AI Symptom Checker для мобільного застосунку: розробка під ключ

Помилка в Symptom Checker може коштувати життя. Коли 30% існуючих застосунків для оцінки симптомів дають невірні рекомендації щодо екстрених випадків, ціна помилки — людське життя. Уникнути цього допомагає детермінований фільтр екстрених симптомів, який працює до будь-якого AI-аналізу. Нижче — архітектура, яку ми використовуємо в комерційних проєктах, з дотриманням стандартів HIPAA та GDPR. Якщо вам потрібне надійне медичне застосування, зв'яжіться з нами для консультації.

Чому детермінований фільтр критичний?

AI-моделі можуть помилятися, особливо на граничних випадках. Детермінований фільтр — надійна гарантія: якщо користувач вводить «біль у грудях», застосунок зобов'язаний показати кнопку виклику швидкої, не чекаючи відповіді від LLM. Це не AI — це просте порівняння рядків, яке працює швидко та точно. Ми використовуємо список із 30+ фраз на кількох мовах, протестованих медичними експертами.

Які юридичні та медичні обмеження потрібно враховувати?

Перш ніж писати код — базові обмеження, які диктують архітектуру:

• Застосунок не ставить діагнози. Виводить «ймовірні причини», «рекомендується консультація лікаря»
• Симптоми високого ризику (біль у грудях, утруднене дихання, ознаки інсульту) — автоматичний редирект на дзвінок 112, без AI-аналізу
• Всі дані про симптоми — медичні дані, вимагають шифрування рівня HealthKit / HIPAA
• Disclaimer має бути видимим до першого запиту, не дрібним шрифтом

На iOS — HealthKit для зберігання анамнезу з HKHealthStore authorization. На Android — Health Connect з HealthPermission.READ_STEPS та аналогічними дозволами.

Детермінована перевірка критичних симптомів

До будь-якого LLM-виклику — жорсткий фільтр за критичними симптомами:

struct CriticalSymptomChecker {
    // Симптоми, що потребують негайної швидкої допомоги
    static let emergencySymptoms = [
        "chest pain", "біль у грудях",
        "difficulty breathing", "утруднене дихання", "не можу дихати",
        "sudden severe headache", "раптовий сильний головний біль",
        "face drooping", "numbness arm", "speech difficulty",  // FAST-тест інсульту
        "loss of consciousness", "втрата свідомості",
        "severe bleeding", "сильна кровотеча",
        "choking", "подавився"
    ]

    static func requiresEmergency(_ symptomText: String) -> Bool {
        let lowercased = symptomText.lowercased()
        return emergencySymptoms.contains { lowercased.contains($0) }
    }
}

// Перевіряємо ДО відправки в LLM
func processSymptoms(_ userInput: String) async {
    if CriticalSymptomChecker.requiresEmergency(userInput) {
        showEmergencyAlert()  // Кнопка 112, заблокувати продовження
        return
    }
    await analyzeWithAI(userInput)
}

Це не AI — це детермінована логіка. Не можна довіряти LLM рішення про виклик швидкої допомоги.

Структурований збір симптомів

Вільне введення тексту — не найкращий UX для медичного контексту. Користувач у стресі пише неточно. Краще — чат з уточнюючими запитаннями за протоколом OPQRST:

// Протокол збору симптомів (адаптація OPQRST для мобільного)
enum SymptomQuestion: CaseIterable {
    case onset          // коли почалося
    case provocation    // що посилює/послаблює
    case quality        // характер (гостра, тупа, тиснуча)
    case radiation      // куди віддає
    case severity       // 1-10 шкала
    case time           // як давно, постійно/періодично

    var prompt: String {
        switch self {
        case .onset: return "Коли з'явився симптом? (нещодавно, кілька годин, кілька днів)"
        case .severity: return "Оцініть інтенсивність за шкалою від 1 до 10"
        // ...
        }
    }
}

AI генерує наступне уточнююче запитання на основі попередніх відповідей — адаптивне опитування, а не фіксований список.

