Ответы на вопросы об ИИ в медицине: тест трех нейросетей

Обе реакции могут стоить дорого. Иногда — в прямом смысле.

Ответы на вопросы об искусственном интеллекте в медицине выглядят убедительно по одной простой причине: модель не мямлит, не перебивает, не просит «понаблюдать динамику» и не уходит на следующий приём. Она уверенно выстраивает дифференциальный ряд, называет редкие синдромы и добавляет список анализов. Проблема в том, что клиническая уверенность и текстовая уверенность — две совершенно разные вещи. Первая требует осмотра, контекста и ответственности. Вторая умеет ставить запятые.

Недавние тесты это разложили без рекламного глянца. ИИ неплохо сдаёт экзамены и отвечает на аккуратно составленные кейсы. Но когда в переписку приходит реальный человек с «три дня колет слева, ещё слабость, но температура вроде нормальная», вся магия начинает кашлять.

Теоретический успех против клинической реальности

На медицинских бенчмарках нейросети любят выглядеть почти как отличники. ChatGPT ещё в 2023 году преодолел примерный проходной порог американского экзамена USMLE — около 60% правильных ответов. В тестах HealthBench модели OpenAI GPT-4.1 и o3, по данным самой компании, превзошли врачей по ряду критериев качества ответа. Отдельное исследование 2025 года оценило точность психиатрической диагностики ChatGPT по историям болезни в 61%.

Звучит так, будто терапевту пора освобождать стол. Не спешите нести ему коробку.

Экзамен, история болезни и тестовый промпт — это стерильная среда. Там уже отобраны значимые симптомы, нормально изложена последовательность событий, нет пятнадцати голосовых сообщений от родственников и фразы «анализы где-то были, но я не помню какие». Реальная консультация устроена грязнее. Пациент путает дозировки, не называет безрецептурные препараты, называет головокружением всё от тревоги до предобморока. А иногда просто не знает, что считать симптомом.

В исследовании Оксфордского интернет-института с участием 1298 жителей Великобритании люди использовали GPT-4o, Llama 3 и Command R+ для разбора симптомов. При прямом тестировании сами модели демонстрировали почти праздничные цифры: они часто называли хотя бы одно релевантное заболевание. Но когда между моделью и задачей появился живой пользователь, результат резко просел.

Участники с помощью ИИ назвали релевантное заболевание только в 34,5% случаев. В группе, которая пользовалась обычным поиском, показатель оказался выше — 47%. Правильный план действий с ИИ выбрали менее чем в 44,2% случаев.

Вот и вся разница между «нейросеть знает» и «человек сумел применить её ответ». В медицине эта щель шириной не в интерфейс, а иногда в пропущенный инфаркт, менингит или осложнение лекарственной терапии.

Нейросеть может знать название болезни. Но она не умеет гарантировать, что пользователь описал свою проблему так, чтобы это знание вообще сработало.

Три модели на тесте: кто лучше отвечает на медицинские вопросы

Если смотреть на прямую оценку симптомов без человеческой путаницы, результаты GPT-4o, Llama 3 и Command R+ выглядят прилично. Но прилично — не значит безопасно для домашней диагностики.

Llama 3 здесь выглядит королём угадайки: 99,2% случаев с хотя бы одним релевантным заболеванием. Но эта цифра опасна именно своей красотой. «Хотя бы одно релевантное заболевание» — не равно «правильно поставленный диагноз». Если у пациента кашель, модель может перечислить ОРВИ, бронхит, пневмонию, аллергию, рефлюкс и ещё несколько вариантов. Один окажется релевантным. Медицинской пользы от такой россыпи — ровно столько, сколько от поиска симптомов в интернете: тревожный человек найдёт у себя всё, включая то, чего у него быть не может по анатомии.

По части правильного действия лучше выступила GPT-4o — 64,7%. То есть примерно в трети тестовых ситуаций рекомендация была неверной, недостаточной или не той срочности. Для рецепта ризотто это допустимый процент брака. Для решения «ехать ли сейчас в стационар» — уже не очень.

Command R+ оказался посередине по распознаванию и по маршрутизации. Не провал, но и не повод выбирать его как «самый безопасный ИИ для здоровья». Вопрос «какой ИИ лучше отвечает на медицинские вопросы» сам по себе поставлен криво. Общая языковая модель не становится клиническим инструментом только потому, что чуть чаще конкурентки угадала диагноз в наборе кейсов.

Почему высокий процент распознавания не спасает пациента

У диагноста есть не только список болезней в голове. Он оценивает вероятность, опасность промедления, качество исходных данных и противоречия в рассказе. Скажем, боль в груди на фоне нагрузки у человека с факторами риска требует одного маршрута, а похожее ощущение после ужина и бессонной ночи — другого. Но даже во втором случае врач не получает права отмахнуться, пока не исключит опасное.

