0: Раз, раз. Здравствуйте, уважаемые коллеги, мне очень приятно всех видеть на нашей секции. Поздравляю всех с большим нашим праздником. У нас в Питере очередное мероприятие итм Санкт-Петербург, поэтому мы коллегам, нашим организаторам очень благодарны за это мероприятие. Безумно.

1: Приятно, что она проходит в Питере, в родном, тоже для меня городе, где я учился, и всегда приятно сюда приехать и увидеть, что город на неве продолжает стоять и радовать нас своими своей красотой, и нам очень, очень здорово, что сегодня у нас с вами секция.

2: Называется умные цифровые инструменты для комплексной непрерывной экосистемы, поддержки полноценной жизни, управление медицинской помощью на основе данных, медицинская наука новых технологий для

3: Человека, то есть все, что связано с прорывными направлениями развития здравоохранения. Мы считаем, что это нужно знать и нашим врачам, и нашим пользователям. Все мы должны вместе создавать хорошие, интересные

4: Нужные востребованные системы. Сегодня у нас очень интересный набор докладов. У нас с вами, Семёнов Виктор Александрович здесь присутствует

5: Из Иркутска, лабуле. Фирма. Да. Дальше Радченко Владимир Александрович, менеджер по развитию бизнеса техлаб Санкт-Петербург.

6: Анатолий Михайлович есть главный врач.

7: Городской поликлиники номер 8 города Тюмень Алексеев Василий Анатольевич, генеральный директор всд Санкт-Петербург есть, нету и здесь названия тоже нету Стрельченко Дмитрий Сергеевич и Дмитрий.

8: Олег Константинович, есть такие коллеги у нас так это хорошо. И

9: Обливальный Николай Дмитриевич, руководитель отдела разработки центра технологий искусственного интеллекта Челябинск. Ну, либо коллеги подтянутся, либо мы займём это время другой информацией. Но давайте начнём

10: Наше секционное заболевание, ой, наше секционное заседание, мы все немножко болеем с вами искусственным интеллектом. Это совершенно правильно. И я свою презентацию то покажу быстренько как бы наше наше понимание

11: Сеченовского университета изложу в этой области.

12: Там есть презентация.

13: Ага, вот как преподаватель, стоя перед студентами, вот, значит,

14: Современные тенденции развития цифрового здравоохранения, как мы их понимаем на сегодняшний день в мировой практике 3 основных направления развития цифрового здравоохранения за 3 основные проблемы. Это устранение кадрового дефицита. Мы с вами понимаем. За счёт цифровых технологий мы должны медицинскую помощь принести туда, где её не

15: Где её сложно получить. То есть за счёт покрытия цифровыми сервисами, за счёт покрытия сетями мы должны каждому человеку донести квалифицированную медицинскую помощь, то есть на в 1 очередь цифровые технологии позволяют устранить кадровый дефицит, где нет врача, где нет специалиста, дать возможность

16: Консультацию и медицинскую помощь от того специалиста, который нужен. 2 это преодоление разрыва в знаниях. Разные специалисты по разному образованы, по разному обучены и система. Вот особенно система искусственного интеллекта, это все, это возможность знаний.

17: Выдающихся деятелей науки и медицины донести до каждого врача, который оказывает медицинскую помощь. И 3 это оптимизация финансовых расходов. То есть мы за счёт применения цифровых методов должны добиться улучшения финансовых показателей.

18: За счёт чего? За счёт уменьшения за счёт раннего выявления заболеваний, как минимум уменьшения затрат на оказание высокотехнологичной медицинской помощи, за счёт уменьшения количества переездов граждан между регионами и другие показатели, которые влияют на финансовое состояние.

19: Нашей системы.

20: Здесь, на этом слайде мы показали основные технологии, которые можно и которые на сегодняшний день развиваются в системах искусственного интеллекта. То есть, конечно, основное направление развития это искусственный интеллект, о том, о чем мы все больше и больше говорим, и все больше и больше людей вовлекаются в работу с

21: С интеллектом все больше и больше врачей применяют большие языковые модели. Уже трудно найти врача, у которого на мобильном телефоне нет какой-то большой языковой модели, с которой бы он не контактировал. Но помимо больших языковых моделей другие модели, которые мы создаём, они нам нужны, и мы их применяем.

22: Вот на этом слайде мы показали 2 основных развития направления развития искусственного интеллекта. Это компьютерное зрение и то, о чем сегодня рассказывали коллеги наши в предыдущих секциях и Московский эксперимент, который был связан с внедрением систем искусственного интеллект

23: Более 40 систем искусственного интеллекта применяется в Московском центре едины и диагностики города Москвы. И это в 1 очередь компьютерное зрение, a2 генеративный искусственный интеллект, большие языковые модели, системы поддержки, приятия ваенных решений. И вот основны методы, которые мы приём ственном интеллект в табике. Мы показали-ка

24: Они используются в больших языковых моделях и моделях компьютерного зрения, то есть вот как бы пытались связать

25: Основные направления развития искусственного интеллекта, основные технологии связать с основными направлениями развития технологий в цифровом здравоохранении и подводя итог такой общей картине нашего понимания, что происходит. Мы видим, что есть вот на этой

26: Схеме показали мы, как выглядит модель развития. На наш взгляд, модель развития современного здравоохранения с применением цифровых технологий. Это 2 направления основных, связанных и с первичной медицинской помощью, в 1 очередь и с более сложными видами.

27: Со специализированной высокотехнологичной медицинской помощью. Это телемедицина и искусственный интеллект, и телемедицина, и искусственный интеллект организационно могут замыкаться на референсные центры. Опыт Москвы показал, что сначала Москва создала, создала телемедицинский центр.

28: Диагностики, которые все видеоизображения со всей Москвы начали стекать в 1 центр, где концентрировали врачей рентгенологов, которые телемедицинские проводили расшифровку всех вот этих видеоизображений, давали заключение. То есть там было 3 часа, через 3 часа мы

29: В поликлинику возвращались заключение врачей. Вот это телемедицинский центр начал работать, потом начали туда подгружать. С девятнадцатог года начали подгружать уда искусственный интеллект, система искуственного интеллека, организовался большой эксперимент и внедрение системы ственного интеллекта в референсы центр, то есть концентрация специалистов дом мест.

30: Концентрация цифровых сервисов в 1 месте позволила получить достаточно серьёзный выигрыш, о котором и Антон Вячеславович периодически рассказывает владимирский. И коллеги из этого центра, они гордятся тем, что они сделали. Президент приезжал к ним, смотрел и вот

31: Мы тогда подумали, что, наверное, такие референсные центры надо создавать не только в области радиологии, а и по другим медицинским специальностям, и в этом референсном центре как раз можно организовать, осуществлять управление персональными медицинскими помощниками и систему.

32: Поддержки принятия врачебных решений. То есть, если мы вот берём пульмонологию, например, концентрируем ведущих пульмонологов в 1 учреждении, даём возможность пульмонологам работать дистанционно наблюдать пациентов и расшифровывать эти вот показания, которые ни снимают с пациентов, ну, пациенты с дыхательной недостаточность.

33: Который нуждается в кислородотерапии на дому, например, ну, берём эту группу пациентов или берём пациентов с хобла и там другими с астмами, которые тоже можно дистанционно наблюдать. Если мы подключаем сюда же искусственный интеллект, как бы нагружаем вот такой референсный центр различными система

34: Искусственного интеллекта, где каждую систему мы называем агентом отдельным. Когда мы создаём такую мультиагентную систему, передавая между ними информацию, можем выходить на хорошее решение для того, чтобы эта система работала управляемо. Мы здесь нарисовали. Должен быть в рамках референсного центра. Создаётся экспертный совет.

35: Ведущих специалистов в какой-то области. Вот пульмонология, значит, ведущий совет из пульмонологов, которые контролируют ответы, которые даёт система и основу систем поддержки, принятия врачебных решений, уже начинает создавать большая языковая модель, кстати,

36: Система мониторинга, дистанционного мониторинга за состоянием здоровья пациентов. Если её тоже к ней подключать, мультиагентную систему искусственного интеллекта, можно заранее прогнозировать развитие заболевания или течение заболевания, которое может быть у пациента. То есть вот та мысль, которую мы на сегодняшний ден,

37: Пытаемся провести в жизнь, мы говорим, что да, нам нужно концентрировать, создавать референсные центры, в которых создавать серьёзную модель управления медицинской помощью.

38: Вот здесь, на таком рисуночке, мы показали, как выглядит этот референсный центр, откуда, чем мы ещё поддержали эту идею. Я уже раньше говорил, мы провели конкурс фондом мти, конкурс систем искусственного интеллекта, то есть провели сравнение систем искусственного интеллекта между собой

39: Сделали им, ну, как бы поставили задачу распознать 6 диагнозов из области пульмонологии. В систему были загружены датасеты по 12 заболеваниям, и 6 из них были вынесены в качестве конкурсных, но эти заболевания были сделаны так, чтобы каждому заболеванию было какое-то соответствие.

40: Ещё ему, то есть, если мы брали, распознавали хобл, то мы давали датасеты с астмой, чтобы хобл астма друг друга дополняли, чтобы была возможность посмотреть на похожие датасеты и вот найти те нюансы, которые отличают хобл от астмы.

41: Если брали рак лёгкого, то мы давали рядом доброкачественное новообразование лёгкого если брали туберкулёз, то мы включали ещё саркоидоз, чтобы между собой сравнить похожие заболевания с похожими, с похожей симптоматикой и, как оказалось, ни 1 из систем не смогла.

42: Поставить правильно 6 диагнозов, то есть были хорошие показатели по разным диагнозам. Но все 6 никто не выиграл. И после того, как мы это проверим, мы поняли, что было бы интересно все эти системы, которые участвовали в конкурсе, поставить их в какой-то вот в референсный центр, чтобы они начали там работать, и

43: Когда мы вот такую вот сейчас вот мы занимаемся тем, что мы создаём модель. Вот если сейчас текущую ситуацию мы посмотрим, вот у нас есть врач, к нему стекается задание, он, он как бы вот референсы центр у нас ниц сейчас есть национальный медицинский исследовательский центр в рамках этих мицов там пытаются вот работать по своим диагноза.

44: Говорим, что если мы сейчас туда поставим искусственный интеллект, у нас модель поменяется немножко. И вот на наш взгляд, вот если мы сейчас будем создавать такие референсные центры по субъектам Российской Федерации, то есть и по

45: Федеральные такие центры, то у нас появляется модель, которая позволяет работать с первичными данными. Мы провели несколько экспериментов с моделями, с большими языковыми моделями, используя ансамблевый метод, когда много больших языковых моделей между ними передаётся информация, ответ 1 системы передаётся в другую систему и так далее.

46: И когда строим, короче говоря, мы строим платформу, на которой у нас работает большое количество различных агентов, различные или большие языковые модели или системы, другие модели, построенные на методами машинленинг или дипленинг, и

47: Видим, что это позволяет получить очень хорошее и правильное решение. И модель, которую мы предлагаем, она будет выглядеть так, что вот самое главное, какой мы получили результат. Мы вот мы берём, берём вот в качестве датасета, вот

48: Снова берём выписной эпикриз пациента по сложному заболеванию. В выписном эпикризе есть весь набор исследований, вся история его болезни, анамнез, заболевания, анамнез жизни, все все исследования, которые были сделаны в течение длительного срока времени, и исследования, которые были сделаны высокой.

49: Онкологическом центре и видим, что вот как бы врачи гарантируют, что это 100% поставленный диагноз. То есть, если мы загружаем данные о пациенте с подобными симптомами, если мы вот таких вот делаем, такой дезет, мы можем гарантировать, что если у нас весь набор исследований сделан, мы можем поставить диагноз, то есть система его нам позволяе

50: Представить. Потом мы начали убирать чувствительные, наиболее чувствительные услуги и процедуры. Наиболее чувствительные исследования из рака. Убрали там под морфологию, убрали под кт, убрали, убрали мрт с контрастированием, начинаем убирать чувствительные исследования и смотрим тот,

51: Предел, когда система позволяет поставить решение, мы заметили, что только даже на первичных данных без тяжёлых, система уже может, вот эта ансамблевая модель различных систем может уже предложить правильное и чёткое решение. То есть, если замысел, мысль

52: Появилась такая, что если на приёме врач заводит симптомы сложные симптомы, их сразу обработать в референсном центре ещё пациент не успел прийти с приёма уже врачу приходит заключение, что у пациента с большой вероятностью развивается такое то такое-то заболевание и перечень тех исследовани.

