Телемедицина в России перестала быть экспериментом: дистанционные консультации «врач — пациент» и «врач — врач» закреплены нормативно, а крупные сервисы проводят миллионы приёмов в год. Узкое место сегодня не канал связи, а время специалиста. На разбор выписок, уточнение жалоб и оформление протокола уходит больше минут, чем на сам клинический вывод, — и именно здесь ИИ даёт измеримый эффект, если работает в локальном контуре.

Почему локальный контур стал обязательным

Данные о здоровье относятся к специальным категориям персональных данных, а телемедицинские системы подпадают под 152-ФЗ и отраслевые требования к хранению медицинской информации. Отправка аудиозаписи приёма или выписки в зарубежный облачный API — это одновременно регуляторный и репутационный риск. Поэтому практика последних двух лет сместилась к приватным LLM на собственном железе: модель физически не покидает инфраструктуру клиники или оператора связи. Дополнительный плюс — предсказуемая задержка и работа в закрытых сетях, где внешний трафик запрещён регламентом.

Что реально работает в локальных консультациях

Первое и самое востребованное — речевая аналитика. Локальные ASR-модели (GigaAM, Whisper-совместимые сборки, Vosk) превращают разговор в текст, а LLM собирает из него черновик заключения: жалобы, анамнез, назначения. Врач правит, а не набирает с нуля.

Второе — RAG по клиническим рекомендациям Минздрава, внутренним протоколам и методичкам клиники. На запрос врача система выдаёт релевантные фрагменты со ссылкой на источник, а не «мнение модели». Это критично: без опоры на проверенную базу ассистент бесполезен в клинической работе.

Третье — OCR для сканов и фото: выписки, анализы, снимки заключений распознаются в структурированные поля и попадают в карту без ручного ввода.

Четвёртое — триаж и маршрутизация обращений по специальности и срочности, а также автоматический контроль полноты протокола по чек-листу. Последнее напрямую снижает долю дефектов оформления, за которые клиники получают возвраты по ОМС и ДМС.

Как выглядит внедрение на практике

Начинать стоит с аудита процессов и данных: какие документы есть, в каком виде, где хранятся, кто имеет доступ. Затем выбираются один-два сценария с быстрой отдачей — обычно это суммаризация консультаций и OCR.

Дальше пилот на одной группе врачей длительностью 4–8 недель. Метрики фиксируются заранее: время на подготовку протокола, доля правок после черновика, точность извлечения полей, удовлетворённость специалистов. Без этих цифр масштабирование превращается в веру.

Интеграция идёт через API или HL7 FHIR к МИС (ЕМИАС, qMS, «Барс», «Медэлемент»), к 1С — по расписанию, биллингу и кадровому учёту. Обязательные элементы продакшена: версионирование базы знаний, журналирование всех запросов и роль врача как финального валидатора.

Ограничения, о которых нужно говорить честно

Модель может ошибаться и «додумывать» — галлюцинации в медицинском тексте недопустимы, поэтому нужен слой проверки: ссылки на источник, жёсткие шаблоны, запрет на генерацию диагноза и назначений. Клинические рекомендации обновляются, значит, база знаний требует регламентного пересмотра. ИИ здесь не заменяет врача, а снимает рутину: ответственность за решение остаётся у специалиста, и это должно быть закреплено в регламенте, а не только в интерфейсе.

Экономика и эффект

Основной эффект — не сокращение штата, а рост пропускной способности без потери качества. Врач успевает больше консультаций, администраторы быстрее обрабатывают обращения, а клиника получает меньше дефектов оформления. Для операторов телемедицины это ещё и возможность держать качество на распределённой сети фельдшеров и врачей в регионах, где нет узких специалистов.

Как мы можем помочь

АПС разворачивает приватные LLM, RAG-контуры и ИИ-агентов в инфраструктуре клиники: подбираем модели под железо, собираем базу знаний из клинреков и внутренних протоколов, настраиваем ASR и OCR, интегрируем с МИС, 1С и CRM, выводим пилот на измеримые метрики. Обсудить проект