Искусственный интеллект в медицинском образовании: чат-боты как инструмент отработки диалога «врач — пациент»

Хохлов П.А. Брител А. Исаева Н.А. Левицкая А.Д. Новокрещенов И.В. Осипова А.В.

Журнал: Саратовский научно-медицинский журнал @ssmj

Рубрика: Общественное здоровье, организация и социология здравоохранения

Статья в выпуске: 3 т.22, 2026 года.

Бесплатный доступ

Цель: проведение комплексного сравнительного анализа возможностей современных чатботов с искусственным интеллектом (ИИ) в контексте моделирования профессионального диалога между врачом и пациентом при первичном клиническом опросе. Материал и методы. Проведен сравнительный анализ трех ведущих языковых моделей — GigaChat, DeepSeek и ChatGPT — на примере симуляции пациента с холециститом. Оценка выполнена по критериям реалистичности симптоматики, логики диалога, естественности поведения и дидактической полезности. Результаты. Наиболее полную и жизнеподобную имитацию продемонстрировал чат-бот DeepSeek, в то время как GigaChat и ChatGPT оказались эффективны на базовом уровне, но требуют доработки сценариев для продвинутого обучения. Подчеркивается, что ИИ-технологии следует рассматривать не как замену традиционным методам обучения, а как вспомогательный инструмент, расширяющий возможности практической подготовки в безопасной и адаптивной образовательной среде. Заключение. Создание специализированных медицинских коммуникативных модулей на базе существующих платформ ИИ обеспечивает разработку и применение образовательных технологий в медицине, сочетающих преимущества ИИ с профессиональными требованиями к подготовке медицинских кадров.

искусственный интеллект \ чат-бот \ медицинское образование \ коммуникативная компетентность \ диалог «врач — пациент»

Короткий адрес: https://sciup.org/149152408

IDS: 149152408   |   УДК: 614.23:378.14   |   DOI: 10.15275/ssmj2203407

Artificial intelligence in medical education: Chatbots as a tool for practicing the doctor — patient dialogue

Objective: to conduct a comprehensive comparative analysis of the capabilities of modern chatbots with artificial intelligence (AI) in the context of simulating a professional dialogue between a doctor and a patient during an initial clinical interview. Material and methods. A comparative analysis of three leading language models — GigaChat, ChatGPT, and DeepSeek — was conducted using the example of simulating a patient with cholecystitis. The evaluation was based on the criteria of realistic symptoms, dialogue logic, natural behavior, and didactic usefulness. Results. The most complete and lifelike simulation was demonstrated by the DeepSeek chatbot, while GigaChat and ChatGPT were effective at a basic level but require further development of scenarios for advanced training. It is emphasized that AI technologies should not be viewed as a replacement for traditional teaching methods, but rather as an auxiliary tool that enhances practical training in a safe and adaptive educational environment. Conclusion. The creation of specialized medical communication modules based on existing artificial intelligence platforms ensures the development and application of educational technologies in medicine that combine the advantages of artificial intelligence with professional requirements for the training of medical personnel.

Текст научной статьи Искусственный интеллект в медицинском образовании: чат-боты как инструмент отработки диалога «врач — пациент»

EDN: TTZDCW                                                                           Original article

Введение. Профессиональная коммуникация в здравоохранении представляет собой системообразующий элемент медицинской практики, непосредственно влияющий на безопасность пациентов и качество оказываемой помощи. Данный процесс интегрирует три взаимосвязанных аспекта: информационный (передачу и интерпретацию клинических данных), управленческий (совместное принятие медицинских решений) и межличностный (построение доверительных отношений в системе «врач–паци-ент–родственники») [1].

Современная клиническая практика предъявляет повышенные требования к коммуникативной компетентности медицинских специалистов [2]. Эффективное взаимодействие между врачом и пациентом

представляет собой сложный динамический процесс, требующий не только профессиональных знаний, но и развитых навыков вербальной и невербальной коммуникаций.

В контексте медицинского образования формирование коммуникативных компетенций сталкивается с рядом системных ограничений. Методы обучения, основанные на работе с симулированными пациентами, обладают существенными недостатками, главным из которых является дефицит практических возможностей для отработки навыков [3]. Ограниченное количество учебных часов, выделяемых на коммуникативную подготовку, не позволяет в полной мере охватить все многообразие клинических ситуаций, с которыми сталкивается медицинский работник в реальной практике.