53: Который нужно дополнительно сделать. То есть за счёт этого мы с вами действительно ускоряем саму процедуру первичной медицинской помощи. Мы позволяем на ранних этапах сразу же выполнить тот объём исследований, который позволяет подтвердить тот диагноз, который предлагает система или, наоборот, его опровергнуть. И таким образом,

54: Вовремя маршрутизировать пациента.

55: И какой мы ожидаем эффект эти вот, создавая такие референсные центры, загружая их искусственными интеллектами, извиняюсь за сленг, мы получаем медицинский эффект, раннюю диагностику заболеваний, уменьшение хранилища хронизации летальных исходов.

56: Повышение доступности высокотехнологичной медицинской помощи, уменьшение времени на принятие врачебного решения и начало эффективного лечения, социальный эффект, получение необходимого уровня медицинской помощи по месту пребывания пациента, то есть на ранней стадии человек може

57: Даже свои симптомы бросить врачу, да, вот из дома. Вот есть такая-то проблема. Работали с референсным центром. Уже можем человеку подсказать, срочно сделать такие-то, такие-то исследования. Дальше экономический эффект немножко касался организационный эффект. Самое главное в организационном эффект. Ам, что хочется добитьс

58: Появилась медицинская услуга, применение методов искусственного интеллекта для диагностики, а последующее применение методов применения системы искусственного интеллекта для корректиро назначения, корректировки лечения. Вот за счёт, если как бы у нас появится такая медицинская услуг

59: То мы, во первых, можем легализовать все работы, связанные с применением искусственного интеллекта. Во вторых, сможем окупить те расходы, которые несут разработчики на создание таких систем. И вот, на наш взгляд, такое вот решение, когда появляется, появится такая медицинская услуга, это будет хорошим таким завершением.

60: Пониманием того, что мы делаем и для чего мы это делаем. И тогда уже равноценно система искусственного интеллекта начнёт работать с врачом в паре, позволять врачу вовремя ставить диагноз. Мы вот такие эксперименты проводили, сейчас провели эксперимент по первичным данным, по тяжёлым случаям.

61: Сложным заболеваниям Лёгких, там эмфиземы Лёгких и другие там склеродермии, то есть те заболевания, которые достаточно редкие и увидели, что система действительно ставит решение на ранних стадиях и объясняет, почему она ставит такое, такой диагноз. Это посмотрели даже врач

62: Вот мы сейчас такое клиническое исследование начинаем проводить. Врач обычно бывает, не обращает внимание на какие-то мелочи, на которые система обязательно обратит внимание. То есть и тогда вот диагностика, она повышается. И 2, что мы поняли, что нельзя, конечно, систему использовать отдельно от врача, от специалиста.

63: Потому что те решения, которые может предлагать, они могут быть спорными. Хотя можно выбрать красивое решение. Все красиво объясняется. Врач, он должен стоять на страже, фильтровать те решения, которые получаются, как Москва работает, идёт система, ну, как бы вот Антон сегодня рассказывал, что там автономный

64: Интеллект начинает работать, да, случаи, где там уже 100% они, а вот там, где сложные случаи, там все равно врач просматривает и подписывает заключение, которое у нас исходит, которое у нас кончается, ну, технологическом эффекте. Самое главное это создание таких мультиагентных систем и

65: Чем хороша вот такой мультиагентный подход каждый разработчик, у кого есть своя хорошая система, может её включить в рамку в рамках мультиагентной системы использовать, то есть и референсный центр этим хорош. То есть у нас мы можем все системы концентрировать в 1 месте. То есть не нужно, чтобы она, больница, купила 1 систем.

66: Искусственный интеллект, другая другую начинает там их сравнивать между собой. А тут у тебя, когда они все в референсном центр, там уже получается, они внутри сравниваются и внутри уже есть команда, которая отвечает за то, что происходит и как она с этим работает. Есть лечебное учреждение, должна быть хорошая медицинская информационная система, которая занимаетс

67: Документооборотом, а вот эти системы поддержки врачебных решений, их можно делать, ну, как агента по интернету, с ними общаться и получать сразу же заключение. То есть вот такой наш подход, что, в принципе, на наш взгляд, это будет очень важно. Ну и последнее, что

68: Хотел сказать, конечно, большие языковые модели, они к нам пришли, скорее всего, они пришли всерьёз и надолго, и какой будет взрыв от их применения, ещё пока все до конца не оценили, но врачи начинают работать с ними активно и, на мой взгляд, правильный.

69: Грамотное применение больших Языков моделей здесь я, к сожалению, GigaChat не написал GigaChat это наша российская разработка, сберовская, на неё мы с ней тоже работаем, хотим работать более активно её дополнять, дорабатывать.

70: С применением рак технологий очень интересные подходы. То есть вот ещё раз скажу, когда мы все эти любые большие звуковые модели, любые системы концентрируем в референсном центре, мы можем их аккуратно дорабатывать, дообучать с применением тех возможностей, которые на сегодняшний день у нас ест.

71: Коллеги, вот спасибо за внимание, я как бы нашу точку зрения изложил. Коллеги могут, меня сейчас будут выступать, могут поправить, могут дополнить, могут согласиться. Может, нет. Но я думаю, что нам всем будет интересно развиваться и работать. А если

72: Мы, у нас все будет действительно пойдёт так, как мы задумали, то, конечно, приходите к нам работать с нами. И 1 референсный центр, который мы планируем запустить. Скорее всего, мы его запустим в пульмонологии, и минздрав нас поддерживает и поддерживают нас основные институты развития.

73: В этом смысле, конечно, может получиться очень интересное решение. Спасибо, коллеги.

74: Вот, коллеги, тогда, если есть какие-то вопросы, могу на них быстро ответить, да?

75: Давайте, девушка.

76: Спасибо, но мне кажется, моего голоса и так записывается. Да, зал небольшой. Хорошо, да.

77: Спасибо. Вот. То есть врачи сохраняют вот эту критичность мышления, либо они, наоборот, расслабляются и склонны. Ну вот, то есть система порекомендовала, и думаем, как бы уже вот в эту сторону, часто ли они спорят с системой, конечно, спорят.

78: Я могу сказать, что врач не расслаблятся, потому чо врач нет ответственность, если он расслабится, но он никому не докажет, что он там систему m неправильно подказал, не спишет, да, поэтому да, врач не расслабляется, я по себе скажу я вот многие вещи как преподаватели, мы используем большие языковые модели, но если у тебя хорошая презентация, а тебе каждый год.

79: Фосы менять в фонд оценочных средств большую языковую модель, подгружает свою презентацию. Говоришь, напиши мне в фонд оценок средств. Ну, несколько секунд и готово. Там проверил, да, действительно, правильно. То есть делаем по каждому слайду, там вопросы, 4 возможных варианта ответа. Это быстро делается, оно совершенно

80: Не расхолаживает тебя. Ну просто зачем заниматься этой работой, которой там ассистент должен заниматься кафедрой? Ну, скажем так, то есть в рутинной работе это очень помогает. Сложный случай врачебный. Я уже говорил, система реагирует на каждый чих, который врач может не заметить, ну, просматривает там,

81: Они заметили, что там вот смотри, оказывается, у него там дома канарейки живут, а канарейки живут. Это уже может предпосылка быть к лёгочному заболеванию. Такая вещь, как оказалось, непростая. Спасибо. То есть врач не расслабляется, плохой врач, он и так расслабленный. Все время там ничего ничем ему не поможеш.

82: Наоборот, ему система подскажет, что делать. И, слава Богу, хороший, хороший врач не расслабляется. Нет, спасибо большое. У вас вопрос.

83: 1 вопрос. Скажите, вы используете, которая вот развёрнута авторами этих нейронок или разворачиваете локально? И 2 вопрос звучала фраза, что результаты очень точные?

84: Скажите, о какой точности речь и по какой методике она оценивалась? Ну, сразу со 2 вопроса начну. Мы не оценивали ещё точность. Это я так сказал. Мы вот когда конкурс проводили, мы разработали полностью методологию всю свою с учётом

85: Который принят был 164 комитетом техническим, где есть чувствительность, специфичность, точность, дварительные интервалы. То есть все как положено по науке, мы делаем, но в данном слуае мы только начинаем такое исследование по большим языком. Модели ещё не проводили. Мы несколько случаев посмотрели, нам понравилось, так скажем, результа.

86: Поэтому это впереди работа. Мы сейчас начинаем клиническое исследование. Берём там 5000 случаев таких тяжёлых и будем по ним смотреть, строить матрицу. Причём будем, как убирать данные, искать пороговые точки, когда порог начинает уменьшаться, принятие решения. То есть это науч, следовательная работа, котора

87: Проводить. Вот 1 вопрос это у нас использует

88: А, да, да, да. Тут в зависимости от каждой модели, то есть к каждой модели там индивидуальный подход. Ну, сложного нет. Это берём, если открытые модели, если закрытые, у нас есть врачи, которые оплачивают доступ и тоже используют, пишут, апи, там программистов подключают.

89: Каждого, с каждой моделью. Каждый человек работает по разному. Но, на мой взгляд, комбинация моделей, когда их несколько даёт хороший результат. Ну, врача заменить невозможно. Ну, давайте последний вопрос, чтобы всем дать возможность суть. У меня ещё 1 вопрос. Он связан с теми жалобами, о которых вы говорите. Все дело в том, что врач

90: Ведь записывает не совсем жалобы пациента, он записывает в историю болезни то, как он представляет себе, что означают эти жалобы, и, по сути дела, в жалобах он уже формулирует диагноз, да, он уже записывает, како

91: Кто характер и вид, и мы знаем такие истории, когда врач совершенно сознательно описывает аппендицит и все в его записях говорит о том, что это аппендицит, но он на каком-то начальном этапе.

92: Невербально ошибся. И это инфаркт миокарда. Ну, там согласен с вами, но, скажем так, что иногда системы современные, особенно комбинация систем, она позволяет выявить там я ошибку, вы видите, она выдет ошибочку, видите вы, д,

93: Ну, экспертиза то она присутствует врачебная, поэтому, знаете, надо делать эксперимент, не надо бояться делать эксперименты в рамках вот, особенно учебного процесса. У нас такая возможность есть. И в этом смысле, конечно, работа в университетской

94: В университетской клинике в университете гораздо очень удобно, потому что ты можешь использовать и студентов, и образовательный процесс для того, чтобы провести какой-то эксперимент. Мы этим активно пользуемся. Коллеги, тогда давайте двинемся дальше, дадим, послушаем всех, а в конце я думаю, что у нас

95: Время останется, мы тогда дадим ещё и обсудим как-то это все вместе.

96: Коллеги Семёнов Виктор Александрович, потом представите доклад и все.

97: Так, добрый день, друзья. Рад вас видеть на своём докладе. Я в очередной раз рассказываю про то, как использовать большие языковые модели в анализе медицинских карт. Сегодня мой доклад называется

98: Цвет ящика важен. Как вы можете понять из названия, речь пойдёт о прозрачности и о контролируемости алгоритмов. Пожалуй, начнём, начнём с белого ящика. Что такое белый ящик и что мы вообще понимаем под белым ящиком, под белым ящиком? Мы понима,

99: Алгоритмы, которые мы не просто понимаем, но которые мы можем воспроизвести у себя в голове. То есть мы знаем, как они себя ведут, мы знаем, каким, какие веса и каким переменным они дают, как они обрабатывают данные, то есть банально

100: Взяв какой-то input, мы можем без сложных вычислений понять, что мы получим в итоге самый простой пример дерево решений в данном случае мы видим простое бинарное дерево и на самом деле идеальный белый ящик.

101: То есть он очень привлекательный, мы можем создать подобное дерево решений, потом показать его медицинским экспертам, потом показать его юристам, получить идеальную схему, которая соответствует всем законодательствам, всем требованиям. Идеально правильная.

102: Но есть 1. Но, когда речь идёт о реальной жизни, создать подобную систему принятия решений, которая моделирует реальную жизнь очень сложно, она настолько разветвится, она настолько станет огромной, что при

103: Необходимости коррекции чего бы то ни было. Возникает опасность лавинообразного каскадного изменения и чем выше уровень изменения. То есть если вы вносите изменения вот на уровнях повыше, лавинообразно меняется все и есть риск сломать всю эту историю.

