Інтерактивна платформа підтримки клінічних рішень: архітектура та порівняльна оцінка загальної та точно налаштовленої діагностики за симптомами за методологією (LLMS)
DOI:
https://doi.org/10.30837/2522-9818.2026.2.173Ключові слова:
підтримка клінічних рішень; моделі з великою мовою програмування; точне налаштування; LoRA; діагностика на основі симптомів; медичний ШІАнотація
Сучасні системи охорони здоров’я стикаються зі зростаючим навантаженням, фрагментованою комунікацією та обтяжливістю документації, що призводить до затримок і діагностичних помилок на етапі первинної сортування пацієнтів. Запропоноване рішення покликане загалом підвищити узгодженість, швидкість та стандартизацію процесу первинної оцінки пацієнтів. У цьому дослідженні представлено інтерактивну платформу підтримки клінічних рішень, яка реалізує двоступеневий процес збору анамнезу з обмеженим робочим процесом для забезпечення диференціальної діагностики на основі симптомів на доамбулаторному етапі надання медичної допомоги. Система вирішує три завдання: (T1) автоматизований збір анамнезу пацієнта за допомогою обмеженого діалогу (точно два додаткових запитання з варіантами відповідей), (T2) формалізація описів симптомів у структуровану медичну (латинську) термінологію для документації, призначеної для клініцистів, та (T3) генерація рекомендацій щодо диференціальної діагностики за фіксованою та клінічно інтерпретованою схемою виводу. Ми порівнюємо базову загальну велику мовну модель (GPT-4, zero-shot) з моделлю, адаптованою до домену (Llama-3, налаштованою за допомогою LoRA), за однакових обмежень щодо взаємодії, підказок та форматування. Експерименти на 903 записах симптомів та діагнозів і виокремленому наборі з 200 контрольованих віньєток показують, що адаптація до домену забезпечує покращення макро-F1 на 10–12% та приблизно на 15% вищий показник Recall у складних випадках, водночас генеруючи клінічно більш дискримінативні та діагностично релевантні додаткові запитання, за оцінкою двох медичних експертів (κ = 0,88). У оцінці на рівні робочого процесу платформа скоротила час на документацію на 28% порівняно зі стандартним прийомом та зменшила адміністративні зусилля, необхідні для підготовки початкового резюме для лікаря. Ці результати свідчать про те, що спеціалізовані, налагоджені моделі, які можна розгортати локально, у поєднанні з обмеженим дизайном взаємодії, стандартизованими обмеженнями на вихідні дані та інтеграцією системи, орієнтованою на робочий процес, забезпечують безпечний, практичний та ефективний шлях для включення підтримки прийняття рішень на основі LLM у рутинні клінічні робочі процеси до амбулаторного лікування, зберігаючи при цьому безпеку, зручність використання та можливість аудиту на практиці.Завантаження
Посилання
References
World Health Organization (2016), "Global strategy on human resources for health: Workforce 2030", Geneva: WHO, 64 p., available at: https://iris.who.int/handle/10665/250368
Zaitseva, E., Levashenko, V., Rabcan, J., Krsak, E. (2020), "Application of the structure function in the evaluation of the human factor in healthcare", Symmetry, Vol.12(1), 93 р. DOI: https://doi.org/10.3390/SYM12010093
Shanafelt, T. D. et al. (2010), "Burnout and medical errors among American surgeons", Annals of Surgery, Vol. 251(6), pp. 995-1000. DOI: https://doi.org/10.1097/SLA.0b013e3181bfdab3
Zaitseva, E., Levashenko, V. (2026), "Reliability engineering in healthcare: Opportunities and challenges", Reliability Engineering and System Safety, Vol. 267, 111933 р. DOI: https://doi.org/10.1016/j.ress.2025.111933
