Цветные 
Отключить 
Учёные РЭУ им. Г.В. Плеханова и Федерального центра медицины катастроф НМХЦ им. Н.И. Пирогова Минздрава России создают самообучающийся ИИ для поддержки принятия решений в медицине катастроф
Исследователи Плехановского университета совместно с ФГБУ «НМХЦ им. Н.И. Пирогова» Минздрава России предложили архитектуру ИИ, которая впервые решает эту проблему. Их работа опубликована в международном журнале The European Physical Journal Special Topics.
В чём суть исследования?
Классические RAG-системы ищут ответ в базе знаний по смысловой близости – как поисковик, который выдаёт похожие документы. Но для медицины катастроф этого недостаточно: фрагмент документа может быть семантически близким, но юридически неприменимым в другом регионе. Учёные обнаружили, что в пространстве векторных представлений текстов федеральные и региональные документы образуют перекрывающиеся области-аттракторы. В результате ИИ выдаёт «кашу» – усреднённые или взаимоисключающие инструкции. Эксперты Федерального центра медицины катастроф зафиксировали такие ошибки в 40% случаев при тестировании классических систем.
Ключевая инновация – это самоорганизующаяся архитектура на основе гиперграфа. В отличие от обычного графа, где связи только парные, гиперграф позволяет объединять документы по общим признакам: региону, типу ЧС, роли исполнителя и этапу реагирования. Совместно с Федеральным центром медицины катастроф создана и оцифрована полная база данных по документам, регулирующим работу медицинских работников в условиях ЧС, и в итоге в систему загружено 1239 нормативных актов, разбитых на 246 507 смысловых фрагментов. Каждый фрагмент получил векторное представление с помощью мощной мультиязычной модели.
Как отметил соавтор исследования, ведущий научный сотрудник НИИ прикладного ИИ и цифровых решений Александр Куц: «Проанализировав 246 тысяч фрагментов из 1200 документов, мы увидели, что 90% региональных алгоритмов почти дословно повторяют друг друга. Классический ИИ это не различает, а наш гиперграф “видит” границы юрисдикций и фильтрует шум. Примечательно, что мы добились этого без дообучения модели – только за счёт самоорганизации поискового пространства. В перспективе мы добавим граф знаний для логических выводов, но уже сейчас ясно: такой подход применим не только в медицине – он может работать в экологическом, социальном и правовом регулировании».
Обработка запроса происходит в 2 этапа:
- Сначала локально развернутая ИИ-модель (Qwen3-32B) извлекает метаданные – например, «Московская область, дорожно-транспортное происшествие, фельдшер»;
- затем происходит фильтрация гиперграфа – остаются только документы с такими же метаданными, и только после этого выполняется семантический поиск в отфильтрованном подмножестве.
Что показало сравнение?
В ходе эксперимента были протестированы три стратегии генерации ответов на типичные экспертные запросы Федерального центра медицины катастроф. Оценку проводили как сама языковая модель (метод LLM-as-a-Judge), так и эксперты. Классический RAG показал лучший средний балл, но именно он давал сбои из-за региональной неоднозначности. Агентный поиск, при котором ИИ самостоятельно перебирает документы, оказался непредсказуемым: иногда выдавал отличные ответы, но в половине случаев проваливался. Базовая модель без поиска полагалась на «память» и давала слишком общие сведения.
Главный вывод: стандартные RAG-системы непригодны для работы с иерархической нормативной базой, если не учитывать метаданные. Предложенная двухэтапная архитектура – первый шаг к созданию надёжного цифрового помощника для врачей и спасателей.
Как замечает Олег Карпов, академик РАН, профессор, д.м.н., генеральный директор ФГБУ «НМХЦ им. Н.И. Пирогова» Минздрава России: «В экстренной ситуации цена ошибки – человеческая жизнь. ИИ должен не просто находить похожий текст, а понимать, какой документ имеет юридическую силу здесь и сейчас. Наш подход впервые учитывает иерархию: федеральные нормы приоритетны над региональными, если запрос не уточняет регион. Мы обеспечиваем нормативную корректность, а не просто семантическую близость как в классических системах на основе больших языковых моделей – это прорыв для практического здравоохранения».
Александр Храмов, член-корреспондент РАН, директор НИИ прикладного искусственного интеллекта и цифровых решений РЭУ им. Г.В. Плеханова, отмечает:
«Проект реализуется совместно с ФГБУ «НМХЦ им. Н. И. Пирогова» Минздрава России, который является функциональным заказчиком и обеспечивает экспертизу, валидацию разработок на основе практического опыта Федерального центра медицины катастроф в условиях ЧС. Плехановский университет – ключевой технологический партнёр этого проекта. Мы не просто адаптируем существующие модели, а строим инженерную схему “когнитивного цифрового двойника”, которая транслирует глубокие знания практиков медицины катастроф в архитектуру ИИ. Гиперграф позволяет системе самоорганизовываться – адаптировать поиск под контекст запроса. Это основа для реальных систем поддержки принятия решений, а не лабораторный эксперимент».
Что дальше?
Команда планирует внедрить граф знаний для многошагового логического вывода и использовать графовые нейронные сети для динамической настройки весов между источниками. Разработанная методология может быть масштабирована на любые области с многоуровневой нормативной базой – от экологического мониторинга до социальной защиты.
