Тезисы РОСОМЕД-2026 - Юбилейный XV съезд Российского общества симуляционного обучения в медицине и Международная конференция «Симуляционное обучение в медицине: опыт, развитие, инновации», Искусственный интеллект в медобразовании

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.

Актуальность

Генеративный искусственный интеллект (ИИ) очень быстро становится повседневным инструментом обучающегося: по международным данным, им пользуются от двух третей до почти 90% студентов. Вузы отвечают либо запретами, либо просвещением, исходя из допущения, что грамотный и этически осведомленный обучающийся ведет себя безопаснее. На больших выборках это допущение почти не проверялось, а в условиях ограниченного доступа к ведущим зарубежным сервисам картина принятия ИИ и сопутствующих рисков: утечки данных пациента, некритичного доверия машине, когнитивной зависимости, изучена фрагментарно.

Цель

Оценить распространенность поведенческих рисков использования ИИ обучающимися медицинского университета, выявить их предикторы и типы пользователей, у которых риски выражены сильнее всего, и на этой основе сформулировать ответ образовательной среды вуза и симуляционного центра.

Материалы и методы

Одномоментное анонимное онлайн-анкетирование студентов 1-6 курсов и ординаторов ЯГМУ (2026 г.). Получено 1282 анкеты, после исключения 105 (8,2%) с паттерном «прямой линии» проанализированы 1177 (79% женский пол, студенты 87,3%, ординаторы 12,7%). Инструмент включал 107 пунктов рефлексивных шкал, полученных адаптацией MAIRS-MS (ИИ-грамотность), GAAIS (установки к ИИ), AMS (учебная мотивация), авторские шкалы саморегуляции обучения с ИИ, воспринимаемых выгод и рисков, приемлемости сценариев и поведенческие индикаторы (используемые сервисы, доступ, оплата, обучение, работа с данными пациента, ошибки ИИ). Анализ включал оценку надежности (коэффициенты α Кронбаха и ω Макдональда), разведочный и конфирматорный факторный анализ, сравнения групп с поправкой FDR, иерархическую линейную и логистическую регрессию, путевую модель TAM + SDT с bootstrap-оценкой медиации, латентно-профильный анализ и сетевой анализ (EGA). Расчеты выполнены в Python.

Результаты

ИИ используют 92,1% респондентов. В условиях ограниченного доступа к ведущим зарубежным ИИ-сервисам структура используемых сервисов отражает обходную стратегию: доминируют бесплатные и легкодоступные решения (YandexGPT/Алиса, DeepSeek), ChatGPT используют около половины; при этом большинство не пользуются платными подписками, институциональный доступ практически отсутствует. Освоили ИИ самостоятельно 92,5%; структурированное обучение прошли 10,8%, в университете – менее 3%, и с уровнем грамотности оно не связано. Надежность большинства шкал находилась в приемлемом диапазоне (ω = 0,71-0,95). Принятие ИИ связано прежде всего с ИИ-грамотностью (стандартизированный коэффициент регрессии β = 0,36) и позитивными установками (β = 0,41), тогда как демография играет меньшую роль; а удовлетворенность – с установками (β = 0,35) и саморегуляцией (β = 0,26). Путевая модель TAM + SDT согласуется с данными (CFI = 0,962; SRMR = 0,053). Латентно-профильный анализ выделил четыре типа: «продвинутые вовлеченные» (22,8%), «прагматичное большинство» (53,4%), «компетентные, но демотивированные» (9,2%) и «скептики» (14,6%).
Данные пациента в облачный ИИ загружали 12,7% (в идентифицируемом виде 1,2%). Шансы такого поведения (OR – отношение шансов) растут с клиническим стажем (OR = 1,98; 95% ДИ 1,64-2,39) и позитивными установками (OR = 1,59; 1,28-1,97); этическая грамотность (OR = 0,93; незначимо) и формальное обучение (OR = 1,02) защитного эффекта не дают. Среди «продвинутых вовлеченных» загружали 18,7%, среди «скептиков» – 8,7%; по терцилям этической грамотности: 11,6, 12,8 и 13,9%. С уверенно-неверным ответом ИИ сталкивались 43,2%, с выдуманными источниками 29,2%; 20,1% сделали из-за ИИ неверный вывод. Признаки когнитивной зависимости: с утверждением «решения, полученные с помощью ИИ, не ощущаются полностью моими» согласны 33,6% (еще 36,2% затруднились), 16,3% признают, что им «лень изучать самостоятельно», 12,7% формулируют диагноз уже после ответа ИИ; хотя бы один признак отмечают 40,0%. Выраженность зависимости и демотивации не связана с интенсивностью использования, но связана с амотивацией; средние баллы максимальны у «компетентных, но демотивированных». Письменные правила использования ИИ в обучении знают 6,7%, 53,9% ими не интересовались, 50,0% не знают, нужно ли декларировать ИИ в работах. Замену стандартизированного пациента ИИ считают допустимой 16,1%, недопустимой или сомнительной 49,4%.

Обсуждение

Рискованное обращение с ИИ сопряжено скорее с компетентностью и вовлечённостью, чем с незнанием: компетентность расширяет репертуар действий, позитивные установки снижают настороженность, а знание того, «как правильно поступать», не переходит в безопасное поведение без формализованных правил и безопасной альтернативы. Уязвимость к когнитивной зависимости определяется не столько интенсивностью использования, сколько сниженной учебной мотивацией. Ограничения исследования: поперечный дизайн, самоотчет, одна организация.

Выводы

Ответ образовательной среды на вызовы связанные с внедрением ИИ не может сводиться ни к запрету, ни к банальному просвещению. Он может складывается из пяти решений: 1). Институциональный безопасный ИИ-контур, снимающий мотив к загрузке данных в облако; 2). Письменные правила и декларация использования ИИ; 3). Дизайн заданий «гипотеза до ИИ», где ИИ выступает оппонентом, а не автором решения; 4). Дифференцированная работа с типами пользователей – для «компетентных, но демотивированных» это поддержка мотивации и саморегуляции; 5). Новый класс симуляционных сценариев, в которых обучающийся безопасно сталкивается с галлюцинацией ИИ и соблазном загрузить данные пациента, с дебрифингом об автоматизированном смещении (automation bias – склонность доверять ответу ИИ вопреки собственному суждению).

Актуальность

Эффективность хирургического чек-листа подтверждена результатами мета-анализа 47 исследований: снижение летальности на 23%, всех периоперационных осложнений на 44%, инфекционных осложнений на 56%. Для травматологии и ортопедии эта проблема имеет особую значимость, поскольку операции часто выполняются на парных анатомических областях, требуют точной идентификации стороны вмешательства, уровня операции, размеров имплантов. Анализ страховых исков по поводу ошибочного места вмешательства показывает, что наибольшая доля таких случаев приходится на ортопедию и нейрохирургию; при этом в 83,8% случаев был нарушен протокол хирургической безопасности. В настоящее время чек-лист заполняется формализовано, вручную. Такое прохождение этапов хирургического чек-листа значительно снижает смысл и эффективность. Также голосовой ассистент помогает молодым хирургам не забывать и соблюдать протоколы хирургической безопасности, проверять и отмечать все критически важные моменты операции

Цель

Повышение хирургической безопасности в операционном блоке при травматолого-ортопедических вмешательствах с помощью системы информационной поддержки на основе искусственного интеллекта.

Материалы и методы

Одноцентровое комплексное многоэтапное исследование выполнено на базе НМИЦ травматологии и ортопедии им. Н.Н. Приорова. Разработан голосовой ассистент с использованием моделей автоматического распознавания речи GigaAM и Whisper, обеспечивающий последовательное прохождение этапов хирургического чек-листа, фиксацию ответов, формирование электронного чек-листа и передачу данных в МИС. Проведена техническая и клиническая апробация. Оценивали полноту и качество заполнения, длительность операций, структуру событий и частоту внутрибольничных периоперационных и инфекционных осложнений.

