Конференции / РОСОМЕД-2026 - Юбилейный XV съезд Российского общества симуляционного обучения в медицине и Международная конференция «Симуляционное обучение в медицине: опыт, развитие, инновации» / «ЛабЧекап-Тренажер»: симуляционная ИИ-платформа для обучения интерпретации лабораторных данных и контролю качества

Актуальность

Клиническая лабораторная диагностика остается ключевым звеном клинической медицины, однако до 2% проб бракуется из-за преаналитических ошибок (гемолиз, липемия, нарушения транспортировки, другие), а существующие системы контроля качества не всегда выявляют скрытые отклонения. Стандартная диспансеризация включает ограниченный набор показателей и пропускает пациентов со скрытыми рисками хронических неинфекционных заболеваний (ХНИЗ): например, 4,3% пациентов имеют повышенный ХС-ЛПНП при нормальном общем холестерине, а 2,4% – повышенный HbA1c при нормогликемии. Дополнительный барьер – недоверие врачей к системам искусственного интеллекта, которые воспринимаются как «черный ящик»; клиницисты не понимают, на чем основан прогноз. Возникает потребность в симуляционных инструментах, которые не только используют реальные клинические алгоритмы, но и делают работу ИИ объяснимой для обучающихся.

Цель

Формирование у студентов, ординаторов и врачей практических навыков интерпретации рутинных лабораторных данных, выявления ошибок лабораторного процесса и осознанной работы с инструментами искусственного интеллекта в клинической практике.

Материалы и методы

Разработка представляет собой симуляционную компьютерную программу (веб-сервис + REST API), реализованную на Python с использованием библиотек машинного обучения (LightGBM, CatBoost). В основе – более 30 валидированных моделей МО, обученных на >2 млн обезличенных лабораторных записей (свидетельство программы для ЭВМ 2025661567).

Входные данные тренажера не ограничиваются предикторами первого этапа диспансеризации (пол, возраст, общий анализ крови с лейкоцитарной формулой, СОЭ, глюкоза, общий холестерин). В сценарии могут включаться данные чекапов, профилактических осмотров и согласованных лабораторных тестов, что позволяет моделировать более широкий спектр клинических ситуаций и приближать учебные задачи к реальной практике.

Дополнительная возможность платформы – импутация ретроспективных данных: восстановление пропущенных значений лабораторных маркеров (например, ХС-ЛПНП, не-ЛПВП) в исторических базах диспансеризации с высокой точностью. Это открывает доступ к качественной ретроспективной картине распространенности дислипидемий и может использоваться в учебных и эпидемиологических задачах.

Тренажер включает три режима: «Виртуальный пациент» (клиническое мышление), «Виртуальная лаборатория» (контроль качества на преаналитическом, аналитическом и постаналитическом этапах), «Исследователь» (изучение важности признаков и границ применимости ИИ). Формат подходит для практических занятий, самостоятельной работы и станций ОСКЭ.

Результаты

На кафедре биохимии РНИМУ им. Н.И. Пирогова под руководством автора защищены три выпускные квалификационные работы врачей-биохимиков, выполненные с использованием платформы. Опубликовано более 50 научных работ, получено более 10 РИД (https://www.elibrary.ru/org_items.asp?orgsid=22231). Студенты освоили полный цикл: от постановки клинической задачи и работы с данными до интерпретации ИИ-моделей и подготовки публикаций. Тренажер показал возможность выявления скрытых рисков ХНИЗ, которые пропускаются при стандартном подходе.

Обсуждение

Ключевое отличие «ЛабЧекап-Тренажера» от существующих симуляционных решений – использование реальных валидированных ИИ-моделей в качестве эталона, а не заранее написанных ответов. Это формирует у обучающихся критическое отношение к результатам систем поддержки принятия врачебных решений и понимание границ применимости ИИ.

Тренажер демонстрирует конкретные кейсы, где ИИ превосходит традиционные подходы. Классическая формула Фридвальда для расчета ХС-ЛПНП не работает при уровне триглицеридов выше 4,5 ммоль/л. В тренажере обучающийся видит, как ИИ-модель обходит это ограничение: точность прогноза ХС-ЛПНП достигает R² = 0,95, а средняя абсолютная ошибка (MAE 0,476 ммоль/л) в 2,5 раза ниже, чем у формулы Фридвальда (1,173 ммоль/л) при ТГ > 4,5 ммоль/л.

Второй кейс – обоснованность назначения анализов. В практике врачи часто назначают дорогостоящие тесты «на всякий случай» (например, ферритин всем пациентам с гипертонией). В тренажере обучающийся учится стратифицировать риски до назначения: если ИИ-прогноз показывает низкую вероятность отклонения, дорогой тест не нужен. В пилотных проектах такая стратификация сократила число необоснованных исследований на 10–20% без потери качества диагностики.

Третий кейс – контроль качества и преаналитические артефакты. Например, при длительной доставке пробы (более 4 часов) АЧТВ может ложно повышаться – и обучающийся должен отличить артефакт от истинного отклонения. Через контрфактуальный режим модель показывает, каким был бы результат при нормальном времени доставки, и рекомендует величину коррекции. Это готовит врачей КЛД к реальной работе с преаналитическими ошибками и снижает число повторных заборов.

Симуляция ошибок лабораторного процесса позволяет отрабатывать навыки контроля качества в условиях, приближенных к реальной практике. Двойное назначение сценариев объединяет подготовку клиницистов и врачей КЛД, которые обычно обучаются раздельно.

Потенциал применения и текущий статус. Тренажёр пилотируется в клиниках и медицинских учреждениях в рамках проекта «ЛабЧекап». В перспективе он может быть интегрирован в учебные программы медицинских вузов, использоваться на станциях ОСКЭ, в системе дополнительного профессионального образования врачей КЛД и клиницистов, а также в симуляционных центрах. Масштабируемость платформы позволяет адаптировать её под разные специальности и уровни подготовки.

Ограничение: тренажер не заменяет работу на реальном оборудовании, а дополняет её.

Выводы

«ЛабЧекап-Тренажер» – отечественная симуляционная компьютерная программа, обеспечивающая практико-ориентированное обучение интерпретации лабораторных данных, контролю качества и работе с ИИ. Тренажер не требует закупки оборудования, работает в браузере и масштабируется на любой вуз или симуляционный центр. Апробация подтвердила образовательную ценность и готовность к интеграции в учебные программы медицинских вузов.