Общались сегодня по нашему проекту с врачём из космической отрасли!

Мы вот верим в тренды на развитие превентивной медицины и дистанционного консультирования.
Хотим, чтобы люди больше выявляли и корректировали отклонения на ранних стадиях, а не лечили болезни.
И ещё, чтобы всё это было доступно не только в Москве и крупных городах.

Теперь инсайт - здравоохранение космонавтов всегда строилось именно на превентивной медицине и телемедицине!
Никогда на МКС не было ни одного врача. Фильм "Вызов" исключение)
И ни один космонавт не погиб на МКС.
Всё благодаря превентивной диагностике во время подготовки и телемедицине во время полёта!

Как мы решили проблему разности единиц измерения биомаркеров

Наш стартап «Я здоров» обрастает новым функционалом, а вместе с этим — новыми вызовами. Например, вы задумывались о том, что одни и те же биомаркеры в разных анализах измеряются в разных единицах?

Допустим, у вас есть два результата анализа крови на глюкозу: в одном лабораторном бланке она указана в миллимолях на литр, в другом — в миллиграммах на децилитр. Казалось бы, простая математическая задача, но проблема в том, что для каждого биомаркера коэффициенты пересчета свои. Универсальной формулы нет. Например, для глюкозы коэффициент пересчета – мг/дл х 0,0555 => ммоль/л, а для молочной кислоты – мг/дл х0,111 => моль/л

Чтобы пользователи «Я здоров» могли удобно отслеживать динамику своих анализов, мы:

• Проанализировали более 2000 биомаркеров,
• Спарсили коэффициенты пересчета с лабораторных источников,
• Разработали систему приведения значений к единой шкале с возможностью смены единиц.

Теперь, загружая результаты из разных лабораторий, можно увидеть их в едином формате и при необходимости переключить единицы измерения — например, если врач привык работать в другой системе.

Еще один шаг к тому, чтобы превентивная медицина была доступнее и точнее 👍

В канале аутсорсинговой компании рассказали про одну из интересных задач в процессе разработки нашего приложения мед. карты - калькулятор пересчёта единиц измерения биомаркеров.

Для меня стало открытием, что коэффициенты пересчёта 2-х единиц измерения отличаются для разных биомаркеров!
Калькулятор стал сложнее, пришлось парсить эти коэффициенты.

Но с парсингом мы давно умеем работать, поэтому справились)

А так мы продолжаем героически бороться с задачей распознавания бланков анализов, пробуем разные подходы.
Там много сложного, интересного и неочевидного.
В какой-то мере занимаемся R&D, а не классической разработкой ПО)

Зашли с нашим medtech стартапом “Я Здоров” в акселератор Сеченовского университета Sechenov tech.

В акселераторе разделяют medtech и healthtech стартапы.
Медтех - это продукты, способствующие лечению человека в медицинской клинике: лекарства, мед изделия, СППВР и т.д.
Хелстех - это то, чем пользуется сам человек чтобы быть здоровым: БАДы, разные приложения.
Подробнее на скриншоте.

Получается по градации Сеченовского университета - мы делаем healthtech.
Но я пока продолжу называть наш стартап медтехом, кажется большинству людей так понятнее)

Несколько трендов в здравоохранении, которым кажется синергичен наш проект:

Развитие ИИ в области персонализации

Один из принципов здравоохранения будущего - превентивность

И самый классный - переход к персонализированной профилактике и превентивному лечению.
Сейчас здравоохранение работает с пациентом, то есть с того момента когда человек обратился в мед. учреждение с конкретной жалобой.
Здравоохранение будущего будет работать с человеком, в том числе и до того как ему уже стало плохо!

Подали один из наших medtech AI-стартапов - медицинскую карту на конкурс Workspace digital awwards 2025:

К первому релизу мы немного не готовы: нужно ещё поработать с алгоритмом распознавания бланков, доправить баги, дизайн-ревью, сделать промо-сайт и решить юридические вопросы хранения медицинских данных.

А вот начать рассказывать о проекте на digital-сообщество - в самый раз)

Поэтому, если интересно почитать подробнее про функционал нашего проекта и посмотреть макеты, пожалуйста)
https://workspace.ru/cases/cifrovaya-medicinskaya-karta-ya-zdorov

У нас тут в Сириусе организовывается сообщество IT&DS специалистов)
В четверг буду там рассказывать про наш кейс распознавания и структурирования данных с бланков медицинских анализов на проекте медицинской карты.

Тезисы:
Проблема разроненной структуры данных и форм бланков.
Сбор базы данных биомаркеров, единиц измерений и референсных значений.
Подходы к решению: OCR + векторный поиск, LLM, обучение модели распознавания на дата-сете.
Какой точности достигли и как будем повышать

Моё первое выступление по AI и первое выступление в Сириусе)

Подробности в посте выше ☝️☝️☝️

🤖Приглашение на Meetup: AI-Агенты

⚡️20 февраля в галактике, где свет и тьма пересекаются, состоится встреча, которой ты не можешь пропустить!

