AegisDx: AI framework for safe diagnostics outperformed GPT-5 in physicians’ evaluation

Исследовательская группа опубликовала на arXiv в июле 2026 года описание AegisDx — фреймворка для безопасной дифференциальной диагностики на базе больших языковых моделей. В слепом испытании на 43 реальных историях болезни из приёмного отделения Yale New Haven Health System AegisDx получил от врачей средний балл безопасности 4.55 из 5 против 4.31 у GPT-5 — разница статистически значима (скорректированный p = 2.1×10⁻⁴).

Почему обычного LLM недостаточно для безопасной диагностики

Диагностические ошибки остаются одной из главных угроз безопасности пациентов. Современные LLM-системы обычно подходят к диагнозу как к задаче «одного запроса»: врач описывает симптомы, модель выдаёт предположение. Такой подход не имеет защиты от пропуска жизнеугрожающих состояний и не верифицирует ход собственных рассуждений.

AegisDx устроен принципиально иначе. Авторы называют его подход гипотетико-дедуктивным клиническим рассуждением: система сначала генерирует широкий список гипотез, затем последовательно сужает его, проверяя каждый шаг против медицинской доказательной базы. Ключевые элементы архитектуры:

• Роль-контракты: каждый LLM-компонент отвечает строго за свою задачу
• Структурированные промежуточные выводы: каждый шаг рассуждений фиксируется явно
• Интерфейсы поиска доказательств: гипотезы сверяются с медицинской литературой в реальном времени
• Верификационные шлюзы: итоговый диагноз проходит проверку перед выдачей
• Обязательный скрининг must-not-miss: инфаркт, ТЭЛА, расслоение аорты, менингит — система обязана проверить их явно, случайно пропустить невозможно

Что показали три уровня испытаний

Авторы сравнивали AegisDx с GPT-oss-120B, используемым напрямую без дополнительных ограничений. Для каждой группы кейсов основной метрикой служила Top-3 точность — попадание правильного диагноза в тройку лучших предположений, что соответствует реальной клинической практике.

• JAMA-кейсы: Top-3 точность 59.9% против 52.1%
• NEJM-кейсы: Top-3 точность 62.7% против 51.4%
• Annals of Emergency Medicine: 85.7% против 68.6%
• Критические must-not-miss диагнозы: AegisDx включил хотя бы одно такое состояние в топ-3 в 78.0% случаев против 52.0% у standalone-LLM

Наиболее строгим оказался слепой тест с участием врачей-клиницистов: 43 реальных записи из приёмного отделения сравнивались вслепую с заключениями GPT-5. Участники оценили AegisDx выше по сводному показателю безопасности — 4.55 против 4.31 на пятибалльной шкале. Качественно они отметили улучшение в выявлении жизнеугрожающих диагнозов и большую прозрачность рассуждений.

Что это значит

Прирост от структурированного фреймворка оказался сопоставим с прямым масштабированием модели — и авторы считают это главным выводом. Инженерия диагностических AI-систем как безопасных рассуждающих конвейеров может быть продуктивнее погони за сырой предсказательной точностью — особенно в неотложной медицине, где ошибка диагноза стоит жизни. AegisDx позиционируется не как замена врача, а как прозрачный инструмент поддержки решений у постели больного.

Частые вопросы

Какую языковую модель использует AegisDx?

В экспериментах авторы использовали GPT-oss-120B как базовую модель для всех компонентов. Архитектура фреймворка не привязана к конкретной LLM и проектировалась как универсальная.

На каком клиническом материале проводились испытания?

Литературные кейсы взяты из NEJM, JAMA и Annals of Emergency Medicine. Слепое испытание с врачами проходило на 43 реальных историях болезни из приёмного отделения Yale New Haven Health System.