ИИ-прогнозирование в онкоцентрах — как Сбер улучшает лекарственное обеспечение на 42%

Анатомия цифровизации здравоохранения | узнать больше Что именно прогнозирует ИИ-модель Сбера для онкоцентров — и какие плюсы это даёт медицинской организации

О материале. Это просветительский обзорно-ознакомительный материал, подготовленный экспертами КБФИТ. Мы не воспроизводим таблицы, графики и дословные формулировки первоисточников; мы пересказываем их содержание своими словами и указываем, куда смотреть. Оценки и интерпретации отражают позицию авторов обзора. Для критических решений необходима внешняя экспертиза и самостоятельная проверка первоисточников.

Материал подготовлен экспертами КБФИТ в области автоматизации здравоохранения и опубликован на площадке вендора медицинских ERP-систем МЕДЕРП. Для руководителей ИТ-служб приведены практические вопросы для самостоятельной проверки, а не независимая оценка конкретных продуктов.

Постановка проблемы: три типа ошибок традиционного планирования

Онкологический центр отличается от обычной клиники тем, что цена ошибки в планировании закупок измеряется не только деньгами. Дорогостоящие препараты, ограниченный срок годности, схемы лечения, которые нельзя прервать — всё это создаёт три типа ошибок, каждая из которых имеет свою цену.

Третий тип — самый коварный: он не проявляется как явный дефицит или явная просрочка, но приводит к систематическому перекосу бюджета. Именно на него и нацелена модель, обученная на данных конкретного учреждения.

Что делает модель: от истории болезни к прогнозу по нозологиям

Согласно пресс-релизу Сбербанка (позиция 6) и публикации CNews от 03.09.2025 (позиция 7), решение представлено на X Восточном экономическом форуме первым заместителем председателя правления Сбербанка Александром Ведяхиным. Разработчик — ООО «СберБизнесСофт». Факт презентации подтверждается также публикациями ФармМедПром, Аргументы и Факты, РИАМО, Медвестник (позиции 8, 11, 15, 12).

По описанию разработчика, приведённому в публикациях CNews, ФармМедПром, Фармвестник, GxP News, Медвестник, ФармЗнание и FONAR.TV (позиции 7–13, 18), логика модели включает несколько шагов:

1. Сбор исторических данных конкретного учреждения. Модель работает не с усреднёнными показателями по региону или стране, а с данными конкретного онкоцентра: количество пациентов, структура диагнозов, применяемые схемы лечения и их стоимость. Именно сочетание этих параметров — а не только число случаев — позволяет модели увидеть, какие препараты и в каком объёме реально нужны учреждению.
2. Прогноз заболеваемости по нозологиям. На основе этих данных модель строит прогноз будущей заболеваемости — не «общего числа пациентов», а по каждой нозологической группе отдельно. Это принципиальное отличие: разные нозологии требуют разных препаратов и разных схем лечения.
3. Расчёт потребности в препаратах на 12 месяцев. Зная прогноз по нозологиям и схемы лечения, модель рассчитывает, какие препараты и в каком объёме потребуются учреждению на год вперёд.
4. Адаптация под профиль учреждения. По описанию разработчика, модель не универсальна — она обучается на данных конкретного центра, что позволяет учитывать уникальную структуру заболеваемости, профиль пациентов и особенности применяемых протоколов.

Мы пересказываем описание разработчика своими словами; точные формулировки — в первоисточниках (позиции 7–13, 18). Методология расчёта и алгоритмы обучения в открытом доступе не раскрыты — это ограничение зафиксировано в разделе «Ограничения и риски».

Контекст: прогнозирование закупок — не единственное ИИ-направление Сбера в онкологии. Параллельно развивается модель Can-SAVE для выявления пациентов с высоким риском онкозаболеваний при диспансеризации; по сообщению источников, она показала больше выявленных случаев по сравнению с традиционным подходом. Мы не смешиваем эти кейсы, но упоминаем, чтобы показать: решение для закупок — часть более широкой работы в онкологии, а не изолированный эксперимент.

