Система внутреннего контроля качества медицинской помощи с использованием искусственного интеллекта
Автор: Бельченков А. А., Калиновский В.В., Белышев Д.В., Клочков А.С.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Медицинская информатика
Статья в выпуске: 6 (69) т.16, 2025 года.
Бесплатный доступ
В статье представлен опыт разработки и внедрения системы автоматизированного контроля качества медицинской помощи «Супервизия Истории болезни» в условиях реабилитационной клиники. Решение сочетает классические алгоритмы обработки структурированных данных медицинской информационной системы (МИС) с анализом неструктурированного текста электронных медицинских документов при помощи больших языковых моделей (LLM). Цель. Разработка и апробация методики автоматизированного контроля качества медицинской помощи, обеспечивающей полный охват историй болезни пациентов при минимальном участии экспертов на этапе сбора и первичного анализа данных. Материалы и методы. Работа выполнена на базе МИС Интерин PROMIS Alpha PG в Клинике ранней реабилитации ,,Три сестры„. Методика включает два типа критериев оценки: алгоритмические (вычисляются средствами СУБД на основе структурированных данных) и интеллектуальные (оцениваются с применением LLM на основе текстового содержания медицинских документов). Результаты. Разработан и внедрен программный модуль «Супервизия истории болезни», позволяющий автоматически формировать комплексную оценку качества ведения истории болезни на основе конфигурируемого набора критериев. Модуль реализует гибридный подход к анализу данных и интегрирован в рабочие процессы клиники. Выводы. Комбинирование алгоритмических методов и технологий искусственного интеллекта позволяет эффективно решать задачу масштабируемого и глубокого контроля качества медицинской документации. Система не заменяет эксперта, но высвобождает его время для анализа сложных случаев, работая как инструмент поддержки принятия решений. Перспективы развития — переход к непрерывному контролю и использование специализированных медицинских LLM.
Искусственный интеллект в медицине, большие языковые модели, LLM, контроль качества медицинской документации, медицинские информационные системы, автоматизация здравоохранения
Короткий адрес: https://sciup.org/143185296
IDR: 143185296 | УДК: 61:007.51:369.067.2 | DOI: 10.25209/2079-3316-2025-16-6-221-235
Internal quality control system for medical care using artificial intelligence
This article presents the experience of developing and implementing in a rehabilitation clinic an automated quality control system for medical care, "Case History Supervision,". The solution combines classic algorithms for processing structured data from a medical information system (MIS) with the analysis of unstructured text from electronic medical records using large language models (LLM). Objective: To develop and test a methodology for automated quality control of medical care that ensures complete coverage of patient case histories with minimal expert involvement during data collection and initial analysis. Materials and Methods: The study was conducted using the Interin PROMIS Alpha PG medical information system at the Three Sisters Early Rehabilitation Clinic. The methodology includes two types of evaluation criteria: algorithmic (calculated using DBMS tools based on structured data) and intelligent (evaluated using LLM based on the text content of medical documents). Results. A "Case History Supervision" software module has been developed and implemented, enabling the automatic generation of a comprehensive assessment of the quality of case history management based on a configurable set of criteria. The module implements a hybrid approach to data analysis and is integrated into the clinic's workflows. Conclusions. The combination of algorithmic methods and artificial intelligence technologies enables effective scalable and comprehensive quality control of medical documentation. The system does not replace experts, but frees up their time for analyzing complex cases, serving as a decision support tool. Future developments include the transition to continuous monitoring and the use of specialized medical LLMs.