Психологический аспект обучения заслуживает особого внимания: первичный контакт с реальными

пациентами часто сопровождается повышенным уровнем тревожности у студентов-медиков, что негативно сказывается на качестве клинического взаимодействия. Современные технологии искусственного интеллекта (ИИ) предлагают инновационные решения указанных проблем [4]. Согласно положениям «Национальной стратегии развития искусственного интеллекта до 2030 года» данная технология отнесена к числу ключевых драйверов глобального экономического роста и катализатора инновационных процессов во всех сферах научной деятельности, включая образовательную систему.

Цель — проведение комплексного сравнительного анализа возможностей современных ИИ-чат-ботов в контексте моделирования профессионального диалога между врачом и пациентом при первичном клиническом опросе.

Материал и методы. В качестве объектов исследования выбраны три категории языковых моделей: GigaChat (компания «Сбер», архитектура: Mixture of Experts (MoE) и Multi-head Latent Attention (MLA), Multi-Token Prediction (MTP), Россия), ChatGPT (от компании OpenAI, на базе архитектуры Generative Pre-trained Transformer — GPT-4, США), а также DeepSeek (архитектура: MoE и MLA, Китай). Выбор указанных систем обусловлен их технологической продвинутостью, адаптивностью, доступностью и распространенностью.

Основной акцент исследования сосредоточен на оценке двух взаимосвязанных аспектов: способности искусственных интеллектуальных систем к воспроизведению клинически значимого диалога, соответствующего профессиональным медицинским стандартам, и потенциальной применимости данных технологий в системе медицинского образования. При этом анализ проводится по многоуровневой системе критериев, включающей как содержательные, так и формальные параметры взаимодействия.

В рамках данного исследования моделирование первичного опроса осуществляется в соответствии со структурированным вариантом.

На начальном этапе каждому из анализируемых ИИ чат-ботов был задан единый промпт — формализованный запрос к ИИ, выполняющий функцию интерфейса взаимодействия между пользователем и нейросетевой моделью для генерации релевантного и предсказуемого результата [5], содержащий всю необходимую для дальнейшей работы базовую информацию: «Представь, что ты — пациент, который обращается к врачу с жалобами и признаками, соответствующими холециститу. Я врач, к которому ты пришел, и мне необходимо поставить данный диагноз, который ты не должен озвучивать — только характерные признаки и жалобы. Разыграй со мной диалог. Напиши свою начальную реплику-приветствие. При этом наводящие вопросы буду задавать я, поэтому твоя первая реплика не должна содержать информацию о том, что беспокоит. Твоя задача — отвечать на мои вопросы».

Экспериментальная часть данного исследования построена на инновационной модели взаимодействия, где ИИ (в роли пациента) имитирует заданные клинические случаи различной степени сложности, а обучающиеся медицинских специальностей (в роли врачей) отрабатывают профессиональные коммуникативные навыки. Данный подход позволяет создать контролируемую образовательную среду для поэтапного формирования клинического мышления. Качество имитации оценивалось по трем параметрам. Первый — насколько естественно и реалистично ИИ отвечает (симптомы, хронология, поведение). Второй — логика диалога и умение адаптироваться к репликам «врача». Третий — полезность для студентов-медиков.

Результаты. Сравнительная характеристика моделей по выделенным критериям представлена в таблице. Далее приведены наиболее показательные различия между чат-ботами.

При заданных одинаковых условиях наиболее полной и естественной оказалась имитация, где ИИ-чат-бот DeepSeek детально описал симптомы: боль с иррадиацией, рвоту, субфебрилитет, изменения стула и мочи. Однако важнее другое: бот добавил поведенческие маркеры — сутулость и реакцию на кашель. В реальной практике врачи это ценят. ИИ-чат-бот ChatGPT корректно передал ключевые симптомы, включая семейный анамнез, но не добавил ни поведенческих нюансов, ни дополнительных диагностических маркеров. При этом бот адекватно, хотя и шаблонно, отреагировал на нестандартный вопрос о путешествиях, что демонстрирует его способность отклонять нерелевантные темы. Наименее информативный диалог продемонстрировал ИИ-чат-бот GigaChat, который ограничился базовыми жалобами (боль в подреберье, иррадиация), но упустил важные детали (температура, рвота, изменения мочи/стула), необходимые для грамотной постановки диагноза. Кроме того было выявлено, что модели GigaChat и ChatGPT тяготеют к представлению типичных, «учебных» сценариев, лишенных индивидуальных особенностей пациента, что делает диалог менее «живым»и чрезмерно упрощенным для обучающихся.

Несмотря на вариативность результатов, в ходе исследования был выявлен ряд общих недостатков, характерных для всех рассматриваемых моделей. Опишем их в самом общем виде в качестве возможной операциональной установки для проектирования учебных сценариев последующего уровня сложности. Так, к числу системных недостатков, воспроизводимых вне зависимости от выбранной платформы, относятся следующие.

