Автоматизированный медицинский триаж

Материал из MachineLearning.

(Различия между версиями)

Перейти к: навигация, поиск

Текущая версия

Содержание

1 Введение и определение
2 Математическая постановка задачи
3 Архитектуры и алгоритмы
4 Специфические метрики и функции потерь
5 Роль «человека в петле» (Human-in-the-loop) и CDS
- 5.1 Механизм «второго мнения» для защиты от скрытых рисков
- 5.2 Объяснимый ИИ (XAI) для доверия врачей
6 Ограничения и риски
7 Примеры из практики
8 Литература
9 См. также

Статья написана с использованием LLM Gemini и проверена участником Dmitrii Vishovan 13:39, 16 июля 2026 (MSD)

Введение и определение

Автоматизированный медицинский триаж (от фр. triage — сортировка) — это процесс классификации и маршрутизации пациентов на основе анализа их медицинских данных с использованием алгоритмов машинного обучения.

В условиях нехватки медицинских кадров и высокой нагрузки на систему здравоохранения (особенно в отделениях неотложной помощи и амбулаторном звене) традиционный ручной триаж становится «бутылочным горлышком». Цель алгоритмического триажа — автоматически, быстро и безопасно проанализировать входящий поток пациентов (симптомы, витальные показатели, историю болезни из ЭМК) и распределить их по уровню срочности и требуемой квалификации врача.

Базовая логика распределения:

Простые случаи (Low Acuity/Complexity): Пациенты с типичными симптомами ОРВИ, мелкими травмами или необходимостью выписки рецепта. Алгоритм может направить их к фельдшеру, медсестре расширенной практики или врачу общей практики (терапевту), а в некоторых случаях — предложить автоматизированную рекомендацию с функцией «второго мнения» для быстрого подтверждения.
Средние случаи (Moderate Acuity): Пациенты, требующие стандартного врачебного осмотра и базовой диагностики (например, подозрение на пневмонию, обострение хронических заболеваний). Направляются к профильным специалистам или врачам-терапевтам в порядке стандартной очереди.
Сложные и экстренные случаи (High Acuity/Emergency): Пациенты с угрожающими жизни состояниями (подозрение на инфаркт, инсульт, сепсис) или редкими сочетанными патологиями. Алгоритм обязан мгновенно маркировать таких пациентов (red flag) и маршрутизировать их напрямую к узкопрофильным специалистам высшей квалификации или в отделение реанимации (ОРИТ), минуя этап первичного осмотра терапевтом.

Математическая постановка задачи

Задача автоматизированного триажа чаще всего формализуется как задача многоклассовой классификации, ранжирования или порядковой регрессии (Ordinal Regression).

Пусть $X_i$ — это вектор признаков $i$ -го пациента в момент обращения. В современных системах $X_i$ представляет собой мультимодальное представление, объединяющее данные разной природы:

$X_i = \phi_{tab}(X_{struct}) \oplus \phi_{nlp}(X_{text}) \oplus \phi_{ts}(X_{hist})$ ,

где:

$X_{struct}$ — структурированные витальные показатели (пол, возраст, пульс, АД, $SpO_2$ ), обрабатываемые функцией $\phi_{tab}$ (например, полносвязным слоем или деревьями решений).
$X_{text}$ — неструктурированные жалобы пациента, преобразуемые в вектор с помощью языковой модели $\phi_{nlp}$ (например, ClinicalBERT).
$X_{hist}$ — временной ряд предыдущих обращений из ЭМК, кодируемый рекуррентной сетью $\phi_{ts}$ .
$\oplus$ — операция конкатенации (объединения) векторов.

Алгоритм $f(X_i)$ должен предсказать класс (уровень срочности) $y_i \in \{C_1, C_2, \dots, C_k\}$ , где $k$ — количество уровней триажа (например, 5 уровней по международной шкале ESI — Emergency Severity Index). В терминах вероятностей модель оценивает:

$P(y_i = C_j | X_i)$ для $j = 1, \dots, k$ .

