ИИ-протокол приема уже работает. Почему не везде и что это даст ДМС

На Форуме лидеров страхового рынка 29 октября говорили про ИИ в медицине, и разговор быстро пришел к привычному выводу: ИИ не заменит врача. Системы подсказок по диагнозу есть, но решение принимает врач, потому что ответственность на нем.

С этим я согласна. Но что если смотреть на ИИ не как на помощника в диагнозе, а как на помощника в рутине, в заполнении протокола приема?

Такие решения уже есть. В Москве голосовой помощник заполняет протоколы у всех участковых врачей, Яндекс выставил этот сервис на коммерческую продажу, а студенты ИТМО собрали рабочий прототип на открытых моделях. Тогда почему этого до сих пор нет в каждой клинике?

Несмотря на очевидную экономию, похоже, тормозят все это сами клиники. А нам, как страховщикам ДМС, эта история нужна даже больше, чем врачам. И у меня есть доказательства.

Сколько рутины на приеме

Кто был у врача, видел, сколько он смотрит в монитор. Он вносит жалобы и анамнез, выбирает назначения, отмечает анализы и обследования, ищет диагноз в справочнике, записывает дату следующего приема. По фотохронометражу участковых терапевтов работа с документацией заняла 47% времени на одного пациента, больше, чем работа с самим пациентом. Счетная палата оценивала немедицинские задачи врачей до 50% рабочего времени.

Порядок понятен: примерно половина приема уходит не на пациента.

Это три разные работы

Заполнить протокол кажется одним действием. На самом деле это три разные работы, и для каждой нужен свой инструмент.

1. Расшифровка. Разговор врача и пациента превращается в текст. Это распознавание речи.

2. Раскладка по полям. Из текста разговора надо вытащить жалобы, анамнез, назначения, анализы, предварительный диагноз, дату следующего приема. Раньше врач делал это у себя в голове. Здесь нужна языковая модель.

3. Перенос в учетную систему. Готовые поля надо перенести в медицинскую информационную систему клиники. Нейросеть тут почти не нужна: если поля уже разложены, это задача интеграции. Нужен либо интерфейс для обмена данными, либо робот, который заполняет экранные формы, как это сделал бы человек.

И в конце врач проверяет и подписывает.

В идеале закрыть все три шага. Если система только расшифровывает, врачу вместо пустого протокола достается пять листов стенограммы, которые надо прочитать и самому разложить по полям. Если система расшифровывает и раскладывает, но в учетную систему врач переносит руками, экономия съедается копированием.

Что уже сделано

Москва и Яндекс: история с многоточием

25 июня Департамент здравоохранения Москвы и Яндекс объявили о пилоте ИИ-ассистента в городских поликлиниках. Это государственные поликлиники, они работают и по ОМС, и по ДМС. Первыми голосовой модуль пробовали неврологи, затем пульмонологи, терапевты и педиатры. С 9 сентября, по данным мэрии, голосовой помощник есть у всех участковых врачей взрослых городских поликлиник, это больше трех тысяч специалистов.

Как это работает. Разговор распознает SpeechKit, а раскладывает по полям языковая модель YandexGPT: жалобы и анамнез берутся из речи пациента, диагноз и рекомендации из речи врача. Полей больше 50. В конце приема врач проверяет документ, при необходимости правит и подписывает. Данные, включая расшифровки, идут по защищенным каналам ЕМИАС. Обучали систему на обезличенных записях реальных приемов.

ЕМИАС — именно московская система, а не общероссийская. Федеральная система здравоохранения ЕГИСЗ состоит из региональных частей, и у каждого региона она своя. У Подмосковья тоже отдельная «ЕМИАС МО». Кажется, что масштабировать не так сложно, но пока этого не происходит.

Что известно про результаты. Летом врачи на тестировании присылали замечания и указывали на ошибки, сервис несколько месяцев дорабатывали. Качество протоколов эксперты оценили в 4,8 балла из пяти, на уровне протоколов, заполненных человеком. Время, когда врач сосредоточен на пациенте, по данным города, выросло больше чем вдвое. Яндекс приводит свои цифры: протокол собирается до 35 секунд, точность заполнения больше 90%, на документы врачи тратят до 40% меньше времени.

Все эти цифры от самих участников проекта. Публикаций мало, и независимой оценки эффекта пока нет. Неясно и то, раскатали ли сервис на все поликлиники, как анонсировали в июне: мэрия отчиталась про участковых и неврологов. Отзывов самих врачей о том, как помощник работает на обычном приеме, я в открытых источниках не нашла. Если вы врач и пользуетесь им, расскажите в комментариях.