Дефицит невербальной и паравербальной составляющей. Ответы ИИ ограничены вербальным каналом, что исключает отработку навыков интерпретации позы, мимики, темпа речи и пауз — значимых диагностических маркеров в реальном приеме.

Отсутствие встречной коммуникативной активности. ИИ-пациент не проявляет собственной вопросной инициативы (о прогнозе, альтернативных методах лечения, сроках восстановления), тогда как в клинической практике такие запросы являются нормой.

Избыточная информационная предсказуемость. Модели тяготеют к линейному и полному раскрытию симптоматики без сокрытия, преувеличения, забывания или противоречий, что снижает диагностическую сложность сценария.

Дословная привязка к промпту. Симптомы и детали, заложенные в исходное задание, воспроизводятся с минимальной вариативностью, без

Сравнительная характеристика анализируемых чат-ботов с искусственным интеллектом

Критерий Чат-бот оценка реалистичности и естественности ответов ИИ анализ структуры диалога и логики ответов оценка полезности для обучения студентов-медиков Проблемы использования Общая оценка GigaChat Качественное представление типичных симптомов, имитация постепенного нарастания симптоматики, отсутствие избыточной драматизации (логичная реакцию на лечение) Корректная последовательность изложения жалоб, адекватная реакция на вопросы врача Позволяет отработать базовый опрос, учит формулировать четкие вопросы, показывает, что не все пациенты дают развернутые ответы — иногда нужно «вытягивать» информацию Анамнез недостаточно детализирован (передана базовая клиническая картина, но без глубины и вариативности), отсутствуют поведенческие маркеры, пациент слишком «идеален» (нет попыток задать встречные вопросы) Требует доработки промпта для продвинутого уровня ChatGPT Передает достаточную для постановки диагноза информацию, но без избыточной детализации, пациент «удобный» — не задает встречных вопросов, не выражает тревоги Адекватно, но шаблонно реагирует на неожиданные вопросы, не нарушая логику диалога, но и не добавляя ему естественности Позволяет отработать базовый опрос, учит отсеивать нерелевантную информацию, демонстрирует важность семейного анамнеза Демонстрируется недостаточно сложный случай для дифференциальной диагностики, нет имитации «трудного» пациента, упущены важные диагностические маркеры Пригоден для обучения основам опроса, но требует доработки для отработки работы с более сложными пациентами DeepSeek Достоверно воспроизводит: правдоподобную симптоматику, естественную хронологию развития симптомов, поведенческие детали, контекст анамнеза Эффективно поддерживает логику диалога, не нарушая естественность и не «перегружая» ответы избыточной информацией Полезен в контексте развития клинического мышления, тренировки запоминаемости вопросов, имитации работы с «неидеальным» пациентом Отсутствие невербальных сигналов, предсказуемость ответов Эффективен как тренажер для первичного обучения, но требует дополнения реальными клиническими практиками для отработки работы с пациентами эффекта естественного «рассеивания» в ходе диалога, что делает ответы механистичными.

Отсутствие временнóй динамики. ИИ-симуляции не поддерживают развитие симптоматики во времени или ее регресс на фоне терапии, что ограничивает использование тренажеров для отработки навыков динамического наблюдения.

Перечисленные ограничения не носят фатального характера и частично преодолеваются посредством усложнения промптов и поэтапного ввода информации, однако их учет необходим при планировании дидактических сценариев.

Обсуждение. Полученные результаты подтверждают возможность использования современных моделей ИИ в системе медицинского симуляционного обучения. Это, на наш взгляд, ключевой момент. Тем не менее выявленные различия указывают на разную степень их готовности к решению специфических дидактических задач. Так, DeepSeek пригоден для отработки комплексного опроса с анализом деталей анамнеза, тогда как GigaChat и ChatGPT целесообразно применять на начальных этапах обучения для формирования базовых навыков сбора жалоб и работы с неожиданными вопросами соответственно. Отметим, что в нашем исследовании ни один из диалогов не имитировал «трудного» пациента (например, того, кто путается в показаниях, преувеличивает симптомы или, наоборот, скрывает их), проработка взаимодействия с которым на этапе обучения является крайне важным элементом. Излишняя лаконичность и готовность предоставлять ответы без уточняющих вопросов со стороны врача снижают диагностическую ценность диалога. Использование таких моделей на старших курсах может привести к формированию упрощенного представления о диагностическом процессе, где диагноз ставится на основе поверхностного скрининга, а не глубокой дифференциальной диагностики. Данный пробел связан со способностью прямолинейного восприятия ИИ-чат-ботами промпта и нивелируется с помощью наполнения изначального «задания» необходимыми деталями и алгоритмами с целью повышения жизнеподобия и сложности формируемого в процессе взаимодействия с ИИ-чат-ботом диалога [5].

