ИИ выделил 5% пациентов: у каждого четвёртого позже была передозировка

Препринт, ещё не рецензирован · ранние данные

Кратко

Авторы обучили несколько ИИ-моделей анализировать истории диагнозов за предыдущий год и предсказывать передозировку опиоидами в ближайшие 180 дней. Среди 5% пациентов с самым высоким расчётным риском передозировка позже произошла у 25,38%; в отдельной группе медицинских записей модель также показала устойчивость, хотя точность различалась между группами.

Зачем это знать?

Главный вывод касается качества прогноза по медицинским записям, а не реальной пользы для пациентов: пока не показано, что система предотвращает передозировки или улучшает лечение.

Разбор

Авторы брали не свободный текст из историй болезни, а последовательности кодов диагнозов за предыдущие 12 месяцев. Сначала они дополнительно обучали модели именно на таких медицинских последовательностях — это должно помочь им уловить повторяющиеся сочетания болезней и изменения состояния, которые обычная языковая модель может не заметить. Затем модели дообучали на задаче прогноза передозировки в следующие 180 дней. Такой подход сравнили с прямым использованием универсальных моделей без специальной адаптации.

После этого исследователи объединили несколько версий более сильной модели Qwen разного размера. Идея похожа на совет нескольких специалистов: каждый эксперт может замечать свои закономерности, а система решает, чьему прогнозу больше доверять для конкретного пациента. Такое объединение дало более точное разделение пациентов по уровню риска, чем лучший одиночный вариант. Проверка на независимой базе MIMIC-IV показала, что преимущество в целом сохранялось, но его размер зависел от группы пациентов, выбранного порога риска и способа объединения моделей.

Важная деталь: ни одна схема объединения не оказалась лучшей во всех ситуациях. Авторы также увидели, что выигрыш от специального обучения был заметно больше у модели Qwen на 1,7 млрд параметров, чем у Mamba на 2,8 млрд. Это говорит о том, что результат зависит не только от медицинских данных, но и от устройства самой модели.

Ключевые цифры

AUPRC 25,17Это показатель того, насколько хорошо система находит редкие случаи передозировки среди всех тревожных прогнозов; после объединения моделей он оказался выше, чем у одиночной модели.

AUROC 69,49По этой шкале система достаточно заметно отличает людей с будущей передозировкой от остальных, хотя это не означает безошибочный прогноз.

AUPRC 24,47Такой результат показала лучшая одиночная модель до объединения экспертов, поэтому добавление нескольких моделей дало лишь умеренное улучшение.

2 независимые группы медицинских записейМодели проверили не только на основной базе, но и на отдельной базе MIMIC-IV — это снижает риск, что вывод работает лишь на одном наборе данных.

Можно ли доверять

Это препринт на arXiv, поэтому его ещё не проверили рецензенты журнала. Модели оценивали на медицинских записях и на независимой базе, что сильнее одной проверки, но исследование не показывает, что такой прогноз реально предотвращает передозировки или улучшает лечение; кроме того, результат менялся между группами и порогами риска.

Это препринт, поэтому результаты ещё не прошли полноценную независимую экспертную проверку.
Модель проверяли на данных электронных медицинских записей и в независимой когорте, но абстракт не показывает, что её применение улучшает лечение или предотвращает передозировки.
Точность и величина преимуществ различались в зависимости от когорты, подгруппы и выбранного порога риска.

Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено

Источник и детали

ЖурналarXiv (cs.CL)

Дата публикации у нас2 октября 2026 г.

Дата источника30 сентября 2026 г.

ОригиналОткрыть

АвторыMingchen Li, Rohan Pandey, Junhui Qian, Feiyun Ouyang, Sunjae Kwon, Avijit Mitra, Zonghai Yao, Hong Yu