🧭Будь ты джедаем, стремящимся к миру и знаниям, или ситхом, жаждущим власти — это событие для всех, кто готов поделиться опытом и найти единомышленников. Обсудим самые последние события в галактике, планеты, световые мечи и стратегические сражения.

Дата: 20 февраля
Время: 16:00
Место: Университет Сириус (Олимпийский просп., 1, Федеральная территория Сириус), локация: Оранжевый форум.

📍Подтвердить участие можно до 19 февраля (14:00), выбери свой путь и заполни форму
Чтобы не пропустить будущие мероприятия, вступайте в маленькую вселенную GreenCode

Портал МосМедИИ опубликовал матрицу зрелости ИИ-сервисов.
Посмотрел презентацию и заодно ещё раз каталог ИИ-сервисов на их сайте.

МосМедИИ занимается анализом лучевых исследований, поэтому собственно и оценивали они именно эти сервисы.

На что я обратил внимание:

Решения для анализа лучевых исследований с помощью ИИ уже неплохо распространены.

Все решения - узконаправленные: рентген органов грудной клетки, МРТ головного мозга. Мы в консультанте тоже под все возможные направления запросов собираем отдельные пайплайны: работа с симптомами, диагнозами, назначениями, загруженными медицинскими документами и т.д.
Я недавно публиковал краткий анонс нашей схемы, с того момента она сильно разраслась.
В общем, хотя мы и решаем другую задачу и на других технологиях, но кажется что подход деления на узконаправленные подзадачи и у нас должен сработать.

Оптимальными считаются показатели технической стабильности решения - более 90% и клинической точности более 81%.
Если я правильно понял, при таких значениях решение уже допускается к внедрению в мед. учреждения.

При оценке таких решений ложноположительный результат, лучше ложноотрицательного.
Вроде очевидно, но раньше я об этом не задумывался)
Тоже вопрос на подумать в рамках нашего консультанта - в каких вопросах ошибки в какую сторону менее критичны?

-----

Было бы интересно посмотреть что-нибудь аналогичное по системам поддержки принятия врачебных решений - исследования рынка, сравнительные анализы и т.д.
Если кто-то встречал подобное - пришлите пожалуйста.

Последние дни вся AI-тусовка только и обсуждает китайские модели)
Ещё не утихли обсуждения DeepSeek, как выпускают Qwen2.5-Max, которая по словам разработчиков в ряде бенчмарков обходит DeepSeek.
На деле это не совсем так. Qwen2.5-Max - тяжеловесная и ресурсозатратная модель.
При этом сравнили её ни с рассуждающей DeepSeek-R1, а с обычной вопросно-ответной DeepSeek-V3.
Но в любом случае обе модели интересны.

Я в первую очередь обратил внимание на упоминания о том, что эти модели для работы требуют меньше вычислительных ресурсом. Тут имеем ввиду не самые мощные их версии.
А мы как раз стартап, тонны GPU нет, нам надо подешевле и побыстрее)

Поэтому в ближайшее время протестируем эти модели и расскажу о результатах качества и скорости работы на наших запросах и скромных мощностях.

Дробление промтов для выполнения узких задач

Несмотря на то, что LLM становятся всё умнее, многие специалисты всё равно советуют сужать промт для выполнения одной узкой задачи.
Это применимо и к промтам в пайплайне своего AI продукта.
Узконаправленный промт даёт более качественные и стабильные результаты, снижает галлюцинацию модели.

Таким же путём мы идём в нашем ассистенте.
Сначала мы делаем классификацию запроса пользователя, дальше в зависимости от результата классификации - уходим в нужную ветку пайплайна.
Например, если пользователь описывает симптомы - включаем промт сбора анамнеза, далее собранный анамнез параллельно запускам в промты формирования вариантов диагноза, рекомендаций по сдаче анализов, прохождению обследований и т.д.
В конце результаты этих промтов формируюем в итоговый ответ для пользователя.

Это кратко, на самом деле каждый из этих промтов будет разложен ещё на несколько под-промтов с определённой логикой между ними.
Плюс мы закладываем проверки безопастности и этики на разных этапах.

И заодно поделюсь планом работы над нашим консультантом/ассистентом.

Сейчас мы прописываем структуру промтов, объединяем в пайплайн.
Тестируем каждый промт и пайплайн в целом на разных моделях.

Следующим шагом будем собирать данные для подключения через RAG на разных шагах пайплайна, чтобы настроить ответы сервиса под документы из Российской доказательной медицины.

И если нам повезёт, то после этого сможем запустить первую версию и начать привлекать пользователей.

А дальше нас ждёт долгий путь дообучения модели)