Метапротоколы и методологии клинического мышления врачей

Исследование для проектирования reduce-архитектуры медицинского агента

1. Фазы клинического процесса

1.1 Clinical Reasoning Cycle (Tracy Levett-Jones Model)

Модель организует клиническое мышление в 8 фаз, которые образуют непрерывный цикл:

Consider the Patient/Situation — первичное знакомство с клиническим случаем, получение presenting information
Collect Cues/Information — сбор анамнеза, жалоб, результатов обследований, витальных показателей
Process Information — обработка информации через призму патофизиологии и фармакологии
Identify Problems/Issues — выявление проблем и формулировка рабочего диагноза
Establish Goals — установка целей лечения
Take Action — реализация плана лечения
Evaluate Outcomes — оценка эффективности лечения
Reflect on Process — рефлексия для улучшения будущих решений

Ключевая особенность: Процесс не линейный — врач постоянно перемещается между фазами по мере поступления новой информации.

1.2 Упрощенная модель диагностического процесса

Gathering Information → Problem Representation → Hypothesis Generation →
→ Hypothesis Testing → Diagnosis Confirmation → Treatment Planning →
→ Outcome Evaluation

Источники:

2. Методологии клинического мышления

2.1 Hypothetico-Deductive Reasoning

Определение: Модель Elstein (1978) — врачи генерируют ограниченное число диагностических гипотез и последовательно их тестируют.

Этапы:

Формирование предварительных гипотез на основе начальной информации
Интерпретация симптомов (cue interpretation) в контексте гипотез
Оценка гипотез — подтверждение или опровержение на основе данных
При отклонении всех гипотез — новый цикл

Применение:

Используется новичками для каждого пациента
Используется экспертами только в сложных или нетипичных случаях
Рекомендуется как базовая стратегия для обучения студентов-медиков

Критика: Модель упрощает реальный процесс; диагностическая точность зависит не столько от стратегии, сколько от глубины знания предметной области.

Источники:

2.2 Pattern Recognition (Non-Analytic Reasoning)

Определение: Быстрое распознавание паттернов на основе предыдущего опыта без явного анализа.

Характеристики:

Автоматическое, бессознательное
Основано на сопоставлении текущего случая с "прототипами" из памяти
"Doorway diagnosis" — мгновенное распознавание типичной картины заболевания

Пример: Постоперационный пациент с синусовой тахикардией, асимметричным отеком нижних конечностей и гипоксией — опытный врач мгновенно распознает ТЭЛА.

Источники:

2.3 Illness Scripts

Определение: Структурированные ментальные модели заболеваний, организованные в сети знаний.

Компоненты illness script:

Enabling conditions — факторы риска, предрасполагающие условия
Fault — патофизиологический механизм
Consequences — клинические проявления, симптомы, лабораторные данные

Применение:

Врачи сравнивают "script пациента" со своими ментальными моделями
Scripts динамичны — развиваются с опытом
Индивидуальны для каждого врача

Script Activation: Автоматическое извлечение релевантных scripts из памяти в ответ на ранние симптомы.

Источники:

2.4 Dual Process Theory (System 1 / System 2)

Теория Daniel Kahneman, адаптированная для медицины.

Характеристика	System 1 (Type 1)	System 2 (Type 2)
Скорость	Быстрый	Медленный
Тип	Интуитивный	Аналитический
Осознанность	Бессознательный	Сознательный
Усилие	Минимальное	Значительное
Основа	Pattern recognition, illness scripts	Гипотетико-дедуктивный анализ
Применение	Типичные случаи	Сложные, нетипичные случаи

Ключевые положения:

Эксперты преимущественно используют System 1 в знакомых ситуациях
Переключение на System 2 происходит при несоответствии паттерна
Оба типа подвержены ошибкам
В реальности врач осциллирует между системами

Источники:

2.5 Bayesian Reasoning в медицине

Определение: Математический подход к обновлению вероятности диагноза на основе новых данных.

