Мурашко: ИИ снижает летальность в клиниках на 40%

28 октября 2026 года на сессии «Тромбозы: вызовы современности. Диалог Россия — Африка» министр здравоохранения РФ Михаил Мурашко заявил, что в ряде клиник, где врачи используют искусственный интеллект, летальность пациентов ниже на 40%, чем в клиниках без ИИ-поддержки. Министр уточнил, что данные пока предварительные и требуют осторожной оценки, но направление уже видно: нейросети помогают врачу отличать разовое отклонение показателя у конкретного пациента от системной проблемы, повторяющейся у разных пациентов.

Насколько массово врачи уже применяют ИИ

По приведённой Минздравом статистике, 41% врачей регулярно используют ИИ-инструменты в работе: 16% — ежедневно, ещё 14% — несколько раз в неделю. 28% врачей нейросети пока не используют, но рассматривают такую возможность. Это означает, что для значительной части клиник вопрос уже не «будем ли мы внедрять ИИ-аналитику», а «на какой инфраструктуре и с какими данными она будет работать».

Почему эффект появляется именно на уровне системных проблем

Ключевая оговорка Мурашко — ИИ не заменяет диагноз врача, а меняет то, что видно за потоком обычных приёмов. Одно отклонение у одного пациента — это случай. То же отклонение, повторяющееся у десятков пациентов с похожим профилем, — системная проблема: ошибка в протоколе, пропущенный фактор риска, сбой в назначениях. Разглядеть такую закономерность вручную, перебирая карты одна за другой, почти невозможно — а именно это умеет делать модель, обученная на агрегированных данных клиники.

Что это значит для МИС и аналитики клиники

Чтобы эффект снижения летальности был воспроизводим не только в пилотных клиниках из доклада министра, нужна не абстрактная «нейросеть», а рабочий слой аналитики над конкретной МИС:

• Накопленная история, а не разовый снимок. Модель ищет закономерности в данных за месяцы и годы — если МИС не хранит историю показателей в структурированном виде или данные разбросаны по разным системам, обучать и проверять такую модель нечем.
• Модуль сопоставления пациентов по профилю. Чтобы отличить разовое отклонение от системного, нужно сравнивать пациента не с ним самим в прошлом, а с группой похожих пациентов — это отдельная задача ML, а не штатный отчёт МИС.
• Понятный результат для врача, а не «чёрный ящик». Если алгоритм помечает проблему как системную, врачу и главврачу нужно видеть, на каких данных основан этот вывод — иначе рекомендации ИИ останутся на уровне доклада на конгрессе, а не рабочего инструмента.

Что делать клинике, не дожидаясь федерального контракта

Клиника не обязана ждать, когда такую аналитику раздадут централизованно. Для своей базы пациентов можно собрать похожий по логике модуль: выгрузку структурированных показателей из МИС, модель, ищущую закономерности в этих данных, и понятную панель для врача. Решение будет меньше по масштабу, чем федеральная инициатива, но строится на тех же принципах и даёт клинике собственный, не зависящий от сроков госвнедрения инструмент.

Такие ML-модули поверх существующей МИС — задача на стыке данных клиники и прикладного машинного обучения, которую редко закрывает штатная команда МИС-вендора. Подробнее о том, как устроена такая разработка, — на сайте команды, которая занимается разработкой AI/ML-решений под заказ: там собраны примеры внедрения моделей анализа данных в прикладные системы.