Какие плюсы это даёт онкоцентру

Источники называют четыре практических эффекта, которые разработчик и представитель Сбербанка связывают с более точным прогнозом:

• Закупка препаратов в нужном объёме. Более точный прогноз позволяет закупать жизненно важные препараты без дефицита и без излишка — и избегать приостановки терапии из-за нехватки лекарств (позиции 7, 13).
• Снижение потерь от просрочки. Оптимальный объём закупок минимизирует количество дорогостоящих препаратов, списываемых из-за истечения срока годности (позиции 7, 18).
• Планирование нагрузки на стационар. Прогноз заболеваемости позволяет рассчитывать количество мест в стационаре и более эффективно использовать коечный фонд (позиция 7).
• Предотвращение перерасхода бюджета. Точное планирование закупок исключает неэффективное расходование средств и помогает исполнять лимиты по КВР/КОСГУ (позиции 7, 13).

Для руководителя медицинской организации эти четыре эффекта складываются в одну практическую ценность: баланс между достаточным запасом препаратов и оптимизацией бюджетных расходов. Именно этот баланс — ключевая операционная задача онкоцентра, и именно на него нацелена модель.

Дополнительный эффект, который отмечают источники, — база для стратегического планирования: прогноз на 12 месяцев позволяет планировать не только закупки, но и мощности, и штатную численность (позиция 7).

Что означает «42% эффективнее человека»

По сообщению авторов публикаций, пилотные испытания модели показали, что она оптимизирует лекарственное обеспечение онкоцентров на 42% эффективнее человека. Эта цифра фигурирует в публикациях CNews, ФармМедПром, Фармвестник, GxP News, Аргументы и Факты, Медвестник, ФармЗнание, FONAR.TV, Курская правда и в заявлениях Александра Ведяхина на ВЭФ (позиции 7–13, 16, 18).

Важный нюанс: формулировки в источниках различаются. CNews и «Медвестник» пишут, что модель «на 42% точнее традиционных подходов прогнозирует объёмы лекарственного обеспечения» (позиции 7, 12). АиФ и «ФармМедПром» используют формулировку «на 42% лучше человека» или «эффективнее человека» (позиции 11, 8). Разница существенна: в первом случае речь идёт именно о точности прогноза как измеримой метрике, во втором — о сравнении с человеком как исполнителем планирования. Мы приводим обе формулировки, чтобы читатель видел, что источниковая база неоднородна.

Что означает «эффективнее» в этом контексте: не скорость расчётов и не стоимость решения, а качество прогноза — насколько точно модель предсказывает потребность в препаратах по сравнению с ручным планированием. Более точный прогноз и даёт те четыре эффекта, которые перечислены выше: меньше дефицита, меньше просрочки, точнее планирование стационара, меньше перерасхода.

Отдельно стоит сказать о планировании стационара. В источниках CNews и «Медвестник» это указано не как побочный эффект, а как заявленная функция: прогноз заболеваемости по нозологиям позволяет заранее понимать, сколько коек и какое распределение по профилям потребуется (позиции 7, 12). Для онкоцентра это означает, что модель работает не только на закупки, но и на операционное планирование загрузки.

Оговорка. Показатель «42%» — это маркетинговая метрика разработчика, заявленная по итогам пилота. Методология расчёта в открытом доступе не опубликована, поэтому её следует рассматривать как заявленный результат, а не как независимый бенчмарк. Для критических решений запрашивайте у вендора методику расчёта точности.

Регуляторный контекст: точность прогноза как правовая категория

Для руководителей финансовых служб точность прогноза — не только экономический, но и правовой вопрос. Бюджетный кодекс РФ, статья 306.4 устанавливает ответственность за нецелевое использование бюджетных средств. Федеральный закон от 05.04.2013 № 44-ФЗ регулирует процедуры закупок в государственных медицинских организациях. Ошибка в планировании объёмов закупок может привести не только к перерасходу, но и к нарушению лимитов по КВР/КОСГУ.

При описании регуляторных требований мы указываем одну из возможных трактовок. Окончательное решение принимает регулирующий орган. Для практического применения сверяйтесь с действующей редакцией документов.

Институциональные барьеры внедрения

Внедрение прогнозной аналитики в медицинской организации сталкивается с барьерами, которые полезно рассматривать системно:

Практические вопросы для CIO

• Источник данных и методология. На каких данных обучается модель? Как проверяется качество исторических данных учреждения?
• Интеграция. Какие ERP-системы поддерживаются? Есть ли готовые коннекторы к 1С:БГУ, МЕДЕРП?
• Верификация прогноза. Как измеряется точность? Какие метрики используются и на каком периоде? Как обоснован показатель «42%»?
• Регуляторный комплаенс. Как обеспечивается соответствие требованиям 44-ФЗ и защите данных?
• Роль человека. Как устроен процесс принятия финального решения? Кто утверждает закупку на основе прогноза?
• Ограничения. Какие сценарии модель не покрывает? Что происходит при изменении клинических рекомендаций?

