Совместная система на базе LLM для оценки и управления болевым синдромом при раке с помощью обогащённых знаний

Почему важен более разумный подход к лечению боли

Боль при раке — это не просто неприятный побочный эффект: она может доминировать в последние месяцы или годы жизни человека, затрудняя сон, движение и даже простые разговоры. Хотя существуют мощные обезболивающие, их безопасное и эффективное применение сложно, особенно учитывая, что у каждого пациента свой тип опухоли, сопутствующие заболевания и принимаемые лекарства. В этой статье описан OncoPainBot — новая система искусственного интеллекта на базе больших языковых моделей (LLM), призванная помочь врачам разбирать сложные медицинские записи, следовать актуальным руководствам и разрабатывать более безопасные, персонализированные планы обезболивания для людей с раком.

Сложная задача в повседневной онкологической практике

Боль при раке имеет множество причин: опухоли, давящие на кости или нервы, операции, химио- и радиотерапия. До 70% пациентов с распространённым раком испытывают значительную боль, но облегчение часто бывает неполным. Врачи вынуждены сочетать опиоидные препараты, не-опиоидные средства и дополнительные методы, одновременно контролируя опасные побочные эффекты, особенно у пациентов с нарушенной функцией печени или почек. Существующие инструменты оценки боли во многом опираются на краткие шкалы и свободные текстовые заметки, которые могут отличаться у разных врачей и в разных больницах. В результате лечебные решения могут сильно варьировать, и возможности для улучшения комфорта пациентов нередко упускаются.

Превращение медицинского текста в практическое знание

LLM, такие как ChatGPT и Claude, могут читать и резюмировать длинные, неряшливые документы, что делает их привлекательными для медицинских задач. Но обычные «чат-боты» опасны при боли у онкологических больных: они могут выдумывать детали, пропускать лекарственные взаимодействия или игнорировать последние руководства. OncoPainBot решает эти проблемы, сочетая LLM с кураторной базой знаний на основе руководств крупных онкологических организаций и разделяя работу на четыре взаимодействующих «агента», каждый из которых отражает реальную клиническую роль. Один агент извлекает ключевые факты о боли пациента из электронных записей, другой анализирует тип боли, третий составляет план лечения, а четвёртый проводит проверку безопасности, сосредоточенную на взаимодействиях лекарств, функциях органов и требованиях к мониторингу.

Как работает команда из четырёх агентов

Агент по извлечению боли читает заметки в свободном тексте и переводит их в структурированную картину: где локализована боль, насколько она сильна, что её облегчает или усугубляет и какие лекарства уже пробовали. Агент рассуждения о механизме боли затем использует эту картину, чтобы определить, связана ли боль преимущественно с повреждением тканей, повреждением нервов или является смешанной — важный ориентир при выборе лекарств. Далее агент планирования лечения обращается к базе знаний, основанной на руководствах, с помощью подхода retrieval-augmented generation, который позволяет модели подтягивать конкретные, актуальные выдержки, а не полагаться только на «память». Он предлагает поэтапные планы — обычно опирающиеся на «лестницу боли» Всемирной организации здравоохранения — включая начальные дозы, способы их корректировки и «спасительные» дозы для внезапных приступов боли. Наконец, агент проверки безопасности действует как внимательный фармацевт: сканирует на предмет проблем с дозировкой, рискованных сочетаний и отсутствующих лабораторных данных, а также помечает случаи, где данных слишком мало для твёрдых рекомендаций.

Испытание системы

Чтобы выбрать лучшую базовую языковую модель, исследователи сравнили семь ведущих систем по нескольким медицинским задачам вопрос-ответ. Claude 4 показал наибольшую точность, хотя и не был самым быстрым, поэтому был выбран в качестве «мозга» OncoPainBot. Затем они оценили разные способы связки этого «мозга» с библиотекой руководств и обнаружили, что гибридная стратегия поиска — сочетание ключевого слова и более глубокого семантического поиска — давала наиболее надежные ответы. С этой конфигурацией команда запустила OncoPainBot на 516 реальных записях о боли при раке из крупной китайской больницы. Письменные отчёты системы сильно совпадали по языку и содержанию с заметками клиницистов, а её предложения по лечению боли соответствовали реальным предписаниям врачей примерно в 84% случаев. Важно, что большинство несоответствий объяснялись тонкими индивидуальными нюансами пациента — такими как непонятная толерантность к опиоидам или сложная печёночно-почечная недостаточность — а не очевидно ошибочным выбором лекарств.

Что это может значить для пациентов

Для людей с раком обещание OncoPainBot не в том, что машина возьмёт на себя их лечение, а в том, что она даст клинической команде более чёткое и согласованное второе мнение. Система спроектирована как инструмент «врач в цикле»: она подчёркивает признаки боли, которые иначе могли бы затеряться в заметках, предлагает варианты, соответствующие руководствам, и обращает внимание на вопросы безопасности, оставляя окончательные решения за врачами. Авторы подчёркивают, что их работа всё ещё находится на ранней ретроспективной стадии и тестировалась только в одном центре; необходимы проспективные испытания в реальном времени в нескольких больницах. Тем не менее результаты указывают на то, что тщательно спроектированный ИИ — основанный на надёжных доказательствах и прозрачной логике — мог бы помочь стандартизировать уход при боли при раке, снизить риск опасных ошибок дозирования и, что важнее всего, сделать более вероятным, что пациенты проведут меньше времени в страданиях и больше — живя своей жизнью.

Цитирование: Liu, H., Hu, Y., Li, D. et al. LLM-driven collaborative framework for knowledge-enhanced cancer pain assessment and management. npj Digit. Med. 9, 180 (2026). https://doi.org/10.1038/s41746-026-02362-6

Ключевые слова: управление болью при раке, клиническая поддержка принятия решений, большие языковые модели, терапия опиоидами, retrieval-augmented generation