Специфика целевой переменной: Порядковая классификация

Важнейшей математической особенностью триажа является то, что классы не являются независимыми (как, например, в задаче распознавания "кошка/собака/птица"). Классы триажа имеют строгий порядок: $C_1 > C_2 > C_3 > C_4 > C_5$ (где $C_1$ — экстренный случай, а $C_5$ — плановый).

Стандартная кросс-энтропия одинаково штрафует модель за любую ошибку. Однако в медицине перепутать 1-й уровень со 2-м — это терпимая погрешность, а перепутать 1-й с 5-м — фатальная. Поэтому задача часто решается через порядковую регрессию (Ordinal Classification). Вместо предсказания точного класса, модель предсказывает набор кумулятивных вероятностей — шансы того, что пациент относится к классу $j$ или более тяжелому:

$P(y_i \le C_j | X_i) = \sigma(\theta_j - f(X_i))$ ,

где $\theta_j$ — обучаемые пороговые значения для каждого уровня триажа.

Оптимизация с учетом цены ошибки (Cost-Sensitive Learning)

Поскольку цена ложноотрицательного предсказания (under-triage, недосортировка) несоизмеримо выше ложноположительного (over-triage, пересортировка), для обучения нейросетей применяется взвешенная функция потерь.

Вводится матрица штрафов $W_{a,b}$ , задающая "стоимость" предсказания класса $b$ , когда истинным является класс $a$ . Взвешенная функция потерь (Cost-Sensitive Cross-Entropy) принимает вид:

$\mathcal{L} = - \sum_{i=1}^N \sum_{j=1}^k W_{y_i, j} \cdot \mathbb{I}(y_i = C_j) \log P(\hat{y}_i = C_j | X_i)$ ,

где вес $W_{1, 5}$ (экстренного пациента отправили домой) может быть в 100 раз больше, чем вес $W_{5, 1}$ (здорового пациента отправили в реанимацию).

Многозадачное обучение (Multi-Task Learning)

В более сложных, интегрированных системах (уровня CDS) задача рассматривается как многозадачная оптимизация. Модель имеет один общий ствол (shared representation) для извлечения признаков и несколько «голов» (prediction heads), одновременно минимизируя комбинированную функцию потерь:

$\mathcal{L}_{total} = \lambda_1 \mathcal{L}_{triage} + \lambda_2 \mathcal{L}_{specialty} + \lambda_3 \mathcal{L}_{admission}$ ,

где алгоритм параллельно предсказывает:

Степень срочности ( $\mathcal{L}_{triage}$ ).
Наиболее вероятную медицинскую специальность для лечения ( $\mathcal{L}_{specialty}$ ).
Вероятность срочной госпитализации в течение 24 часов ( $\mathcal{L}_{admission}$ ).

Архитектуры и алгоритмы

Архитектура системы автоматизированного триажа строго детерминируется типом доступных клинических данных. Современная парадигма смещается от изолированных классификаторов к ансамблевым и мультимодальным архитектурам, способным агрегировать гетерогенную информацию.

Классическое машинное обучение для структурированных данных

Для триажа, основанного на численных и категориальных показателях (витальные функции, шкала комы Глазго, базовая биохимия, демография), доминирующим подходом остаются ансамбли на основе градиентного бустинга над решающими деревьями (XGBoost, LightGBM, CatBoost). Внутреннее устройство: Алгоритм строит композицию из сотен «слабых» классификаторов (неглубоких деревьев решений). Каждое последующее дерево обучается на антиградиенте функции потерь предыдущей композиции, то есть прицельно исправляет ошибки, допущенные ансамблем на предыдущем шаге. Итоговое предсказание формируется как взвешенная сумма ответов всех деревьев. Обоснование применения в триаже: Нелинейность витальных показателей: Медицинские данные имеют сложную, часто U-образную форму риска. Например, для частоты сердечных сокращений (ЧСС) опасными являются как экстремально низкие (брадикардия), так и экстремально высокие (тахикардия) значения, тогда как норма лежит посередине. Линейные модели (например, Логистическая регрессия) без сложной предварительной генерации полиномиальных признаков не способны уловить такую зависимость. Деревья решений справляются с этим естественно, разбивая признаковое пространство гиперплоскостями. Информативное отсутствие данных (Informative Missingness): В приемном покое пропуск значения не всегда случаен. Если у пациента не измерили уровень глюкозы, это часто означает, что врач при первичном осмотре не увидел для этого показаний. Алгоритмы бустинга (особенно XGBoost) умеют направлять объекты с пропущенными значениями в специальную ветвь дерева (default direction), извлекая предиктивную силу из самого факта отсутствия анализа. Устойчивость к выбросам: Ошибки датчиков (например, аппарат выдал пульс 300 уд/мин из-за артефакта движения) меньше влияют на деревья решений, так как сплиты зависят от порядка значений, а не от их абсолютной величины.