Отдельно Яндекс предлагает то же решение, «Яндекс Мед», любым клиникам, в том числе частным, в облаке или на серверах клиники. Про третий шаг для таких клиник сказано только, что врач проверяет черновик и сохраняет протокол в медицинской информационной системе клиники. С какими системами есть интеграция и нужно ли врачу что-то переносить руками, не раскрыто. Как и стоимость.

Студенческий прототип: из чего это собирают

Чтобы было понятно, что внутри у таких систем, есть открытый пример: прототип магистрантов ИТМО и компании «Генотек», они описали его на Хабре. Расшифровка у них на открытой модели GigaAM от Сбера, разделение голосов на библиотеках Diart, Pyannote и NeMo, раскладку по полям делает языковая модель Mistral. Самые трудные места: открытых записей медицинских приемов нет, потому что это врачебная тайна; в реальном времени трудно понять, где говорит врач, а где пациент; модель должна заполнять поля без ошибок и без выдумок. До учетной системы прототип не дошел.

Если магистранты собрали рабочую цепочку на открытых моделях, то для сети клиник с собственными данными это вопрос целенаправленного приложения усилий. Но частный рынок молчит.

Тайны мадридского двора

Внутри своей системы Москва стартанула лихо, дальше тишина. Ни одного региона с таким же сервисом. Ни одной частной клиники с ДМС, публично рассказавшей о таком внедрении. Ни одной названной клиники, которая купила Яндекс Мед.

Может быть, просто рано: московский сервис раскатали на терапевтов два месяца назад. Но у меня есть гипотезы, почему идет медленно.

1. Качество на пилоте и недоверие врачей. Ниже разберем подробнее.

2. Согласие на запись. Врача и пациента.

3. Кому выгодно. Клиника получает время, но теряет рычаг «пишу для страховой». Об этом в разделе про подвох.

Расшифровка — задачка со звездочкой

Поставить распознаватель речи кажется простым делом. Это не так.

Первое — термины. Обычный распознаватель обучен на бытовой речи и спотыкается на препаратах и диагнозах. Его надо доучивать медицинскому языку: словари терминов, справочник диагнозов, реальные эпикризы и консультационные листы. Студенты ИТМО, например, сами синтезировали аудио с правильным произношением названий лекарств, потому что взять такие записи было неоткуда.

Второе — голоса. Система должна понимать, что сказал пациент, а что врач: жалобы берутся из одной речи, назначения из другой.

Третье — специальность. У невролога и у гинеколога совсем разная лексика, поэтому проверять надо на записях реальных приемов в конкретной клинике и конкретной специальности. Демо тут ничего не покажет.

Как это выглядит на практике, я проверила на себе. Свои лекции я расшифровываю локально, на обычном ноутбуке, и долго делала это моделью Whisper от OpenAI в средней версии. Для статьи прогнала тот же 10-минутный кусок лекции через GigaAM-v3, ту самую модель Сбера из прототипа ИТМО, в облегченной версии на 312 МБ.

Модель, обученная на русском, оказалась и точнее на терминах, и в разы быстрее, причем на обычном процессоре, без видеокарты. Но склеенную фразу «андеррайтинг и тарификация» перекрутили обе. А это лекция про страхование. В медицинском кабинете терминов больше, и они сложнее.

Москва эту задачу решила на своих данных и на одной учетной системе. Частной клинике надо сначала собрать записи тысяч приемов, а потом настроить интеграцию со своей системой: где-то стоит «Медиалог», где-то «Инфоклиника», где-то «1С:Медицина» или вообще что-то самописное.

Что говорят частные клиники

На форуме я обозначила эту идею и спросила Аллу Канунникову, вице-президента группы компаний «Медси», работают ли они над этой темой. Ответ: да, работают, но нужно, чтобы врачи согласились на запись разговора, и есть вопрос интеграции.

С первым я полностью согласна. Для многих врачей запись приема звучит как контроль, а не как помощь, и без их согласия любое внедрение будет нарываться на саботаж.

А вот интеграция, мне кажется, уже не тот тормоз, каким была несколько лет назад. Раньше соединить две системы было отдельным проектом: техзадание, программисты, месяцы согласований. Сейчас есть платформы роботизации: программный робот берет готовую таблицу полей и заполняет экранные формы учетной системы так, как это сделал бы человек. Программировать почти не нужно. Есть, например, опубликованный кейс: у региональной системы «ПроМед» не было открытого интерфейса для обмена данными, и клиника поставила робота на платформе Lexema-RPA, который переносит туда данные, повторяя действия пользователя.

