Проекты

Проект Инновационного стартапа AI-MedPoint

AI-MedPoint представляет собой инновационный государственный проект по созданию сети инфокиосков на базе искусственного интеллекта (ИИ), использующего мощные большие языковые модели (LLM), такие как адаптированные версии Med-PaLM или аналогичные. Проект адаптирован к условиям Узбекистана, где наблюдается острая нехватка высококвалифицированных медицинских кадров, особенно в сельских и удаленных районах. Это приводит к перегрузке поликлиник, задержкам в диагностике и неэффективной маршрутизации пациентов. AI-MedPoint решает эти проблемы, предоставляя пациентам доступ к предварительным медицинским консультациям, рекомендациям и маршрутизации пациентов через удобные инфокиоски, установленные в поликлиниках, аптеках, торговых центрах и общественных местах.

adminadmin
Август 16, 2025 - 14:58
Август 16, 2025 - 15:58
 0  55
Проект Инновационного стартапа AI-MedPoint

AI-MedPoint - Национальная система медицинского консультирования (краткое описание)

Общая концепция проекта:

AI-MedPoint представляет собой инновационный государственный проект по созданию сети инфокиосков на базе искусственного интеллекта (ИИ), использующего мощные большие языковые модели (LLM), такие как адаптированные версии Med-PaLM или аналогичные. Проект адаптирован к условиям Узбекистана, где наблюдается острая нехватка высококвалифицированных медицинских кадров, особенно в сельских и удаленных районах. Это приводит к перегрузке поликлиник, задержкам в диагностике и неэффективной маршрутизации пациентов. AI-MedPoint решает эти проблемы, предоставляя пациентам доступ к предварительным медицинским консультациям, рекомендациям и маршрутизации пациентов через удобные инфокиоски, установленные в поликлиниках, аптеках, торговых центрах и общественных местах.

Проект фокусируется на пациенте: инфокиоски обеспечивают простой интерфейс на узбекском и русском языках, с голосовым вводом для пожилых или малограмотных пользователей. Пациент описывает симптомы, отвечает на вопросы ИИ, и система генерирует рекомендации: от простых советов по самопомощи до срочной маршрутизации в ближайшую клинику. Это снижает нагрузку на врачей, ускоряет выявление патологий и оптимизирует потоки пациентов по учреждениям здравоохранения Узбекистана.

Для решения поставленной задачи перспективным является создание биомедицинского вычислительного кластера, который обеспечит обработку больших объемов данных, обучение моделей ИИ и их параллельное использование в медицинской практике со стороны врачей. Кластер станет основой для будущего развития медицины в Узбекистане, позволяя интегрировать ИИ в повседневную работу специалистов, анализ электронных медицинских карт и предиктивную аналитику. Это критически важно для страны с неравномерным распределением кадров и ограниченными ресурсами.

Создать сеть автономных инфокиосков «AI-MedPoint», которые обеспечат население первичной интеллектуальной медицинской консультацией, предварительным диагностическим скринингом по симптомам и маршрутизацией пациентов в соответствующие медицинские учреждения поблизости. Решение адаптировано для регионов с дефицитом квалифицированных медицинских кадров.

Ключевые компоненты и преимущества:

  1. Интерфейс для пациента

Киоск будет оснащен сенсорным экраном, камерой для распознавания лица (для анонимности или интеграции с ID), микрофоном для голосового ввода и принтером для распечатки рекомендаций. Пациент вводит симптомы (текстом или голосом), и LLM анализирует их на основе медицинских баз данных.

Предварительная диагностика: ИИ, на основе специализированных медицинских моделей задает уточняющие вопросы (например, "Есть ли температура? Как давно начались симптомы?"), оценивает риски и предлагает возможные диагнозы (с вероятностями, без окончательного подтверждения). Это ускоряет выявление патологий, таких как инфекции или хронические заболевания, на ранних стадиях.

Рекомендации и поиск врачей: система предлагает советы (например, "Принять парацетамол и обратиться к терапевту") и рекомендует квалифицированных специалистов на основе рейтингов, доступности и специализации. Использует данные о врачах из национальной базы Минздрава.

Маршрутизация: автоматически определяет ближайшие клиники или диагностические центры (с учетом геолокации, загруженности и специализации). Например, при подозрении на сердечную патологию направляет в кардиоцентр в Ташкенте или региональную больницу.

  1. Преимущества для системы здравоохранения

Снижение нагрузки на врачей поликлиник: предварительная фильтрация простых случаев (например, ОРВИ или консультации по профилактике) позволяет врачам сосредоточиться на сложных пациентах. По оценкам, это может уменьшить поток в поликлиники на 20-30%, освобождая время для квалифицированной помощи.

Ускорение выявления патологий: специализированные AI-модели, обученные на миллионах медицинских случаев, быстро анализируют симптомы, выявляя риски (например, ранние признаки диабета или онкологии), что сокращает время от обращения до диагностики с недель до дней.

Оптимальная маршрутизация: интеграция с национальной системой здравоохранения позволяет балансировать нагрузку между учреждениями. Например, пациент из сельской местности перенаправляется в ближайший районный центр, а не в перегруженную городскую больницу. Это снижает очереди и улучшает использование ресурсов.

Общие выгоды: сбор анонимизированных данных для аналитики Минздрава (эпидемиология, прогнозирование вспышек). Интеграция с вычислительным кластером позволит врачам использовать ИИ для вторых мнений, анализа изображений (рентген, УЗИ) и персонализированных планов лечения.

Вычислительный кластер интегрируется как backend: он обрабатывает запросы от инфокиосков в реальном времени, обеспечивает безопасность данных (GDPR-подобные стандарты) и масштабируемость для миллионов пользователей. В будущем кластер расширится для поддержки телемедицины и исследований.

Инженерно-техническая архитектура

Компонент

Описание

Физический инфокиоск

Сенсорный экран, камера, микрофон, принтер талонов, считыватель паспорта/ID, модуль телемедицины, датчики (температура, давление, пульс).

ИИ-навыки (LLM + мед. модели)

- Диалоговый ассистент для сбора жалоб и симптомов на национальных языках (узб., рус.)- Triage-модель (классификация неотложности и направления)- Рекомендательный сервис (лечение лёгких случаев, как идти на приём, QR/адрес клиник).

Бэкенд-платформа

- Облачная ИИ-инфраструктура (GPU-узлы)- Интеграция с API (данные поликлиник, загруженность, врачи) - Карта-каталог всех доступных медучреждений и врачей - Панель мониторинга+аналитика для Минздрава.

Модули безопасности

- Верификация личности (ID/passport)- Шифрование данных, соблюдение GDPR/GDPR-Uz.

Телемедицинская связь (опционально)

Возможность видеосвязи с дежурным врачом (централизованный кол-центр).

Как работает AI-MedPoint

  1. Пациент подходит к киоску → выбирает язык → авторизуется (или анонимно).
  2. LLM-ассистент проводит опрос симптомов в формате беседы (как врач).
  3. Triage-модель определяет степень неотложности и предлагает действия:
    • советы по домашнему лечению (+ напоминания)
    • направление в ближайшую поликлинику/ЦРБ + печать талона
    • в экстренных случаях → вызов скорой.
  4. Сервис выдаёт рекомендованных специалистов, клиники, время приёма, рейтинг, среднюю стоимость (для частного сектора).
  5. Формируется сводка для врача (структурированный протокол опроса) — экономия времени при визите.
  6. Вся статистика поступает в аналитическую систему Минздрава.

Преимущества стартапа

  • Решает проблему нехватки кадров → ИИ берёт на себя до 60–70% первичных обращений.
  • Снижает нагрузку на врачи-поликлиники.
  • Повышает доступность медицины в регионах.
  • Создаёт аналитический «радар» по динамике заболеваний по всей стране.
  • Простая масштабируемость и локализация.

Бизнес-модель

  • B2G: продажа/аренда киосков + SaaS-подписка Минздраву
  • B2B: платное продвижение частных клиник/врачей в рекомендациях
  • B2C: телемед-консультации и подписка для пациентов (условно-премиум)

Возможности масштабирования

  • Подключение модулей профилактики (скрининг диабета, давления, ожирения).
  • Оценка психического здоровья (депрессия, тревожность, ПТСР).
  • Интеграция с мобильным приложением «AI-MedPoint Home».
  • Экспорт решения в страны Центральной Азии.
  1. Техническая архитектура
  2. Вычислительный и AI-стек
  3. Бесплатные модели от Google:
  • MedGemma — открытая линейка моделей на базе Gemma 3, оптимизированных под медицинский текст и изображения. Доступны варианты:
  • Может обрабатывать текст, данные из EHR, рентген, дерматологические изображения и др. (Google for Developers).
  • Med‑PaLM 2 — закрытая, но потенциально доступная через Google Cloud модель, демонстрирующая экспертный уровень в медицинских вопросах (accuracy до ~86 % на MedQA) (sites.research.google).