Zaitseva, E., Levashenko, V. (2025), "Reliability Analysis Based on Aleatory and Epistemic Uncertainty Using Binary Decision Diagrams", International Journal of Intelligent Systems, Vol. 1, 6471577 р. DOI: 10.1155/int/6471577
Sutton, R. T. et al. (2020), "An overview of clinical decision support systems: benefits, risks, and strategies for success", NPJ Digital Medicine, Vol. 3(17), pp. 1-10. DOI: https://doi.org/10.1038/s41746-020-0221-y
Chambers, D., Cantrell, A. J., Johnson, M. et al. (2019), "Digital and online symptom checkers and health assessment/triage services for urgent health problems: systematic review", BMJ Open, Vol. 9(8): e027743. DOI: https://doi.org/10.1136/bmjopen-2018-027743
Wallace, W., Chan, C., Chidambaram, S. (2022), "The diagnostic and triage accuracy of digital and online symptom checker tools: a systematic review", NPJ Digital Medicine, Vol. 5(1):18. DOI: https://doi.org/10.1038/s41746-022-00667-w
Hajijama, S., Juneja, D., Nasa, P. (2024), "Large Language Model in Critical Care Medicine: Opportunities and Challenges", Indian Journal of Critical Care Medicine, Vol. 28(6), pp. 523–525. DOI: https://doi.org/10.5005/jp-journals-10071-24743
Asgari, E., Montaña-Brown, N., Dubois, M., et al. (2025), "A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation", NPJ Digital Medicine, Vol. 8(274). DOI: https://doi.org/10.1038/s41746-025-01670-7
Chen, X., Xiang, J., Lu, S., Liu, Y., He, M., Shi, D. (2025), "Evaluating large language models and agents in healthcare: key challenges in clinical applications", Intelligent Medicine, Vol. 5(2), pp. 151–163. DOI: https://doi.org/10.1016/j.imed.2025.03.002
Singhal, K., et al. (2023), "Large language models encode clinical knowledge", Nature, Vol. 620, pp. 172-180. DOI: https://doi.org/10.1038/s41586-023-06291-2
Wang, G. et al. (2023), "ClinicalGPT: Large Language Models Finetuned with Diverse Medical Data and Comprehensive Evaluation", CC BY 4.0. DOI: https://doi.org/10.48550/arXiv.2306.09968
Tran, H. et al. (2024), "BioInstruct: instruction tuning of large language models for biomedical natural language processing", Journal of the American Medical Informatics Association (JAMIA), Vol. 31(9), pp. 1821–1832. DOI: https://doi.org/10.1093/jamia/ocae122
Hu, E. J. et al. (2021), "LoRA: Low-Rank Adaptation of Large Language Models", arXiv preprint, arXiv:2106.09685. DOI: https://doi.org/10.48550/arXiv.2106.09685
Bender, D., Sartipi, K. (2013), "HL7 FHIR: An Agile and RESTful approach to healthcare information exchange", Proceedings of the 26th IEEE International Symposium on Computer-Based Medical Systems (CBMS), pp. 326–331. DOI: https://doi.org/10.1109/CBMS.2013.6627810
NIST (2001), "Advanced Encryption Standard (AES), "Federal Information Processing Standards Publication (FIPS PUB)" 197, 38 p. DOI: https://doi.org/10.6028/NIST.FIPS.197-upd1
Dwork, C. (2008), "Differential Privacy: A Survey of Results", Theory and Applications of Models of Computation (TAMC), pp. 1–19. DOI: https://doi.org/10.1007/978-3-540-79228-4_1
Mu, О., Wang, W., Liu, W., et al. (2025), "Multimodal Large Language Model with LoRA Fine-Tuning for Multimodal Sentiment Analysis", ACM Transactions on Intelligent Systems and Technology, Vol. 16, No. 6, 139 р. DOI: https://doi.org/10.1145/3709147
