В России около 70 тысяч детей страдают ревматическими заболеваниями — группой патологий, при которых иммунная система атакует собственные органы и ткани. Таким пациентам требуется госпитализация примерно два раза в год для оценки состояния и эффективности терапии, однако после возвращения домой рядом часто нет специалиста, способного скорректировать лечение. Чтобы решить эту проблему, Yandex Cloud совместно с Ассоциацией детских ревматологов (ASPiRRe) и студентом ИТМО создали ИИ-агента для системы дистанционного мониторинга, о чём рассказала менеджер проектов в здравоохранении Центра технологий для общества Yandex Cloud Юлия Шеянова.

Дистанционный мониторинг в детской ревматологии строится на принципе treat-to-target — «лечение до достижения цели», где целью является ремиссия. Через три месяца после назначения терапии врачи ожидают улучшения примерно на 50%: уменьшение числа суставов с активным воспалением и снижение лабораторных маркеров. Через полгода рассчитывают на полную ремиссию, когда ребёнок чувствует себя здоровым и ведёт обычный образ жизни на фоне лекарств. Однако постоянное наблюдение затруднено: пациенты живут в регионах, а профильные клиники сосредоточены в крупных городах, поэтому пять лет назад ассоциация запустила платформу с мобильным приложением «Ювенильный артрит», куда пациенты вносят результаты анализов, фотографии суставов и данные о приёме препаратов. Сейчас в системе работают 32 врача, включая специалистов НМИЦ здоровья детей, Сеченовского университета и пяти регионов, а зарегистрировано около 1500 пациентов, при этом у каждого врача под наблюдением от 10 до 100 человек.

До недавнего времени мониторинг работал как обычный чат: пациент писал, врач отвечал в свободное от основной работы время, без автоматической обработки текста. На практике это означало, что систему использовали в основном ретроспективно — для анализа динамики к следующему очному визиту, а не как канал быстрой обратной связи. Оперативно отвечать на все вопросы 1500 пациентов без автоматизации было тяжело, хотя ни один вопрос не оставался без ответа. ИИ-агент, разработанный при участии Давида Койфмана из ИТМО и на инфраструктуре Yandex Cloud, добавляет слой обработки естественного языка: модель читает входные данные, обращается к внешним источникам и структурирует ответы на типовые вопросы, снимая часть нагрузки с врачей. При этом модель доверили только две узкие задачи, а все решения о рисках вынесли в детерминированные правила, что подчёркивает осторожный подход к применению ИИ в медицине.

Число заболевших детей растёт на 10–15% в год, отчасти из-за реального роста заболеваемости и улучшения выявляемости, а также, предположительно, из-за молекулярной мимикрии после вирусных инфекций, включая COVID-19: антитела, выработанные против вируса, могут по ошибке атаковать собственные ткани. Среди тяжёлых форм выделяется юношеский артрит с системным началом (сЮА), которым болеют около 1500 детей, включённых в федеральную программу 14 высокозатратных нозологий. Остальные пациенты распределяются на олигоартрит (50%), полиартрит (30%) и другие варианты. Такие дети длительно получают генно-инженерные биологические препараты (ГИБП) и ингибиторы янус-киназ, стоимость которых значительна: один флакон Канакинумаба стоит около 500 тысяч рублей, а детям постарше требуется два флакона на введение. В масштабе года терапия для одного ребёнка обходится в десятки миллионов рублей, но по программе высокозатратных нозологий лекарства предоставляются за счёт государства, и в 2026 году Канакинумаб получат порядка 320 человек, из них 220 — дети.

Инициатором проекта выступила Екатерина Иосифовна Алексеева, чья команда разрабатывает отечественные клинические рекомендации по детской ревматологии и работает в крупнейшем профильном отделении страны. У врачей уже была рабочая платформа дистанционного мониторинга — веб-версия и приложения для iOS и Android с общим бэкендом, и задачей было добавить слой обработки языка, чтобы ускорить ответы и снизить нагрузку. Интерес к подобным системам в медицине огромен: только за 2024 год FDA авторизовало 168 устройств на машинном обучении, а всего в реестре их более тысячи. Однако в данном проекте авторы сознательно ограничили функциональность модели, чтобы избежать рисков, связанных с принятием решений в медицинской сфере, и оставили за детерминированными правилами оценку рисков и клинические решения.

Для российского рынка этот проект важен как пример практического применения ИИ в здравоохранении, особенно в педиатрической ревматологии, где дефицит специалистов особенно ощутим. Система не заменяет врача, а помогает ему обрабатывать рутинные запросы, что потенциально повышает доступность медицинской помощи для детей в регионах. Аналогичные разработки существуют и за рубежом, но российская платформа отличается интеграцией с уже действующей инфраструктурой и фокусом на детскую аудиторию. В перспективе авторы планируют расширять функциональность агента, возможно, добавляя более сложные сценарии анализа данных, но подчёркивают, что любые изменения будут проходить строгую проверку с участием врачей и с учётом регуляторных требований. Открытыми остаются вопросы о масштабировании системы на большее число пациентов и о том, как модель будет адаптироваться к новым клиническим рекомендациям и препаратам, но уже сейчас проект демонстрирует, что ИИ может стать надёжным помощником в сложной медицинской практике, если правильно ограничить его ответственность.