  1. Дополнительно — собственные модели:
  • BioMedLM (≈2.7B параметров) — открытая модель, обученная на биомедицинских текстах, достигает приличных результатов на MedMCQA и MMLU Medical Genetics (arXiv).
  • Возможность дообучения базовых Gemma или BioMedLM на локальных данных для повышения релевантности в узбекских условиях.
  1. Архитектурная схема:

[Инфокиоск (сенсор, камера, микрофон)]

↕

[Edge-компонент (набор небольших моделей; BioMedLM или quantized Gemma-3n)]

↕ (латентный буфер, OCR, формализованный запрос)

[Облако / Центр обработки Минздрава]

↕

[MedGemma 27B (text/multimodal), Med-PaLM 2 (через API), + собственные модели]

↕

[Рекомендации, triage, маршрутизация, аналитика, логирование]

↕

[Backend: БД клиник, расписания, API ЕМИАС, аналитика]

  1. Компоненты и взаимодействия

Уровень

Описание

Киоск (edge)

Запрос симптомов от пациента, первичная фильтрация (BioMedLM или Gemma-3n квантованный — чтобы снизить задержки и зависимость от связи), кеширование.

API-слой

Передача запроса в облако (с шифрованием, анонимизацией) или обработка локально, если требуется.

Облачное ядро

Выполнение MedGemma 27B (text or multimodal) и/или Med-PaLM 2, получение ответа, проверка на hallucination (в будущем — двойная проверка).

Интеграция с данными

Доступ к базе клиник, расписанию врачей, загруженности, расстоянию, рейтингу.

Пользовательский интерфейс

Вывод рекомендаций, маршрутизация, печать талонов, QR-коды, уведомления.

Мониторинг и аналитика

Агрегация логов, ошибок, статистики triage, эффективность.

  1. Безопасность и контроль ошибок
  • Все запросы и ответы шифруются (TLS).
  • Локальные модели (edge) используются для превентивной фильтрации и снижения зависимости от онлайн-доступа.
  • Оценка достоверности (confidence score). Если ответ неуверен или потенциально опасен — киоск предлагает дозвон к оператору/врачу.
  • Журнал ошибок и ошибок Hallucination, контрольные механизмы для доработки моделей.
  • Человеческий контроль и аудит: медицинский эксперт рассматривает ответы и настраивает «фильтр ошибок».

Roadmap на 3 года

Roadmap разделен на этапы с пилотированием и масштабированием, учитывая государственный масштаб и интеграцию с Минздравом.

Год 1: Подготовка и пилотирование

Q1-Q2: разработка прототипа. Адаптация LLM (на базе открытых моделей типа Med-PaLM) под узбекский контекст (локализация, интеграция с базами данных Минздрава). Создание биомедицинского вычислительного кластера в тестовом режиме. Установка 10 пилотных киосков в Ташкенте (поликлиники и аптеки).

Q3-Q4: пилотный запуск. Тестирование на 5,000тыс. пользователей: сбор отзывов, корректировка алгоритмов. Обучение персонала Минздрава. Оценка эффективности (снижение нагрузки на 15-20% в пилотных зонах). Интеграция маршрутизации с 50 клиниками.

Год 2: масштабирование на регионы

Q1-Q2: Расширение на 100 киосков в ключевых регионах (Самарканд, Фергана, Бухара). Полная интеграция кластера для обработки данных. Добавление функций: интеграция с мобильным приложением для follow-up, анализ изображений (фото симптомов).

Q3-Q4: масштабирование до 500 киосков. Мониторинг: снижение очередей в поликлиниках на 25%, ускорение диагностики на 30%. Обучение врачей использованию кластера для практики. Партнерства с международными организациями (WHO) для сертификации.

Год 3: Национальное покрытие и оптимизация

Q1-Q2: установка 2,000+ киосков по всей стране, включая сельские районы. Полная национальная маршрутизация (все клиники Узбекистана). Расширение кластера для предиктивной аналитики (прогноз эпидемий).

Q3-Q4: оптимизация: AI самообучение на данных, интеграция с электронными картами здоровья. Оценка: покрытие 80% населения, снижение нагрузки на врачей на 40%. Экспорт модели в соседние страны.

Расчёты затрат на 1 инфокиоск

Расчёты основаны на рыночных данных для аналогичных медицинских киосков. Суммарные начальные затраты на один киоск составляют около 15,000-20,000 USD (без учёта вычислительного кластера, который рассматривается отдельно).

Разбивка:

Hardware: Сенсорный экран (32-42 дюйма), корпус, камера, микрофон, принтер – 5,000-8,000 USD.

Software и адаптация: лицензия на специализированные модели AI, LLM, кастомизация интерфейса, интеграция с базами данных – 4,000-6,000 USD (разовая разработка, плюс 500-1,000 USD/год на обновления).

Установка и настройка: монтаж, подключение к сети, тестирование – 1,000-2,000 USD.

Ежегодное обслуживание: техподдержка, обновления ПО, энергопотребление – 1,000-2,000 USD/год. Эти затраты окупаются за счет снижения расходов на здравоохранение (меньше ненужных визитов, оптимизация ресурсов).

Литература:

  1. Telemedicine in Uzbekistan: How Technology is Solving the Docto...
  2. Integrating Artificial Intelligence in Uzbekistan's Emergency Services
  3. The Role Of Artificial Intelligence In Biomedicine: Personalized...
  4. Uzbekistan Client Stories - Delft Imaging
  5. THE FIRST STEPS IN ARTIFICIAL INTELLIGENCE DEVELOPMENT IN MEDICINE IN...
  6. Issues of Legal Regulation of Telemedicine in the Republic of...
  7. Health systems in action: Uzbekistan
  8. Healthcare Kiosks for Healthcare - Meridian Kiosks
  9. CARENATION KIOSK – Teslon
  10. The Role of Health Kiosks: Scoping Review - PMC
  11. An AI-powered Public Health Automated Kiosk System...
  12. Application of large language models in disease diagnosis and...
  13. Current applications and challenges in large language models for...
  14. Large Language Models in Healthcare and Medical Applications
  15. Large Language Models in Medical Diagnostics: Scoping Review...
  16. Large language models for disease diagnosis: a scoping review
  17. Large Language Models in Healthcare and Medical Domain - arXiv
  18. LLMs in Healthcare: Applications, Examples, & Benefits - AI21 Labs
  1. Каур С., Сингла Дж., Нкеньерейе Л., Джа С., Прашар Д., Джоши Г.. и др. Медицинские диагностические системы с использованием алгоритмов искусственного интеллекта (ИИ): принципы и перспективы. Доступ к IEEE. 2020;8:228049-228069. [ Перекрестная ссылка ]
  2. Парк С.Х., Хан К. Методическое руководство по оценке клинической эффективности и влияния технологии искусственного интеллекта на медицинскую диагностику и прогнозирование. Радиология. март 2018 г.; 286(3):800-809. [ CrossRef ] [ Медлайн ]
  3. Райаан М.А., Мукта М.С., Фатема К., Фахад Н.М., Сакиб С., Мим М.М. Обзор больших языковых моделей: архитектуры, приложения, таксономии, открытые вопросы и проблемы. Доступ к IEEE. 2024;12:26839-26874. [ Перекрестная ссылка ]
  4. Тирунавукарасу А.Дж., Тинг Д.С., Элангован К., Гутьеррес Л., Тан Т.Ф., Тинг Д.С. Большие языковые модели в медицине. Nat Med. 17 августа 2023 г.; 29(8):1930-1940. [ CrossRef ] [ Медлайн ]
  5. Эстева А., Робике А., Рамсундар Б., Кулешов В., ДеПристо М., Чоу К., и др. Руководство по глубокому обучению в здравоохранении. Nat Med. 7 января, 2019; 25(1):24-29. [ CrossRef ] [ Медлайн ]
  6. Лю С., Лю Х., Ян Г., Цзян З., Цуй С., Чжан З. и др. Универсальная медицинская языковая модель для помощи в диагностике заболеваний. Nat Med. Март 08, 2025; 31(3):932-942. [ CrossRef ] [ Медлайн ]
  7. Вэй Ц., Яо З., Цуй И., Вэй Б., Цзинь З., Сюй С. Оценка медицинских ответов, сгенерированных ChatGPT: систематический обзор и метаанализ. J Биомед Информ. Март 2024;151:104620. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  8. Сандман С., Рипенхаузен С., Плагвиц Л., Варгезе Д. Систематический анализ ChatGPT, поиска Google и Llama 2 для задач поддержки принятия клинических решений. Nat Commun. Мар 06, 2024; 15(1):2050. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  9. Танг Л., Сунь З., Иднай Б., Нестор Дж.Г., Соруш А., Элиас.А. и др. Оценка больших языковых моделей на основе обобщения медицинских данных. NPJ Digit Med. 24 августа 2023 г.; 6(1):158. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  10. Мэн С., Янь С., Чжан К., Лю Д., Цуй С., Ян И и др. Применение больших языковых моделей в медицине: обзорный обзор. iScience. 17 мая 2024 г.; 27(5):109713. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  11. Саллам М. Полезность ChatGPT в образовании, исследованиях и практике здравоохранения: систематический обзор многообещающих перспектив и обоснованных опасений. Здравоохранение (Базель). 19 марта, 2023; 11(6):887. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  12. Gödde D, Nöhl S, Wolf C, Rupert Y, Rimkus L, Ehlers J, et al. SWOT-анализ (сильные и слабые стороны, возможности и угрозы) ChatGPT в медицинской литературе: краткий обзор. J Med Internet Res. 16 ноября, 2023; 25:e49368. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  13. Нинков А., Фрэнк Дж.Р., Маджио Л.А. Библиометрия: методы изучения академического издательства. Perspect Med Educ. 16 июня, 2022; 11(3):173-176. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  14. Трикко А.К., Лилли Э., Зарин В., О'Брайен К.К., Колкухун Х., Левак Д. и др. Расширение PRISMA для обзоров области видимости (PRISMA-ScR): контрольный список и объяснение. Энн Интерн Мед. Октябрь 02, 2018; 169(7):467-473. [ Перекрестная ссылка ]
  15. Шмидгалл С., Харрис С., Эссьен И., Ольшванг Д., Рахман Т., Ким Дж.В. и др. Оценка и смягчение когнитивных искажений в медицинских языковых моделях. NPJ Digit Med. 21 октября 2024 г.; 7(1):295. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  16. Сингхал К., Ту Т., Готтвайс Дж., Сайрес Р., Вульчин Э., Амин М. и др. На пути к ответам на медицинские вопросы экспертного уровня с помощью больших языковых моделей. Nat Med. март 2025; 31(3):943-950. [ CrossRef ] [ Медлайн ]
  17. Чжан Дж., Ма И., Чжан Р., Чэнь И., Сюй М., Рина С. и др. Сравнительное исследование офтальмологов GPT-4o и человека в диагностике глаукомы. Sci Rep. Декабрь 05, 2024; 14(1):30385. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  18. Лю Х., Дуань С., Ким М.К., Чжан Л., Джи Э., Махарджан Б., и др. Клод 3 Opus и ChatGPT с GPT-4 в дерматоскопическом анализе изображений для диагностики меланомы: сравнительный анализ производительности. JMIR Med Inform. 06 августа 2024 г.; 12:e59273. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  19. Зак Т., Леман Э., Сузгун М., Родригес Дж.А., Сели Л.А., Гичойя Дж., и др. Оценка потенциала GPT-4 для увековечивания расовых и гендерных предрассудков в здравоохранении: модельное оценочное исследование. Ланцет Палец Здоровье. январь 2024 г.; 6(1):e12-e22. [ Перекрестная ссылка ]
  20. Сингхал К., Азизи С., Ту Т., Махдави С.С., Вэй Дж., Чунг Х.В. и др. Большие языковые модели кодируют клинические знания. Природа. 12 августа 2023 г.; 620(7972):172-180.
    [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  21. Ли С., Тан В., Чжан С., Ли Дж., Рен Х., Го И. и др. Укрощение больших языковых моделей для реализации диагностики и оценки генерации LLM на уровне семантического сходства в иглоукалывании и прижигании. Эксперт Syst Appl. Март 2025;264:125920. [ Перекрестная ссылка ]
  22. Болье-Джонс Б.Р., Берриган М.Т., Шах С., Марваха Дж.С., Лай С.Л., Брат Г.А. Оценка возможностей больших языковых моделей: производительность GPT-4 при оценке хирургических знаний. Хирургия. Апрель 2024; 175(4):936-942. [ CrossRef ] [ Медлайн ]
  23. Лю Дж., Лян С., Фан Д., Чжэн Дж., Инь С., Се Х. и др. Диагностическая способность GPT-3.5 и GPT-4.0 в хирургии: сравнительный анализ. J Med Internet Res. Сентябрь 10, 2024; 26:e54985. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  24. Паленсуэла Д.Л., Маллен Дж.Т., Фитаякорн Р. Аи против МД: оценка точности принятия хирургических решений с помощью ChatGPT-4. Хирургия. август 2024 г.; 176(2):241-245. [ CrossRef ] [ Медлайн ]
  25. Collado-Montañez J, Martín-Valdivia MT, Martínez-Cámara E. Дополнение данных на основе больших языковых моделей для классификации радиологических отчетов. Система на основе знаний. Янв 2025;308:112745. [ Перекрестная ссылка ]
  26. Хориучи Д., Татекава Х., Оура Т., Шимоно Т., Уолстон С.Л., Такита Х. и др. Диагностическая эффективность ChatGPT на основе текстовой и визуальной информации по сравнению с диагностической эффективностью радиологов в скелетно-мышечной радиологии. Eur Radiol. январь 2025 г.; 35(1):506-516. [ CrossRef ] [ Медлайн ]
