Статьи с темой: «пациентоориентированные рентгенологические заключения»
-
2026 № 5 Сложное – просто: большие языковые модели в создании пациентоориентированных рентгенологических заключений – обзор предметного поля.
Прямой доступ пациентов к результатам рентгенологических исследований становится нормой клинической практики, однако медицинская терминология протоколов исследований затрудняет их понимание. Большие языковые модели (LLM) рассматриваются как инструмент автоматического создания заключений, адаптированных для понимания пациентом (или пациентоориентированных заключений), но систематическая оценка их возможностей и ограничений не проводилась.
Цель исследования: картирование литературы по применению больших языковых моделей и традиционных подходов для создания пациентоориентированных рентгенологических заключений.
Материалы и методы. Поиск проведён в пяти базах данных (PubMed, Google Scholar, Semantic Scholar, arXiv, medRxiv) за период январь 2020 – декабрь 2025 года. Включались публикации о пациентоориентированных рентгенологических заключениях по результатам компьютерной томографии, магнитно-резонансной томографии, рентгенографии, маммографии, флю-орографии и остеоденситометрии. Основной поиск – на английском языке; русскоязычные источники включены при выявлении вне основной стратегии. Данные извлекались по стандартизированной форме, охватывающей восемь исследовательских
вопросов. Скрининг и извлечение данных выполнялись одним исследователем; извлечённые данные верифицированы двумя соавторами путём сопоставления с оригинальными источниками.
Результаты. Из 1615 идентифицированных записей включено 60 публикаций. Более половины исследований (n = 35; 58,3%) опубликованы в 2024–2025 годах; географически преобладали США (n = 35; 58,3%). Подходы на основе LLM применялись в 33 исследованиях (55,0%), преимущественно модели семейства GPT; традиционные методы обработки естественного языка (NLP)
и ручного упрощения – в 19 (31,7%), остальные публикации включали гибридные подходы и обзоры. Наиболее распространённым дизайном являлась техническая валидация (n = 27; 45,0%). LLM повышали удобочитаемость заключений: показатель по шкале Flesch-Kincaid Grade Level снижался с исходных 10–13 до 5–12 классов. Все сравнительные исследования с участием пациентов показали статистически значимое улучшение понимания пациентоориентированных заключений. Авторы включённых исследований систематически анализировали ошибки генерируемых текстов при использовании LLM-подходов: частота ошибок и галлюцинаций LLM варьировалась от 0% до 50% в зависимости от модели и промпта; для традиционных NLP-подходов
систематический анализ ошибок во включенных исследованиях не проводился. Выявлен эмпирически обоснованный компромисс между удобочитаемостью и точностью: при целевом уровне ниже 11-го класса точность значимо снижалась. Только 3 из 60 исследований являлись рандомизированными контролируемыми испытаниями.
Выводы. LLM способны повышать уровень удобочитаемости и полноту понимания рентгенологических протоколов при сохранении клинической точности в большинстве случаев. Согласно результатам некоторых исследований, оптимальный целевой уровень составляет 8–11 классов; данная рекомендация требует подтверждения в будущих работах. Ключевым условием практического внедрения является верификация упрощённых заключений специалистом, что обусловлено текущим уровнем развития систем контроля качества сгенерированных текстов. Приоритетными направлениями являются крупномасштабные рандомизированные контролируемые исследования с оценкой клинических исходов и валидация подходов в неанглоязычных контекстах.