Результаты

Ретроспективный аудит 208 историй болезни: в 171 (82%) дефектов заполнения не выявлено, в 8 (4%) чек-листы отсутствовали, в 29 (14%) отмечены дефекты заполнения. Наиболее частыми были отсутствие указания на наличие или отсутствие аллергии — 9 случаев (31% дефектов), отсутствие или некорректное указание времени введения антибиотика — 7 (24%), неполное заполнение чек-листа — 6 (21%). В 3 случаях выявлены ошибки в указании планируемой операции, ещё в 4 — другие неточности оформления.
Техническая апробация языковых моделей: всего 318 протоколов. 68 протоколов, обработанных моделью Whisper, 83 — моделью GigaAM и 167 — ансамблевым методом с раздельным распознаванием и последующим объединением результатов. При прямом сравнении Whisper и GigaAM доля протоколов с ошибками составила 36,8% (25 из 68) и 36,1% (30 из 83) соответственно; статистически значимых различий не выявлено (p = 0,92). В структуре ошибок распознавания преобладали ошибки, выявленные словарным методом. Точность распознавания неформализованных ответов составила 97,54%.
Клиническая апробация: 2330 цифровых хирургических чек-листов, сформированных с помощью ГА в четырёх операционных. Первичное и ревизионное эндопротезирование крупных суставов составляло 1142 вмешательства (49%), операции на сухожилиях и связках — 299 (13%), остеосинтез и артродез — 263 (11%), удаление и перемонтаж металлоконструкций — 158 (7%); остальные вмешательства включали резекции и пластику костей, артроскопию, операции на периферических нервах и мягких тканях. выявлено 274 отклонения и нежелательных события (15,4% от числа анализируемых операций): 223 процессных отклонения (12,5%) и 51 нежелательное событие (2,9%).
Для оценки удобства использования голосового ассистента и заполнения чек-листов проведено анкетирование 15 сотрудников Центра, участвующих в операциях, по шкале SUS (System Usability Scale). SUS включает 10 утверждений, оцениваемых по пятибалльной шкале. Суммарный балл варьируется от 0 до 100. Балл выше 80 считается отличным, от 68 до 79 – выше среднего (https://www.sciencedirect.com /topics/computer-science /system-usability-scale). Медиана балла по SUS составила 77,5.
На основании этого исследования подготовлена лекция для ординаторов травматологии и ортопедии и апробирована на ординаторах 1-ого года обучения по специальности 31.08.66 ТО и 31.08.02 АР.

Обсуждение

Голосовое сопровождение позволяет преобразовать хирургический чек-лист из формального документа в цифровой процесс командной верификации с временными отметками и регистрацией отклонений непосредственно в операционной.
В нашем исследовании общая частота отклонений составила 12,5%, из которых на неготовность оборудования и инструментария пришлось 3,7%. Этот уровень видимо следует рассматривать как промежуточный между полным отсутствием регистрации отклонений в «ручных» чек-листах и реальной частотой событий, которые выявляются при очном контроле.
За два десятилетия внедрения чек-листа по всему миру накоплены убедительные доказательства его эффективности, в том числе, в травматологии и ортопедии.

Выводы

Разработанная система на основе голосового ассистента обеспечивает стандартизированное прохождение этапов хирургической проверки, автоматизированное документирование и формирование цифрового регистра хирургической безопасности. Клиническая апробация показала техническую и организационную реализуемость решения в реальном травматолого-ортопедическом операционном блоке. Система может использоваться как инструмент поддержки командной верификации и объективного анализа соблюдения процедур хирургической безопасности.

Второй докладчик: Коньшина Диана Владиславовна, студентка Московского государственного университета имени М.В. Ломоносова (МГУ имени М.В. Ломоносова).

Результаты исследования взяты в дипломное исследование «применение ИИ в цифровой трансформации здравоохранения России». Также данные результаты будут представлены в диссертационной работе на соискание учёной степени кандидата медицинских наук на тему «Система информационной поддержки хирургической безопасности в операционном блоке при травматолого-ортопедических вмешательствах» Какабадзе Нодари Малхазовича.

Актуальность

Курс «Медицинская информатика» для студентов 1–2 курсов включает в себя лишь поверхностное изучение офисных программ и базовых функций компьютера, что делает изучение информатики предельно абстрактным. Для студентов эта дисциплина зачастую кажется либо откровенно скучной, либо, даже при увлекательной подаче, непонятной в плане своей прикладной ценности: они не видят, как работа с данными приближает их к пониманию клинических дисциплин и помогает в диагностике или лечении. Из-за этого выпускники испытывают трудности при работе в медицинских информационных системах (МИС), а опытные врачи воспринимают электронную документацию как бюрократическую нагрузку, что ведет к ошибкам и финансовым потерям.
При этом, кафедры, дающие фундаментальную базу на 1–3 курсах, и клинические кафедры 4–6 курсов, где начинается «настоящая, нужная в будущей работе учеба», зачастую существуют изолированно друг от друга. Формируется эффект «разорванного моста»: цифровые и фундаментальные навыки, полученные на старте, не находят своего логического развития и применения в период клинической практики.
Решением становится модель «обратного наставничества», объединяющая цифровую грамотность студентов с клиническим опытом врачей. Это позволяет студентам увидеть связь алгоритмов с реальными пациентами, а врачам — адаптировать свой опыт к цифровым реалиям.
Для внедрения такой модели необходимы ИИ-инструменты, выступающие в роли мгновенного тьютора и контролера качества. ИИ снижает когнитивную нагрузку, формирует персонализированные программы обучения и гарантирует, что каждый цифровой навык будет неразрывно связан с конкретной клинической задачей

Цель

Оценить эффективность междисциплинарного курса по медицинской информатике для студентов 2 курса лечебного факультета и врачей-терапевтов, разработанного на основе проекта улучшений по диспансерному наблюдению (ДН) пациентов с СД 2 типа, реализуемого на базе ПЦРБ. Курс построен на совместном обучении в паре «студент–врач» с применением ИИ-инструментов в учебной среде МИС

Материалы и методы

В качестве пилотного проекта был разработан и проведен 8- часовой практический курс (4 модуля). В исследовании приняли участие 19 пар «студент 2 курса + врач-терапевт» (всего 38 человек). Обучение строилось на выполнении сквозного симуляционного кейса: от получения электронной выписки из стационара о впервые выявленном СД 2 типа до полного закрытия случая ДН в МИС.
Ключевую роль в курсе играли три ИИ-инструмента:
1. NLP-ассистент (обработка естественного языка): анализ текста в ЭМК, и подсвечивал отсутствие обязательных формулировок согласно Приказу Минздрава № 168н
2. Генеративная модель для создания сценариев: на основе промпт-инжиниринга ИИ генерировал вариативные «сбои» в процессе, обучая пару алгоритмам действий в нестандартных ситуациях.
3. Аналитический дашборд на базе машинного обучения: автоматически оценивал «чистоту» закрытия случая (правильность привязки услуг к коду ДН, полноту заполнения полей талона амбулаторного приема пациентов и правильного заполнения ККДН и выдавал паре скоринговый балл без участия человека-эксперта

Результаты

По итогам пилотного запуска получены следующие данные:
Снижение дефектов: Количество критических ошибок оформления (неверный код, непривязка услуг к ДН, отсутствие записи об осмотре стоп) в финальном тестировании снизилось на 34% по сравнению с входным контролем.
Временная эффективность: Среднее время, затрачиваемое парой на корректное оформление одного завершенного случая ДН в «песочнице», сократилось в 2 раза - до 4 минут благодаря использованию ИИ-шаблонов и горячих клавиш, освоенных в ходе совместной работы.
Синергия обучения: 85% врачей отметили, что студенты помогли им быстрее освоить навигацию в ЕСИЗ и выявить удобные функции системы, о которых они не знали. Такая форма обучения позволила им осознать, как цифровая гигиена влияет на непрерывность маршрута пациента и эффективность работы всей медицинской организации 92% студентов указали, что работа с реальным клиническим кейсом под руководством врача кардинально изменила их понимание важности дисциплины «Медицинская информатика» и сформировало первичные навыки клинического мышления, наглядно показав прямую связь между корректным заполнением электронной карты и качеством оказания реальной медицинской помощи. Роль ИИ: 95% участников высоко оценили мгновенную, эмоционально нейтральную обратную связь от NLP-ассистента, отметив, что это снизило страх ошибки и позволило сфокусироваться на клинической логике, а не на поиске кнопок в интерфейсе.
Реальная ценность заключается и в создании цикла непрерывного двустороннего обмена компетенциями: цифровая гибкость и свежий взгляд студента компенсируют ригидность восприятия новых интерфейсов, а клиническая экспертиза врача превращает абстрактные действия в МИС в осмысленную медицинскую логику. ИИ-инструменты в этом процессе выступают не заменой наставника, а "клеем", который структурирует этот обмен, делая обучение работе с МИС не бюрократической обязанностью, а совместным решением реальных клинических задач

Выводы

Пилотный проект доказал высокую эффективность интеграции модели совместного обучения и ИИ-инструментов в преподавание медицинской информатики. Такой подход трансформирует дисциплину из теоретического курса в прикладной инструмент бережливого производства. ИИ выступает не заменой преподавателя, а масштабируемым «цифровым тренажером», обеспечивающим стандартизацию навыков документирования. Ценность парной работы заключается в переходе от однонаправленного "обратного наставничества" (где студент лишь помогает врачу "найти нужную кнопку") к модели взаимного профессионального обогащения. Студент младших курсов выступает катализатором цифровой адаптации врача, ломая стереотипы о сложности МИС, а врач, в свою очередь, наделяет сухие информатические навыки глубоким клиническим смыслом. ИИ в этой связке выступает "третьим партнером", обеспечивая безопасную, безоценочную среду для экспериментов, где ошибка становится не поводом для выговора, а точкой роста для обоих участников.