  27. Хуан Дж., Янг Р., Хуан Х., Цзэн К., Лю И., Ло Дж., и др. Осуществимость больших языковых моделей для категоризации малых узлов печени CEUS LI-RADS у пациентов с риском развития гепатоцеллюлярной карциномы. Передний онкол. 2024;14:1513608. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  28. Хупперц М.С., Зипман Р., Топп Д., Никоубашман О., Юксель С., Куль К.К. и др. Революция или риск?-Оценка потенциала и проблем GPT-4V в интерпретации радиологических изображений. Eur Radiol. март 2025; 35(3):1111-1121. [ CrossRef ] [ Медлайн ]
  29. Кикучи Т., Накао Т., Накамура Ю., Ханаока С., Мори Х., Йошикава Т. На пути к улучшенной радиологической диагностике: исследование полезности и ограничений GPT-3.5 turbo и GPT-4 с помощью тестов. AJNR Am J Нейрорадиол. Октябрь 03, 2024; 45(10):1506-1511. [ CrossRef ] [ Медлайн ]
  30. Лю С., Вэй М., Цинь И, Чжан М., Цзян Х., Сюй Дж. и др. Использование больших языковых моделей для структурированной отчетности в УЗИ молочной железы: сравнительное исследование Open AI (GPT-4.0) и Microsoft Bing (GPT-4). УЗИ Мед Биол. ноябрь 2024 г.; 50(11):1697-1703. [ CrossRef ] [ Медлайн ]
  31. Мицуяма Ю., Татекава Х., Такита Х., Сасаки Ф., Тасиро А., Оуэ С. и др. Сравнительный анализ диагностических характеристик ChatGPT на основе GPT-4 с радиологами с использованием реальных радиологических отчетов об опухолях головного мозга. Eur Radiol. Апрель 2025; 35(4):1938-1947. [ CrossRef ] [ Медлайн ]
  32. Мори Ю., Идзумияма Т., Канабути Р., Мори Н., Айзава Т. Большая языковая модель может помочь в диагностике синдрома SAPHO с помощью сцинтиграфии костей. Мод ревматола. 20 августа 2024 г.; 34(5):1043-1046. [ CrossRef ] [ Медлайн ]
  33. Накаура Т., Йошида Н., Кобаяши Н., Сираиси К., Нагаяма Ю., Уэтани Х. и др. Предварительная оценка автоматизированного создания радиологических отчетов с помощью генеративных предварительно обученных трансформаторов: сравнение результатов с отчетами, созданными радиологами. Jpn J Radiol. февраль 2024 г.; 42(2):190-200. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  34. Райт Т.., Д'Алессандро Д.М., Д'Алессандро М.. Возможность мультимодальных больших языковых моделей для интерпретации радиологических изображений у детей. Педиатр Радиол. сентябрь 2024 г.; 54(10):1729-1737. [ CrossRef ] [ Медлайн ]
  35. Сильва Т.., Андраде-Бортолетто М.Ф., Окампо Т.С., Аленкар-Палха С., Борнштейн М.М., Оливейра-Сантос С. и др. Эффективность коммерчески доступного генеративного предварительно обученного трансформатора (GPT) при описании рентгенопрозрачных поражений на панорамных рентгенограммах и постановке дифференциальных диагнозов. Клин Орал Инвестиг. Март 09, 2024; 28(3):204. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  36. Сонг М., Ван Дж., Юй З., Ван Дж., Ян Л., Лу И. и др. PneumoLLM: использование возможностей большой языковой модели для диагностики пневмокониоза. Med Image. Октябрь 2024;97:103248. [ CrossRef ] [ Медлайн ]
  37. Сонода Ю., Курокава Р., Накамура Ю., Кандзава Дж., Курокава М., Охизуми Ю. и др. Диагностические характеристики GPT-4o, Claude 3 Opus и Gemini 1.5 Pro в случаях «Поставь диагноз, пожалуйста». Jpn J Radiol. ноябрь 2024 г.; 42(11):1231-1235. [ CrossRef ] [ Медлайн ]
  38. Сух.С., Шим В.Х., Су Ч., Хео Х., Парк К.Р., Эом Х.Дж., и др. Сравнение диагностической точности рентгенологов с GPT-4V и Gemini Pro с использованием входных изображений из диагностики см. случаи. Радиология. июль 2024; 312(1):e240273. [ CrossRef ] [ Медлайн ]
  39. Сан С.Х., Хюинь К., Кортес Г., Хилл Р., Тран Дж., Йе Л. и др. Тестирование способности и ограничений ChatGPT для постановки дифференциальных диагнозов на основе расшифрованных рентгенологических данных. Радиология. октябрь 2024 г.; 313(1):e232346. [ CrossRef ] [ Медлайн ]
  40. Вальдес Д., Баннелл А., Лим С.И., Садовски., Шеперд Дж.А. Выполнение прогрессивных поколений GPT на экзамене, предназначенном для сертификации врачей в качестве сертифицированных клинических денситометристов. J Clin Densitom. 2024; 27(2):101480. [ CrossRef ] [ Медлайн ]
  41. Сантос В., Юн С., Парабони И. Прогнозирование психического здоровья из текста в социальных сетях с использованием смеси экспертов. IEEE Latin Am Trans. июнь 2023 г.; 21(6):723-729. [ Перекрестная ссылка ]
  42. Франко Д'Соуза Р., Аманулла С., Мэтью М., Сурапанени К.М. Оценка эффективности ChatGPT в психиатрии с использованием 100 виньеток клинических случаев. Asian J Psychiatr. Ноя 2023;89:103770. [ CrossRef ] [ Медлайн ]
  43. Гаргари О.К., Фатехи Ф., Мохаммади И., Фирузабади С.Р., Шафи А., Хабиби Г. Диагностическая точность больших языковых моделей в психиатрии. Asian J Psychiatr. Октябрь 2024;100:104168. [ CrossRef ] [ Медлайн ]
  44. Ким Дж., Леонте К.Г., Чен М.Л., Торус Дж.Б., Линос Э., Пинто А. и др. Большие языковые модели превосходят специалистов в области психического и медицинского здоровья в выявлении обсессивно-компульсивных расстройств. NPJ Digit Med. Июль 19, 2024; 7(1):193. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  45. Левкович И., Рабин Э., Бранн М., Элиосеф З. Большие языковые модели превосходят врачей общей практики в выявлении сложных случаев детской тревожности. Здоровье пальцев. 2024;10:20552076241294182. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  46. Павес Дж., Альенде Х. Гибридная система, основанная на байесовских сетях и глубоком обучении для объяснимой диагностики психического здоровья. Appl Sci. Сентябрь 14, 2024; 14(18):8283. [ Перекрестная ссылка ]
  47. Шин Д., Ким Х., Ли С., Чо И., Юнг В. Использование больших языковых моделей для выявления депрессии по текстовым данным дневника, созданным пользователем, в качестве нового подхода к цифровому скринингу психического здоровья: исследование валидации инструментов. J Med Internet Res. Сентябрь 18, 2024; 26:e54617. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  48. Джанола С., Барджери С., Кастеллини Г., Кук С., Палезе А., Пилластрини. и др. Эффективность ChatGPT по сравнению с клиническими рекомендациями по принятию обоснованных решений при пояснично-крестцовой корешковой боли: перекрестное исследование. J Orthop Sports Phys Ther. март 2024; 54(3):222-228. [ CrossRef ] [ Медлайн ]
  49. Янг С.С., Энихен Э., Ривера С., Оже К.А., Грант Н., Рао А. и др. Диагностическая точность пользовательской большой языковой модели в отчетах о случаях редких детских заболеваний. Am J Med Genet A. февраль 2025 г.; 197(2):e63878. [ CrossRef ] [ Медлайн ]
  50. Ахонди-Асл А., Янг И., Лучетт М., Бернс Дж.., Мехта Н.М., Гева А. Сравнение качества предметно-специфических и общих языковых моделей для дифференциальной диагностики, созданной искусственным интеллектом, у пациентов ОРИТ. Педиатр Крит Кэр Мед. Июнь 01, 2024; 25(6):e273-e282. [ CrossRef ] [ Медлайн ]
  51. Апорнвират С., Тинпанджа В., Дамронгкиет К., Бенджакул Н., Лаохаветванит Т. Сравнение адаптированного ChatGPT и патологоанатомических ординаторов в гистопатологическом описании и диагностике распространенных заболеваний. Энн Диагн Патол. Дек 2024;73:152359. [ CrossRef ] [ Медлайн ]
  52. Тейшейра-Маркес Ф., Медейрос Н., Назаре Ф., Алвес С., Лима Н., Рибейро Л. и др. Изучение роли ChatGPT в принятии клинических решений в оториноларингологии: исследование, разработанное ChatGPT. Eur Arch Otorhinolaryngol. Апрель 2024; 281(4):2023-2030. [ CrossRef ] [ Медлайн ]
  53. Майо-Яньес М., Гонсалес-Торрес Л., Сайбене А.М., Аллеви Ф., Вайра Л.А., Маниачи А. и др. Применение ChatGPT в качестве вспомогательного инструмента в диагностике и лечении острого бактериального тонзиллита. Технология здоровья. Апр 11, 2024; 14(4):773-779. [ Перекрестная ссылка ]
  54. Маниачи А., Кьеза-Эстомба С.М., Лечиен Дж.Р. Согласованность ChatGPT-4 в интерпретации клинических изображений распространенных поражений и расстройств гортани. Хирургия головы и шеи отоларингголом. октябрь 2024 г.; 171(4):1106-1113. [ CrossRef ] [ Медлайн ]
