Как врачу проверить результат?

У каждого извлечённого поля есть ссылка на предложение в исходной записи. Проверка — один взгляд на подсвеченный фрагмент, а не повторное чтение всей выписки.

Какое железо нужно?

Одна GPU с 48 ГБ видеопамяти — класс L40S или A6000 — на серверах учреждения. Перед пилотом сверяем сайзинг с вашим потоком документов.

МОДЕЛЬ 04 · КЛИНИЧЕСКОЕ ИЗВЛЕЧЕНИЕ

МАЙПЛ Медицина

Извлечение клинических данных — не выходя за периметр

Модель извлекает из медицинских записей диагнозы, препараты, дозировки и коды, а встроенный проход обезличивания убирает персональные данные до записи в логи. Работает на серверах учреждения, внутри его контура защиты — медицинская информация не передаётся по сети наружу.

МКБ-10

коды диагнозов из текста записи

32K

токенов — полная выписка с анамнезом

55 мс

медианная задержка

1× 48 ГБ

GPU класса L40S или A6000

Задача модели

Прочитать клиническую запись и вернуть структурированные данные: состояния, препараты, дозировки и коды МКБ-10 — каждое поле со ссылкой на предложение, из которого оно взято, и с уже обезличенным текстом.

На входе

Выписные эпикризы, дневниковые записи, направления
До 32K токенов — полная выписка вместе с анамнезом

На выходе

Диагнозы с кодами МКБ-10, препараты и дозировки
Ссылка на исходное предложение для каждого поля
Имена, даты и идентификаторы, скрытые до записи в логи и хранилище

Одна задача — сделанная по спецификации

Всё ниже модель делает сама: без обёрток, без циклов повторных запросов и без обращения к модели побольше, когда застряла.

Диагнозы, препараты, коды

Состояния, лекарства, дозировки и коды МКБ-10 из выписных эпикризов, дневниковых записей и направлений.

Персональные данные остаются внутри

Проход обезличивания выполняется до того, как что-либо попадёт в логи или хранилище. Имена, даты и идентификаторы не выходят за границу извлечения.

Документы для проверки соответствия

Описание архитектуры on-premise, схемы потоков данных и поддержка на аудите — для обоснования соответствия 152-ФЗ. Совместима с требованиями HIPAA; аттестация зависит от вашей среды.

Привязка к записи

Каждое извлечённое поле ссылается на исходное предложение: врач проверяет, а не принимает на веру.

Характеристики

Цифры, которые нужны для планирования мощностей. Перед пилотом сайзинг сверяется с вашим трафиком, и показатели записываются в соглашение.

Контекст: 32K токенов
Полная выписка с анамнезом помещается в один запрос.
Задержка: 55 мс, медиана
Медиана, batch 1, эталонное развёртывание на одной GPU. Замер разработчика — встроенный стенд воспроизводит его на вашем железе.
Железо: 1× GPU 48 ГБ
Класс L40S или A6000, на серверах учреждения. Сайзинг проверяем до пилота.
Обезличивание: До записи в логи и хранилище
Имена, даты и идентификаторы не покидают границу извлечения.
Интерфейс: OpenAI-совместимый REST
Обслуживается vLLM. Код, написанный под OpenAI-клиент, подключается без переписывания.
Развёртывание: Docker Compose или Helm
Ваши серверы, частное облако (VPC) или изолированный контур без интернета.
Дообучение: LoRA на ваших данных
Задания на дообучение входят в редакцию Enterprise. Обычно хватает нескольких сотен размеченных примеров из вашего процесса.
Оплата: Годовая лицензия
Без оплаты за токены, запросы и рабочие места. Размер лицензии зависит от масштаба развёртывания.

Где применяется

Сценарии для клиник, сетей медцентров и лабораторий, которым нельзя передавать медицинские данные внешним сервисам.

Структурирование выписок и направлений

Входящие направления и выписки из других учреждений приходят свободным текстом. Модель раскладывает их на диагнозы, назначения и дозировки для переноса в МИС.

Поля со ссылкой на исходное предложение
Персональные данные скрыты до записи в логи
Полная выписка — в одном запросе

Проверка кодов МКБ-10

Сверка кодов диагнозов с текстом записи перед формированием отчётности: модель показывает, из какого предложения взят каждый код.

Коды МКБ-10 из текста записи
Быстрая проверка по ссылке на источник
Меньше ручного перечитывания карт

Подготовка обезличенных данных

Выгрузки для аналитики и внутренних исследований без имён, дат и идентификаторов пациентов — обезличивание встроено в сам процесс извлечения.

Обезличивание до попадания в хранилище
Обработка внутри контура — требование 152-ФЗ
Документация для службы защиты информации

Пример запроса и ответа

Иллюстрация формата на вымышленной записи. Имя модели и структура полей условные — точный контракт фиксируется на пилоте.

Запрос

{
  "model": "maipl-healthcare",
  "messages": [
    { "role": "user", "content": "Пациент Иванов И. И., 12.05.1961 г. р. Диагноз: сахарный диабет 2 типа. Назначено: метформин 1000 мг 2 раза в сутки." }
  ]
}

Ответ модели

{
  "patient": "[ФИО]",
  "birth_date": "[ДАТА]",
  "conditions": [
    { "name": "Сахарный диабет 2 типа", "icd10": "E11",
      "span": "Диагноз: сахарный диабет 2 типа." }
  ],
  "medications": [
    { "name": "метформин", "dose": "1000 мг", "frequency": "2 раза в сутки",
      "span": "Назначено: метформин 1000 мг 2 раза в сутки." }
  ]
}

От первого звонка до промышленной эксплуатации

Три шага без переписывания вашего кода. В конце веса модели остаются у вас.

Звонок-знакомство
30 минут
Без слайдов: задача, формат данных и требования безопасности. Если эта модель вам не подходит — скажем прямо на звонке.
Пилот в вашем контуре
по плану пилота
Контейнер разворачивается на тестовом стенде в вашем VPC или на собственных серверах — на том же стеке, что Люмен и Notetaker. Стенд оценки прогоняет модель на ваших данных, цифры попадают в пилотное соглашение.
Промышленный запуск
90 дней сопровождения
Runbook, обучение операторов и 90 дней сопровождения. После этого модель эксплуатируете вы, без зависимости от поставщика.

Частые вопросы

Нет. Модель работает на серверах учреждения, внешних вызовов нет. Проход обезличивания выполняется до записи в логи и хранилище, поэтому имена, даты и идентификаторы не выходят за границу извлечения.

Обработка идёт внутри вашего периметра, без передачи данных внешнему провайдеру. Мы предоставляем описание архитектуры, схемы потоков данных и помогаем на проверке. Соответствие подтверждается для вашей информационной системы в целом — модель его обеспечивает, но не заменяет.

Архитектура и документация модели подготовлены под требования американского стандарта HIPAA к защите медицинских данных. Для российских учреждений ключевыми остаются 152-ФЗ и режим врачебной тайны — развёртывание в контуре клиники закрывает вопрос передачи данных наружу.

Это проверяется на пилоте на ваших записях: встроенный стенд оценки показывает точность на реальных документах учреждения, целевые метрики фиксируются в соглашении. При необходимости модель дообучается методом LoRA на нескольких сотнях размеченных примеров.