104: И таким образом, такие системы становятся на самом деле по большому счёту неподдерживаемыми, но сам принцип белого ящика нам очень важен, он важен нам, он важен в смежных отраслях, потому что мы должны уметь воспроизводить

105: Свои результаты мы должны уметь контролировать алгоритмы. Это важно. Ну, иначе это немножечко игра с вероятностями. Перейдём к чёрному ящику. Это самая интересная история, про которую, собственно, весь мой доклад сегодня есть на данном чер,

106: Ящике, из которого выглядывает кролик, недаром всем знакомая схема трансформеров, которые лежат в основе больших языковых моделей, суть чёрного ящика в том, что мы не можем воспроизвести реше.

107: Не с идеальной точностью. Оно всегда вероятностное. Мы не можем точно объяснить, почему чёрный ящик принял то или иное решение. И здесь наиболее идеальная метафора. Это найти нейрон в стоге сена. Почему найти? Потому что он там есть.

108: Мы математически понимаем, как они работают, мы точно знаем, как они принимают эти решения, но когда мы обучили решения внутри этого чёрного ящика настолько многомерны, настолько перефор,

109: Зированы, что человеческому сознанию невозможно это понять. Мы не можем сказать, что вот мы дали на вход вот это он выдаст. Вот это, этого мы сделать не можем. Мы это можем только интерпретировать. Следующий момент, который

110: Важно понимать то, что большая языковая модель это не хранилище. Возьмём книжку, хранилище, библиотека. Вы принесли в книжку библиотеку. Библиотека отдаст вам эту книжку такого же веса, такого же количества страниц с пометками на

111: Полях с царапиной на обложке. Ллм этого не сделает. Она выдаст вам интерпретацию. Ллм в принципе не способна отдавать данные в неизменённом виде. Это всегда интерпретация и моё любимое понятие я

112: Честно, не знаю, насколько оно распространено, но я его очень люблю. Нейрон шрёдингера. Он, собственно, и объясняет, почему у нас, ллм так работают и почему нам так сложно их интерпретировать. Потому что все нейроны

113: В ллм находится в суперпозиции как наш любимый кот. Пока ты не открыл ящик, кот с равной степенью вероятности и жив, и мёртв, и объясняется очень просто. В ллм количество нейронов меньше, чем количество фич.

114: И поэтому каждый нейрон соответствует определённому набору фич нет соотношения. 1 нейрон 1 свойство это прошу прощения, это если мы посмотрим на график, вот крайний левый столбец, там линейная модель, 1 нейрон.

115: 1 свойство идеальное соответствие, абсолютно белый алгоритм, но когда нейросеть обучается, уходит уже в полиномы, это все сжимается, и каждому нейрону соответствует много параметров. И в итоге он

116: Превращается просто в нейрон Рединга, шрёдингера, пока мы не дойдём до статуса обзервационными. Что это и цель. И у моей, у работы моей команды она 1 сделать из чёрного ящика белый. И как это делать?

117: Мы уже 2 года исповедуем подход мультиагент в. И в нашем профессиональном сообществе. 25 год неофициально назван годом мультиагентной архитектуры. Это на самом деле прекрасный путь. Как мы можем сделать?

118: Белым. Ну, если не белым, то серым. Как видите, здесь, на этой схеме, чёрные ящики чередуются с белыми. Белый плюс чёрный, равно серый. Чем больше белых ящиков, тем светлее ящик. Суть этого процесса в том, что мы знаем, что входит

119: Каждый чёрный ящик, если мы разбили процесс на много много Шагов, если это грамотная архитектура и мы знаем, что выходит, и мы храним эти данные, мы можем делать на них обратную валидацию. Этот ящик светлеет и светлеет с каждым шагом, чем длиннее цепь.

120: Тем светлее ящик. Я попробую рассказать эту схему на простом примере. Вот у нас есть, предположим, Кубы вид сверху и задание для 1 агента. Собери зелёные Кубы. Задание для 2 агента.

121: Построй башню. Мы понимаем, что если башня не Зелёная, мы идём на 1 шаг. Если башня не башня, то это вопрос 2 шага. Если башня и не башня, и не Зелёная, это вопрос обоих Шагов, и мы можем разобраться. Либо там не

122: Было зелёных кубов, либо там не было вообще кубов или ещё что-то. Это настраивается. Важно, что 2 агента, которые делают последовательно собери зелёные Кубы и построй башню, это не равно 1 большой агент, который строит зелёную башню.

123: Повторяю картинку она моя любимая, про то, как мы даём книжку в библиотеку, это моя подводка к, наверное, самому жаркому спору, который часто присутствует. Ну, по крайней мере, в моей профессиональной жизни. А почему?

124: Нельзя взять медкарту и просто отдать её в ллм на самореализацию можно можно взять большую ллм. Обычно эти ллм по публичному апи располагаются тот же самый чат gpt или дипси.

125: Ну, оставим пока в стороне вопрос о трансграничной передаче данных медкарты. Они достаточно большие, чтобы там влезло много контекста. Вы можете передать туда, ну, прям, скажем, не 2 протокола, может, не всю медкарту, особенно пожилого человека, там несколько тысяч.

126: Протоколов, ну много, много, можете передать и попросить Саморезова ь. Но вопрос в том, что вы получите интерпретацию, потому что вы не контролируете весь процесс, вы получите интерпретацию и эта интерпретация

127: То, что ллм думает об этой самореза ии то как она отреагировала на ваш prompt, и то, что она в итоге хочет вам сказать вы не знаете, что она упустила, вы не знаете, что она посчитала более важным и.

128: Здесь есть очень важный момент, что когда вы даёте лм. 1 документ самареза Ия очень даже корректна, когда вы ллм даёте много документов, степень галлюцинаций, причём под галлюцинациями, я понимаю не только придумывание.

129: Фактов, даже когда мы говорим про медицинскую карту, просто выкидывание фактов из карты это уже галлюцинация, это важные факты, их нельзя выкидывать, это посчитано на экране, это посчитано нашими

130: Океанскими коллегами gpt 4 о при подаче сотен документов разного характера процент галлюцинаций возрастает до 44%. А что такое медкарта? Это все разное. Разные врачи.

131: Разные этапы жизни пациента, разные исследования, да, даже одно и то же исследование, там, тут узи сделано в частной клинике, тут узи сделано в государственной, тут терапевт принимал 12 минут, тут терапевт принимал 2 часа разные документы.

132: Разного объёма разной детализации ллм начинает придумывать. Именно поэтому большой чёрный ящик контролировать нельзя. Здесь мы возвращаемся к тому самому бинарному дереву, с которого я начал. Представьте, как я

133: Сказал большое бинарное дерево, которое имитирует реальное принятие решений, невозможно поддерживать. Вы начали что-то менять, лавинообразно сломали все. Если вы используете 1 большой чёрный ящик. Вместо мультиагентной схемы вы сталкиваетесь Ровно с той же

134: Проблемы. Ну представьте, вы должны на регулярной основе оценивать, что этот большой чёрный ящик корректно самарии, медкарту из нескольких сотен протоколов, сколько на эту валидацию надо ресурсов это не рабочая.

135: Схема, собственно, именно поэтому суть схемы с чёрными ящиками заключается в том, что робот должен работать не 1, роботы должны работать бригадой, и вы каждый этап можете легко контролировать. Хочу напоследок.

136: Остановиться на очень важном моменте. Зачем нам вообще использовать ллм? В чем суть этой всей реалистичности? В том, что из медкарты, по нашему мнению, надо доставать все, слишком мало, доставать оттуда только патологии. Ведь протоколы станда.

137: Ведения протоколов, они же не просто так такие, если врача, если врачу важно и нужно, и он обязан в протоколы вставлять в том числе нормы. То есть он принял у человека в норме, но он должен записать эти нормы, анатомические размеры, даже если они в норме.

138: Анамнез, даже если он в норме, он должен это записать, значит, это важно. Эта информация важна из медкарты. Надо достать все. Именно поэтому нам нужны эти чёрные ящики, потому что с ллм никто не сравнится в объёмах, экстрактирует й информации.

139: Из текста, но их надо уметь готовить на этом все, пожалуйста, коллеги, буду рад ответить на любые отложенные вопросы. Фотографируйте, пишите, подходите на стенд. Ну и, конечно, сейчас, если у кого-то есть желание задать вопрос,

140: Подискутировать буду рад. Коллеги, давайте 2 вопроса зададим.

141: Ну вот агентный подход, то есть получается, нейронками дёргается некая апи, ну то есть и ответы этого api в нейронку обратно передаются или каким образом? Ну там чуть сложнее история. Ну, во первых, у нас нейронка ставит.

142: Прям, то есть у нас своя есть своя нейронка, мы её сами обрезали, сами дообучили и нейронка делает какую-то функцию. Вывод из этой нейронки дальше идёт на валидацию либо в следующую нейронку, либо в зависимости от того,

143: Какие цели? Либо враг, либо в классификатор, либо в какую-то векторную базу. Ну, с семантической валидацией. То есть разные инструменты используются. Ну и в том числе в этой цепочке, конечно, есть несколько в наш

144: Схеме как минимум 4 подключения конкретно лмок, которые в течение этого длинного длинного пайплайна все это валидируют. Имеется ввиду интеграционный слой, как реализован, если не секрет.

145: Интеграционный слой, то есть ответ выдаётся, ну, как напрямую они взаимодействуют? А, нет, нет, нет, у нас все идёт через шину, то есть мы все храним, как у меня там был такой слайд, то есть мы то, что зашло, то, что вышло, все хранится абсолют.

146: Параллельными пайплайнами обрабатывается следующими агентами. То есть это не единый непрерывный пайплайн, это все абсолютно асинхронная параллельная история, потому что разные агенты требуют разное время, где-то сложнее. Задача где-то медленнее, если их поставить ввод.

147: Цепочку будет очень низкая скорость обработки. Спасибо.

148: Коллеги, ещё вопросы есть?

149: Виктор Александрович, да, спасибо. Спасибо. Коллеги. К сожалению, меня ждут. Вынужден бежать. Прошу прощения. Обязательно посмотрю в записи благодаря нашим организаторам. Это возможно. Спасибо. Удачи.

150: Коллеги Рудченко Владимир Александрович у нас

151: Не знаю, я 1 такой юморист, кто очень хотел пошутить, кот шрёдингера и код шрёдингера. Извините, собственно, меня зовут Владимир Рученко, я менеджер по развитию бизнеса компании техлаб сегодня.

152: Хочу рассказать вам о нашем продукте. Галинос эйай. Это сервис для дифференциальной диагностики. Этот сервис только что был зарегистрирован как медицинское изделие, которое анализирует электронную медицинскую карту пациента с помощью искусственного интеллекта пару.

153: В компании техлаб мы уже больше 15 лет занимаемся разработкой по для здравоохранения, работаем со всеми нозологическими группами, имеем большой опыт работы с онкологической нозологией, имеем большой опыт работы с врачами онкологами. И это

154: Дало нам возможность понять, что при подходе к раннему выявлению онкологических заболеваний необходимо давать инструменты цифровые не только специалистам онкологам, но и врачам общей практики, специалистам в первичном звене. Немножко об актуально.

155: Задачи выявления зно на ранней стадии на примере рака молочной железы известно, что

156: При раннем выявлении зно повышается более чем в 2 раза пятилетняя выживаемость пациентов и кратно сокращается стоимость лечения этих пациентов. Кроме того, минздрав Российской Федерации существует

157: Выплаты за онконастороженность специалистов первичного звена, они ежегодно в сумме повышаются, но количество полученных дошедших выплат до специалистов категорически мало собственно, наш инструмент направлен и на это решение.

158: И ещё 1 проблема первичного звена это дефицит кадров, а также высокая нагрузка на специалистов онкологов, которая категорически различается в различных регионах, где-то она мала из за того, что мало кого направляют к онкологу или

159: Наоборот, является слишком высокой из за того, что направление к онкологу выдаются достаточно часто и всем пациентам. Таким образом, мы, собственно, приступили к разработке сервиса голенос эй ай сервиса дифференциальной диагностики онкологических заболеваний, который буквально 2 недели

160: Неделю назад получил регистрационное удостоверение как медизделие для анализа имк с помощью искусственного интеллекта, как это работает, мы оцифровали список из 80 предикторов, специфических неспецифических симптомов онкологического заболевания.

