Медицинский AI, который проходит
FDA, MDR и medical-affairs reviewer

Clinical Decision Support

Рекомендательные движки для диагностики, триажа и лечения.

• Предложение дифференциальной диагностики с источником
• Triage scoring с reported sensitivity / specificity
• Актуальные guidelines через RAG (NICE, USPSTF, Минздрав)
• Human-in-the-loop на каждом решении

Medical RAG

Retrieval-augmented generation над вашими клиническими guidelines, протоколами и SOP.

• Цитирование до исходного абзаца
• Редактирование PHI на retrieval и на generation
• Versioned guideline store с provenance
• Многоязычность (RU / EN / HE)

Imaging Triage

Computer-vision триаж и overlays для second-opinion.

• Радиология / патология / дерматология модели
• Saliency maps для clinician review
• AUC / sensitivity / specificity reported
• Калибровка под prevalence клиники

Claims Automation

Payer-side adjudication страховых случаев с объяснимыми отказами.

• ICD / CPT extraction
• Автоматизация prior-authorization
• Denial reason codes для апелляции
• Детекция fraud / waste / abuse

PHI Privacy and Security

Спроектировано под HIPAA / HITECH controls end-to-end.

• PHI де-идентификация (Safe Harbor + Expert Determination)
• Шифрование at rest + in transit
• Access logs + minimum-necessary access
• BAA с model providers

Model Governance

Документация, мониторинг и контроль каждой клинической модели.

• Model card по Mitchell et al. 2019
• Drift detection по клиническим features
• Champion / Challenger flow
• Tracking reportable adverse events

РФ: 323-ФЗ, 152-ФЗ, требования Минздрава

Закон об охране здоровья (323-ФЗ) и врачебная тайна, 152-ФЗ по защите персональных данных (категория - медицинские), требования Минздрава по цифровому здравоохранению и единой ГИСЗ, отчётность Росздравнадзору и регистрация ПО как медизделия, если оно влияет на диагноз.

Израиль: Минздрав, Закон о правах пациента

Закон о правах пациента 5756-1996 (информированное согласие и медицинская тайна), указания Минздрава Израиля по цифровому здравоохранению и вторичному использованию данных, Закон о защите прайвеси и требования INCD по безопасности.

ЕС: GDPR-Health, MDR, EU AI Act

GDPR Article 9 special-category health data, EU MDR для software-as-device классификации, EU AI Act Article 6 / 9 / 10 / 13 / 14 / 15 для high-risk medical AI.

США: HIPAA, HITECH, FDA SaMD

HIPAA Privacy + Security Rule, HITECH breach notification, FDA AI / ML SaMD action plan, 21st Century Cures interoperability.

Точность клинического RAG

Что показывает индустрия: Clinical RAG с retrieval-then-generate над актуальными guidelines показывает 85-92% answer-with-correct-citation против ~70% для plain LLM (BMJ AI 2024 systematic review).

Где входим мы: Цитирование до исходного абзаца, PHI redaction на retrieval + на generation, versioned guideline store - каждый ответ клиницисту traceable.

• Цитирование до исходного абзаца (нет ответа без источника)
• PHI redaction на retrieval и на generation
• Versioned guideline store - reviewable diff во времени
• Построено обновляться под новые guidelines без retraining

Триаж изображений

Что показывает индустрия: Triage AI на CT и chest X-ray показывает AUC 0.90+ для rule-out workflows при калибровке под локальный prevalence (Lancet Digital Health 2024).

Где входим мы: Калибровка под prevalence клиники, saliency maps для clinician review, sensitivity / specificity reported по когорте - presentable model committee'у.

• AUC и sensitivity / specificity reported по когорте, не aggregate
• Калибровка под prevalence клиники (не vendor benchmark)
• Saliency maps для clinician review
• Tracking reportable adverse events

Автоматизация claims

Что показывает индустрия: Payer-side auto-adjudication страховых случаев с explainable denials уменьшает appeal cycle на 30-45% (Bain healthcare ops 2024).

Где входим мы: ICD / CPT extraction, автоматизация prior-authorization, denial reason codes для апелляции, fraud / waste / abuse detection - end-to-end claims flow с audit trail.

• Denial reason codes для апелляции (каждый отказ объясним)
• Автоматизация prior-authorization с rule-based fallback
• Детекция fraud / waste / abuse
• Построено под HIPAA / HITECH end-to-end

Как защищены врачебная тайна и персональные данные пациентов?

Данные о здоровье - отдельная категория и по 152-ФЗ, и по GDPR, и по HIPAA. Де-идентификация и редактирование выполняются дважды - на retrieval и на generation, шифрование работает и at rest, и in transit, доступ выдаётся по принципу minimum necessary с журналом обращений. Размещение данных выбирается под юрисдикцию клиники, а не под удобство вендора.

Кто отвечает за решение, принятое моделью?

Модель не принимает клиническое решение - его принимает врач. Система проектируется как decision support: human-in-the-loop на каждом шаге, каждая рекомендация с источником и уровнем уверенности, а факт принятия или отклонения подсказки пишется в audit trail. Это то, что спрашивает и регулятор, и юрист клиники.

Как модель валидируется на клинических данных?

Цифра вендора не заменяет валидацию на вашей популяции. Мы отчитываемся по AUC, sensitivity и specificity по когортам, а не одним агрегатом, и калибруем модель под реальный prevalence клиники. Дальше работает drift detection по клиническим признакам и champion / challenger.

Как это интегрируется с МИС и лабораторными системами?

Через те же интерфейсы, что уже есть в больнице: HL7 v2 и FHIR для клинических данных, DICOM для изображений, штатные API МИС там, где стандартов нет. Принципиально, что AI встраивается в существующий маршрут врача, а не становится ещё одним окном, куда надо отдельно заходить.

Нужна ли регистрация системы как медицинского изделия?

Зависит от назначения. Если система влияет на диагноз или лечение, она с большой вероятностью попадает в контур software as a medical device - FDA SaMD в США, EU MDR в ЕС, регистрация Росздравнадзора в РФ, AMAR Минздрава в Израиле. Классификацию надо закрывать на этапе архитектуры.

С чего начинается проект?

С выбора одного клинического сценария с измеримым эффектом и с разбора того, в каком виде у вас реально лежат данные. Без этого пилот превращается в демо, которое невозможно довести до production.