Подход к применению retrieval-augmented generation для интеллектуальной поддержки деятельности медицинской организации

Медицинская организация является сложной организационной системой, в которой клинические, аналитические, управленческие и информационные процессы взаимосвязаны. Ежедневно формируются данные электронных медицинских карт, лабораторных исследований, врачебных заключений, клинических рекомендаций, внутренних регламентов, отчетности и аналитических витрин. Retrieval-Augmented Generation (RAG), представляет собой подход, при котором языковая модель соединяется с внешней базой знаний. В отличие от автономной языковой модели, RAG сначала извлекает релевантные данные или документы из заданного корпуса источников, а затем использует их при формировании ответа. Это позволяет снизить зависимость результата от внутренних знаний модели и повысить проверяемость сформированного ответа.

Классические BI-системы визуализируют показатели, но ограниченно отвечают на вопросы о причинах отклонений, связанных документах и контексте конкретного пациента или процесса. Автономные большие языковые модели упрощают взаимодействие с информацией, но в медицинской среде их применение ограничено рисками неподтвержденных ответов и отсутствием прозрачной связи с источниками. RAG был предложен как способ объединения параметрической памяти языковой модели и внешней непараметрической памяти, доступной через поисковый индекс [1]. В медицинском домене RAG рассматривается как способ повышения фактической согласованности и снижения риска неподтвержденных ответов. Обзор 2025 года включил 67 исследований RAG в медицинском и сестринском доменах [3], а MedRAG показал повышение точности шести больших языковых моделей до 18% по сравнению с методом пошагового рассуждения модели [5].

Публичные примеры применения и апробации RAG-подходов в здравоохранении уже представлены в зарубежной практике. Mayo Clinic Platform описывает RAG как инструмент, который может помогать медицинским специалистам получать более надежные ответы языковой модели за счет обращения к тщательно отобранным источникам данных [2]. NHS England Data Science рассматривает RAG как направление работы с языковыми моделями, при котором релевантная информация передается модели в контексте запроса, что позволяет повысить точность и применимость ответа [4]. Эти примеры показывают, что RAG-подходы уже переходят из области теоретического обсуждения в область практического применения и организационной апробации в здравоохранении.

Для России аналогичный подход может быть перспективен при поэтапном внедрении в крупных медицинских организациях и региональных системах здравоохранения. В качестве первых площадок целесообразно рассматривать Москву и Санкт-Петербург, поскольку в этих городах сосредоточены наиболее крупные многопрофильные медицинские учреждения, развита цифровая инфраструктура, накоплены значительные массивы медицинских данных и кадровая база для сопровождения проектов в области искусственного интеллекта, аналитики и информационных систем.

Материалы и методы

Цель исследования – разработать методологический подход к применению RAG в медицинской аналитике для формирования интеллектуального контура поддержки деятельности медицинской организации. Задачи исследования: определить ограничения существующих подходов; описать роль RAG как связующего слоя; предложить архитектуру RAG-контура; определить уровни применения; сформулировать эффекты, риски и метрики оценки.

Исследование выполнено как методологическое с элементами архитектурного моделирования. Использованы системный анализ, сравнительный анализ, сценарный анализ и формализация метрик оценки. Системный анализ применен для рассмотрения медицинской организации как совокупности ролей, потоков данных, документов, аналитических показателей и управленческих процессов. Сравнительный анализ использован для сопоставления BI-аналитики, автономных больших языковых моделей и RAG-систем. Архитектурное моделирование применено для описания структуры RAG-контура. Сценарный анализ использован для выделения эффектов на уровне врача, пациента, аналитика, руководителя и IT-подразделения. При проектировании учитывались требования к ролевому доступу, качеству источников, проверяемости ответов и контролю использования медицинских данных.

Результаты и обсуждение

Результатом исследования является методологический подход, в рамках которого RAG рассматривается не как чат-бот, а как интеллектуальный слой информационно-аналитической системы управления медицинской организацией. Подход основан на пяти принципах: контролируемый корпус источников; ролевой доступ; проверяемость ответа; экспертный контроль; измеримость эффекта. Концептуальная архитектура RAG-контура представлена в таблице 1.