161: И анализируем электронную карту медицинского пациента на наличие таких подобных предикторов или же при отсутствии такой информации мы предлагаем пациенту заполнить опросник, который помогает нам выявить специфичные неспецифичные

162: Симптомы собственно технологическая основа это машинное обучение, также машинное обучение с подкреплением научным базисом является как раз те самые 80 предикторов звено, описанные в алгоритмах раннего выявления онкологических заболеваний.

163: Кроме того, сервис позволяет нам отслеживать диагноз, который устанавливается онкологом после наличия выявления подозрения. Сервис помогает, как я уже сказал, составлять список врачей, которые представлены к выплатам за проявленную онкостоп ость в рамках диспансеризации проф.

164: Медосмотров, а также сервис является эффективным инструментом для привлечения пациентов к прохождению профилактических медосмотров.

165: Сервис, как я говорил, учитывает около 80 предикторов н. Это как специфичные, так и неспецифичные симптомы и учитывает несколько ролей пользователей, разделённые по разным возможности доступа к системе. Сервис интегрируется с медицинской информации.

166: Системой, а также с подсистемами на уровне субъекта гисз и федеральными системами подсистемами. На данном слайде уже представлен разнообразная перечень разнообразных возможных сценариев применения сервиса

167: Мы начинаем с анкетирования, да, чтобы, чтобы покрыть наибольшее количество пациентов, его может пройти вместе с врачом на приёме или же во время ожидания приёма, сканировав QR-код на двери в кабинет.

168: Лечащего врача можно это сделать на при записи на приём на портале региональном, например, или же можно анкетировать пациента проактивно, при помощи рассылки посредством сми, соцсетей или также рассылки по электронной

169: Почте среди контингента лечебного учреждения, как показывает статистика, наибольший сценарий наибольшее предпочтение лечебные учреждения отдают сценарию, когда пациент самостоятельно заполняет.

170: Анкету до приёма у врача специалиста. И наиболее эффективными методами для такого анкетирования являются средства массовой информации, соцсети и рассылки. Здесь расскажу немножко подробней о пилотных проектах, в рамках которых мы тестировали наш сервис в рамках

171: Подготовке, проведению пилотов. Мы, естественно, помогаем обучать сотрудников работе с сервисом, осуществляем техническое сопровождение, помогаем выстраивать бизнес процессы в лечебном учреждении и подде и обеспечиваем информационную маркетинговую поддержк.

172: С информационной, информационными такими флаерами, плакатами, видео и прочим. 1 пилотный проект. Клинические испытания сервиса они проходили в ленинградской области, в лужской районной больнице. Здесь именно

173: Врачи заполняли анкету, половина из них заполняла анкету вслепую, половина, получая результаты анализа искусственного интеллекта, здесь участвовали терапевты, эндокринологи, онкологи, дерматологи. При данном пилотном проекте мы добились точности совпадения мнения.

174: Сервиса с мнением врачом, специалиста 90%. Ещё 1 пилотный проект, который длится именно сейчас, это челябинская область, медсанчасть. Здесь мы внедряли уже сервис массовый скрининг. То есть мы размести лечебное учреждение разместило

175: Информацию об возможности прохождения анкетирования на в своих соцсетях вконтакте. Мы выяснили, что заполнение анкеты самим пациентом до приёма занимает примерно 3 с половиной минуты, что мы экономим на приёме с врачом. И ещё

176: Ещё 1 пилотный проект, который, о котором сегодня расскажет подробнее. Следующий спикер, главный врач тюменской городской поликлиники номер 8. Поэтому я пока его пропущу. Вот, и, собственно ценности галяно эй ай, который мы выделяем для себя, это в 1 очередь помощь для

177: Пациентов, а именно раннее выявление, зно, что повышает качество терапии, а следовательно, продолжительность жизни и качество этой жизни для врача это помощник автоматизировать процесс онконастороженности и выявления зно на ранней стадии. Ну и

178: Для органов здравоохранения региональных федеральных это в 1 очередь весомо изменяет показатель онкослужбы и влияет на показатель раннего выявления онкологических заболеваний. Сервис становится эффективным инструментом для привлечения пациентов.

179: К скрининговым мероприятиям в рамках профилактических медицинских осмотров. Ну и естественно, являясь искусственным интеллектом. Медизделие с искусственным интеллектом, сервис соответствует критериям минздрава по выбору медизделий с искусственным интеллектом и

180: Соответствует методическим рекомендациям по приобретению вот этих искусственных этих этих технологий искусственного интеллекта и внедрению их в гисз, а именно анализирует электронную медицинскую карту пациента, работает через формат сент, размещается в защищённом контуре.

181: Он зарегистрирован в регистри отечественного по и имеет регистрационное удостоверение. Спасибо большое, коллеги. Я постарался немного времени занять. У вас. Коллеги, а есть вопросы?

182: А у меня вопрос. Вы с большими языковыми моделями не сравнивали с какими-нибудь? А что? Нет, кстати, да, не сравнивали с открытыми? Не сравнивали. Вы проведите исследование. Интересно будет. Да, согласен. На самом деле для себя проведите, оно интересно. Просто мы когда говорим, что большие языковые модели, все пожираю.

183: Может это не так? Может наш собственный по попробуем? Конечно. Спасибо большое. Нет вопросов. Коллеги, тогда давайте действительно главного врача послушаем, человека, который непосредственно

184: Управляет этими процессами. У кого система стоит, тот же отвечает за неё полностью. Да, абсолютно верно. Про чёрный ящик, Анатолий Михайлович. Да, спасибо. Коллеги. Рад представить промежуточные результаты.

185: Нашей, нашего внедрения пилотного проекта.

186: Так как стать? А вот

187: Ну что могу сказать, в течение предыдущих 5 лет активно прорабатывались задачи национального проекта здравоохранения, преемником которого, вы все знаете, стал нацпроект продолжительной активной жизни, прошлый и нынешнюю пятилетку.

188: Фактически большое внимание уделяется онкологическим заболеваниям и особенно их раннему выявлению. Если ранее государственные медорганизации ощутимо повышали частоту выявления на ранних стадиях, это на пёр.

189: 2 стадии, что становится особенно задачей уже не только для онкологической службы, но прежде всего для первичного звена, то сейчас мы делаем фокус в сторону выявления на ранних стадиях именно на 1 стадии.

190: И обнаружение в ходе диспансеризации или приёма, но это тянет за собой определённые. Мы понимаем, что в тюменской области количество, выявляемость в 23 году значительно повысилось. Это на 63% относительно

191: Ранее выявляется на ранних стадиях, и прежде всего это повлияло и на саму систему здравоохранения. С 1 стороны, рост заболеваемости, увеличение нагрузки на онкослужбы, а с другой стороны совершенствование

192: Расширение мер профилактики и диагностики, над чем мы активно работаем.

193: Что могу сказать, что тюменское здравоохранение не просто так занимается этим. Это есть определённая база. Мы имеем интегрированную электронную медицинскую карту, которая прослеживается на всех этапах оказания медицин.

194: Помощи на стационарном на этапе скорой медицинской помощи на этапе поликлиник и объединяет практически 95% учреждений всего региона среди таких мер.

195: Конечно, выделяются цифровые инструменты, к которым наша поликлиника активно прибегает. Так мы активно участвуем в пилотном проекте, который сегодня уже не раз, наверное, может быть, затрагивался. Это персональные медицинские помощники, это на площадке ростеха.

196: Совместно с 2 месами мы работаем под руководством минздрава, но и другой пилотный проект, к которому мы присоединились в прошлом году, ориентирован непосредственно на раннее выявление злокачественных новообразований.

197: В соответствии с нашими внутренними регламентами он называется онконастороженность.

198: Сама концепция онкологической насторожённости это достаточно проста чем более насторожен врач первичного звена, тем он предусмотрительнее, тем выше шанс не пропустить онкологическое заболевание, и даже если случае обращения пациента с ним порой не связан.

199: Более того, насторожен быть не только врач, но и пациент в отношениях собственных симптомов наша поликлиника уже давно развивает концепцию онконастороженности мы активно приглашаем жителей тюменской области.

200: На профилактические мероприятия диспансеризацию проводим, скрининговые обследования, на различные скрининговые обследования, не буду в этом останавливаться. Поликлиника работает в поликлиниках, и не только в нашей поликлинике.

201: Кабинет раннего выявления заболеваний. Ну и следующим шагом на пути расширения такого подхода стало применение искусственного интеллекта как дополнительного скринингового инструмента. Для этого мы внедрили на

202: Уровня первичного звена сервис на основе искусственного интеллекта, разработанный компанией техлаб. Недавно это решение было официально. Ну, как уже Владимир сказал, зарегистрировано. В нашем случае сервис анализирует 80 симптомов, которые отмечает пациент специальной

203: Электронной анкете, о своём самочувствии. Комбинация этих жалоб способна, способны свидетельствовать о развитии онкопатологии и выявляет сервисы. Сигнализируют об этом уже на приёме у врача, у врача. Так, с помощью

204: Помощью сервиса была автоматизирована дополнительная экспресс диагностика на выявление 16 видов онкологических заболеваний, таких как рак шейки матки, рак Яичников и так далее. Не буду тоже останавливаться. Что касается в настоящий момент мы нахо

205: Находимся на 2 этапе реализации пилотного проекта. Мы провели достаточно большую работу по подготовке своего участия. Это создание, внедрение внутренних нормативных актов, установление алгоритмов и процедур по работе с

206: Сервисы, но это не только вот поэтому алгоритмы и работы, это по вот многим направлениям, которые пилотируются в поликлинике, ведению пациентов для создания материалов, для информационного сопровождения проекта и привлечения пациентам. Затем с ноября

207: Прошлого года мы вступили в активную фазу, реализовав основной сценарий взаимодействия пациента и врача с сервисом о нём. Расскажу чуть подробнее. Буквально через минуту этот период стал временем до

208: Настройка, когда было достаточно много сил и времени, посвящено как обучению и привлечению персонала, так и оттачиванию необходимой нашей поликлиники. Функционал в части работы сервиса, например, подготовки отчётов, настройки фильтров. Сейчас

209: 2 этапе мы занимаемся проактивным приглашением на осмотр тех пациентов, кто самостоятельно прошёл анкетирование и попал в группу риска. Например, сервис рекомендует нам, на которых обратить внимание.

210: Ну, немного подробнее о самом взаимодействии пациента и сервиса в поликлинике размещены специальные плакаты ролапы с QR кодом, ведущим на лендинг, о проекте по онконастороженности по основному.

211: О котором я упомянул пациент, который находится в стенах поликлиники, например, ожидает приёма, сидит в очереди, сканирует этот QR-код и затем начинает анкетирование по нашим данным, это.

212: Процесс занимает от 3 до 4 минут. Немножко более длительно проходят пациенты более старшего возраста. Ну это, в принципе, объяснимо. Они пациенты им, пациентам предлагает

213: Выбрать те симптомы, на которые он, которые он у себя отмечает. Далее он составляет свои контактные данные, например, номер телефона, адрес электронной почты и получа, и получает номер заполненной анкеты. Результат анализа приведёт и прове,

214: И он не видит. И это важно. Далее, когда пациент заходит в кабинет на приём к терапевту или к другому специалисту, мы тоже реализовали это у любого специалиста, то есть и в

215: Кабинетах неотложной помощи. Когда пациент ждёт приёма, специалист находит пациента по номеру его анкеты, там он может ознакомиться с ответами, но главное видит вывод, сделанный сервисом, есть ли у пациента

216: Подозрение или нет у них подозрения. Если подозрения от сервиса есть, то врач анализирует жалобы, проводит более детальный осмотр и может согласиться с искусственным интеллектом или нет.

217: Также в 1 случае пациент направляется далее к онкологу на приём либо к другому врачу, который необходимо сейчас я описал. Это основной сценарий, который сейчас реализуется в поликлинике.

