За почти два года команда Григория Стецукова, Виталия Теренина, Дениса Фокина и Виктора Баннова прошла путь от концепции ИИ-помощника для студентов-медиков до полноценной технологической платформы. Результат — DocAI, кроссплатформенная система, ориентированная на предвузовское, вузовское и послевузовское непрерывное медицинское образование.
Проблема, которую решает DocAI, хорошо знакома любому, кто учился в медицинском вузе: объём материала огромен, стандарты аккредитации жёсткие, а доступные инструменты — от учебников до обычных поисковиков — не адаптируются под уровень конкретного студента. Платформа предлагает персональную образовательную траекторию, «цифровой двойник» обучающегося и инструменты отслеживания прогресса. Диалоговый ассистент встроен во все компоненты системы и работает по принципам сократовской эвристики — то есть не просто выдаёт ответ, а ведёт студента к пониманию через вопросы.
| Модуль | Функция |
|---|---|
| Диалоговый ассистент | Интеллектуальный интерфейс, интегрированный во все компоненты системы |
| Рабочее пространство | Среда для совместной работы студентов и преподавателей над учебными материалами |
| Графовая база знаний | Представление предметных областей медицины и логических связей между ними |
| Конструктор образовательных курсов | Генерация заданий, обучающих сценариев, элементов геймификации и диалогового обучения |
Технологически DocAI опирается на несколько слоёв. В основе — графовая база знаний, которая хранит медицинские сущности и логические связи между ними: это позволяет системе не просто искать по ключевым словам, а понимать контекст запроса. Поверх графа работают RAG (Retrieval-Augmented Generation) и RIG (Retrieval-Interleaved Generation) — подходы, при которых языковая модель перед генерацией ответа обращается к верифицированным источникам, что снижает риск галлюцинаций. Дополнительный контроль достоверности обеспечивает интеграция с клиническими рекомендациями и медицинскими базами данных, а унификацию терминологии — модуль на основе UMLS (Unified Medical Language System), международного стандарта медицинской номенклатуры.
Система минимизирует галлюцинации LLM за счёт RAG/RIG и интеграции с клиническими рекомендациями и медицинскими базами данных.
Для отслеживания прогресса используется knowledge tracing на графе компетенций — метод, пришедший из академических исследований адаптивного обучения. Алгоритм строит модель знаний конкретного пользователя и предсказывает, какие концепции он ещё не усвоил, чтобы предложить релевантные задания. Банк заданий при этом согласован с требованиями аккредитации медицинских специалистов — то есть система готовит не к абстрактному экзамену, а к реальным профессиональным стандартам.
С точки зрения юридического и институционального статуса проект продвинулся заметно: зарегистрировано ООО «ДокИИ» с IT-аккредитацией и статусом МТК, получена поддержка Сеченовского университета и Самарского государственного медицинского университета, зарегистрированы две программы ЭВМ и одна база данных. Проект вошёл в топ-40 акселератора «Академия инноваторов Москвы», получил грант Yandex Cloud и статус партнёра Московского инновационного кластера, а также место в топ-1000 студенческих стартапов России.
В более широком контексте DocAI конкурирует с международными EdTech-платформами вроде Osmosis или Amboss, которые тоже используют адаптивное обучение для медиков, но не локализованы под российские стандарты аккредитации и не интегрированы с отечественными медицинскими базами. Российский рынок медицинского EdTech при этом остаётся слабо насыщенным специализированными ИИ-решениями — большинство платформ предлагают либо видеолекции, либо тесты без адаптивности.
Следующий этап развития — модули автоматической генерации проверочных заданий, геймификация, работа с медицинскими изображениями и симуляционные клинические кейсы. В долгосрочной перспективе команда рассчитывает эволюционировать платформу в экспертную систему поддержки принятия врачебных решений — после накопления данных и валидации в прикладном здравоохранении. Результаты текущего пилотного исследования лягут в основу диссертационной работы в аспирантуре Национального исследовательского Томского государственного университета.
