Система анализа инцидентов и обучения на основе искусственного интеллекта для повышения безопасности пациентов и улучшения качества лечения

Почему более продуманные обзоры инцидентов важны для пациентов

За каждым безопасным лечением рака стоит невидимый слой проверок, повторных проверок и извлечённых уроков из событий, едва не приведших к ошибке. Лучевая терапия обладает высокой точностью, но её сложные командные рабочие процессы оставляют пространство для мелких ошибок, которые могут перерасти в серьёзные проблемы. Больницы уже собирают тысячи сообщений о почти-промахах и незначительных сбоях, однако ручная обработка этих историй медленная и непоследовательная. В этой статье описывается новая система на базе искусственного интеллекта, которая помогает экспертам быстро анализировать отчёты об инцидентах, выявлять скрытые закономерности в причинах и механизмах сбоев и превращать эти знания в более безопасную помощь.

От человеческих историй к системным урокам

Когда во время лучевого лечения происходит что‑то необычное — например, запутанная инструкция, задержка или почти‑ошибка — клиницисты фиксируют это в виде повествовательного отчёта своими словами. Традиционно команды по качеству и безопасности читают каждую историю, определяют, что пошло не так, и сопоставляют это с рамочной моделью человеческих факторов HFACS, которая разбивает вкладующиеся причины — от оплошностей на передовой до глубоких организационных проблем. Этот подход эффективен, но трудоёмок, особенно в загруженных онкологических центрах, где регистрируются тысячи инцидентов, большинство из которых не причиняют вреда пациентам, но содержат ценные уроки. Новая Система анализа инцидентов и обучения на основе искусственного интеллекта (AI‑ILS) призвана поддержать такие команды, автоматизируя большую часть работы по классификации при сохранении надзора экспертов.

Очистка и уточнение языка инцидентов

Прежде чем алгоритм сможет понять рассказ об инциденте, текст должен быть одновременно безопасным для совместного использования и ясным по смыслу. AI‑ILS сначала удаляет личные данные — такие как имена, даты и номера историй — с помощью специализированных языковых моделей, обученных распознавать чувствительную информацию в медицинских текстах. Затем система разворачивает медицинские сокращения и локальный жаргон в более понятные фразы, чтобы аббревиатуры вроде «DIBH» или профилировые сокращения интерпретировались правильно. Эта двухэтапная подготовка делает отчёты анонимными и более доступными для основного модели, одновременно сохраняя исходную структуру и намерение повествования, что критично для точной оценки причин сбоев.

Обучение ИИ видеть более глубокие причины

В основе системы лежит большая языковая модель, дообученная на 1548 тщательно составленных условных отчетах об инцидентах. Мультидисциплинарная команда — включая физиков, медсестёр, терапевтов, дозиметристов и врачей — написала эти примеры, чтобы охватить широкий спектр проблем по четырём уровням HFACS: небезопасные действия, предрасполагающие условия (такие как кадровая обеспеченность или окружение), надзор и более широкие организационные влияния. Модель обучали в четырёх параллельных ветвях, по одной для каждого уровня, с добавленной опцией «ни одно из вышеперечисленного», чтобы не принуждать каждую историю к неподходящей категории. После дообучения производительность модели значительно выросла: её способность отличать правильные метки от неправильных (оцененную стандартными метриками точности и корреляции) поднялась с примерно случайного уровня до сильного согласия с экспертной оценкой.

Испытание системы в реальных клиниках

Затем исследователи применили AI‑ILS к 350 реальным отчетам об инцидентах из внутренней базы безопасности крупного онкологического центра. Сравнивая классификации системы с оценками опытных медицинских физиков, они обнаружили примерно 79% строгого совпадения и почти 88% совпадения, если пограничные случаи считать «возможно приемлемыми». Система работала значительно быстрее людей: полный цикл обработки и классификации инцидента занимал около пяти секунд, тогда как рецензенты тратили примерно две с половиной минуты на случай. Простой интерфейс в стиле чата позволяет клиницистам увидеть, как ИИ интерпретировал отчёт, задать уточняющие вопросы и лучше понять, почему была предложена та или иная причина, превращая инструмент в партнёра, а не в «чёрный ящик».

Что это значит для более безопасной помощи

Это исследование показывает, что тщательно адаптированная система ИИ может надёжно поддерживать экспертов в осмыслении больших объёмов отчётов по безопасности, освобождая время для более глубокого расследования и действий. Вместо замены человеческого суждения AI‑ILS организует и стандартизирует паттерны инцидентов по таким уровням, как ошибки на передовой, условия труда, надзор и организационные практики. При более широком внедрении и использовании больших многоцентровых наборов данных схожие инструменты могут помочь больницам перейти от реактивных исправлений после происшествий к проактивным, основанным на данных улучшениям в организации ухода — тихо снижая предотвратимый вред и делая сложные лечения, такие как лучевая терапия, безопаснее для пациентов везде.

Цитирование: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

Ключевые слова: безопасность пациентов, лучевая терапия, отчёты об инцидентах, искусственный интеллект, человеческие факторы