Современные сервисы часто либо работают по жёстким скриптам, либо используют модели без учёта контекста, что приводит к формальным и неточным ответам.

Создай AI-помощника, который ведёт эмпатичный диалог, отслеживает динамику состояния, анализирует дневники и подбирает персональные техники самопомощи. Он выявляет эмоциональные паттерны, мягко направляет к специалисту при серьёзных нарушениях и опирается на доказательные методики. Такой AI-психолог может сопровождать человека в долгосрочном решении задач или заменить психолога в некритических случаях.

Ключевые функции
- Анализ текстовых и голосовых дневников.
- Выявление эмоциональных паттернов и триггеров.
- Рекомендации валидированных методик (mindfulness, КПТ и др.).
- Мягкое направление к офлайн-специалисту при серьёзных нарушениях.

Пациентам может быть сложно разобраться в сотнях профилей врачей на агрегаторах: отзывы и фильтры помогают сориентироваться, но не всегда позволяют сделать осознанный и быстрый выбор.

Создай AI-рекомендательный движок, который подбирает врача под запрос пациента, анализируя симптомы, цели визита, предпочтения, историю обращений, отзывы и клинические данные. Он оценивает соответствие по специализации, опыту, стилю общения и языковой доступности, объясняет, почему выбран именно этот специалист, и использует LLM для анализа как структурированных (календарь, стаж), так и неструктурированных данных (отзывы, публикации, кейсы).

Результат
Персонализированная рекомендация, позволяющая быстро попасть к оптимальному врачу.

Сейчас косметологи тратят часы на оценку типа кожи, сбор анамнеза и подбор схем ухода. Существующие автоматические решения ориентированы на массового пользователя и работают слишком грубо — ограничиваются общими типами кожи («жирная», «сухая») без учёта клинических нюансов.

Создай AI-косметолога, который по валидированным опросникам (напр., Лесли Бауман) и/или по фото кожи (опционально) определяет признаки состояний (акне, розацеа/купероз, гиперпигментация, сухость/обезвоженность, морщины, постакне и др.) и выдает профессиональные схемы ухода: активные компоненты, примерные концентрации/дозировки, частота и порядок применения, предостережения и несовместимости.

В приёмных, скорой и телемедицине поток пациентов включает как критические случаи, так и неотложные. Ручная сортировка жалоб и анамнеза занимает время и повышает риск ошибок — тяжёлые пациенты могут затеряться среди рутинных обращений.

Создай систему AI-триажа, которая в реальном времени анализирует жалобы, анамнез и (при наличии) витальные показатели и автоматически расставляет пациентов по приоритету:

- критично срочно — немедленный осмотр,
- срочно — ближайшее время,
- планово — может подождать.

Система должна объяснять врачу причины выбора приоритета и работать быстро в условиях большого потока пациентов.

В современной офтальмологической практике важна регулярность наблюдения — особенно у пациентов с глаукомой, диабетической ретинопатией, макулярной дегенерацией, прогрессирующим кератоконусом и другими хроническими заболеваниями. Однако пациенты часто пропускают повторные визиты, забывают о назначениях или не понимают важности профилактического контроля. Это ведёт к прогрессированию заболеваний и ухудшению прогноза.

Создай AI-ассистента для офтальмолога, который автоматически отслеживает график контрольных осмотров и самостоятельно уведомляет пациентов о необходимости повторного визита — с учётом диагноза, стадии заболевания, рекомендаций и индивидуальных особенностей.

Ключевые функции
1. Анализ медицинских данных
Определяет тип и частоту контроля на основе клинических протоколов / указания пользователя (например, каждые 3 месяца при глаукоме, раз в 6 месяцев при другой офтальмопатологии).
Учитывает особенности пациента: возраст, сопутствующие заболевания (диабет, артериальная гипертензия), приверженность лечению.

2. Индивидуальные напоминания
Формирует персонализированные сообщения (Telegram, Email и др.), объясняя пациенту:

• Почему важен визит ("Ваша глаукома требует контроля каждые 3 месяца, чтобы сохранить зрение").
• Что будет проверено ("Мы проведём ОКТ сетчатки и измерим внутриглазное давление").
• Какие риски при пропуске ("Пропуск контроля может привести к необратимой потере периферического зрения").

