AI-генерація плану стоматологічного лікування: система для клінік

Як AI автоматизує план стоматологічного лікування?

Лікар витрачає 15–25 хвилин на складання плану лікування: аналізує знімки, дані огляду, історію, формує послідовність процедур з кодами МКХ та МКХ-С, розраховує вартість, створює документ для пацієнта. Помилки в кодуванні призводять до відмов страхових — до 3–4 випадків на місяць у великих мережах. Ми розробили AI-систему, яка бере на себе документальне оформлення та генерує структурований план на основі даних лікаря. Це не заміна діагнозу, а асистент, який скорочує час до 6 хвилин і підвищує точність кодування до 94%. Економія на одному лікарі — понад 80 000 грн на місяць за рахунок збільшення прийому на 3-4 пацієнтів на день.

Чому AI знижує відмови страхових?

Ручне складання плану — рутина, яка забирає час у лікаря та створює ризики помилок. AI-система не тільки прискорює процес, але й структурує дані за стандартами МКХ-10-СМ та СНОДЕНТ (див. Wikipedia). Порівняйте:

Результат: лікар економить 70% часу, страхова компанія приймає план з першого разу.

Які дані потрібні для генерації плану?

Лікар після огляду вводить або диктує: зубну формулу, виявлені патології по зубах, пріоритети пацієнта. Система генерує:

• Повний план лікування з послідовністю процедур
• Коди МКХ-10-СМ та МКХ-С для страхових
• Альтернативні варіанти лікування (консервативний vs радикальний)
• Кошторис з розбивкою по етапах
• Інформовану згоду для пацієнта (зрозумілою мовою)

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
from typing import Optional
import json

class ToothCondition(BaseModel):
    tooth_number: int  # по ISO 3950
    diagnosis: str
    severity: str      # mild / moderate / severe
    priority: str      # urgent / planned / cosmetic

class TreatmentPlan(BaseModel):
    patient_id: str
    chief_complaint: str
    diagnoses: list[ToothCondition]
    treatment_phases: list[dict]   # [{phase, procedures, duration_weeks, cost_range}]
    total_visits_estimate: int
    contraindications: list[str]
    alternative_options: list[dict]
    informed_consent_summary: str

class DentalTreatmentPlanGenerator:
    SYSTEM_PROMPT = """Ти — AI-асистент стоматолога. Допомагаєш формалізувати план лікування.
Ти НЕ ставиш діагноз — ти структуруєш дані, надані лікарем.
Використовуй актуальні стандарти: МКХ-10-СМ, МКХ-С (SNODENT), СанПіН 2.1.3.2630-10.
Послідовність процедур повинна відповідати клінічній логіці:
спочатку невідкладна допомога → гігієнічні процедури → терапія → хірургія → ортопедія."""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.1)

    def generate_plan(
        self,
        patient_data: dict,
        tooth_conditions: list[ToothCondition],
        patient_preferences: dict
    ) -> TreatmentPlan:
        conditions_text = "\n".join([
            f"Зуб {tc.tooth_number}: {tc.diagnosis} ({tc.severity}), пріоритет: {tc.priority}"
            for tc in tooth_conditions
        ])

        prompt = f"""Створи план стоматологічного лікування.

Дані пацієнта:
- Вік: {patient_data.get('age')}
- Алергії: {patient_data.get('allergies', 'не вказані')}
- Системні захворювання: {patient_data.get('systemic_conditions', 'немає')}
- Прийняті препарати: {patient_data.get('medications', 'немає')}
- Головна скарга: {patient_data.get('chief_complaint')}

Стан зубів (за даними лікаря):
{conditions_text}

Уподобання пацієнта:
- Бюджет: {patient_preferences.get('budget', 'не обмежений')}
- Пріоритет: {patient_preferences.get('priority', 'якість')} (якість/швидкість/бюджет)
- Страховка: {patient_preferences.get('insurance', 'немає')}

Створи план з:
1. Етапи лікування (фази з обґрунтуванням послідовності)
2. Для кожної процедури: назва, код МКХ-С, кількість візитів, ризики
3. Альтернативний план (більш консервативний)
4. Попередження та протипоказання
5. Коротке резюме для пацієнта (без медичного жаргону)

Поверни JSON структури TreatmentPlan."""

        response = self.llm.invoke([
            {"role": "system", "content": self.SYSTEM_PROMPT},
            {"role": "user", "content": prompt}
        ])

        return TreatmentPlan.model_validate_json(response.content)

Як AI аналізує рентгенівські знімки?