Актуальность

Стремительное развитие технологий искусственного интеллекта и их все более широкое внедрение в клиническую практику, обработку медицинских данных, поддержку принятия врачебных решений, организацию здравоохранения и образовательные симуляции формируют принципиально новый запрос к подготовке медицинских кадров.
Одним из наиболее сложных и одновременно востребованных направлений подготовки является дисциплина «Медицинское право», в рамках которой студенты должны освоить не только теоретические основы правового регулирования медицинской деятельности, но и практические навыки разрешения конфликтных ситуаций, возникающих в системе «врач - пациент».
Особую значимость, в практической деятельности врача, приобретает проблема качества оказания медицинской помощи и связанных с ней жалоб и претензий пациентов. Каждая медицинская организация обязана осуществлять внутренний контроль качества и безопасности медицинской деятельности, что предполагает своевременную и юридически грамотную подготовку ответов на поступающие обращения. В этой связи, формирование у студентов высшего медицинского образования компетенций по составлению юридически корректных документов в ответ на жалобы и претензии пациентов, становится критически важной задачей образовательного процесса.
Традиционные методы преподавания медицинского права, основанные преимущественно на лекционных занятиях и разборе теоретических положений, не позволяют в полной мере сформировать у студентов практические навыки работы с реальными конфликтными кейсами. Применение технологий искусственного интеллекта в образовательном процессе открывает принципиально новые возможности для моделирования конфликтных ситуаций и отработки навыков составления процессуальных документов.

Цель

Теоретическое обоснование и практическая апробация методики использования искусственного интеллекта в образовательном процессе студентов высшего медицинского образования для формирования навыков разрешения конфликтных ситуаций с пациентами и составления соответствующих юридических документов в рамках дисциплины «Медицинское право».

Материалы и методы

Материалами исследования послужили:
• нормативно-правовые акты Российской Федерации и судебная практика в сфере здравоохранения;
• учебно-методические материалы по дисциплине «Медицинское право» для студентов медицинских вузов.
Методы исследования включали: анализ научной литературы и нормативной базы; педагогическое моделирование; метод кейс-стади; анкетирование студентов; статистическую обработку полученных данных.
Методика включает три взаимосвязанных компонента:
1. студенту предлагается сценарий, в котором виртуальный пациент предъявляет претензию, связанную с качеством оказания медицинской помощи.
2. студент должен определить, какие нормы законодательства были нарушены и какие документы необходимо подготовить.
3. студент формирует ответ на жалобу или претензию пациента. ИИ-система предоставляет обратную связь по каждому документу, оценивая корректность правовых формулировок, полноту аргументации и соответствие требованиям делопроизводства.

Результаты

В исследовании приняли участие 48 студентов 6-го курса высшего медицинского образования, изучающих дисциплину «Медицинское право». Результаты анкетирования студентов показали:
1. 46 студентов (около 95%) отметили, что ИИ-симуляции позволили им лучше понять практическую значимость правовых норм;
2. 38 студентов (около 79%) указали, что формат симуляции конфликта с виртуальным пациентом способствовал снижению тревожности при подготовке ответов на реальные жалобы;
3. 42 студента (около 87%) отметили, что многократная отработка симуляционных кейсов с вариативными параметрами позволила им выработать устойчивый алгоритм действий.
Оценка качества подготовленных документов (ответов на жалобы и претензии) проводилась по пяти критериям: правовая обоснованность, полнота аргументации, ссылки на нормативные акты, корректность формулировок, структурированность документа.

Выводы

1. разработанная методика симуляции конфликтных кейсов с использованием ИИ позволяет студентам проработать достаточное количество сценариев конфликтного взаимодействия с пациентом, включая ситуации, связанные с жалобами и претензиями по качеству оказания медицинской помощи. Многократная отработка однотипных ситуаций с вариативными параметрами способствует формированию устойчивых навыков правовой оценки клинических ситуаций.
2. ключевым результатом применения методики является формирование у студентов практических навыков составления юридически корректных документов-ответов на жалобы, претензий, возражений на претензии - что напрямую соответствует требованиям профессиональной деятельности врача в условиях современной правовой реальности.
3. интеграция ИИ - симуляций в учебный процесс по дисциплине «Медицинское право» требует соблюдения принципа человекоцентричности: ИИ выступает в качестве вспомогательного инструмента, дополняющего, но не заменяющего преподавателя. Экспертная оценка со стороны преподавателя остается необходимой для верификации юридической корректности подготовленных документов и правовой интерпретации сложных клинических ситуаций.

Актуальность

Об инструментах проверки медицинской документации почти всегда говорят как об обучающих: регулярная обратная связь по своим ошибкам должна со временем сформировать навык. Проверяют это редко — нужен длительный срок и неизменный состав врачей.
Между тем обратная связь, встроенная в рабочий процесс и позволяющая исправить ошибку одним нажатием, устроена прямо противоположно дебрифингу. Она приходит не после действия, а внутри него, и не требует от врача ничего, кроме согласия.

Цель

Выяснить, снижается ли частота выявляемых дефектов протокола при длительном применении системы автоматического анализа, то есть возникает ли обучающий эффект.

Материалы и методы

Многопрофильная клиника, 15 врачей разных специальностей, более 9000 протоколов амбулаторного приёма с 01.03.2026. Система встроена в медицинскую информационную систему, врач запускает её сам — до завершения протокола. Проверка идёт по четырём направлениям: орфография и грамматика; применение медицинской терминологии; межлекарственные взаимодействия; соответствие клиническим рекомендациям. Первое исправляется одним действием пользователя. Остальные три предъявляются как второе мнение — решение остаётся за врачом. С сентября 2026 года добавлен отдельный показатель безопасности лечения. Учитывались доля протоколов с замечаниями каждого типа и доля замечаний, которые врач принял. Данные обезличены.

Результаты

Замечания по орфографии и грамматике система выдавала в 90% протоколов. За шесть месяцев на неизменном составе врачей эта доля осталась прежней. Принимаются такие замечания почти всегда: исправление выполняется одним действием и не требует от врача самостоятельно воспроизвести правильный вариант.
Клинически значимые замечания — терминология, межлекарственные взаимодействия, соответствие клиническим рекомендациям — работают в режиме второго мнения. Врач соглашается с ними примерно в 60% случаев. Оставшиеся 40% отклоняются, и здесь у нас пробел: причины отклонений не разбирались, поэтому обоснованное несогласие специалиста и ложное срабатывание системы в этих цифрах неразличимы.
Итог. Каждый отдельный протокол после проверки становится лучше — грамотнее по оформлению, а в 60% случаев ещё и скорректирован по клинически значимому замечанию .

Обсуждение

Два эффекта — исправление результата и формирование навыка — обычно не разделяют. Наши данные их разделяют: первый достигнут, второго нет.
Причина, по-видимому, в устройстве обратной связи. Исправление одним нажатием убирает усилие воспроизведения; замечание приходит не после действия, а во время него; анализировать ошибку врача никто не просит. Ни одно из условий, на которых держится дебрифинг, не выполняется.
Контур клинически значимых замечаний устроен иначе — решение остаётся за человеком — и обучающий потенциал там может сохраняться. Но пока 40% отклонений не разобраны, оставшиеся 60% интерпретировать невозможно.
Ограничения: замечания системы не проверялись независимым врачом-экспертом; помесячная динамика по каждому врачу отдельно не анализировалась; одна организация, контрольной группы нет.

