1. Введение

Успех современных клинических исследований и скорость вывода новых терапевтических изделий на рынок напрямую зависят от эффективности этапа скрининга и подбора пациентов. Однако в современной медицинской практике до 80 % клинических испытаний не укладываются в изначально установленные сроки из-за критических трудностей на этапе набора когорты испытуемых [1].

Главным фактором такой задержки является экспоненциальный рост объемов неструктурированных электронных медицинских карт (ЭМК). Ручной анализ таких массивов данных требует от квалифицированного медицинского персонала колоссальных временных затрат. В этих условиях автоматизация скрининга критериев включения и исключения становится стратегически необходимой задачей для биомедицинской инженерии [2].

Между тем, прорыв в области больших языковых моделей (LLM) открывает новые возможности для семантического анализа текстов. Однако прямое и изолированное применение базовых моделей в клинической практике ограничено. Во-первых, область клинической медицины требует абсолютной фактической точности, в то время как LLM подвержены явлению «галлюцинаций» [3]. Во-вторых, знание модели ограничено датой окончания ее предварительного обучения [3, 4]. Наконец, передача конфиденциальной информации пациентов во внешние облачные API нарушает строгие регуляторные требования к защите персональных данных согласно закону о переносимости и подотчетности медицинского страхования [5] и федеральным законам защиты личных данных индивидов [6].

Для преодоления таких фундаментальных барьеров сегодня используется архитектура генерации с расширенным поиском Retrieval-Augmented Generation (RAG). Технология RAG выступает в качестве гибридного решения, разделяющего процессы хранения знаний и их языковой обработки. Вместо того чтобы полагаться исключительно на веса нейросети, RAG-система сначала осуществляет поиск релевантных и верифицированных фрагментов медицинских карт в локальной защищенной векторной базе данных. Затем извлеченный контекст передается модели вместе с запросом. Это сводит к минимуму риск галлюцинаций, обеспечивает полную прозрачность источника информации и позволяет развернуть систему локально, гарантируя безопасность данных. Таким образом RAG выступает главным технологическим решением этой проблемы [7, 8] .

Тем не менее, несмотря на концептуальную жизнеспособность, перенос архитектуры RAG сталкивается с каскадом специфических барьеров на этапе внедрения и эксплуатации. Проблемы деградации медицинских эмбеддингов, клинических слэнгов, неэффективное деление длинных историй болезни на текстовые сегменты и отсутствие валидированных медицинских метрик создают серьезные препятствия для инженеров машинного обучения [9, 10].

Целью данной статьи является комплексный критический анализ существующих подходов к построению RAG-архитектур в области автоматизированного скрининга пациентов для клинических исследований, а также систематизация ключевых MLOps-барьеров, препятствующих их интеграции в реальную медицинскую практику.

2. Литературный Обзор

Проведенный обзор дает возможность увидеть, что искусственный интеллект для анализа медицинских карт применяется на продвинутом уровне. Исследовательские труды последних лет показывают, что инженеры усиленно работают над автоматизацией клинических текстов. С появлением больших языковых моделей и сопутствующей архитектуры RAG эти исследования можно разделить на несколько академических дискурсов. Однако, чтобы понять, где находится наука в этой области сейчас, необходимо взглянуть на эволюцию подходов через призму трех ключевых векторов: борьбы с галлюцинациями, интеграции внешних баз знаний и попыток запустить эти системы в реальных больницах.

Первая и достаточно изученная область посвящена базовым ограничениям нейросетей в медицине. Ранние эксперименты ИИ-лабораторий наглядно показывают, что изолированные модели слишком часто генерируют ложные диагнозы. Исследователи подчеркивают, что клиническая медицина в принципе имеет сложную лингвистическую базу LLM [3]. Именно эта уязвимость заставила ученых искать методы решения ответов. Логичным ответом на такой вызов является концепция RAG, теоретические основы которой применительно к здравоохранению подробно описаны в обзорах многих исследователей и экспертов [10, 8]. Исследователи сходятся во мнении, что отделение генеративного «интеллекта» от проверяемой базы данных — единственный способ свести ложные ответы к минимуму.