218: Но предполагает личное присутствие пациента. Все мы знаем, что есть часть пациентов, так называемые оторвавшиеся пациенты, которые никогда, очень часто и в течение более длительного времени не посещают поликлинику. И это особенно важно в на

219: Нашей ситуации. Почему? Потому что для расширения таких контингента пациентов, которые могут пройти анкетирование в рамках пилота, мы также пошли дальше, разместили ссылки в наших соцсетях на сайте.

220: Чтобы опрос могли пройти те и те пациенты при проведении различных акций, там палатки здоровья тоже предлагаем, кото в торговых центрах, либо совместные акции с ритейлом.

221: С теми из них, у кого по результатам заполнения анкеты выявлено подозрение от сервиса, проводится особая работа. Сотрудник в поликлинике точно также организован дистанционный консультативный центр работает тоже по различным направлениям и закреплён сотрудник дистанции.

222: Центра, закреплённый за этим процессом, проводит анализ медицинской карты пациента на наличие пройдённых исследований, консультаций специалистов, анализирует регистр хронических заболеваний неинфекционных, связывается с пациен.

223: Выписывает направление на лабораторные исследования в тюменской области. Работаем без бумажных носителей. То есть пациенту достаточно при прийти и предъявить свой документ и

224: И анализы, все, что рекомендованы были. Пациент, то есть не надо приходить дополнительные вот эти встречи, направления и так далее. Такие вот, ну все это тоже в централизованной лаборатории и пригла

225: Приглашает на личный приём уже к терапевту медицинской профилактики для снятия или подтверждения подозрения, но описанные сценарии, которые я представил изначально были утверждены в виде алгоритмов на уровне

226: Мы разработали ряд документов, описывающие новые для нас бизнес сценарии.

227: Например, алгоритм работы с сервисом при самостоятельном обращении пациента и прохождении анкетирования далее или алгоритм при проактивном приглашении пациента должен отметить, что в обоих случаях мы сталки.

228: С рядом трудностей, например, для эффективной работы с сервисом врач, ведущий приём, должен согласиться с ним или не согласиться. Эти данные позволяют уточнить работу и в дальнейшем. Однако многие специалисты тоже мы отмечали просто закрываю.

229: Окно сервиса, ознакомившись с его результатом. Но это уже, так сказать, технические детали, которые мы ввели на процессе пилотирования, ввели новые отчёты Филь.

230: Чтобы таких контролировали данных специалистов проводили со стороны заведующих структурными подразделениями, чтобы объяснить сотрудникам пользу такого решения. Ну, не все сразу, как говорится.

231: Понимают простые участковые терапевты, что это необходимо, это жизнь.

232: Что позволило добиться такая вовлечённость. Во первых, на текущий момент более 5000 пациентов приняли участие в пилотном проекте. Преимущественно это молодые люди среднего возраста, это 77.

233: Процентов. Это самое важное, потому что мы все прекрасно понимаем, что люди старшего возраста, они все равно ходят в поликлинику и даже больше, чем надо. Порою. Ну это правда, работа с сервисом занима.

234: В среднем 4, 5 минут. Дольше всего с ним работают люди старшего. Я уже сказал, ну, это что ожидаемо. Отмечу, что изначально мы обсуждали возможности внедрить сервис как инструмент опроса на уровне врача, а не пациент.

235: Но сейчас понимаем, что правильно, что от него отказались и эти 4 минуты и так нужны врачу на приёме. И поэтому все это заполнение анкеты, оно происходит за приёмом. Это очень важно, потому что мы все прекрасно знаем, и я думаю,

236: То, что если здесь что такое инцидент 38, который мониторируется минздравом, это слотирование расписания, это те пресловутые 15 минут, в которые нужно успеть много.

237: Вот поэтому самое интересное это цифры, на мой взгляд, представлены на этом слайде у 5% принявших участие в пилотном проекте, сервис в ходе анкетирования заподозрил зно.

238: Из них 255 человек. 5 часть была направлена на обследование к онкологу. На текущий момент у 5 пациентов уже подтвердилось подозрение на зно, то есть выявлены злокачественные новообразования, но сам

239: Интересное то, что когда на 2 стадии трое из этих пациентов не обращались, не были в стенах поликлиники, они прошли анкетирование за стенами поликлиники, то есть это те оторвавшиеся пациенты, которые придут все равно в меди.

240: Медицинскую организацию, но придут уже, когда у них будет, ну, 3, 4 стадия, когда уже нужно применять более такие сложные методы. На этом слайде я представил структуру исходов обследования.

241: Значит, из них 20 подозрений не подтвердились. Ещё пятеро, пока не пришли на контрольный приём, потерялись до нынешней статистики. 12 человек, практически треть проходит дополнительную диагностику прямо сейчас. Ну вот.

242: Пятерых, я уже тоже сказали, сказал вот такие, как базально клеточный рак, звено нисходящей ободочной кишки, молочной железы и 1 пациента заболеваний крови молодого пациента достаточно.

243: Вот и все эти пациенты 38, 43 и 1 только 55, то есть все трудоспособного возраста.

244: В дальнейшем, что в планах расширить контингент пациентов, для этого уже сейчас мы активно работаем, чтобы популяризировать этот сервис, рассказывая проект по онконастороженности, используем, ну тоже.

245: Я уже сказал ролики, плакаты, размещаем материалы. Пожалуй, самый ощутимый импульс развития проекта придают сотрудники поликлиники, сами сотрудники, когда уже начали работать, понимают, что

246: Ну, это очень как бы действует. Когда врач выявил и сам принял участие, то они сами начинают вовлекаться и начинают уже, как бы сказать, других своих сотрудников подтягивать в этот процесс.

247: Участие в проекте, со своей стороны, просматривают анкеты, направляют тех пациентов, кто может оказаться в группе риска на дальнейшее обследование для работы с такими пациентами, как я уже упомянул, в поликлинике, действует особый регла.

248: Добавлю только, что важную роль имеет, играет, и онколог, который тоже имеет доступ к сервису через свой личный кабинет, тоже видит результаты опроса, мнения и мнение искусственного интеллекта и может с ним согласиться или нет.

249: Эти данные также позволяют уточнить работу сервиса и для следующих пациентов. Все эти сведения мы собираем в формате отчётов, в которых мы регулярно отслеживаем эффективность проекта. Это нам очень помогают коллеги, наши коллеги с

250: Которым последние полгода мы активно работаем над повышением выявляемости. В заключение скажу пару слов о наших планах по развитию процесса. Для себя я выделил 3 уровня перспектив. На 1 это концептуальном мы на

251: Намерены продолжать развитие сервиса как проактивного инструмента, приглашение пациентов к прохождению, диспансеризации профилактических осмотров, а с точки зрения технических планируем интегрировать с медицинской информационной системой.

252: Это позволит анализировать не только ответы пациента, но и данные его электронной медицинской карты с анамнезом, с историей болезни и другими важными сопутствующими заболеваниями, при том, что мы уже имеем интегрированную электронную медицинскую карту.

253: В регионе, наконец, в части качественного и количественного масштабирования тоже мы намерены дойти до 10000 анкет, по нашим подсчётам, позволят сформулировать уже какие-то не какие-то промежуточные, а серьёзные первые выводы, чтобы

254: Ощутимо усовершенствовать профилактическую службу. Благодарю за внимание. Готов лично поделиться внедрением нашего проекта. Спасибо.

255: Коллеги, есть вопросы, пожалуйста.

256: Позвольте уточнить, а в каком виде анкета была представлена у вас для пациентов? А в каком виде анкета анкета представлена для пациентов в электронном виде в приложении в телефоне? Я вот только не смогу ответить, когда вот там про, про чёрный

257: Про про вот эти, как его сказать, скажем так, пациент выбирает варианты ответов, да, пациент выбирает варианты ответов. Можно встречный вопрос. Тогда почему выбор пал на нейросети тогда?

258: На что? На нейросети? Искусственный интеллект. Да, я думаю, что да, собственно, мы до этого, да, работали модели искусственный интеллект позволяет. Вот.

259: Но искусственный интеллект позволяет нам оценивать точность работы сервиса и расставлять каждый раз при. То есть мы отслеживаем полученный диагноз, выясняем, что набор предикторов определённый, да, у определённого пациента с возрастом, анамнезом и прочим

260: Имеет определённый вес, да, в качестве подозрения на зно при подтверждении диагноза мы этот вес можем, например, этих предикторов увеличить. Ну, искусственный интеллект это делает самостоятельно, обучается или уменьшить. Если диагноз не подтверждается, для этого нужен искусственный интеллект, чтоб

261: Постоянно менять вес предикторов. Ну, нужно уточнить, да, естественно, сейчас, что мы получили регистрационное удостоверение. Сервис зафиксирован, обучен и зафиксирован в том состоянии, в котором он сейчас есть. Спасибо за ответ.

262: Простите, пожалуйста, а какой стадии были заболевания у этих пациентов, которых вы выявили с помощью анкеты на 1 стадии? Ну, все-таки, если у человека есть симптомы, это означает, что опухоль достаточно значимого размера, опухоль инситу неопре.

263: Делить по жалобам. Ну мы его, мы этих пациентов обследовали, но самое главное то, что не мы этих пациентов выявили не в запущенных стадиях. 2 момент. То, что эти пациенты, я уже подчеркнул, то, что трое из этих

264: Пациентов не были в поликлинике. А если, то есть они и с кем они подписывали тогда информированное согласие. Вот на этот момент у него ещё нет лечащего врача, он проходит в открытом контуре оо, да, в открытом контуре, там необязательно. И

265: Для него это обязательно перед приёмом пройти. Это было не, не перед приёмом проведено. Если мы об этих пациентах говорим, это было проведено через соцсеть. Это было расположена анкета на сайте, то есть

266: В открытом доступе и в том числе у ритейлов. Вот просто, например, если я хочу прийти к терапевту для того, чтобы взять справку для бассейна, а меня попросят заполнить анкету, я заполню её так, как надо.

267: Пациенты сидят около перед, я понимаю, да, то есть у пациента тоже есть свои цели, и он может с помощью анкеты реализовать свои цели, свои цели, да, да. И эти цели не могут, могут быть не связаны никак с онкологией, он может

268: Хочет скрыть этот факт. Мы просим пациентов. Не, это не обязательно для пациентов. Это мы просим пациентов заполнить анкету перед приёмом, и сами пациенты выбирают, но я вам могу сказать, что это достаточно высокая приверженность пациентов.

269: Никто особо не отказывается. Ну, мы сидим, ожидаем, заполнили. Это очень просто. Я сам проходил. Ну вот, он просто отобрал 255, из которых опухоль подтвердилась у 5, да, как бы, а нагрузка на здрав.

270: Охранение таким образом, наверное, увеличилось, ведь это же теперь, если кто-то тебе заподозрил и сказал, что оно там есть, то ты должен теперь доказать, что этого там нет. Ну у нас есть же ещё и анкетные скрининги в бумажном варианте.

271: Кто их когда вообще анализировал и как мы цифры, вот как вот вообще все вопросы происходят и здесь мы имеем возможность контролировать. Мы же говорили о том, что на первичных этапах мы понимали, что

272: Такие-то, что вы, вы задаёте вопросы, что мы часть фильтров расставили отчётов, когда и были такие пациенты, были такие, как бы, ну, мы понимали за 30 секунд, за 20 секунд.

273: Анкета бывала заполнена, то мы понимали, что эта анкета, ну, не будет она, то есть анкета в среднем 4, 5 минут, она не будет никакого веса иметь, и она не учитывается. Либо мы спрашиваем,

274: Как это было заполнено, либо убеждаем пациента, а хочет ли он ещё раз пройти? Потому что это, в принципе, достаточно важно. Я думаю, такое тоже есть. Давайте ещё 1 вопросик. Здравствуйте.

275: Такой вопрос. Вот хорошо. Из тех, кого заподозрили вы там, да, провели их, обследовали. А те пациенты, у которых не было подозрений, вы их просто отсеивали и все. Никаких дальше манипуляций с ними не делали. Какова вероятность там наличия рака?

276: Onco, да, чувствительности такие пациенты, они же проходят в рамках профилактических осмотров и диспансеризации. Другие виды исследований нет, это только маленькая анкетирование, это только маленькая часть, но ещё

277: Мы говорим, мы же не говорим, что у нас окончательные результаты. Мы говорим о том, что и доступ к сервису имеет, и врач онколог, он просто мы просим на данном этапе просмотреть некоторые моменты, где есть сомнения, где просто не будут

278: Сейчас это по возможности, чтобы оценить данный результат, когда есть изменения в медицинской карте. Под, мы же анализируем ещё и медицинскую карту.