Обработка естественного языка (NLP) для анализа жалоб

Первичный контакт пациента с клиникой часто представляет собой неструктурированный текст (описание симптомов своими словами, заметки диспетчера). Для преодоления семантического разрыва между бытовой речью пациента и медицинскими терминами применяются глубокие архитектуры NLP. Модели на основе архитектуры Трансформер (ClinicalBERT, RoBERTa): Как это устроено: В основе трансформеров лежит механизм внутреннего внимания (Self-Attention). В отличие от старых рекуррентных сетей, трансформер анализирует всё текстовое описание целиком и вычисляет парные зависимости между всеми словами. Это позволяет модели понимать контекст. Почему это критично в медицине: Врачебный триаж сильно зависит от отрицаний и модификаторов. Фразы «острая боль в груди» и «отрицает боль в груди» имеют кардинально разный вес, хотя содержат одни и те же ключевые слова. Self-Attention позволяет модели связать частицу «отрицает» со словом «боль», корректно извлекая эмбеддинг безопасности. Предварительное обучение таких моделей на медицинских корпусах (например, базе MIMIC-III для ClinicalBERT) позволяет им понимать специфические сокращения и профессиональный сленг. Генеративные Большие Языковые Модели (LLMs): Модели класса GPT-4 или специализированные Med-PaLM применяются для динамического триажа. Вместо пассивной классификации написанного текста, алгоритм работает как активный агент. Используя механизмы few-shot prompting, LLM может вести диагностический диалог: выявив из первичной жалобы упоминание «болит живот», модель динамически генерирует уточняющие вопросы («Смещается ли боль в правый нижний бок? Сопровождается ли тошнотой?»), собирая недостающие клинические маркеры для точной маршрутизации к хирургу или гастроэнтерологу.

Мультимодальные сети и механизмы слияния (Fusion)

В реальной клинической практике врач принимает решение, комплексно оценивая и цифры с мониторов, и речь пациента. Передовые ИИ-системы триажа эмулируют этот процесс через мультимодальные нейронные сети. Внутреннее устройство: Архитектура состоит из нескольких параллельных энкодеров (feature extractors): Текстовая ветвь (например, ClinicalBERT) переводит текст жалобы в плотный вектор h_{text}. Табличная ветвь (например, полносвязная сеть MLP или архитектура TabNet) кодирует витальные показатели в вектор h_{tabular}. Временная ветвь (LSTM) может кодировать исторические визиты пациента из ЭМК в вектор h_{history}. Стратегии мультимодального слияния: Раннее слияние (Early Fusion): Сырые признаки конкатенируются до подачи в алгоритм. Редко используется в триаже из-за разной размерности и природы данных. Позднее слияние (Late Fusion): Каждая модальность обучает свой собственный классификатор (текст голосует за "Красную зону", таблица — за "Желтую"). Итоговое решение принимается мета-алгоритмом (например, логистической регрессией над вероятностями). Преимущество: высочайшая надежность. Если в системе произошел сбой и текст жалобы не загрузился, табличная ветвь все равно выдаст страховочный прогноз. Гибридное слияние с кросс-вниманием (Cross-Attention Fusion): Наиболее передовой метод. Эмбеддинги разных модальностей взаимодействуют друг с другом на глубоких слоях нейросети. Например, механизм кросс-внимания позволяет табличному вектору (где зафиксировано высокое артериальное давление) «обратить особое внимание» на ту часть текстового вектора, где пациент упоминает «сильную головную боль» или «мушки перед глазами», формируя синергетический паттерн гипертонического криза, который ни одна из модальностей не выявила бы изолированно.