Формула:

P(Disease|Test) = [P(Test|Disease) × P(Disease)] / P(Test)

Ключевые концепции:

Prior probability (Pretest probability) — вероятность до теста
Posterior probability (Posttest probability) — вероятность после теста
Likelihood ratio — чувствительность / (1 - специфичность)

Применение:

Количественная оценка влияния теста на вероятность диагноза
Интеграция преваленса и свойств теста
Основа для рационального назначения диагностических тестов

Проблемы:

Врачи часто испытывают трудности с применением Bayesian reasoning
Требуется знание чувствительности и специфичности тестов
Субъективность в оценке prior probability

Источники:

2.6 Другие формальные подходы

Script Concordance Test (SCT)

Инструмент оценки клинического мышления в условиях неопределенности:

Сравнение ответов экзаменуемого с панелью экспертов
Оценка влияния новой информации на диагностические гипотезы

Cause-and-Effect Clinical Method (CECM)

Новый фреймворк (2025): обучение мыслить назад от симптомов к причинам и вперед к последствиям.

Источники:

3. Дифференциальная диагностика

3.1 Формирование дифференциального списка

Подходы:

Symptom-based — на основе chief complaint
Anatomical — систематический обход анатомических структур
Category-based — использование мнемоник (VINDICATE)

3.2 VINDICATE Мнемоника

Универсальная система категорий для дифференциального диагноза:

Буква	Категория	Расширенное значение
V	Vascular	Сосудистые заболевания
I	Infectious	Инфекционные / Воспалительные
N	Neoplastic	Опухолевые
D	Degenerative	Дегенеративные / Дефицитные / Лекарственные
I	Iatrogenic	Ятрогенные / Токсические / Идиопатические
C	Congenital	Врожденные
A	Autoimmune	Аутоиммунные / Аллергические
T	Traumatic	Травматические
E	Endocrine	Эндокринные / Метаболические

Источники:

3.3 Приоритизация гипотез

Критерии приоритизации:

Most Likely — наиболее вероятный диагноз (на основе pretest probability)
Most Dangerous ("Worst First") — жизнеугрожающие состояния, которые нельзя пропустить
Most Treatable — состояния с эффективным лечением

Формула: Баланс между вероятностью и риском пропуска диагноза.

3.4 Критерии включения/исключения

Sensitivity rule-out (SnNout): Высокочувствительный тест при отрицательном результате исключает диагноз
Specificity rule-in (SpPin): Высокоспецифичный тест при положительном результате подтверждает диагноз

Источники:

4. Документирование

4.1 SOAP Notes (Subjective, Objective, Assessment, Plan)

Формат разработан Lawrence Weed (~1968) как часть POMR.

Раздел	Содержание
S - Subjective	Жалобы пациента, анамнез заболевания, self-report
O - Objective	Витальные показатели, физикальное обследование, лабораторные данные, результаты визуализации
A - Assessment	Рабочий диагноз, дифференциальный диагноз, клиническое обоснование
P - Plan	План обследования, лечение, назначения, follow-up

Вариации:

APSO — Assessment первым (для ongoing care)
SOAPIER — добавлены Intervention, Evaluation, Revision

Источники:

4.2 Problem-Oriented Medical Record (POMR)

Система Lawrence Weed (1960-е) — реорганизация медицинской документации вокруг списка проблем.

Компоненты POMR:

Database — полный анамнез и физикальное обследование
Problem List — активные и неактивные проблемы
Initial Plans — план для каждой проблемы
Progress Notes — структура SOAP для каждой проблемы

Принцип: Проблема определяется на максимально защищаемом уровне (symptom → syndrome → diagnosis).

Влияние: Лег в основу практически всех современных EMR систем.

Источники:

4.3 Problem Representation и One-Liner

Problem Representation — одно предложение, суммирующее ключевые особенности случая.

Формат One-Liner:

"[Name] is a [age] year-old [gender] with PMH of [X] presenting with [Y]"

Пример:

"Ms. X is a 78-year-old female with chronic obstructive pulmonary disease presenting with shortness of breath in the setting of an upper respiratory tract infection."