279: Совокупность даже тех, у кого ничего не подозревается, да, по результатам анкета, по сути, анкета же это просто фильтр. Набрав ты какое-то количество баллов. Совершенно верно. То есть, если пациент не нашли ничего, он доволен, ответил на анкету, он доволен. Все норм.

280: Нормально. Там какая-то вероятность же все равно существует того, что 1 стадия, простите, ативность 1 из принципов 4 п. Как бы спасение утопающих дело рук самих утопающих. Ну да, получается нагрузка.

281: Анатолий Михайлович, вам спасибо огромное. Спасибо. Ну, видите, я рад, что такой интерес охватил анкетами. Хорошо, не охватил плохо, да? Ну, это ещё 1 инструмент, это 1 инструмент, который, ну, мы все прекрасно знаем, что запол.

282: Нет, анкеты, врачи на это тратится достаточно. Это вот такая рутина, это мы, это вопрос экономии ресурса и времени. Для меня это самое главное, чтобы это не случилось на приёме, потому что мы говорим об экономии ресурса врачебного, прежде всего, не загружать врачей тем,

283: Что они не должны, они должны лечить прежде всего, а не заниматься там вот, вот этими вещами. Спасибо. Спасибо вам большое.

284: Коллеги, у нас следующий доклад. Фирма всд профин Роман Владимирович, вы название доклада назовёте. Все.

285: Тяжело. Здравствуйте. Меня зовут профин Роман Владимирович, я инженер разработчик компании всд, которая

286: Предоставляет свою медицинскую информационную систему в более чем 40 медучреждений петербурга. Тема моего доклада применение методов искусственного интеллекта в задаче обхода врачей в поликлинике.

287: Сегодня существует множество различных моделей машинного обучения, среди которых chat, gpt, дипси, GigaChat и так далее. Такие большие модели могут решать большой спектр задач от

288: Анализа текста до генерации изображений и так далее. Однако существуют различные узкоспециализированные методы машинного обучения, которые, не извиняюсь, искусственного интеллекта, которые не требуют этапа обучения для своей работы 1.

289: Из таких методов метод отжига будет упомянут в моём докладе.

290: Представим, что пациенту необходимо пройти некоторое количество врачей в поликлинике, например, в процессе диспансеризации на слайде показан интерфейс записи пациента к нескольким врачам, и задача состоит в том, чтобы сформировать после этого

291: Посещения врачей таким образом, чтобы он потратил как можно меньшее время и прошёл как можно меньшее расстояние. Последнее особенно важно, так как медучреждение посещают маломобильные пациенты, для которых расстояние

292: Является критичным.

293: Если врачей, например, 2 или 3, то такая задача является простой, однако если их 5 или 7, или больше, задача сильно усложняется, так как необходимо учитывать не только расписание врачей, но и расстояние между кабинетами.

294: Такая задача может быть решена множеством способов. Например, если у каждого врача по 10 номерков, то с помощью алгоритма полного перебора для 3 врачей эту задачу можно решить за

295: Итераций для 5 врачей за 1200, для 7, за 50000, для 10 уже более 36000000 итераций. Большое количество вычислений скажется на скорости и производительности системы.

296: Поэтому предлагается использовать 1 из алгоритмов искусственного интеллекта метод отжига, который можно настроить таким образом, чтобы поиск решения требовал гораздо меньшее количество ресурсов. Например, здесь показано, что в случае 10

297: Врачей ответ можно получить всего за 10000 Шагов.

298: На данном слайде схематично представлена схема работы алгоритма в его начале выбирается некоторая случайная последовательность посещения врачей, которая далее становится более оптимальной, и в конце работы она обычно представляет собой близ.

299: К точному решению решения.

300: Здесь представлен снова интерфейс записи пациента к нескольким врачам и для того, чтобы воспользоваться реализованным алгоритмом. Пользователь системы, например, сотрудник регистратуры должен выбрать

301: Дату посещения интервал посещения и врачей, которые нужно посетить. Далее система подсветит вычисленную последовательность посещения, и пользователю останется только выбрать эти номерки.

302: На этом у меня все. Спасибо за внимание.

303: Вообще, на самом деле удобная штука. У меня ребёнок из детской поликлиники во взрослую переходит. Сейчас, сегодня пошёл тоже в поликлинику осмотр делать всех врачей. То есть такая штука полезная вещь. Спасибо большое. Коллеги, вопросы есть?

304: Давайте. Здравствуйте. Уже внедрили в своих медорганизациях, да, в 3 поликлиниках. Если быть точным, это городская поликлиника 71 100 и 109. Хорошо, спасибо.

305: Спасибо большое. Удачи вам в работе. Спасибо. Коллеги. У нас следующий докладчик, Стрельченко Дмитрий Сергеевич. Нету у нас, да, открытый бизнес есть. Есть, пожалуйста, здесь просто смотрю.

306: Табличка лежит, человека нету.

307: Аналитика данных медицинской организации. Да, вам слово, коллеги, добрый день. Спасибо большое, что вы пришли, вы слушаете наше выступление? Да, действительно, мы поговорим о кликер. Вот он, да, мы поговорим об

308: Аналитики данных поделимся нашим опытом. Мы с олегом представляем компанию системный интегратор России, открытые бизнес технологии. Ну вот такой тезис простой. Я думаю, вряд ли с ним стоит спорить, что да, действительно принимать ре,

309: Решение эффективно, можно только на основе проверенных данных, но когда мы говорим об этом, сразу же возникают несколько таких вот коварных и иногда неудобных вопросов. Во первых, а мы

310: Обрабатываем все данные. Мы уверены, что это все данные, а мы уверены в их актуальности. И мы вообще доверяем этим данным, откуда мы знаем, что они верны, да, и, соответственно, а эти данные доставляются до всех руководителей одинако.

311: Образом. То есть все руководители в нашей команде обрабатывают одни и те же данные. Соответственно, вот такая вот цифра это проблематика, это данные центра маккинси 70% и даже больше данных не используется.

312: Компании. При принятии решения, вы представляете, вы собираете данные, у вас масса информационных систем, а они просто не используются по разным причинам. И, соответственно, наш ответ это биосистема, которая как раз именно на этот вопрос отвечает.

313: Биай система обеспечивает обработку всех данных, она делает их актуальными. Соответственно, она вызывает доверие к этим данным и, соответственно, она делает их одинаковыми. Мы считаем, что биай это реальный инструмент.

314: Управление для руководителей медицинских организаций. Ну, при 1 условии, что если биай правильно внедрять, а мы умеем внедрять биай, у нас есть несколько кейсов. Соответственно, на слайде перечислены несколько

315: Таких ключевых условий, да, что мы работаем с заказчиком, мы встраиваем биай в it ландшафт организации, ну и, соответственно, руководители обучаются работе с биай и it служба на нашей стороне. Вот обратите внимание.

316: Есть 4 уровня зрелости при внедрении биай. Чаще всего мы сталкиваемся с тем, что отдельно взятые творческие личности пользуются биай как инструментом личной эффективности. Когда мы проходим стадию пилота, мы говорим о том, что у нас рабо

317: Работает отдел и получается с этого эффективность на 3 уровне. Мы понимаем, что решение принимает руководитель, его команда. И в идеале мы объединяем все данные медицинской организации. Так вот, наша компания офигенна тем,

318: Что мы проходим путь от 1 до 4 шага. Мы знаем, как его проходить, и мы гарантируем, что мы это сделаем. Соответственно, наша 1 строчка аудит плюс выстроенный родмап, позволяющий пройти с 1 по 4 шаг, и

319: Нижняя строчка это просто напоминание о том, что мы работаем с полноценным интерпрайз решением. Здесь безопасность, наличие в реестре отечественного по и так далее, и так далее. А вот вишенка на торте, все нюансы. Я сейчас

320: Передам слово Олегу, и он поделится с вами то, что мы сделали сверх этого вперёд.

321: Да, спасибо. Вообще, с чего началась эта история, если откатиться, скажем так, от потребности в биай, это встал вопрос к доступу к данным. Вот в том году к нам обратились, пока что скажу, что and компания

322: Да, основная потребность была в чем? Аналитика, да, но трудность была в доступе к данным. Была медицинская система, данные не отдаёт база закрытая. Апи, нету. Ну, по сути, можно было бы сказать, на нет и суда нет. Ну и разбежались, вот посидели пару.

323: Вечеров вспомнили, что был у нас смежный кейс и, скажем так, soft немножко старый, но его решили пересобрать под новую историю, что получилось по итогу.

324: Назад, да, что получилось по итогу мы реализовали коннектор, который подключается к медицинской системе независимо от того, есть у неё открытое апи, нету, нету открытого api открыта база данных, не открыта, он

325: Так или иначе, подключается к этой системе, выгружает отчёты пользователя в хранилище на базе посгреса и автоматически перестраивает данные отчёты к удобно вармом формату к базе данных и дополнительно запускает цикл обработки.

326: Внутри базы данных операций, которые служат для сме объединения данных из разных систем. В нашем случае это объединение идёт за счёт интеграции с битриксом, то есть выгружаются данные из медицинской системы и производится объединение с данными.

327: Из битрикса 24. И плюс ко всему сделано универсальный, скажем так, справочник соответствий сделан именно для того, что в каждой системе так или иначе могут отличаться названия должностей, названия фио, ну.

328: Где-то могли просто напросто ошибиться буквой. Для этого сделано открытый справочник, который заказчик может своими силами дополнять, корректировать, что, в свою очередь, даёт ему возможность самостоятельно поддерживать обмен и взаимосвязь между данными.

329: 2 момент почему?

330: Да, что ли, да, интеграция с битрикс, но здесь мы не остановились на том, что просто забрать данные с битрикса. Мы захотели ещё и отдать данные в битрикс. Зачем, когда заполняется карточка по обращению пациента? Но

331: Или же старого необходимо выбрать необходимые поля по врачу, то есть выбрать фио врача, к которому записан пациент, и тут опять-таки слишком часто возникали ошибки с тем, что неправильно заполнено фио плюс ко всему.

332: Легче было бы выбирать пациентам, будь это полный список наших пациентов из системы медицинской системы. И, следовательно, что мы сделали? Мы реализовали возможность выгрузить справочник пациентов из медицинской системы и пере.

333: Кинуть его в битрикс тем самым, когда менеджер получает звонок от пациента, записывает его, он может выбирать по id и фио пациента, нужного, тем самым исключается риск того, что будет допущена ошибка при записи пациента.

334: Вот 2 момент это доступ закрыт, да, это выгрузка из этих систем. Позволение работать с данными независимо от

335: Скажем так, самого отчёта. То есть у нас данные в системе в базе данных накапливаются в дальнейшем это даёт возможность нам, а прогнозировать данные и удешевляет любую интеграцию. Почему, если примерных цифр

336: В цифрах говорить, то интеграция с системой будет стоить, ну, допустим, 100 ₽, интегрироваться с базой данных будет стоить 10 ₽. Всегда интеграция напрямую с базой данных неважно отдать. Хотим забрать дешевле, нежели с готовым приложением.

337: Плюс ко всему убирается нагрузка на само приложение. То есть любая интеграция с приложением, так или иначе, независимо от объёмов ограничений, чуть по чуть будет нагружать его. Используем обмен с базой данных, которая внешняя. Мы исключаем любую нагрузку на

338: Систему и тем самым даём возможность работать со своими данными в любое время суток, невзирая на нагрузки.

339: Да, это была клиника пластической хирургии, с кем мы реализовали. И по итогу время подготовки отчётов на 85 сократи на 85% сократилось, и дополнительно мы ещё сделали. Не знаю, как поинтереснее это сказать.

340: Справочник мы знаем вот что считается так нигде вы это не найдёте в методологии, но мы знаем, что считается так аналогично. На стороне базы за счёт пациентов, за счёт врачей реализован справочник этой логики.

341: Условно будем называть, мы знаем, как и в этом справочнике как раз-таки прописывается логика, что, условно допустим, врач Петров при выполнении энной услуги должен получить на свой баланс, допустим, 50% от суммы, потому что мы знаем. Так вот,

342: Следовательно, когда последующие формирования отчётов на основе, например, выполненных услуг полученных денег будем формировать за счёт этой таблички, мы сможем получать всегда корректные цифры, не требуя ручной подбивки отчётов.