Выводы

1. Система устойчиво улучшает каждый отдельный протокол: итоговая запись выходит грамотно оформленной, а в 60% случаев врач вносит правку и по клинически значимому замечанию. Частота исходных дефектов при этом за шесть месяцев не снизилась — инструмент работает как поддержка в момент приёма.
2. Обучающий эффект требует другой архитектуры обратной связи: отсроченного предъявления замечания, самостоятельного исправления и периодического контрольного среза без подсказки. Это сейчас в работе .
3. Контур клинически значимых замечаний нуждается в экспертной валидации: без разбора отклонённых замечаний не отличить обоснованное несогласие врача от ошибки системы.

Актуальность

Современное здравоохранение немыслимо без информационных технологий. Электронные медицинские карты, системы поддержки принятия клинических решений, анализ больших данных и алгоритмы искусственного интеллекта стали повседневными инструментами врачебной практики. В России активно развивается Единая государственная информационная система в сфере здравоохранения (ЕГИСЗ), внедряются сервисы цифровой записи к врачу, дистанционного мониторинга и электронного документооборота.

Однако уровень цифровой подготовки медицинских работников не поспевает за темпом технологических изменений. Курс медицинской информатики в российских вузах зачастую ограничен 38–108 учебными часами, преподается на первых курсах, когда студенты ещё не освоили клинические дисциплины, и сводится к изучению офисных пакетов вместо профессионально значимых технологий.

В ПГМУ курс медицинской информатики ограничен 108 учебными часами для студентов второго курса. Студенты, которые обучаются по направлению подготовки "Медико-профилактическое дело", обучаются два семестра (по одному на первом и втором курсе) и получая больше учебных часов. Программа подготовки состоит лишь из базовых обучений: офисные программы, создание игр из конструктора, минимальное программирование.

Таким образом, разрыв между растущими требованиями цифровой медицины и реальным уровнем ИТ-компетенций выпускников делает задачу совершенствования информационной подготовки будущих врачей одной из наиболее актуальных в медицинском образовании.

Цель

Обосновать роль и значение знаний информатики в профессиональной подготовке будущего врача и определить направления их применения в медицинской практике.

Материалы и методы

Сравнительный анализ

Результаты

Анализ литературы позволил выделить шесть универсальных цифровых компетенций, необходимых врачу любой специальности:

* Перестроение программы дисциплины "Медицинская информатика" в ВУЗах России, для поддержки молодых врачей для комфортной работы.
* Переподготовка действующих врачей — изучение нового.
* Управление информацией и безопасность персональных данных — знание юридических процедур защиты данных, протоколов кибербезопасности.
* Использование цифровых систем и клиническая безопасность — работа с электронными медицинскими картами, электронное назначение лекарств, понимание вероятностей системных ошибок.
* Цифровая коммуникация — телемедицинские консультации, передача данных пациента, понимание ограничений телемедицины.
* Управление медицинскими знаниями — оценка качества источников информации, основы анализа и интерпретации научных данных, принципы доказательной медицины.
* Быстрая адаптация к цифровым инновациям — проактивное освоение новых технологий, входящих в клиническую практику.
* Сокращение очередей в поликлиниках — скорость приема, отсутствие необходимости повторного приема для заключения медицинского исследования.

Выводы

Повышение качества медицинской помощи, введение профессии ИТ-врача, сокращение визитов и очереди на прием.

Актуальность

Современное медицинское образование требует методов, позволяющих не только проверять теоретические знания, но и формировать клиническое мышление и навыки принятия решений. Одним из перспективных направлений является применение искусственного интеллекта для создания виртуальных пациентов. Большие языковые модели позволяют организовать интерактивный диалог, в котором обучающийся самостоятельно собирает анамнез, проводит диагностический поиск, назначает исследования и формулирует диагноз. Это особенно актуально при изучении инфекционных заболеваний, диагностика которых требует последовательной оценки жалоб, эпидемиологического анамнеза, клинических проявлений и результатов исследований. В качестве первого клинического направления нами выбрана острая диарея у детей [1–4].

Цель

Разработать модель виртуального пациента на основе технологии искусственного интеллекта для обучения студентов медицинских вузов диагностике инфекционных заболеваний и оценить возможности ее применения в образовательном процессе.

Материалы и методы

При разработке виртуального пациента использовали действующие клинические рекомендации по диагностике и лечению инфекционных заболеваний у детей. Первые клинические сценарии были созданы для пациентов с острой диареей. Для управления поведением модели разработан специальный системный промпт, определяющий последовательность взаимодействия и ограничивающий ответы рамками заданного клинического сценария и рекомендаций.

В процессе обучения ИИ выполняет роль родителя больного ребенка и отвечает на вопросы обучающегося. По мере правильного проведения диагностического поиска система предоставляет дополнительные сведения о заболевании, результаты физикального и лабораторного обследования. После завершения консультации проводится оценка полноты анамнеза, диагностического поиска, правильности предполагаемого диагноза и обоснованности предложенных исследований и лечебной тактики.

Результаты

Модель виртуального пациента, позволяющая формировать различные клинические ситуации при инфекционных заболеваниях. На первом этапе будут созданы сценарии вирусных инфекций (ротавирусной, норовирусной и аденовирусной) и бактериальных диарей различной степени тяжести.
При каждом запуске сценария могут изменяться возраст ребенка, длительность заболевания, выраженность основных симптомов, степень обезвоживания и результаты обследований. Это обеспечивает вариативность клинических случаев и препятствует механическому запоминанию готовых ответов.
В отличие от традиционных тестов и задач, виртуальный пациент обеспечивает свободный диалог и позволяет обучающемуся самостоятельно определять последовательность диагностического поиска. После завершения консультации формируется структурированный отчет, содержащий оценку полноты собранного анамнеза, выявленные ошибки и пропущенные диагностические действия. Использование единых критериев оценки позволяет стандартизировать контроль знаний и уменьшить влияние субъективного фактора.
Разработанная модель также может использоваться для формирования навыков критического отношения к информации, предоставляемой искусственным интеллектом. Обучающийся должен понимать ограничения модели и необходимость проверки полученных рекомендаций с использованием клинических руководств и под контролем преподавателя.

Обсуждение

Виртуальный пациент на основе искусственного интеллекта может дополнить традиционные формы медицинского образования за счет возможности многократной отработки клинических сценариев без риска для реального пациента. Перспективным является включение таких сценариев в учебную программу и симуляционное обучение. При этом обязательными условиями применения системы являются экспертная проверка клинических сценариев, соответствие действующим рекомендациям, защита учебных данных и сохранение роли преподавателя в образовательном процессе.

Выводы

Модель виртуального пациента на основе ИИ позволяет моделировать интерактивные клинические ситуации при инфекционных заболеваниях и может применяться для обучения студентов сбору анамнеза, проведению дифференциальной диагностики и принятию клинических решений. Автоматизированная обратная связь создает возможность стандартизированной оценки действий обучающегося. Дальнейшее развитие системы предполагает расширение перечня инфекционных заболеваний, создание новых сценариев и оценку эффективности виртуального пациента в реальном учебном процессе.

Актуальность

Симуляционное обучение в офтальмологии в последние годы стало неотъемлемой частью профессиональной подготовки специалистов, позволяя отрабатывать практические навыки без риска для пациентов. Созданный авторами аппаратно-программный симулятор офтальмоскопии «Офтальмосим» представляет собой комплекс, который уже включает в себя возможности для оценки уровня подготовленности врача и сервис для обучения принятию врачебных решений.
Однако, как показывает практика, унифицированные образовательные траектории не всегда оптимальны. Разные врачи имеют различный исходный уровень подготовки, по-разному воспринимают визуальную информацию и допускают разные типы ошибок. В связи с этим возникает необходимость перехода от стандартизированных программ к персонализированным, адаптивным методикам обучения. Применение технологий искусственного интеллекта (ИИ) и нейросетей является закономерным и перспективным этапом развития офтальмологических симуляторов, что подтверждается современными мировыми трендами в области симуляционного образования.

Цель

Цель исследования — обосновать концепцию и предложить архитектуру нейросетевой системы для автоматического индивидуального подбора параметров обучения на симуляторе «Офтальмосим».

Материалы и методы

В качестве основы для исследования используется аппаратно-программный комплекс «Офтальмосим», который включает две модификации (для взрослых пациентов и для детей грудного возраста) и располагает обширными оригинальными клиническими датасетами для контроля знаний.

