Извлечение данных из историй болезни: медицинское NLP с on-premise

Извлечение данных из историй болезни: медицинское NLP

Врачи тратят до 30% рабочего времени на заполнение бумаг, но ключевые клинические данные остаются в нарративном тексте. Мы превращаем эти тексты в структурированные таблицы: диагнозы, лекарства, анализы, процедуры. За 6–8 месяцев строим fully custom NLP-пайплайн под вашу МИС. Модель работает on-premise, безопасность данных соответствует 152-ФЗ. Свяжитесь с нами для бесплатной консультации и оценки вашего проекта.

Как мы извлекаем данные из историй болезни с помощью NLP?

Мы используем комбинацию методов: Clinical NER на базе BERT, assertion detection для определения контекста, temporal reasoning для хронологии и нормализацию терминов к стандартным классификаторам. Каждый этап оптимизирован под русскоязычные медицинские тексты.

Какие проблемы решаем?

Clinical NER: не просто поиск слов, а контекст

Стандартный regex не отличит «стенокардия» в списке перенесённых болезней от текущего диагноза. Мы используем Clinical BERT, fine-tuned на размеченном корпусе 10 000+ предложений от врачей. Точность entity-level F1 — 94% для самых частых сущностей (диагноз, лекарство, доза).

Assertion detection: где правда?

Запись «болей в груди нет» — противоположность «стенокардия». Модель определяет четыре контекста: present, absent, uncertain, history. Ошибка здесь критична — мы добились accuracy 97% на тестовом наборе.

Temporal reasoning: хронология лечения

Врачей волнует хронология: когда выявлен сахарный диабет, когда назначен Метформин, изменялась ли доза. Без временной развёртки аналитика бесполезна. Мы строим timeline событий с помощью CRF-слоя поверх BERT.

Нормализация терминов: от текста к коду

«СД2», «сахарный диабет 2 типа», «Diabetes mellitus type 2» — одно и то же. Маппинг на МКБ-10 (E11) и UMLS CUI (C0011860) даёт единую картину для всей клиники.

Как мы это делаем?

Используем DeepPavlov/rubert-base-cased как базовую модель. Дообучаем на корпусе выписок (5000 документов, размеченных врачами). Inference на on-premise кластере из 4× A100 — latency p99 120 мс на историю болезни.

Почему on-premise обязателен?

Медицинские данные — особая категория (152-ФЗ, ст. 10). Передача в облако зарубежного вендора невозможна без деперсонализации. Мы ставим модель на ваш сервер или в российское облако (Yandex Cloud, SberCloud). Никакой передачи за границу.

Как боремся с галлюцинациями LLM?

Для safety-critical задач используем правило: LLM только для генерации резюме, не для извлечения. NER делаем отдельным BERT-классификатором. Ручной аудит обязателен до достижения F1 > 95%.

Что лучше: BERT или LLM для извлечения?

BERT превосходит LLM по точности в среднем на 20%, а по скорости — в 30 раз. Поэтому для извлечения данных используем BERT, а LLM — только для генерации резюме под контролем человека.

Что входит в работу

Процесс внедрения состоит из пяти ключевых этапов:

1. Разметка корпуса документов врачами (1–2 месяца) — получаете размеченный корпус 5000 документов и baseline NER модель с F1 ~90%.
2. Обучение полного пайплайна (3–4 месяца) — NER + assertion + нормализация + деперсонализация. Готовый Docker-образ с REST API.
3. Интеграция с МИС через HL7 FHIR или REST (5–6 месяцев) — пилот на 100 историях болезни.
4. Развертывание CDSS-модуля и дашбордов (7–8 месяцев) — проверка взаимодействий лекарств, аналитика.
5. Обучение персонала и документация — передача исходного кода модели.

Типичные ошибки и как их избежать

• Использовать готовые модели для английского: на русских текстах F1 падает на 30–40%. Нужен дообучать.
• Игнорировать деперсонализацию: без неё нельзя использовать данные для обучения и аналитики.
• Полагаться только на LLM: галлюцинируют на редких терминах — обязателен human-in-the-loop.

Оценка качества

Метрики: F1 по каждому типу сущностей, accuracy assertion detection, drug-dosage linkage accuracy. Для safety-critical применений — human validation > 95% F1.

Наши компетенции: 5 лет опыта в медицинском NLP, 20+ внедрений в частные и государственные клиники. Сертифицированные специалисты (NVIDIA DLI, Bioinformatics).

Сроки и стоимость

Сроки — от 6 до 8 месяцев в зависимости от сложности МИС и количества типов сущностей. Стоимость рассчитывается индивидуально. Типичная экономия от автоматизации — от 3 до 8 млн рублей в год на клинику. Получите бесплатную оценку вашего проекта — закажите консультацию. У вас останется модель, код, документация и обученные врачи.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.