Практическая реализация данного подхода предполагает модификацию промпта по нескольким направлениям. К числу эффективных приемов относится введение эмоциональной окраски, например указание на тревожность пациента, сопровождающуюся склонностью переспрашивать; усложнение анамнеза за счет включения сопутствующих заболеваний; имитация различных поведенческих типажей (эгоцентричный, зависимый, пациент с низкой медицинской грамотностью, истерический и т.д.). Дополнительную реалистичность обеспечивает внесение неожиданных деталей, в частности указание на предшествующий прием антибиотиков.

Как нам кажется, выбор конкретной модели ИИ должен зависеть от этапа обучения. На младших курсах, где целью является освоение структуры анамнеза, оправдано использование более предсказуемых моделей (GigaChat, ChatGPT). На старших курсах целесообразно применение моделей с более высоким уровнем вариативности и реализма

(DeepSeek), способных имитировать неидеальную коммуникацию.

Эффективность использования ИИ-симуляторов в медицинском образовании напрямую зависит от качества конструирования промптов. Последние должны включать демографические (возраст, пол), коммуникативные (уровень грамотности, эмоциональный статус) и поведенческие характеристики пациента. Отсутствие указанных параметров приводит к получению усредненных, клинически стерильных ответов, не обладающих достаточным симуляционным потенциалом. Например, при создании образа тревожного пациента в промпт необходимо закладывать такие поведенческие паттерны, как склонность к драматизации и привычка перебивать врача вопросами о возможных серьезных заболеваниях.

Принципиальное значение имеет поэтапное раскрытие анамнестической информации. Ключевые симптомы не должны предъявляться одновременно в начале диалога; их последовательное проявление в ответ на уточняющие вопросы стимулирует студента к логически выстроенному опросу. Кроме того, промпт целесообразно дополнять описанием невербального поведения (паузы, эмоциональные реакции, жестикуляция), что повышает реалистичность взаимодействия и способствует формированию у обучающихся навыков интерпретации невербальных сигналов.

Дидактическая ценность моделирования определяется спектром клинических компетенций, подлежащих отработке. Разрабатываемые сценарии могут быть ориентированы на фильтрацию избыточной информации, ведéние пациентов с низкой медицинской грамотностью, дифференциальную диагностику, выявление умышленно скрываемых фактов либо действия в неотложных состояниях. Каждый из перечисленных сценариев требует специфической проработки параметров промпта.

Полученные выводы согласуются с данными других исследователей. В работе [6] показано, что применение ИИ оптимизирует временные затраты на коммуникацию в диаде «врач — пациент». Исследования [7, 8] свидетельствуют о возможности использования ИИ для выявления дефицитов знаний и повышения когнитивной вовлеченности обучающихся. Однако применительно к задаче симуляции пациента ключевым фактором, определяющим успешность обучения, является не выбор конкретной платформы, а качество промптирования. При этом технологии ИИ не могут рассматриваться в качестве замены традиционным формам клинической подготовки.

Их роль следует определять как мощный вспомогательный инструмент, который, при грамотном использовании, способен существенно расширить и обогатить образовательный процесс [9]. ИИ-симуляторы особенно ценны для формирования базовых навыков сбора анамнеза, отработки алгоритмов клинического мышления и преодоления первоначального психологического барьера у студентов перед взаимодействием с реальными пациентами.

Отдельно скажем о выявленной в ходе исследования способности моделей к контекстно-зависимому взаимодействию и адаптации к уровню подготовки пользователя. Это открывает перспективы для создания персонализированных систем обучения, способных автоматически подстраивать сложность клинических случаев под индивидуальные потребности каждого студента. Однако реализация этого потенциала требует серьезной методической работы по стандартизации промптов, разработке критериев оценки и интеграции ИИ-тренажеров в существующие образовательные программы.

Подведем итог: современные ИИ-технологии открывают новые возможности в медицинском образовании, но их эффективное использование требует комплексного подхода, учитывающего как технические особенности систем, так и дидактические принципы формирования клинических компетенций. Дальнейшее развитие данного направления должно быть направлено на создание гибридных обучающих сред, где преимущества ИИ будут органично сочетаться с традиционными методами клинической подготовки

Если смотреть вперед, то перспективным выглядит создание специализированных медицинских модулей на базе существующих платформ ИИ, ключевыми параметрами которых являются необходимый объем медицинских знаний, особенности диалоговых алгоритмов и система обратной связи. Это создает основу для разработки следующего поколения образовательных технологий в медицине, сочетающих преимущества ИИ с профессиональными требованиями к подготовке медицинских кадров.