ethics and governance guidance for large multi-modal models. 2024. https://www.who.int/news/item/18-01-2024-who-releases-ai-ethics-and-governance-guidance-for-large-multi-modal-models
9. Schaye V, DiTullio D, Guzman BV, et al. Large Language Model-Based Assessment of Clinical Reasoning Documentation in the Electronic Health Record Across Two Institutions: Development and Validation Study. J Med Internet Res. 2025. https://pubmed.ncbi.nlm.nih.gov/40117575/