Semantic Qualifiers

Абстрактные определения для трансформации данных:

acute / chronic
localized / diffuse
constant / intermittent
mild / moderate / severe
painful / painless

Значение: Использование semantic qualifiers повышает диагностическую точность и активирует релевантные illness scripts.

Источники:

4.4 Другие форматы документации

Формат	Описание	Применение
H&P (History & Physical)	Полный осмотр при поступлении	Госпитализация
Progress Note	Ежедневные заметки	Стационар
Discharge Summary	Выписной эпикриз	Перевод/выписка
Consultation Note	Консультативное заключение	Специалисты
Procedure Note	Протокол процедуры	Интервенции

5. Evidence-Based Medicine (EBM)

5.1 Иерархия доказательств

Пирамида доказательств (от сильных к слабым):

Уровень	Тип исследования
Level IA	Мета-анализ РКИ
Level IB	Отдельное качественное РКИ
Level IIA	Контролируемое исследование без рандомизации
Level IIB	Когортное или case-control исследование
Level III	Описательные исследования, case series
Level IV	Экспертное мнение

5.2 GRADE System

Grading of Recommendations Assessment, Development and Evaluation:

Оценка качества доказательств: High, Moderate, Low, Very Low
Сила рекомендации: Strong, Weak/Conditional

5.3 Интеграция evidence в практику

Три компонента EBM:

Лучшие доступные доказательства
Клиническая экспертиза врача
Ценности и предпочтения пациента

Clinical Decision Support Systems (CDSS):

Интеграция guidelines в EMR
Автоматические alerts и reminders
Point-of-care information access

Источники:

6. Cognitive Biases в медицине

6.1 Основные типы когнитивных ошибок

Bias	Описание	Пример
Anchoring	Фиксация на начальном диагнозе несмотря на противоречащие данные	Игнорирование нормальных ферментов поджелудочной при "очевидном" панкреатите
Availability	Переоценка вероятности недавно встреченных диагнозов	После драматичного случая ТЭЛА — гипердиагностика ТЭЛА
Confirmation	Поиск информации, подтверждающей гипотезу	Избирательная интерпретация анализов
Premature Closure	Прекращение диагностического поиска слишком рано	Остановка на первом "подходящем" диагнозе
Overconfidence	Завышенная уверенность в своих суждениях	Отказ от дополнительных тестов
Search Satisfying	Прекращение поиска после первой находки	Пропуск второй патологии на снимке

6.2 Статистика

10-15% частота диагностических ошибок
70% диагностических ошибок имеют когнитивный компонент
36-77% случаев ошибок связаны с когнитивными bias

Источники:

6.3 Debiasing Strategies

Индивидуальные стратегии

Стратегия	Описание
Metacognition	Осознанный мониторинг своего мышления
Cognitive Forcing	Принудительное замедление и анализ
Consider the Opposite	Намеренный поиск опровергающих данных
Diagnostic Timeout	Пауза для пересмотра диагноза
Second Opinion	Консультация коллег

Системные стратегии

Стратегия	Описание
Checklists	Списки "don't miss" диагнозов
Guided Reflection	Структурированный разбор случая
CDSS Alerts	Автоматические напоминания
Workload Management	Снижение когнитивной нагрузки

6.4 Diagnostic Timeout

Определение: Структурированная пауза для пересмотра диагноза.

Триггеры для timeout:

Атипичные симптомы для предполагаемого диагноза
Отсутствие улучшения на лечении
Перевод в другое отделение
"Gut feeling" что что-то не так
Несоответствие объективных данных диагнозу

Источники:

7. Современные фреймворки

7.1 Assessment of Reasoning Tool (ART)

Разработан Society to Improve Diagnosis in Medicine:

Структурированный инструмент оценки диагностического мышления
Оценивает ключевые этапы: problem representation, hypothesis generation, differential diagnosis
Включает оценку метакогниции

7.2 Diagnostic Excellence Initiatives

UCSF CODEX (Coordinating Center for Diagnostic Excellence):

Системный подход к улучшению диагностики
Интеграция human factors и cognitive science
Обучающие материалы и frameworks