Для реализации интеллектуальной надстройки используется:

1. Сбор и обработка данных. Формирование базы данных, включающей:
· время реакции и общую продолжительность выполнения задания;
· точность диагностики (правильность идентификации патологий);
· историю допущенных ошибок и количество используемых клинических случаев в датасете.
2. Выбор нейросетевой архитектуры. В качестве базовой модели предлагается использовать нейронную сеть, которая на основе входных параметров классифицирует уровень навыков обучающегося. Для повышения точности распознавания и интерпретации данных предлагается адаптировать подходы, ранее успешно применявшиеся в офтальмологии для распознавания анатомических структур.
3. Разработка алгоритма адаптации. Система должна динамически изменять параметры сценария в зависимости от текущего уровня компетенции врача: сложность предъявляемых клинических случаев (от типичных нозологий к сочетанным и редким патологиям), допустимое время выполнения, частота и детализация подсказок.

Результаты

Разрабртанный интеллектуальный модуль обеспечивает в режиме реального времени анализ действий обучающегося. Внедрение такой системы обеспечит:
-сокращение времени достижения порогового уровня мастерства за счет исключения «лишних» упражнений и концентрации на индивидуальных «слабых» зонах;
· Объективизацию оценки компетенций, снижающую влияние субъективного фактора преподавателя;
· Создание уникального датасета, который в дальнейшем может быть использован для дообучения нейросетей и совершенствования самой системы.
Предложенный подход может быть интегрирован в уже существующий сервис для дистанционного обучения на базе «Офтальмосим», что позволит реализовать непрерывное медицинское образование с элементами ИИ.

Обсуждение

Внедрение нейросетевых технологий в симулятор «Офтальмосим» является перспективным направлением развития персонализированного медицинского образования. Предложенная концепция интеллектуальной адаптивной системы позволяет не только повысить эффективность обучения врачей-офтальмологов, но и закладывает основу для создания объективных автоматизированных инструментов сертификации на основе анализа больших данных. Результаты проведённого анализа свидетельствуют о том, что внедрение нейросетевых технологий в симуляционное обучение офтальмологии открывает принципиально новые возможности для повышения качества подготовки специалистов. Разработанный сервис для обучения принятия врачебных решений предоставляет индивидуальную программу обучения и позволяет проводить экзамены с градацией клинических случаев по степени сложности. В отличие от статичных программ, где сложность заданий определяется заранее, нейросетевая система способна в реальном времени анализировать действия обучающегося и мгновенно адаптировать сценарий. Такой подход соответствует современным мировым тенденциям в области симуляционного образования, где всё большее внимание уделяется персонализированной обратной связи и адаптивному обучению. Важным аспектом является возможность использования накопленных данных для дальнейшего совершенствования системы. Оригинальные клинические датасеты, уже применяемые в «Офтальмосим» для обучения и контроля знаний, создают надёжную основу для обучения нейросетевых моделей. По мере накопления данных о траекториях обучения различных врачей становится возможным выявление общих закономерностей в процессе освоения навыков офтальмоскопии, что позволит оптимизировать образовательные программы в целом.Тем не менее, существуют определённые ограничения и вызовы, требующие дальнейшего изучения. К ним относятся необходимость валидации нейросетевых моделей на репрезентативных выборках обучающихся, обеспечение прозрачности и интерпретируемости решений, принимаемых нейросетью, а также вопросы защиты персональных данных

Выводы

1. Внедрение нейросетевых технологий в симулятор «Офтальмосим» является перспективным направлением развития персонализированного медицинского образования, позволяющим перейти от унифицированных программ к адаптивным методикам обучения.
2. Предложенная концепция интеллектуальной системы включает три ключевых компонента: сбор и обработку данных о действиях обучающегося, нейросетевую классификацию уровня навыков и алгоритм динамической адаптации параметров обучения.
3. Разрабатываемая система позволит повысить эффективность обучения за счёт фокусировки на индивидуальных «слабых» местах конкретного врача, сократить время достижения порогового уровня мастерства и обеспечить объективную автоматизированную оценку компетенций.

Актуальность

Согласно данным Росстата, болезни системы кровообращения по итогам 2025 г. сохранили лидерство в структуре причин смерти населения России – около 800 случаев на 100 тыс. человек, что превышает суммарный показатель новообразований и внешних причин. Парадокс клинической практики заключается в том, что значимая часть случаев несвоевременной диагностики приходится не на редкие, а на типичные нозологии: ишемическую болезнь сердца, фибрилляцию предсердий, артериальную гипертензию, инфаркт миокарда 2 типа. Объясняется это феноменом «маскированной» кардиопатологии – боли в грудной клетке трактуются как межрёберная невралгия, одышка относится на счёт хронической обструктивной болезни лёгких, нарушения ритма – на счёт тревожных расстройств.

Цель

Разработать тренинговый курс по дифференциальной диагностике кардиологических заболеваний, имитирующих соматическую патологию, для студентов V курса медицинских вузов.

Материалы и методы

Объектом исследования выступает процесс подготовки студентов V курса медицинских вузов к дифференциальной диагностике кардиологических заболеваний. Предмет – 36-часовой тренинговый курс, как комплексная симуляционная методика обучения, ориентированная на распознавание кардиопатологии, скрывающейся под «маской» иных соматических состояний.
Методологическую основу составили системный анализ научно-методической литературы, симуляционное моделирование с применением методики «Стандартизированный пациент», виртуального пациента Body Interact и тренажёра Physiko. Системный анализ применялся при структурировании курса по принципу «нозология – маска – ошибка – маршрутизация». Доказательный контур каждой нозологии выверялся по актуальным клиническим рекомендациям Минздрава России.

Результаты

Технологическая база курса собрана из трёх дополняющих друг друга компонентов. Метод «стандартизированный пациент» обеспечивает коммуникативную составляющую; методика «виртуальный пациент» реализована комплексом Body Interact для отработки принятия диагностических решений; акустический тренажёр Phisico используется для отработки аускультативных мануальных навыков. Каждый из 8 разбираемых кейсов содержит данные ЭКГ пациента в динамике. Для интерпретации электрокардиограммы используется линейка ЭКГ (ГЭОТАР-Медиа В.А. Люсова и Н.А. Козинского), удобная при освоении временных интервалов и блокад. Содержательным элементом курса служит работа с медицинской документацией. Каждый модуль завершается заполнением учётной формы №025/у, оформлением направления к узкому специалисту и – при наличии показаний – листка нетрудоспособности. Привязка к реальному документообороту первичного звена служит мостиком между игровым сценарием и клинической практикой.

Обсуждение

Совокупно разработано восемь кейсов, которые образуют логическую систему, в которой дифференциальная диагностика кардиопатологии отрабатывается на иллюстративном материале реальных нозологий, а не отдельных симптомов. Согласно национальному руководству под редакцией академика Е.В. Шляхто, именно нозологический подход позволяет переходить от формального запоминания критериев к воспроизводимому клиническому мышлению. Ожидаемая эффективность курса оценивается через четыре группы результатов. Первое – рост настороженности к скрытой кардиопатологии: будущий специалист учится подозревать ИБС там, где жалоба звучит как «одышка после ОРВИ» или «слабость на фоне прибавки веса». Второе – навык маршрутизации: от профилактического осмотра до направления к кардиологу. Третье – тактика при острых состояниях, включая критерии вызова скорой помощи при затяжном ангинозном приступе. Четвёртое – ведение амбулаторной документации.

Выводы

Сформирован учебный треннговый 36 часовой курс, содержащий методику обучения дифференциальной диагностике кардиологических заболеваний, часто протекающих под маской соматической патологии, который ориентирован на студентов V курса медицинских вузов и привязан к актуальной нормативно-правовой базе профилактического медосмотра и диспансеризации. Данный курс может быть внедрен в любом медицинском вузе с минимальной симуляционной базой и в её прямой ориентации на повышение качества выявления сердечно-сосудистых заболеваний на этапе поликлинического звена практического здравоохранения.

