Screenathon 2.0: совместная человек–ИИ проверка литературы, применённая к данным о здоровье, созданным пациентами

Почему это важно для повседневных исследований в здравоохранении

Современная медицина опирается на анализ гор научных статей, чтобы понять, что действительно работает. Но объём новых исследований вырос настолько, что даже скоординированные исследовательские команды с трудом успевают за ним. В этой статье описан новый способ объединения людей и искусственного интеллекта (ИИ) для ускорения «скрининга» статей при сохранении контроля человеческого суждения. Подход под названием Screenathon 2.0 демонстрирует, как толпы экспертов и интеллектуальное программное обеспечение могут работать вместе, чтобы справиться с огромными объёмами чтения всего за несколько дней.

От одиночного чтения к командной работе

Традиционно исследователи проводят систематические обзоры, заставляя по крайней мере двух человек читать заголовок и аннотацию каждой статьи и решать, соответствует ли она вопросу исследования. Этот тщательный процесс помогает обеспечивать надёжные выводы, но он болезненно медленный и трудно масштабируемый по мере взрывающегося числа публикаций. Ранее та же группа исследователей пробовала превратить скрининг в «Screenathon», когда десятки экспертов работали вместе несколько дней, разделяя нагрузку. То первое мероприятие доказало, что командная работа помогает, но всё ещё полностью опиралось на человеческие усилия и не могло полностью избавиться от усталости, различий в опыте и ошибок в маркировке.

Добавление ИИ в качестве полезного напарника

В Screenathon 2.0 команда усовершенствовала процесс, встраивая ИИ непосредственно в рабочий процесс. Они сосредоточились на исследованиях по данным о здоровье, созданным пациентами — информации, которую люди собирают сами с помощью устройств вроде фитнес‑трекеров, глюкометров или медицинских приложений. С помощью открытой программы ASReview модель ИИ обучалась в реальном времени на каждом решении человеческих рецензентов: каждый раз, когда человек помечал статью как релевантную или нет, система обновляла свои внутренние правила и перестраивала оставшиеся записи, продвигая наиболее перспективные в начало очереди. Таким образом люди оставались принимающими решения, а ИИ выступал как постоянно совершенствующийся проводник, предлагая, какие статьи проверить следующими.

Крупный эксперимент за два насыщенных дня

Команда протестировала это партнёрство человек–ИИ во время трёхдневной встречи европейского консорциума в области здравоохранения. Двадцать семь экспертов из 27 партнёрских организаций просмотрели почти 7000 научных записей по 11 областям болезней, от рака до сердечных и неврологических заболеваний. В первый день участникам провели обучение по правилам включения и ввели в работу ИИ‑системы. На второй день они сосредоточились на интенсивном совместном скрининге, иногда продолжая неформально в общих зонах. К концу мероприятия они пометили 487 записей как релевантные и более 6000 как нерелевантные: некоторые участники просмотрели лишь несколько статей, другие — тысячи, при этом все данные поступали в общие ИИ‑модели для каждой тематики болезни.

Проверка результатов машины и людей

Скорость сама по себе ничего не значила бы, если бы важные исследования были упущены, поэтому команда устроила тщательную фазу «послесмотра». После основного мероприятия они провели несколько недель, проверяя и уточняя результаты. Перераспределяли записи, оказавшиеся в неверной группе болезней, перечитывали сомнительные случаи и запускали дополнительные раунды скрининга с жёсткими правилами остановки, например продолжая, пока не появится несколько десятков подряд нерелевантных записей. Наконец, они применили специальный метод повторного просмотра ранее отклонённых записей, которые могли быть помечены ошибочно. Эта тщательная очистка выявила более 200 дополнительных релевантных исследований по темам, показав, что быстрый скрининг с поддержкой ИИ можно сочетать с основательным контролем качества.

Как люди относились к работе с ИИ

В ходе мероприятия участники заполняли опросы о своей уверенности, мотивации и доверии к рецензированию с поддержкой ИИ. В целом они отметили высокую мотивацию и удовлетворённость опытом, более половины выразили предпочтение скринингу с помощью ИИ по сравнению с полностью традиционными методами. Важно, что их доверие к поддержке ИИ увеличилось после непосредственной работы с системой. Многие хвалили простоту и ясность программного обеспечения, хотя и предлагали улучшения, такие как более гибкие фильтры и более прозрачные визуальные подсказки о том, как ИИ приоритизирует статьи.

Что даёт этот новый подход

Главный вывод для широкого читателя состоит в том, что задача не успевать за медицинскими исследованиями не требует выбора между людьми и машинами. Screenathon 2.0 показывает, что сочетание экспертного суждения и адаптивного ИИ может помочь исследовательским командам быстро находить самые релевантные исследования, не жертвуя тщательностью и надзором. ИИ ускоряет поиск, но окончательные решения и проверка результатов остаются за людьми. При хорошем обучении и надёжных послесмотровых проверках такое партнёрство человек–ИИ может сделать сбор доказательств быстрее, надёжнее и более устойчивым по мере продолжения роста объёма медицинской информации.

Цитирование: Bergmann, J., Azzi, T., Neeleman, R. et al. Screenathon 2.0: human–AI collaborative screening applied to patient-generated health data. Sci Rep 16, 14487 (2026). https://doi.org/10.1038/s41598-026-45385-5

Ключевые слова: систематические обзоры, человек–ИИ сотрудничество, данные о здоровье, созданные пациентами, активное обучение, скрининг литературы