AI в медицине: диагностика, ассистенты врачей, этика

┌────────────────────────────────────────────────────────┐
│              Клинический AI-ассистент                  │
│                                                        │
│  ┌──────────┐   ┌──────────────┐   ┌──────────────┐   │
│  │  Запрос  │──▶│  Guardrails  │──▶│  Medical LLM │   │
│  │  врача   │   │  (scope +    │   │  (GPT-4 /    │   │
│  └──────────┘   │  safety)     │   │  Med-PaLM)   │   │
│                 └──────────────┘   └──────┬───────┘   │
│                                           │            │
│  ┌──────────────────────────────┐   ┌─────▼──────┐    │
│  │  RAG: медицинская база       │   │  Ответ +   │    │
│  │  (UpToDate / клин. гайды /  │──▶│  citations │    │
│  │   внутренние протоколы)      │   │  + disclaimer│   │
│  └──────────────────────────────┘   └────────────┘    │
│                                                        │
│  ┌──────────────────────────────────────────────────┐  │
│  │  Audit Log: все запросы и ответы (HIPAA/GDPR)   │  │
│  └──────────────────────────────────────────────────┘  │
└────────────────────────────────────────────────────────┘

CLINICAL_ASSISTANT_PROMPT = """Ты клинический AI-ассистент для врачей.

ОБЯЗАТЕЛЬНЫЕ ПРАВИЛА:
1. Ты инструмент поддержки принятия решений. Финальный диагноз и лечение — всегда решение врача.
2. Не давай советов напрямую пациентам. Ты работаешь с медицинскими специалистами.
3. При высокой неопределённости явно сообщай об ограничениях своих рекомендаций.
4. Всегда ссылайся на источники: клинические руководства, протоколы, исследования.
5. Для неотложных состояний (сепсис, ТЭЛА, инсульт, ОКС) — всегда подчёркивай срочность.
6. Не рассчитан для применения в педиатрии без дополнительной валидации.

ФОРМАТ ОТВЕТОВ:
- Структурированно: дифференциальный ряд, обследование, лечение
- Дозировки — с диапазонами и предупреждениями (почечная/печёночная недостаточность)
- В конце: «Рекомендуется верификация по актуальным клиническим руководствам»

Специализация пользователя: {specialty}
Контекст клиники: {clinic_context}
"""

import anthropic
import hashlib
import json
import logging
from datetime import datetime

logger = logging.getLogger("clinical-ai")


def clinical_query(
    question: str,
    specialty: str,
    clinic_context: str,
    user_id: str,
    conversation_history: list[dict],
) -> dict:
    """
    Query clinical AI assistant with full audit logging.
    HIPAA-compliant: no PHI in logs, only hashed user_id.
    """
    client = anthropic.Anthropic()

    system = CLINICAL_ASSISTANT_PROMPT.format(
        specialty=specialty,
        clinic_context=clinic_context,
    )

    messages = conversation_history + [
        {"role": "user", "content": question}
    ]

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=2048,
        system=system,
        messages=messages,
    )

    answer = response.content[0].text

    # Audit log — без PHI (personal health information)
    _audit_log(
        user_id_hash=hashlib.sha256(user_id.encode()).hexdigest()[:16],
        question_hash=hashlib.sha256(question.encode()).hexdigest()[:16],
        specialty=specialty,
        tokens_used=response.usage.input_tokens + response.usage.output_tokens,
    )

    return {
        "answer": answer,
        "model": response.model,
        "disclaimer": "Инструмент поддержки принятия решений. Не заменяет клиническое суждение врача.",
    }


def _audit_log(**kwargs) -> None:
    """Write audit record for HIPAA/GDPR compliance."""
    record = {"timestamp": datetime.utcnow().isoformat(), **kwargs}
    logger.info(json.dumps(record))

# Деидентификация перед отправкой в LLM API
import re


# Паттерны для деидентификации (Safe Harbor метод HIPAA)
PHI_PATTERNS = [
    (r"\b\d{3}-\d{2}-\d{4}\b", "[SSN]"),              # Social Security Number
    (r"\b\d{2}\.\d{2}\.\d{4}\b", "[DATE]"),            # Дата рождения (РФ-формат)
    (r"\b[A-ZА-Я][a-zа-я]+ [A-ZА-Я][a-zа-я]+\b", "[NAME]"),  # Имя Фамилия
    (r"\+7[\s-]?\(?\d{3}\)?[\s-]?\d{3}[\s-]?\d{2}[\s-]?\d{2}", "[PHONE]"),  # RU phone
    (r"\b\d{6,}\b", "[ID]"),                           # Номер истории болезни
]


def deidentify(text: str) -> str:
    """Remove PHI from clinical text before sending to external API."""
    for pattern, replacement in PHI_PATTERNS:
        text = re.sub(pattern, replacement, text)
    return text


def prepare_clinical_context(patient_data: dict) -> str:
    """
    Prepare deidentified clinical context for LLM.
    Never pass raw patient records to external APIs.
    """
    # Извлекаем только клинически релевантные данные
    clinical_summary = f"""
Возраст: {patient_data.get('age')} лет
Пол: {patient_data.get('gender')}
Диагноз при поступлении: {patient_data.get('admission_diagnosis')}
Анамнез: {deidentify(patient_data.get('history', ''))}
Текущие лекарства: {', '.join(patient_data.get('medications', []))}
Аллергии: {', '.join(patient_data.get('allergies', []))}
Последние анализы: {patient_data.get('lab_summary', 'нет данных')}
"""
    return clinical_summary.strip()

from dataclasses import dataclass, field


@dataclass
class ClinicalEvalMetrics:
    """Метрики оценки медицинского AI-ассистента."""