Актуальность

Современная медицинская практика предъявляет к специалисту требования, связанные не только с профессиональными знаниями, но и с развитым логическим мышлением, способностью быстро анализировать информацию, принимать решения в нестандартных ситуациях и работать в команде. В связи с этим актуальным становится поиск интерактивных форм обучения и профессионального развития. Интеллектуальная игра способствует повышению познавательной активности, закреплению знаний, развитию самостоятельности, логики, воображения и командного взаимодействия. Особенно перспективно ее использование в медицинском образовании, где требуется сочетание теоретической подготовки и способности оперативно применять знания.
При поддержке организации «Росомед» была разработана цифровая платформа для проведения интеллектуальной викторины в формате «Своя игра». Она предназначена для преподавателей и студентов медицинских специальностей, позволяет повторять, закреплять и углублять знания, а также может использоваться во внеаудиторной работе.

Цель

Представить результаты опыта проведения интеллектуальной викторины по общей медицинской тематике среди преподавателей медицинских факультетов и колледжей Ошского государственного университета, врачей и ординаторов, а также определить возможности практического применения данной игровой технологии в медицинском образовании.

Материалы и методы

Использованы методы наблюдения, сравнения, статистического анализа, анкетирования и обобщения эмпирических данных. На основе изученной литературы была сформулирована гипотеза о том, что проведение интеллектуальной викторины среди преподавателей-медиков способствует повышению мотивации, активизации познавательной деятельности и позволяет оценивать знания участников. Для викторины подготовлено 530 вопросов, объединенных в 44 тематических блока. После экспертной оценки вопросы были распределены на 13 игр; фактически проведено 11 игр. Каждая игра включала 40 вопросов в трех раундах: 20 вопросов в первом, 15 во втором и 5 в третьем. На ответ отводилось 30 секунд. За правильный ответ начислялись баллы, за ошибочный — соответствующая сумма вычиталась. Продолжительность игры составляла преимущественно 1–1,5 часа. После игр проведено анкетирование участников по семи вопросам.

Результаты

В 11 играх приняли участие 266 представителей профессорско-преподавательского состава, ординаторов и отдельных студентов. Игры проходили между двумя командами. По итогам соревнований победителям вручались грамоты и медицинские подарки. В статистический анализ вошли 434 заданных вопроса: 298 ответов были правильными, 130 — неправильными, 6 вопросов были пропущены. При максимально возможном результате 12 000 баллов средний результат составил около 3 000; только две команды приблизились к 5 000, минимальный результат составил –300 баллов.
Около 20 вопросов были посвящены общему кругозору и логике. Участники положительно оценивали логичность, разнообразие и занимательность заданий, а также их направленность на размышление. 71% респондентов сочли 40 вопросов оптимальным количеством, 24% — слишком большим и 5% — слишком малым. На вопрос о практическом применении методики 71% ответили «да», 29% — «частично».
По итогам игр участники отмечали азарт, командный дух, интересный формат, логические вопросы, интерактивность и интригу. Вместе с тем были высказаны предложения увеличить количество клинических кейсов, учитывать специальность участников, сделать отдельные вопросы короче и конкретнее, а также увеличить время на сложные задания. Среди организационных особенностей выявлены языковой барьер у части участников и отдельные конфликтные ситуации, возникавшие вследствие высокой эмоциональной вовлеченности.

Обсуждение

Полученные данные показывают, что интеллектуальная викторина может выполнять не только развлекательную, но и образовательную и диагностическую функции. Формат способствовал активному обсуждению, мобилизации знаний и взаимодействию внутри команды. Различия в результатах свидетельствуют о необходимости постоянного расширения кругозора, тренировки логического мышления и навыков быстрого анализа информации.
Особого внимания заслуживает обратная связь. Несмотря на преобладание медицинских вопросов, участники ожидали большего количества клинических и ситуационных заданий, связанных с симптомами, синдромами и диагностическими решениями. Это указывает на целесообразность дифференциации банка вопросов по специальности, уровню подготовки и профессиональному опыту. Цифровая платформа расширяет возможности методики благодаря автоматическому подсчету баллов, ограничению времени, использованию изображений, видео и музыки. Викторина может применяться при актуализации и закреплении материала, повторении крупных тем, проведении олимпиад и предметных конкурсов и во внеаудиторной деятельности.
Практическим ограничением исследования является преимущественно русский язык проведения игр, что для части участников создавало языковой барьер. Кроме того, отдельные игры сопровождались нарушением временного регламента. Эти обстоятельства следует учитывать при дальнейшем совершенствовании методики.

Выводы

Интеллектуальная викторина в формате «Своя игра» обладает значительным педагогическим потенциалом и может использоваться как интерактивный инструмент медицинского образования. Проведенные игры показали возможность одновременной активизации познавательной деятельности, проверки знаний, развития логического мышления, быстроты принятия решений и командного взаимодействия. Большинство участников положительно оценили формат и признали возможность его практического применения.
Для повышения эффективности технологии целесообразно расширять банк клинических кейсов, учитывать профессиональную специализацию участников, совершенствовать структуру раундов и систему оценивания, оптимизировать тайминг и развивать автоматизированную аналитику индивидуальных и командных результатов.
Методика может быть интегрирована в медицинское образование для повторения, закрепления и контроля знаний.

Актуальность

Работу поликлинического врача во время приема амбулаторного пациента можно условно выделить три раздела: контактное взаимодействие с пациентом (сбор анамнеза, объективное обследование), аналитический (анализ данных лабораторно-инструментальных исследований, формирование диагноза и программы лечения), работа с электронной медицинской документацией (заполнение карты пациента и др.). Каждый из этих разделов важен для выбора оптимального плана ведения пациента. Учитывая ограниченный ресурс времени, выделяемого на проведение медицинской консультации, врач вынужден не только интенсифицировать свою работу по каждому направлению, но и, зачастую, проводить их одномоментно. Это провоцирует у пациентов вполне обоснованное раздражение, например, ситуация когда врач общается не отрывая глаз от экрана компьютера и работая на клавиатуре. Одной из причин данной ситуации мы видим в низкой организации работы поликлинического врача и отсутствии соответствующей практической подготовки во время учебы в вузе. Современная подготовка студента предусматривает изучение всех аспектов работы с амбулаторным пациентом в поликлинике, но делает это, как бы, в последовательном порядке, в то время как на практике это приходится делать быстро и одновременно. Одним из направлений повышения качества подготовки будущего специалиста мы видим в симуляционном обучении в виде специального тренингового курса по решению ряда трансмиссивных кейсов.

Цель

Оценить эффективность симуляционного тренингового курса на основе решения ряда ситуационных трансмиссивных кейсов для студентов 4 курса медицинских вузов по отработке алгоритма действий врача поликлиники при проведении консультации амбулаторному пациенту.

Материалы и методы

В качестве объекта изучения послужили студенты 4 курса лечебного и педиатрического факультетов Казанского ГМУ. Был предложен тренинговый 36 часовой курс основанный на решении и разборе нескольких трансмиссивных кейсов. В качестве основных обучающих инструментов использовались: методика «стандартизированный пациент», обучающая компьютерная программа «Polyclinika», организация работы обучаемого по принципу брифинг и дебрифинг, а также индивидуальное собеседование преподавателя с обучаемым. Результаты обучения оценивались с помощью статистической обработки данных дистанционного анкетирования студентов после проведенного цикла и по окончанию прохождения летней производственной практики. В качестве групп сравнения выступали студенты, проходившие стандартный тренинговый цикл по методике «стандартизированный пациент» без акцента на работу в поликлинических условиях.

Результаты

По результатам проведенного анкетирования были установлены определенные отличия показателей в группах. Опрос проведенный сразу после окончания цикла показал практически схожие результаты в группах. Студенты занимавшиеся по экспериментальной программе отметили лучшую подготовленность к работе с амбулаторным пациентом во время предстоящей летней производственной практики (82%) по сравнению с аналогичным показателем группы сравнения (56%). Однако, эту разницу можно объяснить скорее эмоциональным фоном после проведенного целевого обучения, а не уровнем практических умений. Другие показатели касающиеся коммуникативного взаимодействия с пациентом, сбора анамнестических данных, проведения объективного обследования и чтения результатов лабораторных тестов, не носили статистически достоверной разницы. Более существенные различия в ответах были выявлены в анкетах, после завершения летней практики. Затруднения в работе с амбулаторными пациентами испытывали 34% студентов экспериментальных групп и 52% контрольных. В числе основных проблем были названы временной фактор: на нехватку времени жаловались 23% респондентов экспериментальной группы и 48% группы сравнения, в работе с электронной документацией испытывали затруднения 14% прошедших специальную подготовку и 64% участников контрольной группы. На вопрос «Использовали ли Вы в работе с пациентами и документацией приемы отработанные во время тренингового цикла» положительно ответили 72% респондентов экспериментальной группы и 45% контрольной.