Адаптирует стиль общения: формальный — для пожилых, дружелюбный — для молодёжи.

3. Динамическая коррекция графика
При изменении состояния (например, рост ВГД, прогрессирование ОКТ) автоматически сокращает интервал контроля и уведомляет пациента о необходимости более раннего визита.

4. Обратная связь и подтверждение
Отправляет пациенту запрос подтверждения:
"Подтвердите, что вы записались на приём 15 мая. Если не можете прийти — сообщите, мы перенесём."
При отсутствии ответа — активирует цепочку напоминаний (через 3, 7, 14 дней).
При систематических пропусках — уведомляет врача и предлагает вмешательство (личный звонок, направление на консультацию).

5. Обучение пациента
Включает в сообщения краткие образовательные блоки:
"Знаете ли вы? При глаукоме первыми страдают периферические участки зрения."
"Капли нужно закапывать регулярно, даже если ничего не беспокоит."
По запросу — отправляет видеоинструкции по закапыванию, уходу за глазами, подготовке к ОКТ.

Пример диалога с пациентом
Сообщение от AI-ассистента (через мессенджер):
Добрый день, Сергей Иванович!
Напоминаем, что вам необходимо пройти контрольное обследование у офтальмолога — уже в этом месяце.
Последнее ОКТ было 3 месяца назад, а при глаукоме контроль нужен каждые 3 месяца, чтобы вовремя заметить изменения.
🔹 Проверим: внутриглазное давление, поля зрения и ОКТ сетчатки.
🔹 Запишитесь удобным способом: [ссылка на запись]
Если визит не нужен — ответьте "нет", но лучше уточнить у врача.
---
Заботимся о вашем зрении.
С уважением, ассистент доктора Белогуровой.

Проект предложен участником хакатона.

Проект представляет собой инженерно-клиническое решение, направленное на раннее распознавание скрытой потребности в паллиативной помощи и генерацию практических, клинически обоснованных рекомендаций для врача и родных пациента. Под «маской паллиативного больного» понимается комплекс поведенческих и клинических признаков, при которых пациент и/или его окружение внешне демонстрируют относительно удовлетворительное состояние, тогда как в действительности наблюдается прогрессирование симптомов (первичные маркёры деменции, нарастание болевого синдрома, снижение функционального статуса, непреднамеренная потеря массы тела, систематические пропуски визитов и т. п.), требующих своевременного вмешательства паллиативной команды.

Система принимает на вход анонимизированные данные амбулаторной карты (структурированные поля и краткие текстовые выписки), отчёты патронажных служб и результаты кратких анкет родственников/опекунов. Выходом является категоризация риска (высокий / средний / низкий), краткий приоритетный план действий для клинициста (чек-лист: рекомендуемые обследования, предложения по ревизии аналитики и терапии, показания к патронажному визиту или многопрофильной оценке) и эмпатичное сообщение для родственников с конкретными практическими шагами (организация патронажа, инструкции по уходу, ссылки на образовательные материалы и возможность связи с лечащим врачом). Все рекомендации сопровождаются указанием на источник клинической опоры и пометкой о необходимости врачебной верификации.

Архитектурно предлагается гибридный подход: лёгкая табличная модель (например, LightGBM) обеспечивает быстрый скрининг по числовым и категоричным признакам (частота госпитализаций, динамика веса, показатели функционального статуса, лечебные дозы), тогда как крупная языковая модель (LLM) в режиме retrieval-augmented generation (RAG) анализирует свободноформатные тексты (эпикризы, примечания патронажа) и формирует человекопонятные объяснения и рекомендации. Ключевой принцип системы — «человек в петле»: автоматизированные выводы служат поддержкой клинического решения и не заменяют врачебную ответственность; любые изменения в фармакотерапии, особенно титрация опиоидов или переход с неопиоидных на опиоидные анальгетики, выполняются исключительно врачом в рамках действующих клинических протоколов и после информированного согласия.

Требования к безопасности и соответствию: обязательная деперсонализация/десидентификация данных перед выводом из медицинской организации; шифрование каналов передачи и хранения; журналирование действий и версий модели для аудита; чёткая документация ограничений модели и привязка рекомендаций к действующим клиническим рекомендациям и приказам Министерства здравоохранения. Модель должна иметь встроенные механизмы предотвращения генерации недостоверных или потенциально опасных советов (контроль фактов, источниковая привязка, фильтрация контента).