Промпт для аналізу симптомів

func buildSymptomAnalysisPrompt(
    symptoms: SymptomCollection,
    patientContext: PatientContext
) -> String {
    return """
    You are a medical triage assistant. Analyze symptoms and suggest possible conditions.

    IMPORTANT: Always recommend consulting a qualified doctor. Never provide a definitive diagnosis.
    If symptoms suggest any serious condition, clearly state urgency level.

    Patient context:
    - Age: \(patientContext.age)
    - Known conditions: \(patientContext.knownConditions.joined(separator: ", "))
    - Current medications: \(patientContext.medications.isEmpty ? "none" : patientContext.medications.joined(separator: ", "))

    Symptoms:
    - Main complaint: \(symptoms.mainComplaint)
    - Duration: \(symptoms.duration)
    - Severity (1-10): \(symptoms.severity)
    - Character: \(symptoms.quality)
    - Associated symptoms: \(symptoms.associated.joined(separator: ", "))

    Return JSON:
    {
      "urgency": "emergency|urgent|routine",
      "possible_conditions": [{"name": "", "likelihood": "high|medium|low", "brief_explanation": ""}],
      "recommended_action": "call_112|er_today|see_doctor_soon|see_doctor_routine|home_care",
      "home_care_advice": "",
      "red_flags": ["symptoms to watch for that require immediate care"],
      "disclaimer": "This is not a medical diagnosis..."
    }
    """
}

urgency: emergency у відповіді LLM — додатковий тригер для показу кнопки 112, навіть якщо детермінований фільтр його не впіймав.

Відображення результатів

Медична інформація потребує особливої подачі в UI:

@Composable
fun SymptomCheckResult(result: SymptomAnalysis) {
    Column(modifier = Modifier.fillMaxSize().padding(16.dp)) {

        // Рівень терміновості — першим, крупно
        UrgencyBanner(urgency = result.urgency)

        Spacer(Modifier.height(16.dp))

        // Рекомендована дія — другим
        RecommendedActionCard(action = result.recommendedAction)

        Spacer(Modifier.height(16.dp))

        // Можливі причини — з застереженнями
        Text("Можливі причини", style = MaterialTheme.typography.titleMedium)
        Text(
            "Інформація носить ознайомлювальний характер і не є діагнозом",
            style = MaterialTheme.typography.bodySmall,
            color = MaterialTheme.colorScheme.onSurfaceVariant
        )

        result.possibleConditions.forEach { condition ->
            ConditionCard(condition)
        }

        // Червоні прапорці — окремим блоком
        if (result.redFlags.isNotEmpty()) {
            RedFlagsSection(flags = result.redFlags)
        }

        // Disclaimer — обов'язковий, але не дрібним шрифтом
        DisclaimerCard(text = result.disclaimer)
    }
}

Інтеграція з телемедициною

Якщо застосунок пов'язаний з телемедичним сервісом, кнопка «Проконсультуватися з лікарем» з'являється в результатах. Контекст із Symptom Checker (структуровані симптоми, анамнез) передається лікарю автоматично — це економить 10–15 хвилин опитування.

Що входить у розробку AI Symptom Checker під ключ

Порівняння підходів: детермінований vs AI для екстрених симптомів

Орієнтири за термінами

Базовий Symptom Checker з чатом, детермінованим фільтром екстрених випадків та AI-аналізом — 2–3 тижні. Повна реалізація з адаптивним опитуванням, HealthKit/Health Connect, профілем пацієнта, інтеграцією телемедицини та відповідністю вимогам GDPR/HIPAA — 2–3 місяці.

Наші інженери мають сертифікати iOS/Android та багаторічний досвід у розробці медичних застосунків. Ми гарантуємо дотримання всіх регуляторних вимог та проведемо аудит безпеки перед релізом. Отримайте консультацію щодо вашого проєкту — зв'яжіться з нами для оцінки термінів та вартості. Замовте розробку AI Symptom Checker під ключ — надійне медичне рішення із захистом даних.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.