Потенциал больших языковых моделей (LLM) в физической реабилитации после инсульта

Ключевые аспекты применения ИИ-моделей

Чаще всего используются:

• Базовые (большие языковые модели) LLM — способны обрабатывать естественный язык, интерпретировать медицинские данные и генерировать текст, похожий на человеческий.
• Мультимодальные LLM — обрабатывают разные типы данных (текст и изображения).

Появились уже и специализированные LLM для медицины. Например, ChatDoctor или HuatuoGPT, которые представляют собой настройку базовых моделей под профильный контекст.

Основные риски

• «Галлюцинации» — генерация убедительной, но ложной информации.
• Отсутствие повторяемости выводов.
• Усиление предвзятости из обучающих данных.
• Проблемы конфиденциальности и этики.

Потенциал ИИ в реабилитации после инсульта

Анализ научных источников показал, что LLM могут:

• Извлекать ключевые переменные из медицинских отчетов (точность до 94%).
• Локализовать очаги инсульта по тексту отчета (F1-score 0,74–0,85).
• Прогнозировать функциональный исход точнее традиционных подходов.
• Генерировать реабилитационные программы и классифицировать пациентов по кодам МКФ (например, ChatGPT-4).
• Оценивать афазию и определять ее подтипы (на основе лингвистических паттернов).
• Объяснять пациентам патофизиологию инсульта, диагностические процедуры и стратегии профилактики простым языком.
• Помогать в распознавании симптомов и ускорении принятия решений (например, рекомендовать вызвать скорую помощь).
• Интерпретировать данные носимых сенсоров и создавать описания активности из видеокадров терапевтических сеансов.
• Оценивать когнитивные способности (в сравнении с традиционными методами).
• Управлять реабилитационными роботами (объединяя высокоуровневые задачи LLM и низкоуровневую кинематику).

Вычислительный эксперимент

В данном исследовании попробовали оценить, насколько языковые LLM применимы для построения программ реабилитации после инсульта. Использовались две доступные в России модели — GigaChat и DeepSeek, которым были заданы 15 вопросов (например: «Как распознать инсульт?», «Как предотвратить инсульт?», «Каков оптимальный период для реабилитации после инсульта?») и 2 клинических случая по реабилитации.

Результаты

• Обе модели давали корректные ответы без явных ошибок.
• Ответы DeepSeek были более подробными и содержательными.
• GigaChat добавлял библиографические ссылки, среди которых встречались «галлюцинации» (придумывал несуществующие научные статьи).
• DeepSeek иногда использовал английские слова в русскоязычных ответах и допускал опечатки (например, «ходите печенью 30 минут в день»).
• При повторных запросах ответы DeepSeek различались меньше, чем у GigaChat.
• GigaChat использовал международный алгоритм распознания инсульта FAST, DeepSeek — российскую версию УДАР, что может указывать на больший охват русскоязычных материалов.

Выводы

Эксперимент показал, что LLM могут быть полезны в качестве помощника врача — например, для просвещения пациентов или составления примерного плана упражнений. Но они не заменяют живое клиническое мышление и не умеют давать по-настоящему индивидуальные рекомендации. Поэтому без контроля специалиста их использовать пока нельзя.