7.3 AI-Assisted Diagnosis Protocols

Современное состояние

Область	Применение AI
Радиология	Анализ КТ, МРТ, рентгенограмм
Патология	Анализ гистологических препаратов
Офтальмология	Диабетическая ретинопатия
Дерматология	Классификация кожных образований
Кардиология	Анализ ЭКГ

Архитектура AI-CDSS

Machine Learning models — обучение на исторических данных
Natural Language Processing — извлечение информации из текста
Knowledge graphs — структурированные медицинские знания
LLM integration — Large Language Models для рассуждений

Challenges

Model drift — изменение поведения модели со временем
Data heterogeneity — различия в данных между институтами
Regulatory compliance — FDA approval для SaMD
Trust and adoption — доверие врачей к AI

Источники:

8. Синтез: Архитектура медицинского агента

8.1 Ключевые состояния (States) для reduce-архитектуры

На основе исследования предлагается следующая структура состояний:

interface MedicalAgentState {
  // 1. Data Collection Phase
  chiefComplaint: string;
  historyOfPresentIllness: HPI;
  pastMedicalHistory: PMH[];
  medications: Medication[];
  allergies: Allergy[];
  socialHistory: SocialHistory;
  familyHistory: FamilyHistory[];
  reviewOfSystems: ROS;
  vitalSigns: VitalSigns;
  physicalExam: PhysicalExam;

  // 2. Problem Representation
  problemRepresentation: {
    oneLiner: string;
    semanticQualifiers: SemanticQualifier[];
    keyFeatures: string[];
  };

  // 3. Diagnostic Reasoning
  activatedIllnessScripts: IllnessScript[];
  differentialDiagnosis: DiagnosticHypothesis[];
  workingDiagnosis: Diagnosis | null;

  // 4. Bayesian Tracking
  diagnosticProbabilities: Map<string, {
    prior: number;
    posterior: number;
    likelihood: number;
  }>;

  // 5. Evidence Integration
  pendingTests: DiagnosticTest[];
  completedTests: TestResult[];
  appliedEvidence: EvidenceItem[];

  // 6. Meta-cognitive State
  confidenceLevel: 'low' | 'medium' | 'high';
  potentialBiases: CognitiveBias[];
  requiresTimeout: boolean;
  uncertaintyAreas: string[];

  // 7. Documentation
  soapNote: SOAPNote;
  problemList: Problem[];

  // 8. Plan
  treatmentPlan: TreatmentItem[];
  followUpPlan: FollowUp;
}

8.2 Actions / Transitions

type MedicalAction =
  // Data Collection
  | { type: 'COLLECT_SYMPTOM', payload: Symptom }
  | { type: 'ADD_PMH', payload: MedicalHistory }
  | { type: 'RECORD_VITAL_SIGN', payload: VitalSign }
  | { type: 'RECORD_EXAM_FINDING', payload: ExamFinding }

  // Reasoning
  | { type: 'GENERATE_PROBLEM_REPRESENTATION' }
  | { type: 'ACTIVATE_ILLNESS_SCRIPT', payload: IllnessScript }
  | { type: 'ADD_DIFFERENTIAL', payload: DiagnosticHypothesis }
  | { type: 'UPDATE_PROBABILITY', payload: ProbabilityUpdate }
  | { type: 'SET_WORKING_DIAGNOSIS', payload: Diagnosis }

  // Testing
  | { type: 'ORDER_TEST', payload: DiagnosticTest }
  | { type: 'PROCESS_TEST_RESULT', payload: TestResult }

  // Meta-cognitive
  | { type: 'TRIGGER_DIAGNOSTIC_TIMEOUT' }
  | { type: 'FLAG_COGNITIVE_BIAS', payload: CognitiveBias }
  | { type: 'REQUEST_SECOND_OPINION' }

  // Documentation
  | { type: 'UPDATE_SOAP_NOTE', payload: SOAPUpdate }
  | { type: 'ADD_TO_PROBLEM_LIST', payload: Problem }

  // Treatment
  | { type: 'ADD_TREATMENT', payload: Treatment }
  | { type: 'SET_FOLLOW_UP', payload: FollowUp };

