Автоматизация разработки программного обеспечения для психиатрии, психотерапии и медицинской психологии: методология создания технического задания и генерация кода с использованием искусственного интеллекта (vibe-coding)
Автор: Радионов Д.С., Яковлев А.В., Караваева Т.А., Васильева А.В.
Журнал: Сибирский вестник психиатрии и наркологии @svpin
Рубрика: Информационные технологии в психиатрии
Статья в выпуске: 4 (129), 2025 года.
Бесплатный доступ
Контекст и актуальность. Разработка персонализированного программного обеспечения (ПО) для психиатрии, психотерапии и медицинской психологии осложняется междисциплинарным барьером между клиницистами и разработчиками. Широкое распространение больших языковых моделей (LLM) и интуитивных сред разработки открывает возможности для автоматизации создания специализированных решений, сокращающих время разработки с недель до дней. Теоретическая основа. Методология базируется на спиральной модели жизненного цикла ПО (ISO/IEC 12207:2008), обеспечивающей итеративную адаптацию к динамичным требованиям медицинских задач. Интеграция LLM в процесс генерации кода формализуется через универсальные технические задания (ТЗ). Цель: разработка методологии создания детерминированного ТЗ для генеративных ИИ-моделей, обеспечивающей автоматизированную генерацию кода под узкоспециализированные задачи (оценка коморбидной патологии, рисков аддикций, утомления как предиктора невротизации). Материалы и методы. Свободноформатное ТЗ на русском языке с итеративной корректировкой экспертами. Генерация кода LLM Qwen2.5-Max (поддержка медицинской терминологии, 131 тысяча токенов контекста). Реализация прототипов на Python 3.13 с библиотекой Tkinter для GUI. Валидация модульной архитектуры для обработки гетерогенных данных (опросники, аудиовизуальные маркеры). Результаты. Создан функциональный прототип для прогнозирования медицинских рисков с многооконным интерфейсом и цветовой индикацией результатов. 98% сгенерированного кода соответствовало ТЗ после двух итераций уточнений. Реализована динамическая адаптация модулей (A/B/C) под задачи скрининга депрессии, тревоги и утомления. Выводы. Комбинация формализованных ТЗ и LLM ускоряет разработку медицинского ПО, но требует междисциплинарного взаимодействия на этапе верификации требований, строгого этического аудита (в соответствии с ГОСТ Р 71657-2024 и ФЗ-152), интеграции с IoT-устройствами (нейровизоры, биосенсоры) для мультимодального анализа данных. Рекомендовано использовать методологию для массовой разработки персонализированных инструментов в условиях дефицита специалистов. Ключевые ограничения: зависимость от качества ТЗ, неспособность ИИ предлагать инновационные архитектурные решения, необходимость ручной доработки под устаревшие технологические стеки.
Автоматизация разработки ПО, искусственный интеллект, vibe-coding, техническое задание, генерация кода, большие языковые модели, депрессивные расстройства, тревожные расстройства, утомление, психиатрия, психотерапия, медицинская психология, диагностика и скрининг
Короткий адрес: https://sciup.org/142246933
IDR: 142246933 | УДК: 616.89:615.851:159.99:004.415:004.81 | DOI: 10.26617/1810-3111-2025-4(129)-57-70
Automation of software development for psychiatry, psychotherapy and medical psychology: methodology for creating technical specifications and code generation using artificial intelligence (vibe-coding)
Context and Background. The development of personalized software for psychiatry, psychotherapy, and medical psychology is complicated by the interdisciplinary barrier between clinicians and developers. The widespread use of large language models (LLM) and intuitive development environments opens up opportunities to automate the creation of specialized solutions, reducing development time from weeks to days. Theoretical Basis. The methodology is based on the spiral software life cycle model (ISO/IEC 12207:2008), which ensures iterative adaptation to the dynamic re-quirements of medical tasks. The integration of LLM into the code generation process is formalized through universal technical specifications (TS). Objective: to develop a methodology for creating deterministic TS for generative AI mod-els, ensuring automated code generation for highly specialized tasks (assessment of comorbid pathology, addiction risks, fatigue as a predictor of neuroticism). Materials and Methods. Free-format technical specifications in Russian with iterative adjustments by experts. Code generation using LLM Qwen2.5-Max (medical terminology support, 131 thou-sand context tokens). Implementation of prototypes in Python 3.13 with the Tkinter library for GUI. Validation of a modular architecture for processing heterogeneous data (questionnaires, audiovisual markers). Results. A functional prototype for predicting medical risks with a multi-window interface and color indication of results was created. 98% of the generated code complied with the technical specifications after two iterations of refinement. Dynamic adaptation of modules (A/B/C) for the tasks of screening for depression, anxiety, and fatigue was implemented. Conclusions. The combination of formalized technical specifications and LLM accelerates the development of medical software, but re-quires interdisciplinary interaction at the requirements verification stage, strict ethical audit (in accordance with GOST R 71657-2024 and Federal Law No. 152), integration with IoT devices (neurovisors, biosensors) for multimodal data anal-ysis. It is recommended to use the methodology for the mass development of personalized tools in the context of a spe-cialist shortage. Key Limitations: dependence on the quality of technical specifications, the inability of AI to offer inno-vative architectural solutions, the need for manual adaptation for legacy technology stacks.
