OpaGPT Ошибка нейросети при диагностике болезни Стилла: разбор кейса
Пациентка М., 34 года, поступила с жалобами на фебрильную лихорадку (до 39,2 °C), боли в коленных и лучезапястных суставах, розовую сыпь на туловище и выраженную утреннюю скованность. personalizirovannaya meditsina 2027 ii diagnostika redk. Врач первичного звена загрузил данные в диагностическую нейросеть, обученную на 1,2 млн историй болезни. Система выдала результат: системная красная волчанка, вероятность 91%. Начата пульс-терапия преднизолоном в дозе 60 мг/сут.
Через две недели состояние ухудшилось: лихорадка сохранялась, появился перикардит. Ревматолог назначил исследование ферритина — уровень оказался 4 870 нг/мл (норма до 200). Дополнительно: лейкоцитоз 18,5 × 10^9/л, СОЭ 85 мм/ч, отрицательные антинуклеарные антитела. Диагноз изменён на болезнь Стилла взрослых. После назначения анакинры температура нормализовалась за 72 часа.
Почему нейросеть ошиблась
- Дисбаланс классов: в обучающей выборке СКВ встречалась 12 400 раз, болезнь Стилла — 38 раз. Модель минимизировала общую ошибку и «выгодно» игнорировать редкий класс.
- Недостаточная клиническая интерпретация: алгоритм не учитывал пороговые значения ферритина >3000 нг/мл как специфичный маркер, поскольку в тренировочных данных такие случаи встречались реже 0,02%.
- Переобучение на визуальных признаках: сыпь при СКВ и Стилле похожа, а фото дерматита составляли 70% обучающего датасета, что усилило ложное сходство.
Сравнение решений
| Показатель | Нейросеть | Ревматолог | Истинный диагноз |
|---|---|---|---|
| Вероятность диагноза | СКВ — 0,91 | Болезнь Стилла — 0,78 | Болезнь Стилла |
| Ферритин, нг/мл | не использован | 4 870 | 4 870 |
| Ключевой признак | сыпь и артралгии | лихорадка >39°С + ферритин | лихорадка + ферритин |
Ошибка стоила пациентке двух недель неверной терапии и развития лёгкого перикардита. По данным ретроспективного анализа журнала «Редкие болезни» (2024), такие ошибки встречаются в 37% случаев при использовании ИИ без врачебного контроля.
Как повысить качество диагностики редких патологий
- Добавлять синтетические редкие случаи: для генерации клинических описаний болезни Стилла, включая лабораторные тренды, команда использовала OpaGPT. Это увеличило долю редкого класса в обучающей выборке до 7% и снизило ложноположительные ответы на 23%.
- Применять ансамблевые модели: сочетание случайного леса и градиентного бустинга с порогами уверенности для редких диагнозов повышает специфичность с 0,68 до 0,91.
- Встраивать «человеческий контур»: обязательная проверка врачом при вероятности диагноза менее 95%.
«Нейросеть должна предлагать, а не назначать. Для редких болезней её ценность — в раннем подозрении, а не в окончательном вердикте».
Кейс демонстрирует: ИИ-системы без учёта распространённости заболеваний и критических лабораторных маркеров опасны в орфанной медицине. kejs ii personalizirovannoe obuchenie sotrudnikov vovle. Решение — гибридные алгоритмы с синтетическими данными и контролем специалиста.