ДИАГНОСТИЧЕСКАЯ ТОЧНОСТЬ И ТЕРАПЕВТИЧЕСКАЯ РАЦИОНАЛЬНОСТЬ ПРИ НАРУШЕНИЯХ КИСЛОТНО-ОСНОВНОГО СОСТОЯНИЯ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕЖДУ ВРАЧАМИ И ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ

Введение. Нарушения кислотно-щелочного состояния являются критическими состояниями в отделениях интенсивной терапии, требующими быстрой и точной коррекции. Исследование рассматривает потенциал больших языковых моделей в качестве доступных систем поддержки принятия клинических решений для снижения ятрогенных ошибок. Цель. Сравнить точность диагностики этих нарушений и обоснованность терапевтических рекомендаций, предлагаемых искусственным интеллектом на базе ChatGPT, и врачами интенсивной терапии. Материалы и методы. Дизайн исследования: ретроспективное, одноцентровое, сравнительное исследование. Анализ включал 302 клинико-лабораторных случая пациентов, проходивших лечение в отделении интенсивной терапии в период с 2024 по 2025 годы. С использованием prompt engineering была настроена адаптированная модель ChatGPT под названием «ReanimatorKZ». Проведена сравнительная экспертная оценка заключений между ChatGPT и врачами интенсивной терапии при нарушениях кислотно- щелочного состояния. Статистический анализ выполнялся с использованием программ StatTech v.4.12.7 и SPSS Statistics 27.0.1. Результаты. В группе врачей диагностическая точность составила: 71,2% полностью правильных, 24,8% частично правильных и 4,0% неправильных заключений. ChatGPT продемонстрировал более низкую долю полностью ошибочных диагностических заключений (2,0%), тогда как полностью правильные диагнозы составили 64,9%. Терапевтические стратегии врачей были полностью правильными в 60,9% случаев, тогда как рекомендации ChatGPT были полностью правильными в 89,7% случаев, при отсутствии полностью неправильных рекомендаций. Статистически значимые различия были подтверждены с использованием парных тестов (p <0,05). Заключение. Адаптированная версия ChatGPT продемонстрировала высокий уровень диагностической точности при выявлении нарушений кислотно-щелочного состояния, сопоставимый с таковым у врачей интенсивной терапии, а также более высокую точность в формировании терапевтических рекомендаций при данных нарушениях. Результаты нашего исследования подтверждают потенциал создания эффективных и легко масштабируемых систем поддержки принятия клинических решений на основе широкодоступных моделей искусственного интеллекта. Однако перед внедрением таких систем в рутинную клиническую практику необходима дополнительная проспективная валидация.