Выводы

На основании анализа полученных результатов можно сделать заключение, что тренинг на основе симуляционного моделирования работы поликлинического врача с амбулаторным пациентом, на основе методики «стандартизированный пациент» и обучающей компьютерной программы «Polyclinika», способен обеспечить формирование у обучаемого устойчивого алгоритма действий по отношению к пациенту, позволяет добиться лучшей организации работы с электронной документацией и нормативным временным фактором.

Актуальность

Современное медицинское образование сталкивается с вызовом подготовки высококвалифицированных кадров в условиях ограниченного клинического материала и постоянно растущего объема информации. Симуляционные технологии, активно внедряемые в медицинских вузах, доказали свою эффективность для отработки практических навыков, однако их возможности в моделировании сложных клинических сценариев ограничены. Технологии искусственного интеллекта (ИИ), основанные на искусственных нейросетях (ИНС), способны создавать адаптивные, вероятностные модели течения заболеваний. Это открывает новые перспективы для обучения клиническому мышлению, особенно в акушерстве и гинекологии, где риск для пациента при обучении недопустим.

Цель

Анализ потенциальных областей применения ИНС в преподавании акушерства и гинекологии, а также выявление основных сложностей и барьеров, препятствующих их безопасной интеграции в образовательный процесс.

Материалы и методы

Проведен анализ отечественной и зарубежной литературы по применению технологий ИИ в медицинском образовании за последние 5 лет. Изучен опыт кафедры акушерства и гинекологии медицинского института ТулГУ по внедрению симуляционных методик. В рамках пилотного исследования проведена тестовая оценка возможностей современных генеративных нейросетей для создания учебных акушерских кейсов и их первичная экспертная оценка. Проанализированы требования к образовательному процессу и пути интеграции ИНС в структуру практических занятий и клинических разборов.

Результаты

Сфера применения ИНСв акушерстве и гинекологии многообразна. Начиная с создания интерактивных симуляций, которые позволяют моделировать клинические сценарии (преэклампсия, акушерские кровотечения), сложно воспроизводимые на стандартных манекенах, с высокой вариативностью ответов «пациентки».
В качестве интеллектуальной поддержки нейросети способны выступать в роли ассистента, анализируя ответы студентов и предлагая персонализированную обратную связь. Могут использоваться для автоматизация рутинных задач. Генерация баз учебных кейсов и проверки тестовых заданий.
Внедрение технологий ИИ осложняется рядом факторов. В их числе высокий риск генерации клинически недостоверной информации (так называемые «галлюцинации» нейросетей), что в медицинском контексте недопустимо. В сфере образования до сих пор не сформирована чёткая нормативно правовая база, регламентирующая использование ИИ. Уровень подготовки преподавателей в области ИИ остаётся недостаточным — это требует организации масштабной и системной работы по повышению их квалификации.

Обсуждение

Полученные результаты демонстрируют двойственный, амбивалентный характер влияния искусственных нейросетей на образовательный процесс в клинических дисциплинах. С одной стороны, технологии ИИ открывают беспрецедентные возможности для создания психологически безопасной образовательной среды. Обучающийся получает возможность многократно, без страха и риска для пациентки, отрабатывать навыки принятия решений в критических ситуациях. Это полностью согласуется с мировыми тенденциями персонализации образования, концепцией «обучения через ошибки» в симуляционной среде и стратегией перехода от знание-ориентированной к компетенциостной модели подготовки врача.
С другой стороны, выявленные риски требуют выработки строгих педагогических и этических регламентов. Важно подчеркнуть фундаментальное отличие клинической медицины от фундаментальных дисциплин: здесь цена ошибки, сгенерированной и некритично усвоенной нейросетью, может быть критически высокой — вплоть до потери жизни матери или плода. Это накладывает особую ответственность на преподавателя, чья роль трансформируется. Если ранее преподаватель был преимущественно транслятором знаний, то в эпоху ИИ он становится навигатором, финальным «валидатором» и модератором любой информации, предоставляемой ИИ-системой. Реализуется принцип «human-in-the-loop» (человек в контуре принятия решений).
Особого внимания заслуживает феномен «автоматического доверия» (automation bias) — когнитивного искажения, при котором обучающиеся склонны некритично принимать решения, предложенные компьютерной системой. В условиях работы с медицинскими ИИ-ассистентами этот эффект многократно усиливается. Следовательно, параллельно с внедрением технологий необходимо целенаправленно формировать у студентов «критическое ИИ-мышление» — навык верификации, понимания ограничений и этических границ применения алгоритмов.
Ключевым барьером, по нашему мнению, является не столько техническое несовершенство нейросетей, которое эволюционирует экспоненциально, сколько неготовность педагогического сообщества к этой трансформации. Эффективное использование ИИ требует от преподавателя не только базовых цифровых навыков, но и глубокого понимания принципов работы нейросетей, их сильных сторон, ограничений и когнитивных ловушек. Следовательно, первоочередной задачей является не закупка дорогостоящего программного обеспечения, а системное повышение ИИ-компетенций ППС, разработка дидактических материалов, адаптированных к новым технологическим реалиям, и создание локальных методических школ.

Выводы

Технологии ИИ, и в первую очередь ИНС, обладают значительным потенциалом для совершенствования преподавания акушерства и гинекологии, повышая эффективность симуляционного обучения. Ключевым условием безопасной интеграции является разработка этических стандартов, обязательная экспертная валидация сгенерированных данных и внедрение программ повышения квалификации преподавателей. ИНС должны рассматриваться исключительно как вспомогательный инструмент, усиливающий, но не заменяющий клиническое мышление и педагогический контроль. Дальнейшие исследования необходимы для создания локальных, защищенных и клинически валидированных образовательных ИИ-решений.

Актуальность

Симуляционное обучение является ключевым элементом подготовки будущих врачей, обеспечивая безопасное освоение клинических навыков. Однако существующие симуляционные программы (включая «Виртуального пациента» Сеченовского Университета и другие) имеют фундаментальное ограничение: статичную базу заранее загруженных кейсов. Количество сценариев конечно, студент может запомнить правильные ответы, что снижает диагностическую ценность тренинга и не позволяет отрабатывать клиническое мышление в условиях неопределённости.

Одновременно с этим 370 000 студентов-медиков в РФ испытывают дефицит практической подготовки: 70% выпускников отмечают недостаток практических навыков. Существующие симуляторы дороги (>1 млн ₽) и не адаптированы под российские клинические рекомендации. Особенно остро стоит проблема обучения работе с коморбидными состояниями (сочетание нескольких заболеваний), которые не представлены ни в одном из существующих симуляторов.

Цель

Разработать и внедрить интеллектуальную симуляционную платформу «ЕМИР» (Единый Медицинский Интеллект России) для тренировки клинического мышления студентов-медиков, обеспечивающую:
1. Генерацию уникальных клинических кейсов в реальном времени с использованием ИИ (RAG + YandexGPT).
2. 4 уровня сложности, включая уникальный режим коморбидности (одновременное течение 2–3 заболеваний).
3. Диалоговый режим «Живой приём» для отработки навыка сбора анамнеза.
4. Автоматическую проверку ответов с разбором ошибок и объективной оценкой.
5. Аналитический дашборд для преподавателя с фиксацией типичных ошибок и прогресса группы.

Материалы и методы

Платформа реализована на RAG-архитектуре (Retrieval-Augmented Generation) с использованием YandexGPT в качестве генеративной модели. База знаний включает 64 актуальные клинические рекомендации Минздрава России (общий объём — более 7000 страниц), прошедшие предварительную обработку и векторизацию (эмбеддинги). Серверная часть реализована на Node.js с использованием Firebase (аутентификация, база данных, хостинг). Фронтенд — веб-приложение, доступное через браузер.

Алгоритм работы:
1. Генерация кейса: ИИ на основе случайного выбора нозологии, уровня сложности и (при необходимости) коморбидной патологии создаёт уникальную клиническую карту: жалобы, анамнез, данные осмотра.
2. Диалоговый режим (в разработке): студент задаёт уточняющие вопросы виртуальному пациенту, ИИ отвечает в соответствии с клинической картиной, формируя полную историю болезни.
3. Проверка: студент вводит диагноз, перечень анализов, инструментальных исследований и план лечения. ИИ сравнивает ответ с эталоном, сгенерированным на основе клинических рекомендаций, и выдаёт оценку по 5-балльной шкале с детальным разбором ошибок.