  55. Ли Дж., Гао С., Доу Т., Гао И., Ли С., Чжу В. Количественная оценка эффективности GPT-4 при интерпретации рекомендаций по лечению остеоартрита в США и Китае и консультациях ортопедических случаев. BMJ Open. 30 декабря, 2024; 14(12):e082344. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  56. Пагано С., Хольцапфель С., Каппеншнайдер Т., Мейер М., Мадербахер Г., Грифка Дж., и др. Рекомендации по диагностике и лечению артроза в клинической практике: поисковое исследование с помощью модели генеративного искусственного интеллекта GPT-4. J Orthop Traumatol. 28 ноября, 2023; 24(1):61. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  57. Вильгельм Т.И., Роос Дж., Качмарчик Р. Большие языковые модели для рекомендаций по терапии по 3 клиническим специальностям: сравнительное исследование. J Med Internet Res. 30 октября 2023 г.; 25:e49324. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  58. Chen X, Zhang W, Zhao Z, Xu P, Zheng Y, Shi D, et al. ICGA-GPT: создание отчетов и ответы на вопросы для изображений индоцианиновой зеленой ангиографии. Br J Ophthalmol. Сентябрь 20, 2024; 108(10):1450-1456. [ CrossRef ] [ Медлайн ]
  59. Дельсоз М., Мадади Ю., Раджа Х., Мунир В.М., Тамм Б., Мехраваран С. и др. Эффективность ChatGPT в диагностике заболеваний роговицы глаза. Роговица. 01 мая 2024 г.; 43(5):664-670. [ CrossRef ] [ Медлайн ]
  60. Ху Х., Ран А.Р., Нгуен Т.Х., Сзето С., Ям Дж.С., Чан К.К. и др. Что может сделать GPT-4 для диагностики редких заболеваний глаз? пилотное исследование. Офтальмол Тер. декабрь 2023 г.; 12(6):3395-3402. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  61. Михаил Д., Михалаче А., Хуан Р.С., Хайри Т., Попович М.М., Милад Д. и др. Производительность ChatGPT при анализе мультимодальных случаев сетчатки на французском языке. J Fr Ophtalmol. март 2025; 48(3):104391. [ CrossRef ] [ Медлайн ]
  62. Мин С., Яо Х., Го Х., Го Ц., Се К., Чен Д. и др. Эффективность ChatGPT в офтальмологической регистрации и клинической диагностике: перекрестное исследование. J Med Internet Res. 14 ноября, 2024; 26:e60226. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  63. Рохас-Карабали В., Сен А., Агарвал А., Тан Г., Чунг С.И., Руссело А. и др. Чат-боты против экспертов-людей: оценка диагностической эффективности чат-ботов при увеите и перспективы внедрения ИИ в офтальмологии. Ocul Immunol Inflamm. октябрь 2024 г.; 32(8):1591-1598. [ CrossRef ] [ Медлайн ]
  64. Сюй., Чэнь С., Чжао З., Ши Д. Раскрытие клинических невозможностей: сравнительное исследование GPT-4V (ision) для мультимодального анализа офтальмических изображений. Br J Ophthalmol. Сентябрь 20, 2024; 108(10):1384-1389. [ CrossRef ] [ Медлайн ]
  65. Ян З., Ван Д., Чжоу Ф., Сун Д., Чжан И., Цзян Дж. и др. Понимание естественного языка: потенциальное применение больших языковых моделей в офтальмологии. Asia Pac J Ophthalmol (Phila). 2024; 13(4):100085. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  66. Занди Р., Фэйи Д.Д., Дракопулос М., Брайан Дж.М., Донг С., Брайар.Дж. и др. Изучение точности диагностики и мастерства сортировки: сравнительное исследование GPT-4 и барда в лечении распространенных офтальмологических жалоб. Биоинженерия (Базель). 26 января, 2024; 11(2):120. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  67. Кайзер., Янг С., Бах М., Брейт С., Мерц К., Стилтьес Б., и др. Взаимодействие структурированных данных с использованием openEHR и больших языковых моделей для поддержки принятия клинических решений при раке предстательной железы. World J Urol. 13 января, 2025; 43(1):67. [ CrossRef ] [ Медлайн ]
  68. Козел Г., Гюрсес М.Е., Гечичи Н.Н., Гёкальп Э., Бахадир С., Мерензон М.А. и др. Chat-GPT об опухолях головного мозга: изучение способности искусственного интеллекта/машинного обучения ставить диагнозы и составлять планы лечения для таких случаев, как нейроонкология. Клин Нейрол Нейрохирург. Апр 2024;239:108238. [ CrossRef ] [ Медлайн ]
  69. Кумар Р.., Сиван В., Башир Х., Сарвар С.А., Ружичка Ф., О'Мэлли Г.Р. и др. Может ли искусственный интеллект смягчить пропущенные диагнозы, создавая дифференциальные диагнозы для нейрохирургов? Мировая нейрохирургия. июль 2024; 187:e1083-e1088. [ CrossRef ] [ Медлайн ]
  70. Уорд М., Унадкат., Тоскано Д., Кашанян А., Линч Д.Г., Хорн А.С. и др. Количественная оценка ChatGPT как нейрохирургического инструмента сортировки. Нейрохирургия. 01 августа 2024 г.; 95(2):487-495. [ CrossRef ] [ Медлайн ]
  71. Сорин В., Кланг Э., Собех Т., Конен Э., Шрот С., Ливне А. и др. Поддержка генеративного предварительно обученного трансформатора (GPT)-4 для дифференциальной диагностики в нейрорадиологии. Quant Imaging Med Surg. Октябрь 01, 2024; 14(10):7551-7560. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  72. Хьюитт К.Дж., Вист И.К., Карреро З.И., Бежан Л., Миллнер То То, Бранднер С. и др. Большие языковые модели как инструмент диагностической поддержки в невропатологии. J Pathol Clin Res. ноябрь 2024 г.; 10(6):e70009. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  73. Чианг К.Л., Чоу Ю.С., Тунг Х., Хуан С.И., Се Л.., Чанг К.. и др. Индивидуальная модель GPT значительно повышает точность принятия решений о хирургическом вмешательстве при фармакорезистентной эпилепсии. J Clin Neurosci. Дек 2024;130:110918. [ CrossRef ] [ Медлайн ]
  74. de Arriba-Pérez F, García-Méndez S, Otero-Mosquera J, González-Castaño FJ. Объяснимое обнаружение когнитивных снижений в свободных диалогах с помощью машинного обучения, основанного на предварительно обученных больших языковых моделях. Appl Intell. Сентябрь 24, 2024;54:12613-12628. [ Перекрестная ссылка ]
  75. Кога С., Мартин Н.Б., Диксон Д.В. Оценка производительности больших языковых моделей: ChatGPT и Google Bard в постановке дифференциальных диагнозов в клинико-патологических конференциях нейродегенеративных расстройств. Патология мозга. май 2024 г.; 34(3):e13207. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  76. Резаи Н., Хохберг Д., Куимби М., Вонг Б., Брикхаус М., Турутоглу А. и др. Искусственный интеллект классифицирует первичную прогрессирующую афазию по связной речи. Мозг. Сентябрь 03, 2024; 147(9):3070-3082. [ CrossRef ] [ Медлайн ]
  77. Ван С., Лю С., Ли А., Лю Д. Анализ текстового диалога для первичного скрининга легких когнитивных нарушений: исследование развития и валидации. J Med Internet Res. 29 декабря, 2023; 25:e51501. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  78. Мяо Дж., Тонгпрайун С., Крайчи И.М., Чунгпаситпорн В. Как улучшить работу ChatGPT для нефрологов: методическое руководство. J Nephrol. июнь 2024; 37(5):1397-1403. [ CrossRef ] [ Медлайн ]
  79. Ли К.С., Бу З.Дж., Шахджалал М., Хэ Б.Х., Чжуан З.Ф., Ли С. и др. Выполнение ChatGPT на вступительных экзаменах на степень магистра по клинической медицине в Китае. PLoS One. Апр 04, 2024; 19(4):e0301702. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  80. Лейпольд Т., Лингенс Л.Ф., Бейер Дж.., Боос А.М. Интеграция ИИ в лечение липедемы: оценка эффективности GPT-4 в качестве ассистента-консультанта. Жизнь (Базель). 20 мая 2024 г.; 14(5):646. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  81. Риос-Хойо А., Шан Н.Л., Ли А., Пирсон А.Т., Пустаи Л., Говард Ф.М. Оценка больших языковых моделей в качестве диагностического пособия для сложных медицинских случаев. Front Med (Лозанна). Июн 20, 2024;11:1380148. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  82. Ву В., Го И., Ли К., Цзя С. Изучение потенциала больших языковых моделей в выявлении стеатотического заболевания печени, связанного с метаболической дисфункцией: сравнительное исследование неинвазивных тестов и реакций, генерируемых искусственным интеллектом. Liver Int. Апрель 2025; 45(4):e16112. [ CrossRef ] [ Медлайн ]
  83. Афшар М., Гао И., Гупта Д., Кроксфорд Э., Демнер-Фушман Д. О роли UMLS в поддержке генерации диагнозов, предложенных большими языковыми моделями. J Биомед Информ. Сен 2024;157:104707. [ CrossRef ] [ Медлайн ]