Непрерывный триаж (Continuous Triage) на базе рекуррентных сетей

Классический триаж — это статичное событие в момент поступления. Однако состояние пациента, ожидающего в очереди, может резко ухудшиться. Современные системы внедряют непрерывный триаж, обрабатывая потоковые данные с носимых устройств или прикроватных мониторов. Для этого используются Рекуррентные нейронные сети (LSTM / GRU), которые поддерживают скрытое состояние памяти c_t. На каждом временном шаге (например, каждые 5 минут) сеть обновляет оценку риска пациента, учитывая как новые данные мониторинга, так и скорость их изменения (тренды), что позволяет системе автоматически эскалировать приоритет ожидающего пациента при первых признаках декомпенсации.

Специфические метрики и функции потерь

В задаче триажа ошибка классификации асимметрична (Cost-Sensitive Learning).

Under-triage (Недосортировка): Алгоритм классифицирует сложного пациента (например, с предынфарктным состоянием) как «простой случай» и отправляет его в общую очередь к фельдшеру. Это критическая ошибка, которая может стоить пациенту жизни.
Over-triage (Пересортировка): Алгоритм перестраховывается и отправляет пациента с панической атакой к дефицитному кардиологу. Это снижает эффективность клиники, но безопасно для пациента.

Поэтому стандартная метрика Accuracy (доля правильных ответов) здесь не подходит. Вместо неё используются:

Cost-sensitive Loss (Взвешенная функция потерь): Ошибке недосортировки искусственно присваивается вес (штраф) в десятки раз больший, чем ошибке пересортировки.
Чувствительность (Recall / Sensitivity) для высокоприоритетных классов: Целевой показатель для экстренных состояний часто фиксируется на уровне >95% или >99%, после чего оптимизируется специфичность.
Quadratic Weighted Kappa (Квадратичная взвешенная каппа): Метрика, которая учитывает, насколько сильно ошиблась модель. Перепутать 1-й и 2-й уровни триажа (экстренный и срочный) менее критично, чем перепутать 1-й и 5-й (экстренный и несрочный).

Роль «человека в петле» (Human-in-the-loop) и CDS

Критически важным элементом внедрения триажа в реальную медицину является концепция Human-in-the-loop (HITL, человек в контуре управления). ИИ не заменяет и не вытесняет врача, а работает исключительно в режиме активной поддержки принятия клинических решений (Clinical Decision Support, CDS). Окончательное решение о маршрутизации и диагнозе всегда остается за человеком, а алгоритм берет на себя роль ассистента, убирающего рутину и снижающего риск "замыливания глаз".

Механизм «второго мнения» для защиты от скрытых рисков

Медицинские данные на входе могут казаться простыми, однако у пациента могут быть скрытые тяжелые сопутствующие патологии. Для предотвращения опасных ошибок недосортировки (under-triage) в CDS-системы внедряются автоматические логические предохранители, связывающие предсказание модели с историческим профилем пациента.

Алгоритм эскалации: Если модель классифицирует текущее обращение пациента как «Простой случай» (Low Acuity), система обращается к его ЭМК и рассчитывает показатель совокупных затрат на его лечение за последний год. Если эти затраты превышают заданный порог (например, 90-й перцентиль по клинике — т.н. «дорогой пациент», что указывает на тяжелый мультиморбидный профиль):

Решение модели автоматически блокируется.
Статус обращения принудительно эскалируется до «Среднего случая» (Moderate Acuity).
Случай отправляется на обязательное ручное подтверждение врачом.

Такой гибридный подход позволяет защитить пациентов со сложным анамнезом от поверхностного анализа их текущих жалоб.

Объяснимый ИИ (XAI) для доверия врачей

Врач не может доверять «черному ящику» (black box). Каждое решение алгоритма о повышении или понижении приоритета должно быть аргументировано. Для этого используются методы XAI, в частности расчет SHAP-значений (SHapley Additive exPlanations).