343: Так, да, и просто они формализованы в виде презентации. Ну, можно, да, я не привык особо с презентации читать, обычно все по памяти рассказываю, поэтому так, ну, про цифры немножко поговорим, да.

344: Насколько мы это все сократили, то есть если до этого выгрузка проходила по готовым экселем из миски, потом эти эксели могли уже мержиться вместе и получать итоговый отчёт, но все это делалось вручную, соответственно, в дальнейшем.

345: Все это будет автоматизировано и уже используется, ну, пока что на, скажем так, тестовых данных, но это уже работает 2 момент. По каждому из отчётов, которые формируются раз в месяц. Аналогичное прошло сокращение примерно

346: На полчаса до этого тратили время, сейчас это все тратится 5 секунд и без участия человека все автоматически собралось, сформировалось и по сути осталось только зайти на дашборд и получить итоговую картину, хотя в целом можно и не заходить, можно в целом подключить обычно.

347: Почтовый сервис, который будет просто по почте рассылать заинтересантам данный отчёт. Так, и пум пум, пум. Ну, по времени, да, подготовки. Также лабораторию 3 дня формировали. Теперь по 5 минут за счёт того, что большой объём

348: Данных выгружается. Ну плюс - 5 минут, он выгружается. Формирование его моментальное по маркетингу 3 часа стало 0 секунд. Ну, там данные гораздо легче, проще. И поэтому выгрузка занимает немного времени.

349: Ну, точка правды. Тезис такой интересный. Это мы столкнулись с таким тезисом, когда обсуждали, скажем так, еженедельные совещания. И тут, оказалось, оказалась такая ситуация, что когда есть разные системы, и особенно

350: Разные экономисты. На совещании бывает разные точки правды. 1 пришёл с 1 1 отчётом, другой пришёл с другим отчётом. У каждого цифры разные. Расхождение может быть самое разное. То есть неактуальная выгрузка, может быть формула у кого-то другая. Вот

351: И всегда могла быть такая проблема. В этом же случае система 1 единая, расчет один и тот же. Соответственно, на любом из совещаний все цифры у всех абсолютно точные, одинаковые. Вот точность прогнозов, лабораторных исследований, да, то есть опять-таки понимаем,

352: Что все, все данные складируются в 1 месте. Эти данные проверены. Вот, то есть врачи предварительно проверили его целиком и полностью, и после чего могут построить систему прогнозирования и быть уверены, что эти прогнозы отвечают и постро,

353: На базе собственных данных.

354: Про емейл расчёты, да, я уже рассказал, что это удобная доставка, так как не всегда есть возможность, допустим, взять компьютер, ноутбук, а электронная почта у нас доступна всегда с телефона. Зашли, открыли тут же пдфку, посмотрели фактуру. Вот.

355: Плюс ко всему, кто у нас отвечает за сборку отчётов, это экономисты, аналитики. Следовательно, когда мы тратим ресурсы данных отделов на подготовку отчётов, ну, как минимум в неделю, тире в месяц мы порядка 10 тире 20 их времени просто впустую.

356: Сжигаем. Вот, следовательно, в данном случае, когда мы автоматизируем полностью сбор данных и подготовку отчётов, мы освобождаем время аналитиков и они могут заниматься своей работой, анализировать полученные данные.

357: Ну, как, к примеру, да, пару дашбордов. Это у нас, по моему, отдел для аналитиков, если я не ошибаюсь, да, то есть здесь мы выделили ключевым блоком 1 линии, это линия тренда. Ау, а, да.

358: 1 линией мы выделили линию трендов, то есть это цифры ключевые, которые легки для восприятия, зашли на дашборд, увидели ключевые точки чуть ниже у нас уже идёт динамика показателя в разрезе месяцев и с возможностью провалиться до уровня дней.

359: Ну а чуть ниже идут у нас классические таблицы, потому что для любой аналитики в целом таблицы важны и легче гораздо пользователям потреблять данные отчёты. То есть зашли на дашборд сверху мы видим блоки фильтров, которые мы можем в моменте отфильтровать. Нам не надо ждать пока

360: Сколько? 10, 15, 20 секунд сформируется отчёт. Система построена на базе кликхауса, поэтому формирование и переформирование по нужному фильтру происходит там в течение 3 тире 4 секунд.

361: Вот, ну и 2 блок аналогично вывели ключевые цифры в левой части экрана. Вот чуть правее мы вывели динамику, и потом уже Шёл кольцевые диаграммы. Это анализ по группам. Вот, и также в правой

362: Части экрана мы видим наглядно раздел по врачам. Вот что даёт. Мы по сути на 1 экране сейчас саккумулировали огромные отчёты и видим их в моменте. То есть нам не нужно перекликивать на другие вкладки, на другие таблицы. Мы по сути,

363: С 1 экрана считываем всю информацию и плюс считывает. Выстроено это таким образом, чтобы нашим, нашему мозгу, нашим глазам легко было это воспринимать. То есть читаем мы откуда слева направо, сверху вниз, также и здесь начинаем сверху вниз, слева направо увидели.

364: Сначала ключевую информацию, она Лёгкая для восприятия. Это одни цифры. Вот дополнительно прошли на динамику, посмотрели относительно текущего и прошлого года. Как мы идём, снижаемся, повышаемся и анализ по группам.

365: Уже чуть посложнее пошли цифры. Вот. И чуть ниже, ниже, ниже смотрит, и смотрим. И вся эта информация, плюс взаимосвязанная, и плюс ко всему все эти, скажем так, графики, они взаимосвязаны. То есть, условно говоря, вижу я после

366: Показатель здесь достаточно у меня по текущему году просевший. Я могу просто кликнуть на него мышкой, и весь дашборд у меня уже перестроится и применится фильтр для каждого виджита. И я посмотрю уже следующий разрез. То есть в данном случае я могу провалиться на уровень направлений.

367: И все остальные виджиты, в том числе у меня отфильтруются

368: В целом у меня все, да, всем спасибо.

369: Спасибо большое. Коллеги. Есть вопросы к нашим коллегам. Ну, вы на выставке здесь же. Да, да, да. Ну, поэтому можно подойти вживую, посмотреть и решить, че делать дальше. Да, пожалуйста, подходите. Живые. Все. Спасибо большое. А, внедри.

370: У вас в Питере, да? Или или населений? Ага, в том числе компания. Все понятно. Центр пластической хирургии. Все по честному, все, все внедрено, все данные собираем, стремимся к тому, чтобы 100% использовать. Молодцы. Удачи вам в работе.

371: Спасибо, коллеги. Ещё 1, пожалуйста, доклад Обливальный. Николай Дмитриевич. Есть у нас отлично. Контакт центр нового поколения.

372: Здравствуйте. Вопрос к организаторам. Что у меня по таймингу сколько есть времени? Ну, давайте. 10, 15 минут. 10, 15 минут. Хорошо. Итак, всем спасибо, что пришли на последний доклад. Понимаю, тяжело, но я постараюсь кратко, но

373: Максимально интересно. Я буду рассказывать про современные контакт центры. Меня зовут Николай Обливальный. Я руководитель отдела разработки в центре технологий искусственного интеллекта компании интерсвязь. Пару слов вообще о компании интерсвязь. Кто это и откуда это это?

374: Провайдер интернета в челябинской области федерального значения. У нас больше 1000000 пользователей, только в нашем мобильном приложении огромная абонентская база. И все это значит 1, что нам постоянно звонят люди и рассказывают, чем они недовольны или довольны.

375: И работы с этим очень много. Собственно, поэтому компетенции много. И хотелось бы сегодня с вами поделиться в 1 очередь нашим опытом, что мы выделили для себя. Поэтому я расскажу о стандартных подходах, что работает на клиентах, на что каждый инструмент влияет, какой

376: Из них можно использовать, конечно, расскажу про супер тренд. Это большие языковые модели, как их использовать здесь и сейчас, и немножко там вкратце про наш продукт. Итак, поехали. Начнём, естественно, с проблем. Любая проблема контакт центра это его цена очень

377: Очень дорого. Естественно обрабатывать обращение. Каждая минута с каждым годом растёт, все дороже и дороже становится. И нам нужно постоянно бороться с тем, что цена растёт. Мы должны её уменьшать. Цена 1 минуты работы. Контакт центра 2 проблема.

378: Это неравномерная нагрузка. Я думаю, вам всем знакомо, что в 8 утра, когда открывается поликлиника, шквал звонков, вечером их почти нет нанять огромное количество операторов, чтобы они обрабатывали все звонки утром и держать такой же штат вечером. Ну, не имеет смысла. Это

379: Должна быть гибкая система. Ну и, конечно же, это лояльность клиентов, удовлетворённость. Их современный клиент очень избирателен. Он любит коммуницировать только в тех каналах, где ему комфортно, он обязательно оставит какую-нибудь обратную связь и не дай Бог, жалобу ещё куда-нибудь напишет. Поэтому на это нужно

380: Точно уделять много внимания. Так, давайте рассмотрим потребности клиента в некой такой знакомой нам всем пирамидке, где на базовом уровне находится, в принципе того, что человек может вообще обратиться куда-то в техническую поддержку. Возможно, кто-то сталкивался с тем, что есть проблема, вы даже не знаете.

381: Куда позвонить, куда написать так что это вот низший уровень у нас есть куда написать. Далее мы можем выслушать человека, мы можем проявить какую-то экспертность для того, чтобы решить действительно его проблему или попытаться. И чем мы эффективнее и быстрее её решаем, тем лучше. И вот мы

382: Уже с вами подходим к финальным верхушкам этой пирамиды, где мы начинаем не просто решать проблему. Мы проявляем эмпатию, заботу о нашем потенциальном клиенте, пациенте и в результате добиваемся из даже, возможно, проблемного диалога. Успех человек уходит с улыбкой с поззи.

383: Настроением это верхушка, которую мы можем с вами забрать. Вот давайте рассматривать все остальные варианты автоматизации через призму вот такой пирамиды и рассмотримся с самого 1 базового шага, который я назвал уже. А давайте увеличим контакт центр, просто наймём кучу операторо

384: Которые будут закрывать все эти обращения, кажется идеальным решением, что наймём живых людей, они хорошо будут справляться. В результате, что, да, базовая потребность идеально удовлетворена даже на середине. У нас все тоже хорошо. Эффективность, компетентность, но эмпатия падает. Почему?

385: Потому что для того, чтобы обрабатывать шквал звонков, нам нужен огромный штат. Нам этих всех людей надо обучить, посадить и самое проблемное проконтролировать так, чтобы они действительно говорили то, что мы указали в их скриптах, они устают, они ошибаются, они грубят. Ещё бывает, поэтому

386: Эмпатии здесь нет. У нас огромный конвейер в виде операторов, которые перемалывают обращения. На это нужно уделять много внимания, поэтому решение хорошее, но не всегда эффективное. Далее внедрение авиар. Пожалуйста, нажмите кнопочку.

387: 1. Чтобы записаться к врачу всем, нам известная история очень доступна, но вообще неэффективна. Очень много людей, никакого персонального подхода устаревшей технологии. Её сейчас можно использовать для решения, наверное, самых только базовых задач. Поэтому идём дальше.

388: Дальше голосовые роботы. Вот тут уже начинается интереснее, потому что создание голосового робота, основанного на ключевых словах, которые мы сразу прописываем, все формулировки, которые он может говорить. Затачиваемся на определённые фразы клиента и строим огромные схемы сценариев, где

389: Робот реагирует на каждый ответ человека реально эффективный. То есть если потратить много времени и продумать детально весь сценарий диалога, мы заставим клиента пройти по чёткому пути и закрыться тут реально достигать процентов 70, 80 автоматизации, контакт центра, но

390: Такую систему достаточно сложно создать и нужно отдельную компетенцию, как мы называем её войс юикс, дизайнера, человека, который может продумать ход диалога и спроектировать её.

391: И 4 это большие языковые модели, универсальные, можно её даже отчасти назвать серебряной пулей автоматизации это модели, которые способны в реальном времени понимать глубоко контекст и без необходимости создавания сложных схем доводить человек.

