Исследование: врачи и ИИ по-разному оценили языковые модели в реальных клинических случаях
В исследовании принял участие 421 врач семи медицинских специальностей. Их оценки ответов LLM сравнили с результатами такого же числа ИИ-агентов, настроенных на аналогичные профили, что позволило оценить, насколько автоматизированная экспертиза соответствует мнению практикующих врачей.
В отличие от большинства предыдущих исследований, где модели тестировались на вопросах с готовыми вариантами ответов или в искусственно созданных клинических сценариях, ученые использовали семь реальных обезличенных клинических случаев. Врачи и ИИ оценивали ответы пяти популярных языковых моделей – GPT-4o и OpenAI o1 от OpenAI, DeepSeek-R1 от DeepSeek, Qwen-Max от Alibaba Cloud и Claude 3.5 от Anthropic – по шести критериям, включая точность, полноту, логичность, полезность, безопасность и структуру ответа.
Результаты показали, что оценки врачей существенно различались в зависимости от клинического опыта и условий работы. Молодые и опытные специалисты по-разному ранжировали одни и те же модели, а предпочтения также менялись между врачами из разных регионов. При этом совпадение ранжирования между группами врачей с разным стажем составило лишь 3,3%, тогда как у ИИ-агентов этот показатель достигал 76,7% независимо от смоделированного уровня опыта. Это свидетельствует о том, что клиническая экспертиза не является однородной, а качество медицинских ИИ-систем нельзя объективно оценить, опираясь на мнение ограниченной группы экспертов.
ИИ-агенты продемонстрировали высокую согласованность с общими тенденциями человеческих оценок, однако систематически расходились с врачами при выборе лучших моделей. Так, нейросети практически во всех категориях отдавали предпочтение OpenAI o1, тогда как врачи чаще ставили выше GPT-4o и DeepSeek-R1.
По мнению авторов исследования, это показывает, что ИИ способен уловить общее распределение качества между моделями, но не воспроизводит более тонкие различия в клиническом суждении – например, связанные с опытом врача, практической средой и оценкой безопасности ответа в конкретном клиническом контексте. Вместе с тем такие агенты могут использоваться для предварительного отбора или первичного анализа результатов, снижая нагрузку на экспертов.
Этот вывод соответствует общей тенденции внедрения ИИ в здравоохранение. Так, весной 2026 года российский медицинский ИИ-сервис IQDOC сообщил, что врачи все активнее используют такие системы для интерпретации лабораторных исследований, диагностики, выбора тактики ведения пациентов и лекарственной терапии. По оценке аналитиков, ИИ постепенно становится «вторым мнением» и рабочим инструментом врача, помогая быстрее находить клинические рекомендации и разбирать сложные случаи. Однако окончательное клиническое решение и ответственность по-прежнему остаются за специалистом.