В интерфейсе врача решение о маршрутизации сопровождается наглядной тепловой картой признаков. Например, если пациенту присвоена «Красная зона», система выводит текстовое и графическое пояснение:

«Приоритет повышен до экстренного из-за синергетического сочетания факторов: возраст > 65 лет (вклад +25%), острая боль в груди (+40%), наличие сахарного диабета 2-го типа в анамнезе (+15%)».

Это кардинально снижает когнитивную нагрузку на врача приемного покоя, позволяя ему за секунды проверить логику ИИ и подтвердить направление.

Ограничения и риски

Внедрение алгоритмов триажа сопряжено с серьезными этическими и практическими вызовами:

Алгоритмическая предвзятость (Bias): Если модель обучалась на исторических данных клиники, где существовала предвзятость (например, жалобы женщин на боль в груди чаще игнорировались и маркировались как "тревожность"), алгоритм выучит и автоматизирует эту дискриминацию.
Отсутствие эмпатии и клинического "чутья": Опытная медсестра триажа (Triage Nurse) при личном контакте оценивает не только сухие цифры, но и цвет кожных покровов, особенности дыхания, запах и общее поведение пациента — факторы, которые трудно формализовать на этапе записи.
Проблема "Black Box" (Черного ящика): Врачи с недоверием относятся к маршрутизации, логику которой они не понимают. Интеграция методов XAI (например, SHAP-значений) необходима для того, чтобы алгоритм подсвечивал, *почему* пациент был отнесен к сложному случаю (например, «Алгоритм выявил сочетание тахикардии, возраста > 65 лет и упоминания одышки в тексте»).
Legal & Liability (Юридическая ответственность): Вопрос о том, кто несет ответственность за ошибку в маршрутизации, приведшую к ухудшению состояния пациента (разработчик алгоритма, клиника или врач), остается предметом активных юридических дискуссий.

Примеры из практики

Babylon Health / Ada Health: Симптомочекеры, интегрированные с национальными системами здравоохранения (например, NHS в Великобритании), которые маршрутизируют пациентов между самопомощью, телемедициной (терапевт) и вызовом скорой помощи.
Клинические системы раннего предупреждения (EWS - Early Warning Scores): Модели, встроенные в ЭМК стационаров. Они в фоновом режиме мониторят витальные показатели всех пациентов в отделении и автоматически вызывают реанимационную бригаду к пациентам с высоким риском остановки сердца или сепсиса (например, алгоритм eCART).

Литература

Levin, S., et al. Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index // Annals of Emergency Medicine. — 2018. — Т. 71. — № 5. — С. 565-574.
Miles, J., et al. Automated Triage and Risk Stratification of Patients in the Emergency Department // Journal of Medical Internet Research. — 2020. — Т. 22. — № 8.
Raita, Y., et al. Predicting Triage Outcomes: Deep Learning approach in the Emergency Department // JAMA Network Open. — 2019.
Goto, T., et al. Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency Department Triage // JAMA Network Open. — 2019.

См. также

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%90%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%BD%D1%8B%D0%B9_%D0%BC%D0%B5%D0%B4%D0%B8%D1%86%D0%B8%D0%BD%D1%81%D0%BA%D0%B8%D0%B9_%D1%82%D1%80%D0%B8%D0%B0%D0%B6»

Категории: Машинное обучение в медицине | Прикладные задачи машинного обучения | Классификация