Wei, J., Bosma, M., Zhao, V.Y. et al. (2021), "Finetuned Language Models Are Zero-Shot Learners", ICLR, DOI: https://doi.org/10.48550/arXiv.2109.01652
"GPT-4 Technical Report", Computation and Language, arXiv preprint, 2023. 100 р. DOI: https://doi.org/10.48550/arXiv.2303.08774
"Introducing Llama 3: The most capable openly available LLM to date", Meta AI Blog, 2024, available at: https://ai.meta.com/blog/meta-llama-3
Loshchilov, I., Hutter, F. (2019), "Decoupled Weight Decay Regularization", International Conference on Learning Representations (ICLR), available at: https://openreview.net/forum?id=Bkg6RiCqY7
Semenov, S., Mozhaiev, O., Kuchuk, N., Mozhaiev, M., Tiulieniev, S., Gnusov, Yu., Yevstrat, D.,Chyrva, Y., Kuchuk, H. (2022), "Devising a procedure for defining the general criteria of abnormal behavior of a computer system based on the improved criterion of uniformity of input data samples", Eastern-European Journal of Enterprise Technologies, Vol. 6(4-120), pp. 40–49, DOI: https://doi.org/10.15587/1729-4061.2022.269128
Zaitseva, E., Rabcan, J., Levashenko, V., Kvassay, M. (2023), "Importance analysis of decision-making factors based on fuzzy decision trees", Applied Soft Computing, Vol. 134, 109988 р. DOI: https://doi.org/10.1016/j.asoc.2023.109988
Engeler, J., Stricker, D., Birrenbach, T. et al. (2025), "Designing and validating entrustable professional activities for emergency medicine: a stringent, construct-validity enhancing approach", BMC Medical Education, Vol. 25, 866 р. DOI: https://doi.org/10.1186/s12909-025-07449-4
Raschka, S. (2018), "Model evaluation, model selection, and algorithm selection in machine learning", arXiv preprint. DOI: https://doi.org/10.48550/arXiv.1811.12808
GOLD (2024), "Global Strategy for the Diagnosis, Management, and Prevention of Chronic Obstructive Pulmonary Disease", Global Initiative for Chronic Obstructive Lung Disease, available at: https://goldcopd.org/2024-gold-report/
Dogru-Huzmeli, E., Moore-Vasram, S., Phadke, C. et al. (2025), "Evaluating ChatGPT’s ability to simplify scientific abstracts for clinicians and the public", Scientific Reports, Vol. 15, 33466 р. DOI: https://doi.org/10.1038/s41598-025-11086-8
Gaber, F., Shaik, M., Allega, F. et al. (2025), "Evaluating large language model workflows in clinical decision support for triage and referral and diagnosis", NPJ Digital Medicine, Vol. 8, 263 р. DOI: https://doi.org/10.1038/s41746-025-01684-1
Sox, H. C. et al. (2013), Medical Decision Making, John Wiley & Sons, 328 p. DOI: https://doi.org/10.1002/9781118341544
Gatto, J., Seegmiller, P., Burdick, T. E. et al. (2025), "Follow-up Question Generation For Enhanced Patient-Provider Conversations", Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 25222–25240. DOI: https://doi.org/10.18653/v1/2025.acl-long.1226
Sullivan, G. M., Artino Jr., A. R. (2013), "Analyzing and interpreting data from Likert-type scales", Journal of Graduate Medical Education, Vol. 5(4), pp. 541–542. DOI: https://doi.org/10.4300/JGME-5-4-18
Olson, K. D., Meeker, D., Troup, M. et al. (2025), "Use of Ambient AI Scribes to Reduce Administrative Burden and Professional Burnout", JAMA Network Open, Vol. 8(10):e2534976. DOI: https://doi.org/10.1001/jamanetworkopen.2025.34976
Zaitseva, E., Levashenko, V., Rabcan, J., Kvassay M. (2023), "A New Fuzzy-Based Classification Method for Use in Smart/Precision Medicine", Bioengineering, Vol. 10(7), 838 р. DOI: https://doi.org/10.3390/bioengineering10070838
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