Второй вектор современных исследований связан с архитектурой данных. Было установлено рядом исследователей, что обычный поиск, по ключевым словам, не справляется со сложной врачебной терминологией. В поисках компромисса инженеры объединили векторные представления с традиционными статистическими алгоритмами. Затем путем исследования продвинутых стратегий переранжирования доказали, что только гибридный поиск в связке с тяжелыми кросс-энкодерами позволяет точно определять из карт нужные дозировки препаратов [11]. Другая группа исследователей, предложили решение через паттерны Graph RAG. Они экспериментально подтвердили, что, если обогатить контекст модели строгими медицинскими онтологиями, ИИ начинает понимать скрытые логические связи между разными названиями одной и той же болезни [12].

И наконец, малоизученное и наиболее сложное направление касается практического внедрения платформ — так называемого Medical MLOps. Как показывает обзор, большинство существующих RAG-систем тестировались в идеальных, «подготовленных» условиях на текстах научных статей [9]. Столкновение же моделей с реальными ЭМК порождает множество ошибок из-за сдвига данных, опечаток врачей, жестких требований к конфиденциальности и много других ограничении.

Таким образом, анализ текущего состояния науки показывает, что технические решения RAG уже сформированы, однако методы его развертывания внутри закрытой инфраструктуры клиник остаются практически неизученными. Это противоречие и определяет границы данного обзора.

3. Методология анализа вторичных данных

Настоящее исследование опирается на методологию анализа вторичных данных. В качестве источника базы использовались рецензируемые научные публикации, технические отчеты медицинских ИИ-лабораторий и препринты за последние три года — 2024–2026 гг.. Поиск осуществлялся в академических репозиториях и базах данных: PubMed, IEEE Xplore, Google Scholar и arXiv. Для отбора литературы использовались следующие комбинации ключевых слов: «Retrieval-Augmented Generation» , «Clinical Trial Matching» , «Electronic Health Records» , «Medical MLOps» и другие . На основе анализа отобранных источников были классифицированы технические подходы к извлечению знаний и систематизированы инфраструктурные барьеры MLOps.

4. Результаты и Обсуждение

4.1 Архитектурные паттерны RAG в задачах скрининга пациентов

Реализация архитектуры RAG в задаче автоматизированного сопоставления данных пациента с критериями включения в клинические исследования требует радикального пересмотра стандартных подходов к инженерии данных. Ниже рассмотрены архитектурные паттерны RAG для скрининга медицинских данных.

4.2 Стратегии сегментации данных

Первым критическим этапом в подходе RAG является разбиение протяженных текстов историй болезни на дискретные фрагменты, в так называемые чанги. В сфере клинической медицины применение фиксированного чанкинга приводит к катастрофической потере контекста. Информация о назначении препарата может оказаться в одном фрагменте, а сведения о противопоказаниях — в другом.

Для решения этой проблемы современные медицинские RAG-архитектуры опираются на два продвинутых паттерна:

1. Семантический чанкинг на основе предложений: текст разделяется в точках резкого изменения семантического расстояния между соседними предложениями, рассчитываемого через эмбеддинги.
2. Структурно-онтологический чанкинг: документ парсится с учетом медицинских разделов — «Анамнез», «Результаты лабораторных исследований» и другие. Каждый фрагмент обогащается метаданными, содержащими временную метку.

4.3 Плотный, разреженный и гибридный поиск

Исторически поиск информации в текстовых базах данных опирался на разреженные Sparse статистические модели, такие как BM25. В клиническом скрининге разреженный поиск эффективен при работе со строгими терминами, например, кодами МКБ-10. Однако BM25 полностью игнорирует синонимию. С развитием трансформерных моделей широкое распространение получил плотный поиск, так называемый: Dense Retrieval, использующий векторные представления — эмбеддинги на базе BioBERT или ClinicalBERT [13, 14].

Тем не менее, в задачах скрининга пациентов выделение плотного поиска приводит к ошибкам из-за низкой чувствительности к точным буквенно-цифровым совпадениям. Например, дозировкам лекарств. Наиболее устойчивым архитектурным паттерном признан гибридный поиск: Hybrid Retrieval, который объединяет результаты BM25 и плотного векторного ретривера, с помощью метода линейной комбинации оценок, предложенного группой ученых в их фундаментальной работе по плотному поиску [15] и далее развитого в исследованиях по интеграции гибридных систем [16], согласно формуле:

,

где α — гиперпараметр, настраиваемый в зависимости от специфики медицинского датасета.