@@ Строка 49: / Строка 49: @@
 == Архитектуры и алгоритмы ==
-Архитектура системы триажа зависит от типа входящих данных. Современные системы часто используют ансамблевые или мультимодальные подходы.
+Архитектура системы автоматизированного триажа строго детерминируется типом доступных клинических данных. Современная парадигма смещается от изолированных классификаторов к ансамблевым и мультимодальным архитектурам, способным агрегировать гетерогенную информацию.
 === Классическое машинное обучение для структурированных данных ===
-Для триажа на основе численных показателей (например, жизненно важные функции, базовая биохимия крови) традиционно применяются алгоритмы [[Градиентный бустинг|градиентного бустинга]] (XGBoost, LightGBM, CatBoost) или [[Случайный лес|Случайный лес]].
+Для триажа, основанного на численных и категориальных показателях (витальные функции, шкала комы Глазго, базовая биохимия, демография), доминирующим подходом остаются ансамбли на основе '''[[Градиентный бустинг|градиентного бустинга над решающими деревьями]]''' (XGBoost, LightGBM, CatBoost).
-Они обладают рядом преимуществ для медицинских задач:
+'''Внутреннее устройство:'''
-* Хорошо работают с табличными данными и [[Пропущенные значения|пропусками]] (что типично для момента поступления пациента).
+Алгоритм строит композицию из сотен «слабых» классификаторов (неглубоких деревьев решений). Каждое последующее дерево обучается на антиградиенте функции потерь предыдущей композиции, то есть прицельно исправляет ошибки, допущенные ансамблем на предыдущем шаге. Итоговое предсказание формируется как взвешенная сумма ответов всех деревьев.
-* Не требуют колоссальных вычислительных мощностей.
+'''Обоснование применения в триаже:'''
-* Обладают высокой базовой интерпретируемостью (важность признаков легко извлекается).
+'''Нелинейность витальных показателей:''' Медицинские данные имеют сложную, часто U-образную форму риска. Например, для частоты сердечных сокращений (ЧСС) опасными являются как экстремально низкие (брадикардия), так и экстремально высокие (тахикардия) значения, тогда как норма лежит посередине. Линейные модели (например, [[Логистическая регрессия]]) без сложной предварительной генерации полиномиальных признаков не способны уловить такую зависимость. Деревья решений справляются с этим естественно, разбивая признаковое пространство гиперплоскостями.
+'''Информативное отсутствие данных (Informative Missingness):''' В приемном покое пропуск значения не всегда случаен. Если у пациента не измерили уровень глюкозы, это часто означает, что врач при первичном осмотре не увидел для этого показаний. Алгоритмы бустинга (особенно XGBoost) умеют направлять объекты с пропущенными значениями в специальную ветвь дерева (default direction), извлекая предиктивную силу из самого факта отсутствия анализа.
+'''Устойчивость к выбросам:''' Ошибки датчиков (например, аппарат выдал пульс 300 уд/мин из-за артефакта движения) меньше влияют на деревья решений, так как сплиты зависят от порядка значений, а не от их абсолютной величины.
 === Обработка естественного языка (NLP) для анализа жалоб ===
-Часто первичный контакт пациента с клиникой происходит через текстовые сообщения (чат-боты) или форму записи. Пациент описывает симптомы своими словами. Для анализа таких данных применяются методы [[Обработка естественного языка|NLP]]:
+Первичный контакт пациента с клиникой часто представляет собой неструктурированный текст (описание симптомов своими словами, заметки диспетчера). Для преодоления семантического разрыва между бытовой речью пациента и медицинскими терминами применяются глубокие архитектуры [[Обработка естественного языка|NLP]].
-* '''Модели на основе Трансформеров (BERT, ClinicalBERT):''' Извлекают медицинские сущности (симптомы, локализацию боли) из свободного текста и преобразуют их в структурированный вектор для дальнейшей классификации.
+'''Модели на основе архитектуры Трансформер (ClinicalBERT, RoBERTa):'''
-* '''[[Большая языковая модель|LLM]] (Large Language Models):''' Современные большие языковые модели (такие как GPT-4 или специализированные медицинские модели типа Med-PaLM) могут вести диалог с пациентом (симптомочекер), задавая уточняющие вопросы (например, «Иррадиирует ли боль в левую руку?») для более точного определения уровня риска перед маршрутизацией.