8.3 Фазовый автомат клинического процесса

┌─────────────────┐
│  DATA_GATHERING │◄──────────────────────────────┐
└────────┬────────┘                               │
         │                                        │
         ▼                                        │
┌─────────────────┐                               │
│ PROBLEM_REPRE-  │                               │
│   SENTATION     │                               │
└────────┬────────┘                               │
         │                                        │
         ▼                                        │
┌─────────────────┐     ┌───────────────┐         │
│ HYPOTHESIS_     │────►│  DIAGNOSTIC   │─────────┤
│   GENERATION    │     │    TIMEOUT    │         │
└────────┬────────┘     └───────────────┘         │
         │                                        │
         ▼                                        │
┌─────────────────┐                               │
│ HYPOTHESIS_     │────────────────────────────►──┤
│   TESTING       │                               │
└────────┬────────┘                               │
         │                                        │
         ▼                                        │
┌─────────────────┐                               │
│ DIAGNOSIS_      │──── (low confidence) ────────►┘
│  CONFIRMATION   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ TREATMENT_      │
│   PLANNING      │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ OUTCOME_        │──── (poor response) ─────────►┘
│   EVALUATION    │
└─────────────────┘

9. Заключение

Данное исследование выявило ключевые метапротоколы клинического мышления, которые могут быть использованы для проектирования reduce-архитектуры медицинского агента:

Dual Process Model как основа переключения между быстрым распознаванием паттернов и аналитическим рассуждением
Illness Scripts как механизм организации медицинских знаний и их активации
Problem Representation с семантическими квалификаторами как ключевой инструмент синтеза информации
VINDICATE и другие мнемоники для систематической генерации дифференциального диагноза
Bayesian Reasoning для количественного отслеживания вероятностей диагнозов
SOAP структура для организации документации
Diagnostic Timeout как механизм метакогнитивного контроля
Debiasing strategies для минимизации когнитивных ошибок

Исследование проведено: 2026-01-25 Для проекта: Reduce-архитектура медицинского агента

niquola/clinical-reasoning-metaprotocols.md

Метапротоколы и методологии клинического мышления врачей

Исследование для проектирования reduce-архитектуры медицинского агента

1. Фазы клинического процесса

1.1 Clinical Reasoning Cycle (Tracy Levett-Jones Model)

1.2 Упрощенная модель диагностического процесса

2. Методологии клинического мышления

2.1 Hypothetico-Deductive Reasoning

2.2 Pattern Recognition (Non-Analytic Reasoning)

2.3 Illness Scripts

2.4 Dual Process Theory (System 1 / System 2)

2.5 Bayesian Reasoning в медицине

2.6 Другие формальные подходы

Script Concordance Test (SCT)

Cause-and-Effect Clinical Method (CECM)

3. Дифференциальная диагностика

3.1 Формирование дифференциального списка

3.2 VINDICATE Мнемоника

3.3 Приоритизация гипотез

3.4 Критерии включения/исключения

4. Документирование

4.1 SOAP Notes (Subjective, Objective, Assessment, Plan)

4.2 Problem-Oriented Medical Record (POMR)

4.3 Problem Representation и One-Liner

Semantic Qualifiers

4.4 Другие форматы документации

5. Evidence-Based Medicine (EBM)

5.1 Иерархия доказательств

5.2 GRADE System

5.3 Интеграция evidence в практику

6. Cognitive Biases в медицине

6.1 Основные типы когнитивных ошибок

6.2 Статистика

6.3 Debiasing Strategies

Индивидуальные стратегии

Системные стратегии

6.4 Diagnostic Timeout

7. Современные фреймворки

7.1 Assessment of Reasoning Tool (ART)

7.2 Diagnostic Excellence Initiatives

7.3 AI-Assisted Diagnosis Protocols

Современное состояние

Архитектура AI-CDSS

Challenges

8. Синтез: Архитектура медицинского агента

8.1 Ключевые состояния (States) для reduce-архитектуры

8.2 Actions / Transitions

8.3 Фазовый автомат клинического процесса

9. Заключение