Чат-бот в такой ситуации часто делает то, чему его обучили: формулирует осторожный, приятный, поддерживающий ответ. «Это может быть связано с тревогой, мышечным напряжением или рефлюксом, но при усилении симптомов обратитесь за неотложной помощью». Формально не придраться. Практически пользователь слышит первую половину — ту, которая дешевле и спокойнее.

ИИ не видит серый оттенок кожи, одышку при обычной речи, спутанность сознания, ригидность затылка, отёк ноги. Он не чувствует, что пациент уклоняется от вопроса про алкоголь, стимуляторы или новые лекарства. Чат получает текст. Клиника получает человека. Это разные профессии.

Почти половина проблемных ответов: где чат-боты начинают вредить

В апреле 2026 года исследование в BMJ Open сравнило ответы пяти популярных чат-ботов: ChatGPT, Gemini, Grok, Meta AI и DeepSeek. Проблемными оказались 49,6% ответов на медицинские вопросы. Из них 30% отнесли к умеренно проблемным, ещё 19,6% — к крайне проблемным.

Половина. Не «единичные сбои», не «бывает, но редко». Каждая вторая реплика с изъяном разной тяжести.

Причём проблема не всегда выглядит как дикая галлюцинация в духе «лечите аппендицит имбирём». Самые вредные ошибки часто приличные с виду:

• модель недоговаривает о красных флагах и создаёт ложное чувство безопасности;
• выдает общую рекомендацию там, где решение зависит от возраста, беременности, сопутствующих болезней или препаратов;
• смешивает доказанные методы с гипотезами, потому что обе вещи встречались ей в текстах;
• называет анализы и обследования, но не объясняет, какой результат вообще поменяет тактику;
• уверенно пересказывает устаревшую или неверно понятую информацию;
• подхватывает ложную предпосылку пользователя вместо того, чтобы сначала её проверить.

В том же сравнении чат-боты увереннее справлялись с вопросами о вакцинации и раке, хуже — с темами стволовых клеток, питания и спортивных результатов. Последнее особенно показательно. Там, где индустрия годами плодит маркетинговую муть, противоречивые советы и «экспертные» рилсы, языковая модель становится стажёром, которому выдали доступ к мусорному контейнеру интернета и попросили говорить вежливо.

Grok сгенерировал больше всего крайне проблемных ответов среди протестированных систем. Но делать из этого простой вывод «не используйте Grok, используйте другого» было бы слишком удобно. В исследовании проблемы нашлись у всех. Переставить логотип в чате — не значит получить клинический контроль качества.

Вежливая формулировка не делает совет безопасным. Особенно если она заканчивается фразой «обсудите это с врачом» уже после того, как человек получил готовый план самолечения.

Красные флаги: когда диагностика с помощью ИИ превращается в лотерею

Использовать нейросеть как справочник — допустимо, если не путать справочник с приёмом. Она может перевести медицинскую выписку на человеческий язык, помочь составить вопросы врачу, объяснить общие термины или напомнить, какие данные собрать перед консультацией.

Но есть ситуации, в которых чат-бот надо закрыть без переговоров и идти за очной помощью либо в неотложную службу. Не потому что медицина любит драму, а потому что цена ошибки становится слишком высокой.

1. Есть признаки возможного неотложного состояния. Давящая или жгучая боль в груди, внезапная слабость в руке или ноге, асимметрия лица, нарушение речи, резкая одышка, потеря сознания, судороги, сильное кровотечение, быстро растущий отёк, внезапная «самая сильная в жизни» головная боль — это не материал для промпта. Здесь важна скорость, а не литературные способности алгоритма.

2. Симптом возник у ребёнка, пожилого человека, беременной или пациента с тяжёлой хронической болезнью. Один и тот же понос у здорового взрослого и у маленького ребёнка — не одна задача. У ИИ нет физического тормоза, который заставляет врача насторожиться при словах «ребёнку восемь месяцев» или «пациент получает химиотерапию».

3. Нужен совет по рецептурным препаратам. Замена дозы антикоагулянта, отмена антидепрессанта, сочетание антибиотиков, гормонов, противосудорожных препаратов — территория врача или хотя бы клинического фармацевта. Чат-бот не видит полный лекарственный список, не знает функцию почек и печени, не сверяет реальную торговую форму препарата.

4. Вы уже получили результат обследования и хотите “второе мнение” от нейросети. МРТ, гистология, ЭКГ, анализы — не набор заклинаний. Один показатель вне референса может быть шумом, особенностью метода или важной находкой только в связке с жалобами. Просить ИИ «расшифровать всё» — способ получить либо ненужную тревогу, либо фальшивое успокоение.

5. Клиника продаёт “ИИ-диагностику” без понятного названия технологии и роли врача. Это классический фокус. На витрине — искусственный интеллект, внутри — анкета с автоматической сортировкой ответов и менеджер, который уже держит в руках прайс на расширенный чекап.