В рамках хакатона планируется создание MVP за одну рабочую неделю: веб-интерфейс для ввода/загрузки профиля пациента (форма для врача и упрощённая анкета для родственников), реализация пайплайна анонимизации и предобработки, обучаемый классификатор для быстрых предсказаний риска, интеграция RAG-модуля для анализа текстов и генерации объяснений, а также демонстрация на трёх клинических сценариях (ранняя деменция у пожилого пациента; обострение болевого синдрома при онкологическом заболевании; «маска» усталости, маскирующая значимое ухудшение состояния). Для быстрой валидации доступна стартовая выборка из 50+ анонимных клинических историй и пять демонстрационных кейсов.

Необходимая команда: data-engineer для деперсонализации и подготовки наборов; ML-инженеры для разработки классификатора и организации инференса; специалисты по LLM/prompt-инжинирингу для настройки RAG и генерации понятных объяснений на русском языке; UX/UI-разработчики для создания интуитивного интерфейса; юридический и этический консультант для разработки шаблонов информированного согласия и обеспечения соответствия нормативным требованиям.

Цель проекта — предоставить клинически безопасный и практически применимый инструмент, который увеличит чувствительность к скрытым признакам потребности в паллиативной помощи, сократит время на рутинную оценку и повысит качество коммуникации между медицинской командой и родственниками, сохраняя при этом принципиальное требование: клиническое решение остаётся за специалистом.

Связаться с автором проекта: Даниил (d.lemesh88@yandex.ru)

Студенты и молодые врачи редко имеют возможность безопасно отработать навыки общения и постановки диагноза до встречи с реальными пациентами. Учебные кейсы обычно статичны и не дают опыта настоящего диалога.

Нужно создать чат-бота с виртуальными ИИ-пациентами, которые ведут себя как настоящие: жалуются, отвечают на вопросы врача, иногда неполно или эмоционально. Важно, чтобы клинические истории были реалистичными и потенциально возможными, с данными, похожими на настоящие. Пациента можно направить на лабораторные или инструментальные исследования и получать правдоподобные результаты.

Цель сервиса - пройти полный цикл: собрать анамнез, провести диагностику, поставить диагноз и назначить лечение. После завершения кейса система должна подсветить ошибки и показать правильное решение.

Ключевые функции
• Реалистичные клинические случаи с динамичным диалогом.
• Возможность назначать обследования и получать правдоподобные результаты.
• Практика полного цикла: сбор анамнеза → диагностика → диагноз → лечение.
• Индивидуальное обучение без риска для реальных пациентов.

Проект предоставлен партнером Хакатона, компанией "Третье Мнение"

У многих врачей, которые занимаются ботулинотерапией, имеются сложности с выбором адекватных мышц-мишеней и дозировок препаратов ботулинического токсина.

Если для пациентов с мигренью, бруксизмом и т.д. все достаточно просто и протоколы стандартизированы, данная ситуация особенно актуальна для пациентов с разными типами дистоний (цервикальная дистония или спастическая кривошея, писчий спазм, камптокормия при болезни Паркинсона и т.д.), а также пациентов со спастичностью (вследствие инсульта, операций на головном или спинном мозге, черепно-мозговых травм (ДТП, криминального и боевого характера)).

В то же время правильный выбор мышц и доз является основным предиктором эффективности терапии и позволяет максимально использовать потенциал относительно дорогостоящего метода лечения.

Цель: создать ИИ-ассистента (с интеграцией в телеграм/нацмессенджер или в виде отдельного мобильного приложения), который на основании загруженной базы знаний помогает провести мышечное тестирование для корректного выбора мышц, помогает с выбором анатомических ориентиров и дает подсказки по ультразвуковой навигации, а также на основании количественных данных (шкалы спастичности Тардье, Эшворта) либо (в идеале) на основании видео-анализа движений помогает создать персонализированный протокол терапии.

Более того, он будет помогать и на этапе после ботулинотерапии, подобрав необходимые упражнения для самостоятельного выполнения пациентом, а также напоминая о повторной процедуре и подготовке к ней.