4.4 Механизмы переранжирования

Поскольку векторный поиск оптимизирован под скорость извлечения данных, такая система часто лишен точности порядка выдачи. Включение нерелевантного медицинского контекста в промпт для LLM увеличивает вычислительные затраты и провоцирует модель на ложноположительные выводы. Для минимизации этого риска в архитектуру внедряется двухэтапная схема поиска: Two-Stage Retrieval, где на втором этапе специализированная модель-кросс-энкодер: Cross-Encoder детально анализирует взаимосвязь между критерием включения и фрагментами.

4.5 Роль графов знаний в Knowledge-Based RAG

Продвинутым решением архитектурных паттернов в клиническом RAG является интеграция графовых структур данных Graph RAG. Обычный векторный поиск не дает системе понимания жесткой медицинской логики и иерархии сущностей. Паттерн Graph RAG позволяет решить эту проблему путем связывания неструктурированного текста с внешними медицинскими онтологиями UMLS, SNOMED CT. Это позволяет обогащать промпт для LLM логически выверенными триплетами: Субъект — Предикат — Объект, гарантируя, что генеративная модель принимает решения на основе строгой медицинской номенклатуры.

4.6 Вызовы MLOps и инженерии медицинских данных

Перенос разработанных RAG-архитектур из стадии прототипа в реальные клинические условия сталкивается с каскадом инфраструктурных барьеров. Детальное рассмотрение проблем локального деплоя: On-premise, защиты персональных данных и феномена сдвига данных: Data Drift определяет современные подходы в области инженерии медицинских систем машинного обучения.

4.7 Проблема Context Window и Chunking

Истории болезни пациентов в ЭМК имеют накопительный характер и часто занимают сотни страниц. Ограничение физического размера контекстного окна современных LLM не позволяет подавать всю историю болезни целиком без риска потери важных деталей. Неэффективный чанкинг нарушает временную шкалу: модель может ошибочно связать симптом, купированный пять лет назад, с текущим острым состоянием пациента.

4.8 Data Drift в клинических условиях

Модели эмбеддингов и LLM проходят первичное обучение на «подготовленных», академических текстах. Однако реальные записи практикующих врачей содержат огромное количество зашумленной информации: специфические локальные сокращения, аббревиатуры, синтаксические ошибки и опечатки. Этот разрыв вызывает феномен сдвига данных, приводящий к резкому ухудшению качества векторных представлений в реальном времени. Инфраструктура MLOps должна включать блоки непрерывного мониторинга качества работы ретривера методом Continuous Monitoring.

4.9 On-premise MLOps и конфиденциальность данных

Выше было отмечено, что в соответствии с законодательными нормами [5, 6], медицинские организации не имеют права передавать деидентифицированные или сырые данные пациентов на сторонние облачные сервера. Весь объем RAG-системы должен быть развернут локально внутри закрытой инфраструктуры медицинской организации.

Для MLOps-инженеров это создает уникальный комплекс задач. Это:

– Необходимость оптимизации и квантования тяжелых открытых моделей. Например, посредством Meditron-70B для их работы на ограниченных локальных мощностях клиники.

– Развертывание локальных оркестраторов и защищенных векторных баз данных таких как: Qdrant, Milvus, изолированных от внешней сети.

– Организация безопасных цепочек процессов обновления баз знаний без нарушения целостности предела безопасности.

5. Пробелы и Направление Будущих Исследований

Критический анализ существующей научной литературы и технических отчетов позволил изучить текущее состояние технологий RAG в медицине, очертить контуры нерешенных проблем.

Систематизация пробелов в технологиях и ограничений текущих подходов необходима для формирования направления дальнейшего развития Medical MLOps. В частности, в ходе анализа вторичных данных были выявлены два фундаментальных исследовательских пробела, которые на сегодняшний день остаются малоизученными и требуют углубленного исследовательского изучения. Это:

– Отсутствие гибких предметно-специфичных метрик верификации фактов. Как показали изученные материалы, стандартные NLP-метрики BLEU, ROUGE оценивают лишь поверхностное сходство слов, а общие фреймворки для RAG, например, RAGAS не учитывают цену медицинской ошибки [11]. В литературе практически отсутствуют автоматизированные MLOps-инструменты, способные оценивать тяжесть потенциального вреда для пациента, если модель ложно интерпретировала критерий исключения из клинического испытания.