Оговорюсь, чтобы не звучало как «это изи». Для пилота в одном кабинете робот закрывает вопрос быстро. Для сети из сотен врачей появятся свои задачи: робот ломается при каждом обновлении интерфейса, ему нужен доступ к рабочему месту врача, и это надо согласовать с информационной безопасностью. Если у системы есть интерфейс для обмена данными, лучше идти через него. Но ждать большой интеграции, чтобы начать пилот, точно не нужно.

Почему это надо делать тщательно

Врачи самые консервативные люди, которых я знаю, а я проработала в медицинском страховании 20 лет. Сейчас во всех профессиях люди чувствуют, что их опыт и труд обесценивают, и к любому новому инструменту относятся скептически. А врачи на своей поляне трепетнее во сто крат. Отсюда любая ошибка распознавания = «я же говорил». Это нормальная человеческая реакция, и нужно ее просто учесть: отдавать врачам инструмент, когда качество уже высокое, а не дорабатывать на них.

Если расшифровка выйдет плохой, раскладка тоже будет плохой, и вывод врачей будет простым: «Понятно, оно косячит, я потом за ним переписываю и еще все вычитываю. Работы только прибавилось». Одна неудачная история в клинике быстро становится мнением всего коллектива.

Поэтому я бы шла так:

• одна клиника, две-три специальности

• сначала доучить распознавание на медицинской лексике

• сразу все три шага, включая перенос в систему

• замеры до и после

• разбор каждой правки врача

Что мерить: время на документацию на один прием, долю полей, которые врач исправил, ошибки в терминах и кодах. Это звучит как кэп, но поверьте человеку, который внедрял решения автоматизации: даже такие базовые шаги надо на старте десять раз проговорить и зафиксировать.

Что получит клиника: считаем на пальцах

Освободившееся время клиника может потратить по-разному: принять больше пациентов, сделать прием дешевле или дать врачу выдохнуть. Посчитаю на уровне порядков, на примере терапевта. Сразу уточню: все цифры, которые есть в открытом доступе, — про государственные поликлиники и ОМС: норматив приема 15 минут, доля документации 47%, средняя зарплата врача 147 тыс. ₽ (данные ФФОМС за 2025 год). Про ДМС конкретика закрыта, но можно предположить, что экономический эффект там выше, так как прием в частных клиниках обычно дольше. Считаю в двух сценариях: базовый берет заявку Яндекса, осторожный — вдвое меньше.

Долю документации в частных клиниках никто публично не мерил. Если допустить те же 47% и зарплату около 150 тыс. ₽, то при получасовом приеме экономия выходит 4,2–5,6 минуты на прием и порядка 290–390 тыс. ₽ ФОТ в год на врача.

Для сравнения: клиники сейчас бьются, чтобы удержать рост издержек в пределах инфляции, около 8–12% в год. А здесь речь о 14–19% времени приема.

Сколько стоит

Считаю вариант «собрать свое на открытых моделях»: одна клиника, две-три специальности, пилот три месяца. Оценка на уровне порядков. Ставки — по зарплатам с налогами. Нужен опытный ML-инженер, а не джун: это 350–400 тыс. ₽ в месяц, с взносами около 3 000 ₽ в час. Час врача по зарплате ОМС — около 1 200 ₽.

Это своими силами. Через подрядчика выйдет в полтора-два раза дороже, то есть 3–6 млн ₽.

Теперь железо. Распознавание речи видеокарты не требует: как я показала выше, GigaAM на обычном процессоре расшифровывает в 20–25 раз быстрее реального времени. Видеокарта нужна языковой модели, которая раскладывает текст по полям, и для одной клиники хватит одной.

Медицинские данные — особая категория персональных данных, поэтому облако общего назначения не подходит: либо сервер в аттестованном сегменте дата-центра, либо свой.

После пилота нужна поддержка: обновлять словари, следить за качеством, чинить перенос при обновлениях учетной системы. Это примерно полставки ML-инженера, около 2,2 млн ₽ до конца первого года.

Значит, свое решение окупается в первый год, если с ним работает хотя бы 12–55 врачей: при самом удачном раскладе порог около 12, при самом осторожном около 55. Чем врачей больше, тем быстрее окупается. Для сети это реально. Клинике на десять врачей свое решение не окупится, ей логичнее купить сервис. И это тоже нормальная развилка.

Главные выгодоприобретатели (вишенка на торте)

Кто лечится по ДМС, наверняка слышал на приеме: «Вот это я вам пишу, а на это не обращайте внимания, это для страховой». Коммерческая клиника заинтересована назначить больше услуг, а страховщику надо обосновать, на каком диагнозе или симптоме основано каждое назначение. Отсюда записи «для страховой», которые расходятся с тем, что было на приеме.

Чтобы было понятно, где тут место для ИИ, коротко о том, как это устроено сейчас, на примере поликлиники.