Для клінік з цифровими рентгенами — вилучення даних через Vision API. Модель описує зміни на панорамному знімку: каріозні порожнини, періапікальні зміни, втрату кісткової тканини. Результат використовується як допоміжна інформація для лікаря.

import base64
from openai import OpenAI

client = OpenAI()

def analyze_dental_xray(image_path: str) -> dict:
    """Аналізує рентгенівський знімок — допоміжно для лікаря"""
    with open(image_path, "rb") as f:
        image_b64 = base64.b64encode(f.read()).decode()

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": [
                {"type": "image_url",
                 "image_url": {"url": f"data:image/jpeg;base64,{image_b64}"}},
                {"type": "text",
                 "text": """Опиши видимі зміни на панорамному рентгенівському знімку зубів.
Структуруй по зонах. Вкажи: каріозні порожнини, періапікальні зміни,
втрата кісткової тканини, стан кореневих каналів.
ВАЖЛИВО: Це допоміжна інформація для лікаря, не діагноз."""}
            ]
        }],
        max_tokens=500
    )
    return {"xray_observations": response.choices[0].message.content}

Як інтегрується з МІС?

Підключаємо до 1С:Медицина, Dental4Windows, Ident. План завантажується як заплановані процедури з прив'язкою до пацієнта, статусом "planned" та кодом МКХ-С.

# Інтеграція з 1С:Медицина, Dental4Windows, Ident
class DentalMISConnector:
    def push_treatment_plan(self, plan: TreatmentPlan, mis_patient_id: str):
        """Завантажує план в медичну інформаційну систему"""
        procedures = []
        for phase in plan.treatment_phases:
            for proc in phase["procedures"]:
                procedures.append({
                    "code": proc["icds_code"],
                    "name": proc["name"],
                    "tooth_number": proc.get("tooth_number"),
                    "phase": phase["phase_number"],
                    "estimated_cost": proc.get("cost_range"),
                    "status": "planned"
                })

        return self.mis_client.create_treatment_plan(
            patient_id=mis_patient_id,
            procedures=procedures,
            created_by="ai_assistant"
        )

Що входить в роботу

Проєкт включає:

• Базовий генератор плану на GPT-4o з кастомізованим промптом та validation pipeline
• Інтеграція з МІС (1С:Медицина, Dental4Windows, Ident) через REST API
• Модуль аналізу рентгенівських знімків через Vision API
• Налаштування схеми даних під ваші стандарти та кодувальники
• 2-денне навчання лікарів та адміністраторів
• Технічна підтримка на 3 місяці

Наш досвід та результати

Ми реалізували понад 10 AI-проєктів в медичній сфері, в тому числі для мережі з 8 стоматологічних клінік. Досвід команди — 5+ років в MLOps та NLP. Гарантуємо точність кодування не нижче 90% на старті (за нашими даними — 94%). Використовуємо сертифіковані моделі OpenAI та власні fine-tuned моделі під специфіку клініки.

Кейс: мережа з 8 стоматологічних клінік. Середній час складання плану лікування: 22 хв → 6 хв (лікар перевіряє та коригує AI-чернетку). Точність відповідності кодів МКХ-С (перевірка страховим відділом): 94%. За перші 4 місяці: 0 відмов страхових через неправильне кодування (було 3–4 на місяць). Економія на одній клініці — понад 500 000 грн на рік.

Терміни: базовий генератор плану: 3–4 тижні; інтеграція з МІС та рентген-аналіз: 6–8 тижнів додатково.

Зв'яжіться з нами для демо-версії. Замовте пілотний проєкт — ми оцінимо вашу інфраструктуру та підготуємо пропозицію.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.