Как обучать чат-бот: информационно-теоретические основы диагностического опроса при врождённых ошибках иммунитета

Введение: Диагностика более 550 врождённых ошибок иммунитета (IEI) требует эффективного клинического мышления. Согласно теории информации, приоритет следует отдавать вопросам, способным максимально уменьшить диагностическую неопределённость (энтропию); однако степень оптимизации прироста информации экспертами и большими языковыми моделями (LLM) ранее не оценивалась.

Цель: Сравнить стратегии расстановки диагностических приоритетов у практикующих врачей и LLM с использованием информационно-теоретического подхода.

Методы: Пятнадцать иммунологов и шесть LLM (ChatGPT, Claude, Gemini, Grok, DeepSeek и Llama) ранжировали 35 диагностических вопросов по эффективности. Для оценки ожидаемого прироста информации (EIG) по каждому вопросу использовали энтропию Шеннона. Согласованность оценивали с помощью корреляций Спирмена, сводного ранжирования и анализа главных компонент (PCA).

Результаты: Сводное ранжирование врачей имело сильную корреляцию с расчётным приростом информации (ρ Спирмена = −0,71; p < 0,001). Вопрос «В каком возрасте начались симптомы?» занял первое место у врачей, обеспечивал наибольший прирост информации (2,29 бита) и снижал диагностическую неопределённость на 80%. Между врачами и LLM выявлена сильная согласованность в отношении наиболее значимых дифференцирующих вопросов (ρ Спирмена = 0,73; p < 0,001). Однако анализ главных компонент выявил отдельный кластер LLM: врачи отдавали приоритет вопросам, связанным с осмотром и анамнезом, тогда как LLM — синдромным и лабораторным признакам. При оптимальном выборе вопросов достаточная диагностическая уверенность достигалась за 4–5 шагов, что приближалось к теоретическому минимуму.

Выводы: Практикующие врачи-эксперты неявно приближаются к информационно-теоретической оптимизации диагностики IEI. Хотя LLM используют сходную базовую эвристику для выбора вопросов с высокой информативностью, различия в рассуждении на промежуточных этапах указывают на переход от эмпирических эвристик к вероятностному сопоставлению данных. Эта модель создаёт обоснованную основу для обучения инструментов с поддержкой ИИ, воспроизводящих экспертную диагностическую логику.