Застрахованный прикреплен к клинике списком и идет туда напрямую. Прием врача, общие анализы, базовое УЗИ согласовывать не нужно, это прописано в договоре клиники со страховщиком. Дорогие и «тонкие» услуги, например КТ, МРТ, физиотерапию, расширенную биохимию, клиника согласует с медпультом страховщика, в ряде случаев устно, в остальных – по гарантийному письму.

Раз в месяц клиника присылает счет и реестр в Excel: полис, дата, услуга, диагноз, номер гарантийного письма. Дальше реестр проходит три проверки. Технико-экономическая: застрахован ли человек, входят ли клиника и услуга в его программу. Медицинская: правила подсвечивают подозрительное, например визит в две клиники в один день или услугу не по диагнозу, и это уходит в лист разногласий. И экспертиза объема и качества, когда врач-эксперт запрашивает медкарты и читает жалобы и анамнез.

Слабое место — последний шаг. Отказать в оплате страховщик может только с юридическим обоснованием, а для этого нужны жалобы и анамнез. В реестре их нет. Врачей-экспертов мало, а некоторые клиники еще и ограничивают договором число карт, которые можно запросить, например 50 в месяц: их надо найти в архиве, подготовить, принять эксперта. Поэтому проверка выборочная.

Когда протокол собирается из разговора, он ближе к тому, что происходило в кабинете. Врач по-прежнему может его поправить, он за протокол отвечает. Но если сохранять, что предложила система и что подписал врач, расхождения можно отследить.

Дальше появляются выгоды одна за другой:

• ▫️ Проверка становится сплошной. Если жалобы и анамнез приходят в полях, назначение можно сверить с ними правилами по всем случаям, а не по выборке. Карты соответствия «жалобы и диагноз → допустимые услуги» страховщик может заранее согласовать с клиникой, и разногласий станет меньше у обеих сторон.

• Медэксперты освобождаются для сложных случаев, где действительно нужен врач.

• Прозрачность растет, злоупотреблений меньше. Назначения без основания видны сразу, ждать выборочной проверки через полгода уже не нужно.

Сколько это в деньгах. По исследованию Mains Lab около 5% счетов ДМС содержат услуги, которые не оказывались или не были нужны. Самая частая схема, 35% случаев, — расширение диагноза, то самое «пишу для страховой». Эксперты Росгосстраха оценивали необоснованное в 2–5% суммы счетов.

Сейчас экспертиза объема и качества ловит часть этого по выборке. Сколько добавит сплошная проверка, в рублях сказать не берусь: публичных данных о том, какую долю снятий дает именно эта экспертиза, я не нашла. Но потолок понятен: это те самые около 5% счетов. Рост не будет пропорциональным: сейчас эксперты смотрят уже отобранные подозрительные случаи, а сплошная проверка добавит в основном хорошие. Но главный эффект даже не в самих снятиях. Когда клиника знает, что протокол собирается из разговора, «пишу для страховой» исчезает до счета, а не снимается после.

Где подвох

Клинике это невыгодно. Прозрачность забирает у коммерческой клиники тот самый рычаг «пишу для страховой». Добровольно она на это не пойдет, значит, страховщику надо что-то предложить взамен: быстрее согласовывать услуги, быстрее платить, снять часть выборочных проверок для клиник, которые передают структурированные протоколы.

Данные. Передавать сведения о приеме страховщику можно только с согласия пациента и при условии в договоре клиники со страховой, важно проверить формулировку согласия, которое собирается с застрахованных, чтобы там это было. Передавать стоит структурированный протокол, страховщику нужен именно он. Запись разговора лучше оставить в клинике на случай спора.

Ответственность. Позиция властей понятная: ИИ помогает, а за ошибку отвечает врач. Поэтому врач будет вычитывать протокол, и экономия зависит от того, насколько ему можно доверять. Плохой черновик экономии не даст, только добавит ответственности. Поэтому сначала пилот, потом раскатка.

Качество. Все держится на первом шаге. Если расшифровка плохая, ни экспертиза, ни экономия времени не получатся.

На подумать

Для страхования ДМС это, по-моему, один из самых недооцененных сюжетов: инструмент, который строят ради времени врача, попутно делает прозрачным то, за что платит страховщик. Поэтому вполне ожидаемо, если инвестором и промоутером этого решения в коммерческой медицине станет кто-то из страховщиков.

Хотя для рынка частной медицины, в экономии на котором, кажется, в первую очередь заинтересованы сами клиники, может случиться и наоборот: первой решится сеть, которая посчитает свою экономию раньше страховщиков. Посмотрим, кто сделает первый ход ;-)