  84. Андреадис К., Ньюман Д.Р., Тван С., Шунк А., Манн Д.М., Стивенс Э.Р. Смешанные методы оценки влияния демографии на медицинские рекомендации ChatGPT. J Am Med Inform Assoc. Сентябрь 01, 2024; 31(9):2002-2009. [ CrossRef ] [ Медлайн ]
  85. Хо К.Н., Тиан Т., Айерс А.Т., Аарон Р.Э., Филлипс В., Вольф Р.М. и др. Качественные метрики из биомедицинской литературы для оценки больших языковых моделей при принятии клинических решений: нарративный обзор. BMC Med Inform Decis Mak. 26 ноября, 2024; 24(1):357. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  86. Ню С., Ма Дж., Бай Л., Ван З., Го Л., Ян Х. EHR-KnowGen: мультимодальное обучение на основе знаний для постановки диагноза заболеваний. Инф Фьюжн. 1 февраля 2024 г.; 102(С):102069. [ Перекрестная ссылка ]
  87. Тауб-Табиб Х., Шамай Ю., Шлейн М., Пинхасов М., Полак М., Тиктинский А. и др. Идентификация этиологии симптомов с использованием синтаксических моделей и больших языковых моделей. Sci Rep. Июль 13, 2024; 14(1):16190. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  88. Чжан Дж., Сунь К., Джагадиш А., Фалакафлаки., Каяян Э., Тао Г. и др. Потенциал и подводные камни использования большой языковой модели, такой как ChatGPT, GPT-4 или LLaMA, в качестве клинического ассистента. J Am Med Inform Assoc. Сентябрь 01, 2024; 31(9):1884-1891. [ CrossRef ] [ Медлайн ]
  89. Чэнь Дж., Лю Л., Жуань С., Ли М., Инь С. Сопоставимы ли различные версии возможностей ChatGPT с клиническим диагнозом, представленным в отчетах о клинических случаях? Описательное исследование. J Multidiscip Healthc. 6 декабря, 2023;16:3825-3831. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  90. Гу И., Тинн Р., Ченг Х., Лукас М., Усуяма Н., Лю С. и др. Претренинг предметно-ориентированной языковой модели для биомедицинской обработки естественного языка. ACM Trans Comput Healthc. Октябрь 15, 2021; 3(1):1-23. [ Перекрестная ссылка ]
  91. Льевин В., Эгеберг Хотер К., Герт Мотцфельдт А., Винтер О. Могут ли большие языковые модели рассуждать о медицинских вопросах? arXiv. Препринт опубликован в сети 17 июля 2022 года. [ Перекрестная ссылка ]
  92. Хиросава Т., Кавамура Р., Харада Ю., Мидзута К., Токумасу К., Кадзи Ю. и др. Списки дифференциальных диагнозов, сгенерированные ChatGPT, для сложных клинических виньеток, полученных из конкретного случая: оценка точности диагностики. JMIR Med Inform. Октябрь 09, 2023; 11:e48808. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  93. Хиросава Т., Харада Ю., Токумасу К., Ито Т., Судзуки Т., Симидзу Т. Сравнительное исследование для оценки точности списков дифференциальных диагнозов, составленных Gemini Advanced, Gemini и Bard для анализа серий клинических случаев: поперечное исследование. JMIR Med Inform. Октябрь 02, 2024; 12:e63010. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  94. Günay S, Öztürk A, Özerol H, Yiğit Y, Erenler AK. Сравнение специалиста неотложной медицины, кардиолога и chat-GPT в оценке электрокардиографии. Am J Emerg Med. Июнь 2024;80:51-60. [ CrossRef ] [ Медлайн ]
  95. Хоппе Дж.М., Ауэр М.К., Штрювен А., Массберг С., Стреммель С. ChatGPT с GPT-4 превосходит врачей отделений неотложной помощи по диагностической точности: ретроспективный анализ. J Med Internet Res. Июль 08, 2024; 26:e56110. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  96. Ли С., Ли Дж., Парк Дж., Парк Дж., Ким Д., Ли Дж., и др. Обработка естественного языка на основе глубокого обучения для выявления медицинских симптомов и анамнеза при сортировке пациентов неотложной помощи. Am J Emerg Med. Март 2024;77:29-38. [ CrossRef ] [ Медлайн ]
  97. Левин Д.М., Тувани Р., Компа Б., Варма А., Финлейсон С.Г., Мехротра А., и др. Точность диагностики и сортировки модели искусственного интеллекта GPT-3: обсервационное исследование. Ланцет Палец Здоровье. август 2024 г.; 6(8):e555-e561. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  98. Шах-Мохаммади Ф., Финкельштейн Д. Оценка точности дифференциальной диагностики с помощью GPT в отделении неотложной помощи. Диагностика (Базель). 15 августа 2024 г.; 14(16):1779. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  99. Сираиси М., Канаяма К., Курита Д., Мориваки Ю., Окадзаки М. Производительность чат-ботов с искусственным интеллектом при интерпретации клинических изображений пролежней. Регенерация для восстановления ран. 2024; 32(5):652-654. [ CrossRef ] [ Медлайн ]
  100. Чжуан С., Цзэн И., Линь С., Чэнь С., Синь И., Ли Х. и др. Оценка способности больших языковых моделей самостоятельно диагностировать заболевания полости рта. 29 ноября, 2024; 27(12):111495. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  101. Рао А., Панг М., Ким Дж., Каминени М., Ли В., Прасад А.К. и др. Оценка полезности ChatGPT на протяжении всего клинического рабочего процесса: исследование разработки и удобства использования. J Med Internet Res. 22 августа 2023 г.; 25:e48659. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  102. Ке И., Янг Р., Ли С.А., Лим Т.Х., Нинг И., Ли И. и др. Смягчение когнитивных искажений при принятии клинических решений с помощью многоагентных бесед с использованием больших языковых моделей: имитационное исследование. J Med Internet Res. 19 ноября, 2024; 26:e59439. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  103. Авидан Ю., Табачников В., Корт О.Б., Хури Р., Акер А. Перед лицом искажающих факторов: выявление фибрилляции предсердий - практикующие врачи против ChatGPT. J Электрокардиол. 2025;88:153851. [ CrossRef ] [ Медлайн ]
  104. Делоне Ж., Кусидо Ж. Оценка производительности больших языковых моделей в прогнозировании диагностики испанских клинических случаев в кардиологии. Appl Sci. 25 декабря, 2024; 15(1):61. [ Перекрестная ссылка ]
  105. Кая К., Гитцен С., Ханфельдт Р., Зуби М., Эмрих Т., Халфманн М.С. и др. Генеративный предварительно обученный трансформатор 4 анализ отчетов сердечно-сосудистого магнитного резонанса при подозрении на миокардит: многоцентровое исследование. J Cardiovasc Magn Reson. 2024; 26(2):101068. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  106. Лаохаветванит Т., Апорнвират С., Намбунлу К. Мышление как патологоанатом: морфологический подход к гепатобилиарным опухолям с помощью ChatGPT. Am J Clin Pathol. 28 января, 2025; 163(1):3-11. [ CrossRef ] [ Медлайн ]
  107. Лаохаветванит Т., Намбунлу С., Апорнвират С. Точность GPT-4 при обнаружении гистопатологических изображений и классификации колоректальных аденом. J Clin Pathol. 18 февраля 2025 г.; 78(3):202-207. [ CrossRef ] [ Медлайн ]
  108. Трайни Д.О., Пальмизано Г., Перис К. Большие языковые модели и дерматоскопия: оценка потенциала специфического зрения GPT-4 в диагностике базальноклеточной карциномы. J Eur Acad Dermatol Venereol. декабрь 2024 г.; 38(12):2320-2322. [ CrossRef ] [ Медлайн ]
  109. Мосави А., Имре Ф., Хунг В.Т. ChatGPT и большие языковые модели в здравоохранении; Библиометрический анализ и обзор. В кн.: Материалы 11-й Международной конференции IEEE по вычислительной кибернетике и кибермедицинским системам. 2024. Представлен на: ICCC 2024; 4-6 апреля 2024 г.; Ханой, Вьетнам. [ Перекрестная ссылка ]
  110. Генсер Г., Генсер К. Большие языковые модели в здравоохранении: библиометрический анализ и изучение научных тенденций. J Multidiscip Healthc. январь 2025 г.; Том 18:223-238. [ Перекрестная ссылка ]