Что мы не утверждаем

• Мы не утверждаем, что ИИ-решение заменяет специалиста по закупкам или клинического фармаколога.
• Мы не утверждаем, что заявленные авторами эффекты воспроизводимы в любом онкоцентре без адаптации.
• Мы не утверждаем, что показатель «42%» верифицирован независимыми исследованиями: это маркетинговая метрика разработчика, методология расчёта в открытом доступе не раскрыта.
• Мы не утверждаем, что модель гарантирует отсутствие дефицита или перерасхода.
• Мы не утверждаем, что приведённые регуляторные трактовки являются окончательными.
• Мы не утверждаем, что перечень барьеров и вопросов для CIO является исчерпывающим.

Ограничения и риски

Ограничения исходных работ: первоисточники — новостные дайджесты отраслевых СМИ; формулировки показателя «42%» в источниках различаются («точнее прогнозирует» vs «лучше человека»); методология расчёта в открытом доступе не раскрыта; не указаны конкретные онкоцентры, где проходили пилоты; нет данных о сроках внедрения и стоимости решения; пилотные результаты могут не масштабироваться на учреждения с иной структурой заболеваемости.

Ограничения настоящего обзора: обзор не является независимой оценкой конкретных продуктов; регуляторные трактовки — одна из возможных интерпретаций; раздел о кадровом дефиците не содержит количественных данных из-за отсутствия верифицируемых источников по клиническим и закупочным специальностям.

Лицензионные и регуляторные риски: при прямом цитировании первоисточников необходимо самостоятельно уточнить лицензию и соблюсти четыре условия статьи 1274 ГК РФ; применение ИИ-решений в закупках требует проверки соответствия 44-ФЗ и бюджетному законодательству.

Куда смотреть дальше: чек-лист читателя

1. Открыть первоисточник (см. раздел «Источники») и ознакомиться с полным текстом.
2. Уточнить лицензионный статус публикации у правообладателя.
3. Сверить числовые данные (включая показатель «42%») с оригиналом; при цитировании ссылаться на первоисточник.
4. Проверить актуальность регуляторных требований по действующей редакции НПА.
5. При практическом применении дополнить обзор собственной экспертизой и внешней оценкой.

Конфликт интересов

Авторы обзора не связаны с авторами первоисточников и упомянутыми организациями. Обзор не финансировался заинтересованными сторонами. Материал опубликован на площадке вендора медицинских ERP-систем МЕДЕРП; это раскрыто в блоке авторства выше.

Итоги и выводы

Специфика кейса Сбера — не в том, что «ИИ прогнозирует закупки», а в том, что модель прогнозирует заболеваемость по нозологиям и на этой основе рассчитывает потребность в препаратах на 12 месяцев. Это принципиально иной уровень детализации, чем традиционное планирование по средним прошлых периодов.

Ключевые выводы:

• Прогноз по нозологиям, а не по общему числу пациентов — это главное отличие модели; именно оно позволяет избежать «неверной структуры закупки».
• Модель обучается на данных конкретного учреждения — по описанию разработчика, это позволяет учитывать уникальную структуру заболеваемости и протоколы лечения.
• Заявленный результат — 42% эффективнее человека — маркетинговая метрика разработчика; методология не раскрыта, требуется независимая верификация.
• Точность прогноза — правовая категория — ошибка в планировании может привести к нарушению лимитов по КВР/КОСГУ (ст. 306.4 БК РФ) и требований 44-ФЗ.

Для полноты картины стоит отметить: в источниках формулировка «42%» встречается в двух вариантах — «точнее прогнозирует» (CNews, Медвестник) и «лучше человека» (АиФ, ФармМедПром). Мы не сглаживаем это различие, а фиксируем его как часть источниковой базы. Независимо от формулировки, речь идёт о качестве прогноза, а не о скорости или стоимости решения.

Источники

Анализ выполнен с использованием технологий искусственного интеллекта и экспертного опыта авторов. Информация актуальна на момент публикации; для применения в конкретной ситуации рекомендуется сверяться с действующей редакцией документов и первоисточниками.

Примечание: Анализ основан на открытых данных из отраслевых СМИ и официальных заявлений представителей Сбербанка. Точные формулировки — в первоисточниках. ECOSIRE и Market Research Future исключены как неподтверждённые источники.