Для режима коморбидности разрабатывается двухуровневый механизм: «Приоритетный» (определение угрожающего состояния и его первоочередное лечение) и «Комплексный» (проверка лекарственных взаимодействий и противопоказаний).

Результаты

Разработан работающий MVP образовательного модуля «ЕМИР» со следующими подтверждёнными характеристиками:
1. Генерация уникальных кейсов: система создаёт новый клинический случай при каждом запросе, исключая возможность заучивания и списывания. Валидация проведена на 300+ сгенерированных кейсах.
2. Точность диагностики: 94% при сравнении с экспертной оценкой (тестирование на врачах-экспертах кафедры).
3. Скорость ответа: 3–5 секунд на генерацию полного клинического плана.
4. Охват нозологий: 64 клинические рекомендации (сердечно-сосудистые, пульмонологические, эндокринные, инфекционные, онкологические, травматологические и другие заболевания).
5. Интеллектуальная собственность: получены свидетельства Роспатента на базу данных (№ 2026622248 от 19.05.2026) и на программу для ЭВМ (№ 2026662929 от 30.04.2026). Подана заявка на регистрацию новой версии с тремя режимами работы.
6. Пилотные партнёрства: письмо поддержки от Колледжа современного управления (пилот с сентября 2026), устное техническое задание от отряда «Центроспас» МЧС России.

Обсуждение

«ЕМИР» принципиально отличается от существующих симуляторов (включая «Виртуального пациента» Сеченовского Университета) по трём параметрам.

Во-первых, бесконечная вариативность. В отличие от статичных баз с конечным числом кейсов, наша система генерирует уникальный случай при каждом запросе, исключая заучивание и давая неограниченную практику.
Во-вторых, режим коморбидности. Ни один аналог не позволяет отрабатывать ведение пациентов с несколькими болезнями одновременно. Мы реализуем механизм приоритетного лечения и проверки лекарственных конфликтов – это закрывает критический пробел в подготовке врачей.
В-третьих, диалоговый сбор анамнеза. Студент задаёт вопросы в свободной форме, ИИ-пациент отвечает – это тренирует реальный навык ведения приёма, а не выбор из списка.
Дополнительно: система автоматически привязана к актуальным клинрекам Минздрава, а дашборд преподавателя даёт аналитику ошибок, экономя время педагогов.

Таким образом, «ЕМИР» дополняет существующие симуляторы, закрывая нишу тренировки клинического мышления в условиях неопределённости и коморбидности.

Выводы

1. Создан и протестирован MVP образовательного ИИ-тренажёра «ЕМИР», обеспечивающий генерацию уникальных клинических кейсов с точностью диагностики 94%.
2. Платформа предоставляет уникальную для симуляционного обучения функцию — тренинг коморбидных состояний, отсутствующую в существующих аналогах.
3. Внедрение диалогового режима «Живой приём» позволяет отрабатывать навык сбора анамнеза в интерактивной форме, максимально приближенной к реальному приёму пациента.
4. Автоматическая проверка с разбором ошибок и дашборд преподавателя обеспечивают объективный контроль успеваемости и экономию времени педагогического состава.
5. «ЕМИР» может быть рекомендован к внедрению в учебный процесс медицинских вузов и колледжей как инструмент продвинутого симуляционного обучения, дополняющий существующие симуляционные центры.

Актуальность

Падение мотивации у студентов – одна из главных проблем современного медицинского образования. Как отмечают многие авторы, феномен формального отношения студентов к учебному процессу носит глобальный характер. Внедрение ИИ в медицинское образование вызывает большие споры и дискуссии. Одни считают нейросети провокаторами лени, так как студенты используют их как универсальные «энциклопедии». Нейросети берут на себя клиническое мышление, генерируют готовые ответы, автоматически решают тесты. Другие считают ИИ мощным инструментом, который повышает вовлечённость через геймификацию. На наш взгляд, обе стороны правы, но нужен баланс.

Цель

Оценить влияние внедрения интерактивных ИИ-инструментов, HTML-симуляторов и мультимедийных технологий в систему дистанционного обучения (далее СДО) на результаты освоения программы практики «Практика по неотложным медицинским манипуляциям».

Материалы и методы

Разработка и апробация новых образовательных форматов проводилась на базе Амурской ГМА. В июне 2026 года был внедрен цифровой учебный блок «Практика по неотложным медицинским манипуляциям» в СДО. Для повышения мотивации традиционные текстовые материалы были заменены на интерактивные SCORM-пакеты. Использовались алгоритмы ИИ (text-to-image, text-to-video) для генерации:
• интерактивных клинических стендов, инфографики и таймлайнов;
• интерактивных HTML-симуляторов и квизов с выгрузкой в банк тестов формата Aiken.
В исследовании приняли участие 122 обучающихся V курса Лечебного факультета, вышедших на цикл «Практика по неотложным медицинским манипуляциям». Методом рандомизации выборка была разделена на две репрезентативные группы, сопоставимые по базовому уровню подготовки: все студенты проходили практическую подготовку на базе аккредитационно-симуляционного центра ФГБОУ ВО Амурская ГМА Минздрава России, согласно программе подготовки.
Самостоятельная работа при подготовке к данной практике включала:
Основная группа (n = 62): подготовка проходила в цифровой образовательной СДО с использованием интерактивных HTML-симуляторов и SCORM-пакетов.
Контрольная группа (n = 60): подготовка осуществлялась по классической модели с использованием стандартного раздаточного материала (изучение учебных пособий, лекций и т.д.).
Проверка количественных данных на нормальность распределения показала нормальное распределение (критерий Шапиро-Уилка), что позволило применить параметрический t-критерий Стьюдента для независимых выборок. Различия считались статистически значимыми при p < 0,05.

Результаты

Оценка практических навыков проводилась в ходе итогового симуляционного тренинга. Критерием успешного прохождения считалось выполнение практических навыков без критических ошибок, согласно разработанных и утвержденных чек-листов, которые были использованы в процессе практических симуляционных занятий и самоподготовки.
1. Успешная сдача с первой попытки: основная группа (n=62) - 54 чел. (87,1%), контрольная группа (n=60) - 46 чел (76,7%), p = 0,132.
2. Средний балл (M±SD): основная группа (n=62) - 4,6±0,3, контрольная группа (n=60) - 4,1±0,4, p < 0,001.
3. Время принятия решения, сек (M±SD): основная группа (n=62) - 46,2±9,5, контрольная группа (n=60) - 48,5±10,2, p = 0,198.
4. Суммарное число критических ошибок: основная группа (n=62) - 7 ошибок, контрольная группа (n=60) - 16 ошибок, p = 0,04.
Анализ показал, что доля успешно сдавших практику с первой попытки в основной группе была выше (87,1% против 76,7%), но различия не достигли уровня статистической значимости (p = 0,132). Также не выявлено достоверных различий во времени принятия решений (p = 0,198).
Однако полученная оценка за выполнение алгоритма достоверно различалось. Обучающиеся основной группы, взаимодействовавшие с интерактивными цифровыми сценариями, получили значимо более высокий средний балл (p < 0,001) и совершили в 2,2 раза меньше критических ошибок (p = 0,040). Интерактивная среда не ускоряет рефлексы, но формирует более точный и осознанный клинический паттерн действий.
По завершении цикла было проведено анонимное анкетирование для студентов, вошедших в основную группу исследования (использовавшие в процессе самоподготовки интерактивные HTML-симуляторы и SCORM-пакеты в СДО) с целью оценки субъективной удовлетворенности форматом обучения. 95% (59 студента) отметили, что интерактивный формат с использованием виртуальных пациентов вызывает больший интерес к предмету, чем традиционные текстовые задачи. При ответе на вопрос «Оцените степень вашей вовлеченности в решение клинической задачи» средний балл для цифрового формата составил 9,2 из 10.

Выводы

Искусственный интеллект в медицинском симуляционном обучении не заменяет педагогический процесс, а позволяет эффективно трансформировать его подачу. Перенос рутинных задач (кодинг симуляторов, верстка SCORM-курсов, дизайн визуальных материалов) на ИИ позволяет преподавателю сфокусироваться на методологии. Таким образом, нейросети становятся провокатором лени лишь при неверном методическом дизайне, тогда как в руках квалифицированного преподавателя они являются «бустером» интереса, пробуждающим у обучающихся потребность в развитии клинического мышления.