    # Диагностические метрики
    sensitivity: float = 0.0       # Чувствительность: доля истинно больных, выявленных AI
    specificity: float = 0.0       # Специфичность: доля здоровых, корректно исключённых
    ppv: float = 0.0               # Positive Predictive Value: точность положительного результата
    npv: float = 0.0               # Negative Predictive Value: точность отрицательного результата

    # Клинические метрики
    top1_accuracy: float = 0.0     # Правильный диагноз на первом месте
    top3_accuracy: float = 0.0     # Правильный диагноз в топ-3
    critical_miss_rate: float = 0.0  # % пропущенных критических состояний

    # Метрики безопасности
    hallucination_rate: float = 0.0  # Доля ответов с неверными фактами
    dangerous_advice_rate: float = 0.0  # % ответов с потенциально опасными рекомендациями
    disclaimer_compliance: float = 0.0  # % ответов с корректным дисклеймером

    # Для оценки требуется clinical ground truth
    notes: list[str] = field(default_factory=list)


def evaluate_differential_diagnosis(
    predicted: list[str],
    ground_truth: str,
    critical_conditions: list[str],
) -> dict:
    """
    Evaluate quality of differential diagnosis list.

    Args:
        predicted: список диагнозов от AI (упорядочен по убыванию вероятности)
        ground_truth: подтверждённый диагноз
        critical_conditions: список критических состояний (ТЭЛА, ОИМ, инсульт и т.д.)
    """
    top1 = predicted[0].lower() == ground_truth.lower() if predicted else False
    top3 = ground_truth.lower() in [d.lower() for d in predicted[:3]]

    # Критически важно: не пропустить жизнеугрожающие состояния
    is_critical = ground_truth.lower() in [c.lower() for c in critical_conditions]
    missed_critical = is_critical and not top3

    return {
        "top1_correct": top1,
        "top3_correct": top3,
        "missed_critical": missed_critical,
        "rank": next(
            (i + 1 for i, d in enumerate(predicted) if d.lower() == ground_truth.lower()),
            None,
        ),
    }

# Источники для медицинской базы знаний
MEDICAL_KNOWLEDGE_SOURCES = {
    "clinical_guidelines": [
        "Клинические рекомендации МЗ РФ",   # minzdrav.gov.ru
        "UpToDate",                           # uptodate.com (платный)
        "BMJ Best Practice",
        "WHO Essential Medicines",
    ],
    "drug_databases": [
        "ГРЛС (РФ)",                          # grls.rosminzdrav.ru
        "RxNorm (США)",
        "DrugBank",
    ],
    "literature": [
        "PubMed / MEDLINE",
        "Cochrane Reviews",
        "ClinicalTrials.gov",
    ],
}


from openai import OpenAI


def index_clinical_document(
    text: str,
    source: str,
    doc_type: str,
    specialty: str,
    version_date: str,
    vector_store,  # Qdrant / pgvector / Chroma
) -> None:
    """
    Index a clinical document with rich metadata for filtered retrieval.
    Metadata is critical: an outdated guideline can be harmful.
    """
    oai = OpenAI()
    embedding = oai.embeddings.create(
        model="text-embedding-3-large",
        input=text,
    ).data[0].embedding

    metadata = {
        "source": source,
        "doc_type": doc_type,       # guideline | drug_info | case_study
        "specialty": specialty,
        "version_date": version_date,
        "indexed_at": datetime.utcnow().isoformat(),
    }

    vector_store.upsert(
        collection_name="medical_knowledge",
        points=[{
            "id": hashlib.md5(text.encode()).hexdigest(),
            "vector": embedding,
            "payload": metadata,
        }],
    )


def retrieve_for_clinical_query(
    query: str,
    specialty: str,
    vector_store,
    top_k: int = 5,
) -> list[dict]:
    """Retrieve relevant clinical knowledge with specialty filter."""
    oai = OpenAI()
    query_embedding = oai.embeddings.create(
        model="text-embedding-3-large",
        input=query,
    ).data[0].embedding

    results = vector_store.search(
        collection_name="medical_knowledge",
        query_vector=query_embedding,
        query_filter={"specialty": {"$in": [specialty, "general"]}},
        limit=top_k,
    )

    return [
        {
            "text": r.payload.get("text"),
            "source": r.payload.get("source"),
            "version_date": r.payload.get("version_date"),
            "score": r.score,
        }
        for r in results
    ]