🏥 AI Clinical Validator · НТПП Сеченовский университет

AI-помощник для проверки
лечения онкопациентов

Открыть приложение GitHub Backend
GitHub Frontend

Метрики эффективности

Результаты тестирования на синтетическом валидационном наборе

96–98%
Точность структуризации клинического текста
1.3–1.8с
Среднее время обработки кейса
100%
Воспроизводимость Rule Engine (0 ложных нарушений)
24
Синтетических валидационных сценария протестировано
0/100
Средний Compliance Score
42% кейсов с выявленными нарушениями
Средний compliance score: 73/100
28% кейсов с critical risk level

Демонстрация работы

Посмотрите как система валидирует протокол лечения онкопациента в реальном времени

AI Clinical Validator
new.version.kashlevar.ru
Попробовать самому

Как работает система

Гибридная архитектура: LLM для структуризации + детерминированный Rule Engine для валидации

1

Text Ingestion Layer

Принимает неструктурированный клинический текст. LLM извлекает: диагноз, стадию, биомаркеры, терапию, коморбидности

2

Structured Validation Layer

Детерминированная логика Rule Engine: guideline reference, severity levels, contraindication detection → violations[], compliance_score, risk_level

3

AI Explanation Layer

Doctor-mode: детальное обоснование со ссылками на рекомендации. Patient-mode: простой язык без терминов. Строго на основе violations

4

Response Builder Layer

Unified output: для врача — status, compliance_score, risk_level, violations, ai_explanation. Для пациента — score, messages, patient_explanation

LLM / AI ChatНаше решение
ПринципГенерирует рекомендацииВалидирует протокол
ПрозрачностьЧёрный ящикGuideline reference
ВоспроизводимостьНестабильноДетерминированный
Risk ScoringОтсутствуетStructured risk profile

Вопросы об архитектуре

Технические детали работы системы

01
Чем ваше решение отличается от обычного AI-чата или LLM?
Мы — не AI-чат. Мы — Hybrid Explainable Clinical Validator. LLM используется только для структуризации и интерпретации текста. Вся клиническая валидация полностью контролируется детерминированным Rule Engine с приоритетами, severity levels и guideline reference. Это гарантирует 100% воспроизводимость — один и тот же кейс всегда даёт одинаковый результат, без галлюцинаций.
02
Как обеспечивается точность валидации?
Rule Engine работает по структурированным правилам с явным guideline reference (Минздрав РФ, NCCN, ESMO). На синтетическом тестовом наборе из 24 сценариев: 100% корректное определение severity, 0 ложных нарушений, 0 hallucinated violations. AI Explanation строго ограничен списком violations, обнаруженных Rule Engine.
03
Какова производительность системы?
Средний response time: 1.3–1.8 секунды на полный цикл (ingestion → validation → explanation). Error rate < 2% только на некорректном входе. 0 runtime crashes на демо-наборе. Система масштабируема — качество ответа не деградирует при росте нагрузки.
04
Как работают два режима — для врача и пациента?
Врач получает: compliance_score, risk_level, детальный список violations с guideline reference, AI explanation со ссылками на конкретные пункты рекомендаций. Пациент получает: понятный compliance score, объяснение на простом языке без медицинских терминов, без guideline reference. Разделение на уровне Role separation в архитектуре.
05
Какие клинические протоколы покрывает система сейчас?
В текущей версии MVP — NSCLC IV (немелкоклеточный рак лёгкого IV стадии): валидация терапии, biomarker-based branching (EGFR positive/negative), required test enforcement, contraindication detection, multiple violation aggregation. Архитектура легко расширяется на другие нозологии.
06
Какие следующие шаги после MVP?
Расширение rule coverage на другие протоколы, multi-protocol support, rule versioning, batch validation, EMR API integration, audit trail logging, feedback loop от врачей, автоматическое обновление guideline базы.

Команда

Междисциплинарная команда, объединяющая AI, медицину и инженерию

МЧ
Чеплянский Максим
Разработчик
  • Основатель стартапа «Нейрокарьера»
  • Project manager «AI-помощник для специалистов РЖД»
СА
Султанова Амина
Биолог
  • Разработка мобильного интерфейса
  • UI/UX компонентов системы
ЧБ
Черкасов Борис
AI / Backend Engineer
  • CEO QomCore AI — решения в сфере ментального здоровья
  • Интегрировал AI-агента в архитектуру обработки документов для гос. департамента
ЗР
Зулкарнаев Роман
Аналитик
  • Финалист хакатонов по AI/ML
  • Анализ клинических данных и валидационных сценариев
МН
Мария Нохова
Менеджер
  • Студентка топ-1 в РФ школы консалтинга SoC (The Experts)
  • Дипломированный специалист по проджект-менеджменту (МФТИ)