Как проверить цифровую услугу, а не купить красивую вывеску

Если клиника или сервис предлагает консультацию с ИИ, не надо спрашивать: «У вас современная нейросеть?» На этот вопрос вам бодро ответят «конечно». Нужны вопросы менее удобные для отдела продаж:

• Как называется система и для какой медицинской задачи она зарегистрирована или валидирована: анализ снимков, сортировка обращений, поддержка врача, мониторинг?
• Кто принимает итоговое клиническое решение и несёт за него ответственность: врач конкретной специальности или безымянный «цифровой помощник»?
• Использует ли сервис данные пациента для обучения модели, где они хранятся и можно ли отказаться?
• Что именно делает ИИ: предлагает версии, размечает изображение, готовит черновик заключения или автоматически выдаёт назначение?
• Как устроен маршрут при тревожных симптомах: есть ли живой врач, сроки ответа, возможность срочного перенаправления?
• Что будет, если цифровое заключение оказалось неверным: как фиксируется инцидент, кто разбирает жалобу, как получить документы?

Нормальный сервис отвечает предметно и не прячется за туманом из слов «инновационный», «предиктивный» и «персонализированный». Если вместо ответа вам показывают экран с пульсирующей молекулой — перед вами, вероятно, не технология, а декорация к продаже.

А если клиника всё-таки оказала услугу с браком, цифровая вывеска не отменяет обычной потребительской реальности: пригодится понятный разбор, как вернуть деньги за некачественную медицинскую услугу, собрать документы и зафиксировать, что именно было обещано, сделано и упущено.

Где нейросеть полезна — и где у неё заканчивается лицензия, которой у неё нет

Самый разумный сценарий для ИИ в медицине — не «заменить доктора», а снять с человека часть рутинной нагрузки. Перевести выписку с канцелярского на русский, структурировать дневник симптомов, подготовить список вопросов перед визитом, напомнить, какие документы взять, объяснить, зачем врач назначил конкретное исследование.

Это не мелочь. Пациенты часто приходят на приём неподготовленными, а уходят с половиной неуслышанных рекомендаций. Здесь нейросеть может быть полезным секретарём: не умным врачом, не судьёй, не гуру из чата. Секретарём.

Хороший запрос к нейросети звучит так: «Помоги составить краткую хронологию симптомов для терапевта», «Какие вопросы задать эндокринологу по этому заключению?», «Объясни термины в выписке, не делая выводов о диагнозе». Плохой: «Мне 32, болит живот, поставь диагноз и скажи, что пить». Второй запрос система с готовностью обслужит. Это не делает его разумным.

Есть и более серьёзный сегмент — специализированные медицинские ИИ-системы. Алгоритмы для анализа КТ, маммографии, изображений глазного дна или ЭКГ работают в узких, заранее определённых задачах. Их можно валидировать на конкретном типе данных, сравнивать с разметкой специалистов, встраивать в рабочий процесс. Но и там ИИ обычно выступает вторым читателем, фильтром или подсказкой. Не волшебной кнопкой «диагноз готов».

Главное отличие от универсального чат-бота — границы. Специализированная система хотя бы знает, где заканчивается её компетенция. Универсальная языковая модель способна одинаково гладко рассуждать о мигрени, биопсии, дозировке инсулина и выращивании базилика. Гладкость — её талант. Граница ответственности — не её сильная сторона.

Почему врач всё ещё нужен, даже когда ИИ отвечает быстрее

У живого врача тоже бывают ошибки, спешка, шаблонные назначения и тяга к лишнему УЗИ. Белый халат не выдает индульгенцию, это понятно. Но врачебная работа — не конкурс на самый длинный дифференциальный список.

Врач может переспросить так, чтобы обнаружить критическую деталь. Осмотреть. Измерить. Сопоставить жалобы с внешним видом пациента. Оценить, почему анализ не сходится с картиной. Взять на себя решение и оставить запись в документах. Если он назначает ненужное или пропускает очевидное, его действия можно оспаривать. У чат-бота нет ни лицензии, ни страхования ответственности, ни обязанности перезвонить, если вы неправильно поняли совет.

Безопасность искусственного интеллекта в медицине зависит не от того, насколько эффектно он пишет. Она зависит от трёх скучных вещей: качества входных данных, ограничений конкретной системы и контроля со стороны специалиста. Уберите любую из них — и получите дорогую игрушку, которая говорит медицинским голосом.

Мой вердикт простой. GPT-4o, Llama 3 и Command R+ можно держать в кармане как умный блокнот: сформулировать вопрос, разобрать термин, подготовиться к приёму. Но поручать им диагностику и выбор лечения — это как выбирать хирурга по тому, кто убедительнее объяснил операцию в мессенджере. Технически возможно. Практически — плохая привычка с очень неприятной ценой ошибки.

Не ищите чат, который «не ошибается». Его нет. Ищите врача, который умеет объяснить решение, не навязывает лишнее и не прячет собственную ответственность за модным словом «ИИ».