+''Как это устроено:'' В основе трансформеров лежит механизм '''[[Механизм внимания|внутреннего внимания (Self-Attention)]]'''. В отличие от старых рекуррентных сетей, трансформер анализирует всё текстовое описание целиком и вычисляет парные зависимости между всеми словами. Это позволяет модели понимать контекст.
+''Почему это критично в медицине:'' Врачебный триаж сильно зависит от отрицаний и модификаторов. Фразы «острая боль в груди» и «отрицает боль в груди» имеют кардинально разный вес, хотя содержат одни и те же ключевые слова. Self-Attention позволяет модели связать частицу «отрицает» со словом «боль», корректно извлекая эмбеддинг безопасности. Предварительное обучение таких моделей на медицинских корпусах (например, базе MIMIC-III для ClinicalBERT) позволяет им понимать специфические сокращения и профессиональный сленг.
-=== Мультимодальные сети ===
+'''Генеративные Большие Языковые Модели (LLMs):'''
-Передовые решения используют мультимодальные нейронные сети, которые способны одновременно «переваривать» текст жалоб, табличные витальные показатели и историю ЭМК, объединяя их эмбеддинги на поздних слоях сети (Late Fusion) для выдачи итогового решения о маршрутизации.
+Модели класса GPT-4 или специализированные Med-PaLM применяются для '''динамического триажа'''. Вместо пассивной классификации написанного текста, алгоритм работает как активный агент. Используя механизмы few-shot prompting, LLM может вести диагностический диалог: выявив из первичной жалобы упоминание «болит живот», модель динамически генерирует уточняющие вопросы («Смещается ли боль в правый нижний бок? Сопровождается ли тошнотой?»), собирая недостающие клинические маркеры для точной маршрутизации к хирургу или гастроэнтерологу.
+=== Мультимодальные сети и механизмы слияния (Fusion) ===
+В реальной клинической практике врач принимает решение, комплексно оценивая и цифры с мониторов, и речь пациента. Передовые ИИ-системы триажа эмулируют этот процесс через '''мультимодальные нейронные сети'''.
+'''Внутреннее устройство:'''
+Архитектура состоит из нескольких параллельных энкодеров (feature extractors):
+Текстовая ветвь (например, ClinicalBERT) переводит текст жалобы в плотный вектор h_{text}.
+Табличная ветвь (например, полносвязная сеть MLP или архитектура TabNet) кодирует витальные показатели в вектор h_{tabular}.
+Временная ветвь (LSTM) может кодировать исторические визиты пациента из ЭМК в вектор h_{history}.
+'''Стратегии мультимодального слияния:'''
+'''Раннее слияние (Early Fusion):''' Сырые признаки конкатенируются до подачи в алгоритм. Редко используется в триаже из-за разной размерности и природы данных.
+'''Позднее слияние (Late Fusion):''' Каждая модальность обучает свой собственный классификатор (текст голосует за "Красную зону", таблица — за "Желтую"). Итоговое решение принимается мета-алгоритмом (например, логистической регрессией над вероятностями). ''Преимущество:'' высочайшая надежность. Если в системе произошел сбой и текст жалобы не загрузился, табличная ветвь все равно выдаст страховочный прогноз.
+'''Гибридное слияние с кросс-вниманием (Cross-Attention Fusion):''' Наиболее передовой метод. Эмбеддинги разных модальностей взаимодействуют друг с другом на глубоких слоях нейросети. Например, механизм кросс-внимания позволяет табличному вектору (где зафиксировано высокое артериальное давление) «обратить особое внимание» на ту часть текстового вектора, где пациент упоминает «сильную головную боль» или «мушки перед глазами», формируя синергетический паттерн гипертонического криза, который ни одна из модальностей не выявила бы изолированно.
+=== Непрерывный триаж (Continuous Triage) на базе рекуррентных сетей ===
+Классический триаж — это статичное событие в момент поступления. Однако состояние пациента, ожидающего в очереди, может резко ухудшиться. Современные системы внедряют '''непрерывный триаж''', обрабатывая потоковые данные с носимых устройств или прикроватных мониторов.
+Для этого используются '''Рекуррентные нейронные сети (LSTM / GRU)''', которые поддерживают скрытое состояние памяти c_t. На каждом временном шаге (например, каждые 5 минут) сеть обновляет оценку риска пациента, учитывая как новые данные мониторинга, так и скорость их изменения (тренды), что позволяет системе автоматически эскалировать приоритет ожидающего пациента при первых признаках декомпенсации.
 == Специфические метрики и функции потерь ==