392: Человека до его решения проблемы. Что же это за магическая вещь, которая даёт нам полное закрытие всей шкалы потребностей. Это модель, которая обучалась на гигантском объёме данных. Предположим, мы берём всю литературу, весь интернет до 2020 года даём это

393: Модель, она на этом обучается и смотрит сложные зависимости. И что в результате в результате модель не просто может отличить кошку от собаки или да, слово и слово нет, а она понимает контекст, что кошка это совершенно другое животное, оно точно домашнее чаще всего. А собаки это охотничьий

394: То есть она понимает глубину, смысл того, что её спрашивают точно также глубину симптомов, которые примерно человек озвучивает лм. Вполне способна по базовым симптомам понять, какой из врачей нужен лор, или достаточно к терапевту отправить кардиолог или хирург. Она может разгра.

395: Без необходимости нам прописывать ключевые слова, так вот, ллм или большие языковые модели идеально применять в вопросно ответных формах она прекрасно понимает общий контекст и как человека по базовым вопросам прогнать тут даже не нужно ничего настраивать, просто даём им.

396: Список вопросов, список ответов Бац, она работает без дополнительного контекста, она хорошо следит за тоном разговора, то есть если человек в разговоре упоминает техническую речь, какую-то специализированную медицинскую лм. Подстроится и будет ему отвечать теми же терминам.

397: Понятными ему. А если нам звонит бабушка, естественно, она Лора, ухо, горло нос назовёт, она ей это понятней, привычней и дальше пойдёт. То есть мы проявляем эмпатию, мы подстраиваемся под клиента. Ну и персональный подход передачи любых данных о пациенте позволяет его более точно грамотно.

398: Подбирать ответы. Собственно, я хочу вам, чтобы вы, ну, продемонстрировать, как реально осуществляется диалог с лм на слайде, ссылка на наш демо платформу. Переходите там этот номер, можете позвонить, и там вас встретит реально ллм, никакого сценария.

399: Есть большая языковая модель, у которой 1 задача узнать, что есть за компания, какая у вас компания, чем она занимается. А потом, после гудка, она притворяется вашим оператором. Контакт центра в вашей же компании и пытается проконсультировать. Давайте сейчас послушаем.

400: Добрый день. Вы позвонили в компанию медицинский центр. Какой у вас вопрос? Здравствуйте, девушка. Я с лестницы упал, ногу повредил. Не могу ходить. Рекомендую обратиться к врачу для осмотра и получения необходимой помощи. Могу записать.

401: На приём да, запишите, пожалуйста.

402: Пожалуйста, укажите, к какому врачу вы хотите записаться и в какое время вам удобно.

403: А у вас есть травматолог?

404: Да, у нас есть травматолог, когда вы хотите записаться на приём, давайте сегодня в 4.

405: Записываю вас на приём к травматологу. Сегодня в 16 часов. Я думаю, в целях экономии времени вы сами можете пройти, позвонить и поговорить с этим роботом. Можно ему все, что угодно назвать. Там компания ооо рога и копыта. Продаём рога и копыта. Он справится.

406: Поверьте мне, попробуйте. Итак, есть основные мифы, которые часто встречаюсь я при работе с людьми, по вопросам контакт центра, что это очень дорого. Понимаете, любой человек не сможет работать 24 на 7 и

407: Тут уже эффективнее использовать лмл может смасштабироваться как человек не с масштабируется, поэтому вопрос дороговизны всегда упирается во те объёмы, которые у вас есть. Порой, да, 1 2 оператора. Тут нет смысла автоматизировать что-то ллм просто где-то поможет, но если

408: У вас огромный контакт центр. Это, естественно, большая проблема. Это дорого, дорого было разрабатывать технологию, но технология есть, и теперь её внедрить. Достаточно просто указать большой языковой модели задачу, её роль, к примеру, ты

409: Оператор контакт центра такой-то компании. Твоя задача помочь человеку решить вопрос и контекст. Ты работаешь в такой-то государственной поликлинике. Вот регламенты работы. Этого достаточно для того, чтобы сделать 1 шаг. И вот базовый разговор, который вы только что слышали. Я просто сказал, что у нас есть услуг.

410: По записи на приём ко врачу она справилась с этим, потому что она понимает логически, как записать человека к врачу, поэтому это совсем не сложно, и люди не любят роботов. 6 7 лет назад люди не любили роботов, когда они были совсем сложные в использовании, когда они не могли понять.

411: Даже распознать речь адекватно. Сейчас современных роботов, хорошо настроенных, нереально отличить от человека. Мы знаем, сколько мошенников на этой почве появляется, поэтому все встаёт в 1 простой тезис. Люди не любят говорить с плохими роботами, с хорошими роботами. Им нравится говорить они

412: Быстрее решают свои проблемы. Ну и у меня сейчас такой вопрос, кто из аудитории есть контакт центр или, возможно, просто штат небольших сотрудников, которые общаются, звонят, ну, работают с клиентами. Можете сказать, поднимите руку, пожалуйста. 1, 2.

413: Достаточно. Спасибо. Тогда следующая информация для вас. Давайте поговорим, как это внедрять в медицине и что можно использовать базовые сценарии. Все они нами реализованы уже на базе нашей же челябинской области. Это запись на приём к врачу. Вы

414: Врача и много исходящих сценариев, которые повышают пропускную способность поликлиники, банальное приглашение на диспансеризацию весьма и весьма хорошо работает с большими конверсиями. Вот, собственно, список. Большинство наших клиентов, с которыми мы работаем, мы работаем совместно

415: С минздравом челябинской области очень много совместных проектов. Мы входим практически уже в каждую клинику, стараемся зайти челябинской области и работаем вплотную. И также много и коммерческих историй. И это только часть медицины. Как видите, проценты автоматизации очень большие.

416: Ну и они не голословные. Мы можем прям на кейсах подтвердить, дать вам номера, позвонить в эти все клиники. Вы поговорите с ними самостоятельно. Так, в общем, как начать внедрять. А очень просто. Есть платформа наша диалог, которая является комплексным решением, которое мы создавали для, в 1 очередь для автоматизации.

417: Всего контакт центра. У неё есть не только базовые диалоги в голосе с роботом, но и много всего остального, вплоть до аналитики. Как это сделать? Банально заходите, регистрируетесь, выбираете нужный вам шаблон, интегрируетесь с вашей телефонией, просто прокинув сип транк.

418: Если кто-то технари есть, поймут логин, пароль, все настроено, все работает, это действительно в пару кликов делается. И далее мы просто запускаем обзвон с вашей же телефонии. Никакие номера покупать не нужно, идут звонки с ваших номеров и по итогу смотрим, анализируем диалоги и просим.

419: Помочь с их анализом. Есть много шаблонов не только под медицину, но и там у нас ещё ЖКХ, много сфер, с которыми мы взаимодействуем, за счёт чего получается создавать такие сценарии. Благодаря удобному простору простому конструктору диалогов я упоминал схему

420: С голосовыми роботами по сценарию. Вот хороший, эталонный их пример, когда мы просто из логических блоков собираем скрипт диалога, по которому должен пройти пациент, но мы можем её не делать, мы можем выбрать. У нас есть великолепный диалог с ллм и поставить ей прямую задачу.

421: Запиши человека, и она запишет, потому что она понимает, как это сделать. Просто передав базовые инструкции. В ней все по ходу диалога, мы можем прям в реальном времени обращаться в различные системы, сходить в базу данных, взять оттуда информацию о пациенте или, возможно, сходить в

422: Срм систему для того, чтобы там получить эту информацию, либо записать прям вашу мисс информацию по итогам диалога с определённой оценкой или тезисами, которые были сформированы, была ли решена проблема клиента. Вы видите в платформе все обзвоны вами запущены.

423: Очередь, где, когда, какой запустится, в какое время вы хотели его запустить, успевает, не успевает, собственно, и с помощью динамической аналитики отслеживать реальную конверсию в, допустим, запись на приём к врачу. На каждом этапе. Возможно, у нас часто была такая история, что пост

424: Пали звонки на номер телефона, на медицинскую организацию, к которой люди не были приписаны. Частая история. Записать же не можем. Видим там упадок, конверсии. Быстренько настроили переадресацию на нужную поликлинику. Вопрос решился. Мы глобально помогли людям даже

425: Чужой поликлинике по факту записываться переадресую туда, но на этом, честно, мы не остановились сейчас и было про реальность автоматизации контакт центров. Сейчас я хочу вас немножко переключить в сторону мысли о будущем, о будущем цифровизации и про

426: Цифровых сотрудников, поговорить в платформе. Есть раздел база знаний, за счёт которых вы можете загрузить платформу, ваши регламенты, информацию об услугах, информацию о бизнес процессах, да, все, что угодно. Всю ту вещь, которой вы обучаете людей, можете загрузить в виде обычных текстовых документ.

427: Дети, ими будет пользоваться большая языковая модель. Что это означает? Это означает, что в момент диалога она получит информацию из этих документов и сможет точно проконсультировать врача. К примеру, вы сможете создавать цифровых сотрудников. К примеру, ты помощник, регист.

428: Администратора. У нас есть такая-то система для и её инструкцию, допустим, талмут вообще всей этой системы. Как создавать пользователя, как создавать карточки и так далее. Как записывать людей, вы это все загружаете, и ваш администратор через нашу платформу просто как в формате чата спрашивает, а как мне человека?

429: Зарегистрировать здесь, в системе, как привязать полис, как его поменять, и она текстом отвечает ссылками на ту документацию, которая у неё есть. Все это возможно благодаря собственно тому, что здесь есть большая языковая модель, и мы полноценными шажками идём в сторону цифровых сотрудников или сейчас как это

430: Называть ii агентов собственно, вместе с этой нашей платформой можно быстро автоматизировать процессы, ускорять рост эффективности производства и создавать новые рабочие места даже на своей поликлинике итак, уже сказал о том, что есть ряд цифровых

431: Сотрудников. Мы, естественно, двигаемся в сторону улучшения моделей, которые у нас есть, больших языках моделей, и идём в сторону контроля диалогов оператора человека. Даже есть истории, когда мы реализовывали кейсы, когда лм в реальном времени подсказывает человеку, как

432: Кому лучше проконсультировать пациента? Ну, собственно, двигайтесь в новую эпоху вместе с нами переходите по ссылкам, пробуйте. А сейчас я готов ответить на ваши вопросы. Если у кого-то есть прям желание потрогать. У нас есть стенд на 1 этаже возл.

433: Главного зала подходите, создадим прям для вас сразу вашего персонального робота. Готов ответить на вопрос. Спасибо. Коллеги, есть вопросы?

434: Эх о о ой ой ой. Тогда я вас лично провожу к стенду и покажу, и зарегистрирую. Кстати, по личному опыту могу сказать, что когда работаешь с роботом, общаешься. Чем проще ты ему задаёшь вопросы, тем проще.

435: Понять, чтобы он тебя понял. Если ты начинаешь сложную задачу, ни 1 робот не решает, он тебя водит по кругу, по кругу. Потом система выключается и добиться ничего невозможно. И вот большая Искова модель, она действительно позволяет там, ну, более продлить диалог, прежде чем она отключится окончательно.

436: Все верно. Ну, не есть, конечно, проблемы, но вот с большими языковыми моделями работаем. Нужно вот промты вот эти вот, правильно сделать запрос, чтобы получить правильный ответ. Это тоже искусство, оказывается, да, но есть лайфхак. Можно попросить большую языковую модель написать пром для большой языковой модели, чтобы та

437: Хорошо работала. Задача выполнена правильно. Как тестовые задачи для врачей пишет большая модель. Студенты тоже используют большую модель, чтобы ответить на эти вопросы. Скоро мне, получается, учиться будет не надо. Скоро.

438: Спасибо большое, коллеги. Есть вопросы к нашему докладчику. Молодцы. Это действительно полезно, важно и нужно. Спасибо большое. Действительно, здесь очень хорошо, потому что я говорю, обычные роботы там, которые ставят, он задаёшь. О, она понять его не хочет тебя понимать, повторить.

439: Вопрос, пожар. Вопрос. Так, до бесконечности. Но это к медицине не относится. Всякие электрические сервисы. Коллеги, ну мы с вами полностью свою программу выполнили.

440: Всех благодарю за участие в нашем процессе. Завтра, насколько я понимаю, продолжается конференция будет более завтра. Спарм проводит послезавтра метрика. То есть будем работать, будем образовываться. Спасибо большое.