Таблица 1

Концептуальная архитектура RAG-контура медицинской организации (составлено авторами)

Слой	Содержание	Функция
Источники	ЭМК, исследования, заключения, регламенты, BI, DWH	База фактов и документов
Подготовка	Очистка, нормализация, обезличивание, метаданные	Качество и управляемость данных
Поиск	Полнотекстовый, векторный, гибридный поиск	Извлечение релевантного контекста
Генерация	Ответы, справки, пояснения, выводы	Ускорение интерпретации
Контроль	Проверка источников, доступа, актуально сти	Снижение рисков
Обратная связь	Оценки пользователей, корректировка индекса	Непрерывное улучшение

Для оценки организационного эффекта от внедрения RAG предлагается использовать интегральный показатель эффективности, учитывающий сокращение времени поиска информации, корректность ссылок на источники, экспертную приемку ответов и снижение информационного шума. Такой показатель позволяет оценивать не только техническое качество работы системы, но и ее практическую полезность для медицинской организации:

I rag = ^w i '^К т ^{+ w} 2 '^K s ^{+ w} 3 '^К е ^{+ w} 4 '^K n , где I_rag - интегральный показатель эффективности внедрения RAG; К_т - показатель сокращения времени поиска информации; K_s - доля ответов с корректными источниками; К_е - доля ответов, принятых экспертом без существенной правки; K_n - показатель снижения информационного шума; W [ - весовые коэффициенты критериев, сумма которых равна 1.

Ролевые эффекты внедрения представлены в таблице 2.

Таблица 2

Уровни применения RAG (составлено авторами)

Уровень	Проблема	Возможность RAG	Эффект
Врач	Долгий поиск сведений	Поиск по пациенту и документам	Быстрее заключение
Пациент	Задержки маршрута	Ускорение работы врача	Сокращение ожидания
Аналитик	Шум в данных	Поиск сигналов и связей	Сложные датасеты
Руководитель	Показатели без контекста	Пояснение отклонений	Быстрее анализ
IT-контур	Разрозненная архитектура	Единый слой знаний	Цифровая зрелость

Полученные результаты показывают, что ценность RAG для медицинской аналитики состоит в создании управляемого доступа к проверяемым источникам. В отличие от автономной большой языковой модели, RAG ограничивает формирование ответа найденным контекстом и позволяет указывать использованные источники. Это соответствует развитию моделей генерации с поисковым дополнением от базовых схем к более сложным и модульным архитектурам.

В отличие от классических систем поддержки клинических решений, RAG не заменяет правилоориентированные или статистические подходы, а дополняет информационно-аналитический контур медицинской организации возможностью обращаться к данным и документам на естественном языке. Для врача это означает ускорение поиска информации по пациенту и связанным документам. Для аналитика – снижение информационного шума и более быстрый переход от показателя к его возможному объяснению. Для руководителя – получение контекстной информации о процессах, отклонениях и рисках.

Зарубежная практика показывает, что RAG рассматривается не только как исследовательский подход, но и как инструмент практического улучшения работы с медицинской информацией. Mayo Clinic Platform связывает RAG с повышением надежности ответов языковой модели за счет обращения к тщательно подобранным источникам [2]. NHS England Data Science описывает RAG как способ передачи модели ключевой информации в контексте запроса, что позволяет получать более релевантный и точный результат [4]. Для российских медицинских организаций эти примеры могут служить ориентиром при разработке собственных пилотных проектов.

Внедрение в Российской Федерации целесообразно начинать не с постановки и решения задач диагностики, а с менее рискованных сценариев: поиска сведений в медицинских документах, подготовки аналитических пояснений, навигации по регламентам, поиска причин отклонений в показателях и формирования управленческих справок. Такой подход снижает риски и позволяет постепенно оценить качество поиска, надежность источников, удобство для пользователей и организационный эффект.

Безопасное внедрение RAG требует формирования системы управления применением искусственного интеллекта в медицинской организации. Такая система должна включать разграничение прав доступа пользователей, контроль качества и актуальности источников, журналирование действий, постоянный мониторинг показателей работы системы и экспертную проверку сформированных ответов. RAG не устраняет полностью риски ошибок, но позволяет сделать работу языковой модели более проверяемой и управляемой.

Заключение

Таким образом, анализируя зарубежный опыт, можно сделать вывод о том, RAG рассматривается медицинскими организациями и учреждениями системы здравоохранения как практический инструмент повышения надежности работы с информацией. Данный метод может быть поэтапно внедрен в крупных медицинских учреждениях России, так, например, пилотные проекты могут быть внедрены в Москве и Санкт-Петербурге. Надо особо отметить, что RAG в медицинской аналитике целесообразно рассматривать как интеллектуальный слой системы управления медицинской организацией, а не как автономный чат-бот. Предложенная архитектура связывает источники данных, подготовку, поиск, генерацию и контроль качества; а также формирует и анализирует обратную связь.

На основании проведенного исследования можно сделать ряд выводов и рекомендаций по внедрению RAG в организацию работы учреждений здравоохранения: основные эффекты ожидаются на уровне врача, пациента, аналитика, руководителя и IT-контура (сокращение времени поиска, снижение информационного шума и повышение проверяемости выводов); для оценки эффективности может быть применен приведенный выше интегральный показатель, объединяющий время поиска, корректность источников, экспертную приемку и долю нерелевантных фрагментов; перспективы дальнейших работ связаны с разработкой прототипа RAG-контура, экспериментальной проверкой метрик, интеграцией с BI/DWH и апробацией на реальных сценариях медицинской аналитики.