  111. Вада А., Акаши Т., Ши Г., Хагивара А., Нисидзава М., Хаякава Ю. и др. Оптимизация точности турбодиагностики GPT-4 в нейрорадиологии с помощью оперативной инженерии и порогов доверия. Диагностика (Базель). Июль 17, 2024; 14(14):1541. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  112. Меско Б. Оперативная инженерия как важный новый навык для медицинских работников: учебное пособие. J Med Internet Res. Октябрь 04, 2023; 25:e50638. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  113. Анисуззаман Д.М., Малинс Дж.Г., Фридман.А., Аттиа З.И. Тонкая настройка больших языковых моделей для специализированных сценариев использования. Mayo Clin Proc Digit Health. март 2025; 3(1):100184. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  114. Хань Х., Чжан З., Дин Н., Гу И, Лю С., Хо И. и др. Предварительно обученные модели: прошлое, настоящее и будущее. AI Open. 2021;2:225-250. [ Перекрестная ссылка ]
  115. Ло Р., Сунь Л., Ся И, Цинь Т., Чжан С., Пун Х. и др. BioGPT: генеративный предварительно обученный преобразователь для генерации и анализа биомедицинских текстов. Краткая биоинформация. 19 ноября, 2022; 23(6):bbac409. [ CrossRef ] [ Медлайн ]
  116. Сайрон К., Акраут М., Абид Л., Оукли А. Оценка полезности мультимодальных больших языковых моделей (зрение GPT-4 и большой ассистент языка и зрения) в выявлении меланомы при различных оттенках кожи. JMIR Дерматол. 13 марта, 2024; 7:e55508. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  117. Шифай Н., ван Дорн Р., Малвехи Дж., Сэнгерс Т.Е. Может ли зрение ChatGPT диагностировать меланому? Поисковое исследование диагностической точности. J Am Acad Dermatol. май 2024 г.; 90(5):1057-1059. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  118. Цзинь Д., Пань Э., Уфаттоле Н., Венг В.Х., Фанг Х., Соловиц. Какое заболевание у этого пациента? Крупномасштабный набор ответов на вопросы в открытом домене по результатам медицинских обследований. Appl Sci. Июль 12, 2021; 11(14):6421. [ Перекрестная ссылка ]
  119. Цзинь К., Дхингра Б., Лю З., Коэн В.В., Лу Х. PubMedQA: набор данных для ответов на вопросы биомедицинских исследований. arXiv. Препринт размещен в сети 13 сентября 2019 года. [ БЕСПЛАТНО Полный текст ] [ CrossRef ]
  120. Пал А., Умапати Л.К., Санкарасуббу М. MedMCQA: крупномасштабный многопредметный набор данных с несколькими вариантами ответов на вопросы в медицинской области. В кн.: Труды конференции по здоровью, выводам и обучению. 2022. Представлен на: PMLR 2022; 7-8 апреля 2022 г.; Виртуальное мероприятие.
  121. Гаргари О.К., Фатехи Ф., Мохаммади И., Фирузабади С.Р., Шафи А., Хабиби Г. Диагностическая точность больших языковых моделей в психиатрии. Asian J Psychiatr. Октябрь 2024;100:104168. [ CrossRef ] [ Медлайн ]
  122. Качмарчик Р., Вильгельм Т.И., Мартин Р., Роос Д. Оценка мультимодального ИИ в медицинской диагностике. NPJ Digit Med. 07 августа 2024 г.; 7(1):205. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  123. Бюргиссер Н., Шалот Э., Мехуаши С., Буклин К.., Лаупер К., Курвуазье Д.С. и др. Большие языковые модели для точного обнаружения заболеваний в электронных медицинских картах: примеры кристаллических артропатий. RMD Open. 20 декабря, 2024; 10(4):e005003. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  124. Кога С., Мартин Н.Б., Диксон Д.В. Оценка производительности больших языковых моделей: ChatGPT и Google Bard в постановке дифференциальных диагнозов в клинико-патологических конференциях нейродегенеративных расстройств. Патология мозга. 08 мая 2024 г.; 34(3):e13207. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  125. Тянь Д., Цзян С., Чжан Л., Лу С., Сюй И. Роль больших языковых моделей в обработке медицинских изображений: нарративный обзор. Quant Imaging Med Surg. 03 января, 2024; 14(1):1108-1121. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  126. Вайсберг Э., Онг Дж., Масалхи М., Заман Н., Саркер., Ли А.Г. и др. GPT-4 и анализ медицинских изображений: сильные и слабые стороны и будущие направления. J Med Artif Intell. Дек 2023;6:29. [ Перекрестная ссылка ]
  127. Селиванов А., Рогов О.Ю., Чесаков Д., Шелманов А., Федулова И.В., Дылов Д.В. Подписи к медицинским изображениям с помощью генеративных предварительно обученных трансформаторов. Sci Rep. 13 марта, 2023; 13(1):4171. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  128. Тиу Э., Талиус Э., Патель., Ланглотц С.., Нг А.Ю., Раджпуркар. Экспертное обнаружение патологий по неаннотированным рентгеновским изображениям грудной клетки с помощью самоконтролируемого обучения. Nat Biomed Eng. Декабрь 15, 2022; 6(12):1399-1406. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  129. Донг Р., Чэн Х., Кан М., Цюй Ю. Классификация заболеваний поясничного отдела позвоночника с использованием больших языковых моделей и сегментации МРТ. BMC Med Inform Decis Mak. 18 ноября, 2024; 24(1):343. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  130. Ван С., Чжао З., Оуян С., Лю Т., Ван Ц., Шен Д. Интерактивная компьютерная диагностика на медицинском изображении с использованием больших языковых моделей. Commun Eng. Сентябрь 17, 2024; 3(1):133. [ CrossRef ] [ Медлайн ]
  131. Сингхал К., Ту Т., Готтвайс Дж., Сайрес Р., Вульчин Э., Амин М. и др. На пути к ответам на медицинские вопросы экспертного уровня с помощью больших языковых моделей. Nat Med. март 2025; 31(3):943-950. [ CrossRef ] [ Медлайн ]
  132. Ясунага М., Лесковец Дж., Лян. ЛинкБЕРТ: претренинг языковых моделей со ссылками на документы. arXiv. Препринт опубликован в сети 29 марта 2022 года. [ Перекрестная ссылка ]
  133. Гу И., Тинн Р., Ченг Х., Лукас М., Усуяма Н., Лю С. и др. Претренинг предметно-ориентированной языковой модели для биомедицинской обработки естественного языка. ACM Trans Comput Healthc. Октябрь 15, 2021; 3(1):1-23. [ Перекрестная ссылка ]
  134. Льевин В., Эгеберг Хотер К., Герт Мотцфельдт А., Винтер О. Могут ли большие языковые модели рассуждать о медицинских вопросах? arXiv. Препринт опубликован в сети 17 июля 2022 года. [ Перекрестная ссылка ]
  135. Нори Х., Кинг Н., Майер МакКинни С., Кариньян Д., Хорвиц Э. Возможности GPT-4 в решении медицинских проблем. arXiv. Препринт опубликован в сети 20 марта 2023 года. [ Перекрестная ссылка ]
  136. Ясунага М., Босселут А., Рен Х., Чжан Х., Мэннинг К.Д., Лян. и др. Глубокая двунаправленная подготовка графа языка-знания. В кн.: Материалы 36-й Международной конференции по системам обработки нейронной информации. 2022. Представлено: NIPS'22; 28 ноября-9 декабря 2022 г.; Новый Орлеан, Луизиана.
  137. Болтон Э., Венигалла А., Ясунага М., Холл Д., Сюнг Б., Ли Т. и др. BioMedLM: языковая модель с 2,7B параметрами, обученная на биомедицинском тексте. arXiv. Препринт опубликован в сети 27 марта 2024 года. [ Перекрестная ссылка ]
  138. Тейлор Р., Кардас М., Кукурулл Г., Скиалом Т., Хартсхорн А., Савиа Э. и др. Галактика: большая языковая модель для науки. arXiv. Препринт опубликован в сети 16 ноября 2022 года. [ Перекрестная ссылка ]
  139. Дуонг Д., Соломон Б.Д. Анализ модели большого языка в сравнении с производительностью человека для вопросов генетики. Eur J Hum Genet. 29 апреля, 2024; 32(4):466-468. [ CrossRef ] [ Медлайн ]
  140. Ли И, Ли З., Чжан К., Дэн Р., Цзян С., Чжан Ю. ChatDoctor: модель медицинского чата, тонко настроенная на основе большой языковой модели Meta-AI (LLaMA) с использованием знаний медицинской предметной области. Куреус. июнь 2023 г.; 15(6):e40895. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  141. Ясунага М., Босселут А., Рен Х., Чжан Х., Мэннинг К.Д., Лян. и др. Глубокая двунаправленная подготовка графа языка-знания. arXiv. Препринт опубликован в сети 17 октября 2022 года. [ БЕСПЛАТНО Полный текст ]
  142. Сюн Х., Ван С., Чжу И., Чжао З., Лю И., Хуан Л., и др. DoctorGLM: тонкая настройка вашего китайского врача не является геркулесовой задачей. arXiv. Препринт опубликован в сети 3 апреля 2023 года. [ БЕСПЛАТНО Полный текст ]