– Игнорирование временной архитектуры данных: Temporal Dynamics при векторном поиске. Большинство стандартных подходов к RAG рассматривают фрагменты ЭМК как статические отрезки текста [9]. Однако в медицине критически важна хронология. Наличие симптома в анамнезе пятилетней давности и наличие того же симптома на текущий момент имеют принципиально разное диагностическое значение. Механизмы интеграции временных меток непосредственно в векторные индексы эмбеддингов на данный момент изучены крайне мало.

6. Заключение

Архитектура генерации с расширенным поиском RAG представляет собой наиболее перспективный подход к автоматизации скрининга пациентов для клинических исследований. Разделение функций хранения знаний и языковой генерации позволяет минимизировать галлюцинации моделей, обеспечивает интерпретируемость решений и гарантирует проверяемость каждого вывода. Тем не менее, главный барьер на пути к массовому внедрению таких систем находится в плоскости инфраструктурного обслуживания MLOps и инженерии данных.

Литература:

1. TrialWire. (2026, July 5). The best trial rescue is the one you never need: Prevent enrollment crises before they start. TrialWire AI Press. https://www.trialwire.ai
2. Weng, C., & Yuan, C. (2026). Criteria2Query 3.0: Leveraging generative large language models for clinical trial eligibility query generation. Journal of the American Medical Informatics Association, 33(2), 294–308.
3. Abo El-Enen, M., Mahmoud, A., Sherif, S. Large language models in clinical domains: A critical review of hallucinations and alignment challenges. Journal of Healthcare Informatics. 2025. Vol. 19, No. 3. P. 142–155.
4. Zhao, Wayne X., Zhou, Kun, Li, Junyi, Tang, Tianyi, Wang, Xiaolei, Hou, Yupeng, Min, Yingqian, Zhang, Beichen, Zhang, Junjie, & Wen, Ji-Rong. (2023). A survey of large language models. https://arxiv.org/abs/2303.18223
5. Health Insurance Portability and Accountability Act of 1996, Pub. L. No. 104–191, 110 Stat. 1936 (1996).
6. Federal Law No. 152-FZ on Personal Data. (2006). State Duma of the Russian Federation.
7. Kanda Software. (2026). 7 ways RAG in AI models supports modern healthcare: From prototypes to clinical workflow integration. URL: kandasoft.com.
8. Murphi AI. (2026). RAG in healthcare: Improving medical AI accuracy through grounded knowledge retrieval. Tech Report. https://www.murphi.ai
9. Garg, R., Martinez, J., Zhou, L. (2026). RAG-X: Systematic diagnosis of retrieval-augmented generation for medical question answering. chttps://arxiv.org/abs/2603.03541.
10. Neha, K., Patel, S., Singh, R. (2025). Retrieval-augmented generation (RAG) in healthcare: A comprehensive systematic literature review of evaluation frameworks // MDPI Artificial Intelligence. 2025. Vol. 6, No. 9. P. 226–254.
11. Wang, S., Liu Y. (2025). Advanced reranking strategies in domain-specific retrieval-augmented generation. Computational Linguistics & AI Review. 2025. Vol. 12, No. 2. P. 89–104.
12. Zhang, L. et al. (2026). Integrating medical knowledge graphs with retrieval-augmented generation for clinical trial matching // IEEE Transactions on Cybernetics in Medicine. 2026. Vol. 34, No. 1. P. 45–59.
13. Lee, J., Yoon, W., Kim, S., Kim, D., Kim, S., So, C. H., & Kang, J. (2020). BioBERT: a pre-trained biomedical language representation model for biomedical text mining. Bioinformatics, 36(4), 1234–1240.
14. Alsentzer, E., Murphy, J. R., Boag, W., Weng, W. H., Jin, D., Naumann, T., & McDermott, M. B. (2019). Publicly available clinical BERT embeddings. In Proceedings of the 2nd Clinical Natural Language Processing Workshop (pp. 72–78). Association for Computational Linguistics. DOI:10.18653/v1/W19–1909
15. Karpukhin, V., Oguz, B., Minaminis, S., Ledoux, P., Lin, X., Yih, W. t., & Riedel, S. (2020). Dense Passage Retrieval for open-domain question answering. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 6769–6781). Association for Computational Linguistics.
16. Lin, J., Ma, X., Lin, S. C., Yang, J. H., Pradeep, R., & Nogueira, R. (2021). A Python toolkit for reproducible information retrieval research with sparse and dense representations. In Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Info Retrieval (pp. 2356–2362).