Адаптация развертывания функции качества для преобразования отзывов пациентов в приоритетные технические требования к искусственному интеллекту в здравоохранении

Почему голоса пациентов важны для больничного ИИ

Когда вы оставляете онлайн-отзыв после визита в больницу, может казаться, что ваши слова исчезают в пустоте. В этом исследовании показано, как такие комментарии вместо этого могут стать мощным рулем для инструментов искусственного интеллекта (ИИ), которые больницы всё чаще используют для мониторинга качества и опыта пациентов. Превратив тысячи отзывов пациентов в понятные приоритеты для инженеров, авторы предлагают способ построить больничный ИИ, который не только впечатляет показателями на бумаге, но и действительно реагирует, справедлив и полезен в реальной жизни.

От онлайн‑отзывов к действенным сигналам

Исследователи начали с простого вопроса: что если рассматривать комментарии пациентов как основной чертёж для проектирования ИИ в здравоохранении? Они собрали почти 15 000 отзывов с Google Maps из 53 частных больниц одного штата Малайзии и сосредоточились на 1 279 отзывах, в которых содержались серьёзные жалобы. Вместо того чтобы полагаться на нескольких экспертов, читающих всё вручную, они использовали большие языковые модели — продвинутые ИИ для обработки текста — чтобы разнести каждый комментарий по детализированным темам, таким как поведение персонала, проблемы коммуникации, время ожидания, вопросы оплаты и доступность. Человеческие эксперты проверили выборку и обнаружили сильное согласие с кодировкой ИИ, что говорит о том, что такая автоматизированная обработка голосов пациентов достаточно надёжна, чтобы руководить решениями по дизайну.

О чём на самом деле жалуются пациенты

Когда команда сгруппировала детальные темы в более широкие категории, выявилась ясная картина. Наиболее частые жалобы касались того, как с пациентами обращаются как с людьми, а не только их медицинских состояний. Качество сервиса, профессионализм и коммуникация составили почти 40 % жалоб, за ними следовали долгие сроки ожидания и проблемы с записью на приём. Такие темы, как инфраструктура, финансы и права пациентов, тоже встречались, но реже. С помощью статистических методов авторы свели эти паттерны к шести крупным «потребностям», таким как сервис и коммуникация, клиническая помощь и опыт, поток пациентов, удобства, финансовые вопросы и права и доступ. Затем они оценили серьёзность и частоту каждой проблемы, создав показатель, который показывает, какие области срочно требуют улучшений.

Построение «Дома потребностей и решений»

Чтобы связать желания пациентов с тем, как инженеры строят ИИ‑системы, авторы адаптировали метод проектирования, называемый Quality Function Deployment, часто визуализируемый как «Дом качества». Слева в этом доме расположены потребности пациентов; по верху — технические функции ИИ, которые можно настроить, например, насколько точно система читает текст, насколько точно определяет тональность, насколько тонко она сортирует комментарии по категориям, с какой скоростью работает и насколько эффективно фильтрует фальшивые отзывы. В середине — матрица, показывающая, насколько каждая техническая функция помогает удовлетворить каждую потребность пациента. Внизу метод рассчитывает приоритетные баллы, показывая, каким возможностям ИИ следует уделять больше всего инвестиций, если цель — улучшить реальный опыт пациентов, а не только технические показатели.

Какие функции ИИ важны в первую очередь

Анализ показал чёткую иерархию. Главным приоритетом стала «детализированная категоризация» — способность ИИ сортировать комментарии пациентов по очень конкретным, значимым группам, а не по расплывчатым ярлыкам. Немного отставая, шли точный анализ тональности и надёжное базовое понимание текста (насколько верно ИИ понимает, что говорят пациенты). Вместе они формируют критический кластер: организовать темы обсуждения, уловить эмоции и правильно прочитать слова. Согласие человека и ИИ — насколько решения системы сходятся с оценками людей — заняло следующую позицию, подчёркивая необходимость надзора и доверия. Скорость и обработка в реальном времени тоже имели значение, но исследование выявило компромиссы: гонка за сверхбыстрой реакцией может подорвать глубину и детализацию анализа. Обнаружение фальшивых отзывов, хотя и полезное для качества данных, заняло наименьшее место по прямому влиянию на удовлетворённость пациентов.

Что это означает для пациентов и больниц

Для непрофессионального читателя вывод прост: если больницы хотят, чтобы ИИ действительно улучшал ощущаемую вами заботу, им нужно начать с масштабного внимательного слушания голосов пациентов и затем проектировать технологии вокруг этих проблем. Эта структура предлагает пошаговый путь: превращать неструктурированный текст отзывов в ранжированный список функций, которые инженерам следует создать и улучшать. Хотя текущие результаты получены на примере частных больниц в Малайзии и требуют проверки в других условиях, основная идея широко применима: измеряйте то, что важно пациентам, систематически связывайте это с тем, как строится ИИ, и повторяйте цикл. При грамотной реализации этот подход может помочь перенести ИИ в здравоохранении от впечатляющих лабораторных показателей к реальным улучшениям в вежливости, ясности, своевременности и доверии у постели больного.

Цитирование: Muda, N., Sulaiman, M.H. Adapting quality function deployment to translate patient feedback into prioritized technical requirements for healthcare artificial intelligence. Sci Rep 16, 5713 (2026). https://doi.org/10.1038/s41598-026-36550-x

Ключевые слова: отзывы пациентов, ИИ в здравоохранении, ориентированный на человека дизайн, повышение качества, обработка естественного языка