  143. Зайберт К., Домхофф Д., Брух Д., Шульте-Альтхофф М., Фюрстенау Д., Биссманн Ф. и др. Сценарии применения искусственного интеллекта в сестринском уходе: быстрый обзор. J Med Internet Res. 29 ноября, 2021; 23(11):e26522. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  144. Омие Дж.А., Лестер Дж.С., Спичак С., Ротемберг В., Данешджу Р. Большие языковые модели пропагандируют расовую медицину. NPJ Digit Med. Октябрь 20, 2023; 6(1):195. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  145. Ян И, Лю С., Цзинь Ц., Хуан Ф., Лу З. Разоблачение и количественная оценка расовых предубеждений больших языковых моделей при создании медицинских отчетов. Коммуна Мед (Лонд). Сентябрь 10, 2024; 4(1):176. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  146. Тянь С., Цзинь К., Еганова Л., Лай.Т., Чжу Ц., Чэнь С. и др. Возможности и проблемы для ChatGPT и больших языковых моделей в биомедицине и здравоохранении. Краткая биоинформация. 22 ноября, 2023; 25(1):bbad493. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  147. Хуан Дж., Шао Х., Чанг К.С. Происходит ли утечка вашей личной информации из больших предварительно обученных языковых моделей? arXiv. Препринт опубликован в сети 25 мая 2022 года. [ БЕСПЛАТНО Полный текст ] [ CrossRef ]
  148. Ву С.Х., Тонг В.Дж., Ли М.Д., Ху Х.Т., Лу Х.З., Хуан З.Р. и др. Совместное повышение согласованности и точности в ультразвуковой диагностике узлов щитовидной железы с использованием больших языковых моделей. Радиология. Мар 01, 2024; 310(3):e232255. [ CrossRef ] [ Медлайн ]
  149. Сан Д., Хаджииски Л., Гормли Дж., Чан Х.., Каоили Э., Кохан Р. и др. Прогнозирование исходов с использованием мультимодальной информации: интеграция клинической информации, извлеченной из большой языковой модели, и анализа изображений. Рак (Базель). 29 июня, 2024; 16(13):2402. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  150. Сэвидж Т., Наяк А., Галло Р., Ранган Э., Чен Дж.Х. Диагностические подсказки для рассуждения раскрывают потенциал интерпретируемости больших языковых моделей в медицине. NPJ Digit Med. 24 января, 2024; 7(1):20. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  151. Го З., Лай А., Тигесен Дж.Х., Фаррингтон Дж., Кин Т., Ли К. Большие языковые модели для приложений в области психического здоровья: систематический обзор. JMIR Мент Здоровье. 18 октября 2024 г.; 11:e57400. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  152. Лоуренс Х.Р., Шнайдер Р.А., Рубин С.Б., Матарич М.Дж., Макдафф Д.Дж., Джонс Белл М. Возможности и риски больших языковых моделей в психическом здоровье. JMIR Мент Здоровье. Июль 29, 2024; 11:e59479. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  153. Обрадович Н., Халса С.С., Хан Ву, Су Дж., Перлис Р.Х., Аджилоре О. и др. Возможности и риски больших языковых моделей в психиатрии. NPP Digit Psychiatry Neurosci. 24 мая 2024 г.; 2(1):8. [ CrossRef ] [ Медлайн ]
  154. Бушурас Г., Битилис., Котис К., Вурос Г.А. Магистры права для разработки онтологии мониторинга болезни Паркинсона и оповещения. В кн.: Материалы первого международного семинара по генеративному нейросимволическому искусственному интеллекту. 2024. Представлено: GeNeSy'24; 26 мая 2024 г.; Крит, Греция.
  155. Цзэн Дж., Цзоу Х., Ли С., Тан И., Тэн С., Ли Х. и др. Оценка роли генеративного преобученного трансформера (GPT) в лечении болезни Альцгеймера: сравнительное исследование реакций, генерируемых неврологами и искусственным интеллектом. J Med Internet Res. 31 октября 2024 г.; 26:e51095. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  156. Мбизво Г.К., Бьюкен И. Прогнозирование рецидива судорог по медицинским картам с использованием больших языковых моделей. Ланцет Палец Здоровье. декабрь 2023 г.; 5(12):e851-e852. [ Перекрестная ссылка ]
  157. Сусику Э., Хьюитт-Тейлор Дж., Акуджеду Т.Н. Компетенции выпускников, возможности трудоустройства и транснациональная нехватка кадров в области рентгенографии: систематический обзор литературы по текущим моделям предварительного обучения и подготовки в области рентгенографии. Рентгенография (Лонд). март 2024; 30(2):457-467. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  158. Риммер А. Нехватка радиологов ставит под угрозу уход за пациентами, предупреждает Королевский колледж. БМЖ. 11 октября 2017 г.; 359:j4683. [ CrossRef ] [ Медлайн ]
  159. Белланда В.К., Сантос М.Л., Ферраз Д.А., Хорхе Р., Мело Г.Б. Применение ChatGPT в диагностике, лечении, обучении и исследовании заболеваний сетчатки: обзорный обзор. Int J Сетчатка стекловидного тела. 17 октября 2024 г.; 10(1):79. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  160. Ву Дж., Ма И., Ван Дж., Сяо М. Применение ChatGPT в медицине: обзорный обзор и библиометрический анализ. J Multidiscip Healthc. Апрель 2024; Том 17:1681-1692. [ Перекрестная ссылка ]
  161. Марци Г., Бальцано М., Капуто А., Пеллегрини М.М. Рекомендации по проведению библиометрических систематических обзоров литературы: 10 шагов к объединению анализа, синтеза и развития теории. Int J Manag Rev. Октябрь 07, 2024; 27(1):81-103. [ Перекрестная ссылка ]
  162. Джохри С., Чонг Дж., Тран Б.А., Шлезингер Д.И., Вонгвибулсин С., Барнс Л.А. и др. Система оценки клинического использования больших языковых моделей в задачах взаимодействия с пациентами. Nat Med. Янв 02, 2025; 31(1):77-86. [ CrossRef ] [ Медлайн ]
  163. Диого Р.К., Генго и Сильва Бутчер Р.К., Перес Х.Х. Оценка точности сестринских диагнозов, определяемых пользователями системы поддержки принятия клинических решений. J Nurs Scholarsh. Июль 15, 2021; 53(4):519-526. [ CrossRef ] [ Медлайн ]
  164. Бёнке Й., Варгезе Дж., Исследовательская группа ELISE, Карч А., Рюбсамен Н. Систематический обзор выявляет недостатки в отчетности о точности диагностических тестов среди систем поддержки принятия клинических решений. J Clin Epidemiol. Ноябрь 2022;151:171-184. [ CrossRef ] [ Медлайн ]
  165. Хуан Л., Юй В., Ма В., Чжун В., Фэн З., Ван Х. и др. Исследование галлюцинаций в больших языковых моделях: принципы, таксономия, проблемы и открытые вопросы. ACM Trans Inf Syst. 24 января, 2025; 43(2):1-55. [ Перекрестная ссылка ]
  166. Омар М., Сорин В., Агбарея Р., Апакама Д.У., Соруш А., Сахуджа А. и др. Оценка и устранение демографических различий в медицинских больших языковых моделях: систематический обзор. Int J Equity Health. 26 марта, 2025; 24(1):57. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  167. Шенг Э., Чанг К.В., Натараджан., Пэн Н. Женщина работала няней: на предубеждениях в порождении языка. arXiv. Препринт опубликован в сети 3 сентября 2019 года. [ БЕСПЛАТНО Полный текст ] [ CrossRef ]
  168. van Kolfschooten H, van Oirschot J. Закон ЕС об искусственном интеллекте (2024 г.): последствия для здравоохранения. Политика в области здравоохранения. Ноя 2024;149:105152. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]
  169. Тан Д., Си С., Ли И, Ху М. Подходы к регулированию медицинских устройств с искусственным интеллектом: сравнительное исследование США, Европейского Союза и Китая. Политика в области здравоохранения. Мар 2025;153:105260. [ CrossRef ] [ Медлайн ]
  170. Чоудхури А., Чаудхри З. Большие языковые модели и доверие пользователей: следствие цикла самореферентного обучения и снижения квалификации медицинских работников. J Med Internet Res. 25 апреля, 2024; 26:e56764. [ БЕСПЛАТНО Полный текст ] [ CrossRef ] [ Medline ]

Ташкент 2025

Файлы

Теги:

Предыдущая статья

Абдуризаев А. А. Распространенность и акушерско-гинекологические аспекты недержа...

Следующая статья

Fan doktori (DSc) ilmiy darajasini olish uchun tayyorlangan dissertatsiya bo‘yic...

Какова ваша реакция?

like

dislike

love

funny

angry

sad

wow

admin
admin

Похожие сообщения

Посвящается празднованию 1045-летнего юбилея со дня рождения Абу Али ибн Сино и 1000-летия создания "Канона врачебной науки".

Посвящается празднованию 1045-летнего юбилея со дня рож...

admin Август 16, 2025  0  21