ChatEHR в Стэнфорде: 1 450 медиков работают в Epic
ChatEHR в Стэнфорде, чат-бот для медицинских карт, который Stanford Health Care построила внутри своей электронной медицинской карты Epic, к середине января 2026 года использовали 1 450 из примерно 7 000 медиков, имеющих к нему доступ, сообщил STAT 28 января 2026 года. Инструмент читает всю карту пациента и отвечает на вопросы о ней. Лаборатория, которая за ним стоит, говорит, что автоматические проверки сократили такие задачи, как проверка карт для надзора за инфекциями, на 40%. Для больниц это пример того, как команда внутри ИТ-отдела может превратить часы чтения карт в короткие списки случаев, с которыми сотрудники могут работать.
Почему медикам нужен был более быстрый путь по карте
Читать карту пациента перед визитом долго, потому что информация разбросана по многим местам. STAT описал, как главный директор по медицинской информации Penn Medicine, кардиолог Шринат Адусумалли, накануне приема готовится, перебирая прошлые визиты, анализы, снимки и отсканированные документы из других больниц, каждый в отдельной вкладке электронной медицинской карты.
Stanford Health Care сталкивалась с той же работой в большом масштабе. Ее собственная лаборатория приводит пример: задача скрининга, для которой нужна проверка карты от 5 до 20 минут по 150 картам пациентов.
Что Стэнфорд построил вместо покупки инструмента
Стэнфорд сам построил ChatEHR, подключил его к своей электронной медицинской карте Epic и развернул во всей системе здравоохранения в сентябре 2025 года. Лаборатория Shah Lab, которая документирует проект, называет его независимой от поставщиков платформой с внутренним управлением, которая в реальном времени помещает всю долгосрочную карту пациента, до двадцати миллионов токенов, прямо в контекстное окно модели.
За ним стоит группа анализа данных внутри ИТ-отдела: программисты, продакт-менеджеры и специалисты по данным с прямым доступом к академическим исследователям. Лаборатория ведет отсчет работы с песочницы в апреле 2023 года. В ноябре 2023 года проект стал ChatEHR, к середине 2024 года прошел несколько прототипов, в начале 2025 года вышел в пилот, а к августу 2025 года набрал 150 клинических пользователей.
Как ChatEHR работает в течение рабочего дня медика
Медик открывает вкладку ChatEHR внутри карты и сначала выбирает, какие данные загрузить в модель, по источнику и периоду. Затем открывается окно чата, где пользователь задает вопросы, оценивает ответы лайком или дизлайком или возвращается в меню, чтобы начать новый сеанс.
На этот чат приходится 40% использования. Остальные 60% идут через API, которые автоматизируют массовые повторяющиеся задачи.
«Автоматизации представляют собой фиксированные промпты, применяемые к заданным группам пациентов». Лаборатория Shah Lab в Стэнфорде о том, как ChatEHR проводит автоматические проверки
Лаборатория перечисляет семь рабочих процессов, построенных так, от направления пациентов в нужные условия помощи и усиления надзора за инфекциями до проверки счетов.
Экономия времени, о которой Стэнфорд сообщает благодаря автоматизации
Лаборатория приводит цифры по каждому процессу, и это ее собственные измерения. Скрининг пациентов превращает проверку 150 карт примерно в 30 наиболее вероятных случаев. Надзор за инфекциями в области хирургического вмешательства сокращает проверку карт на 40% и, по словам лаборатории, делает отчетность по инфекциям своевременнее.
В контакт-центре сортировка направлений занимает на 17,7% меньше времени, пропускная способность растет на 17,8%, а очередь сократилась с пяти дней до двух. Скрининг на стационарную паллиативную помощь читает 600 карт пациентов, чтобы найти от 10 до 40 подходящих случаев, и, по словам лаборатории, экономит от 18 до 20 часов работы каждый день. В ортопедии сортировка направлений обрабатывает более 4 700 документов и экономит не меньше 1,7 часа работы сотрудников в день. Проверка счетов, заблокированных из-за LoA, экономит от 10 до 15 минут на каждый счет. Проспективное исследование Вана и коллег в JAMA Network Open изучило ChatEHR при сортировке хирургических пациентов.
Как росло использование после развертывания
STAT сообщил, что к середине января 2026 года ChatEHR использовали 1 450 медиков из примерно 7 000, имеющих доступ. В пилоте интерфейса, который закончился в июне 2025 года, было 150 пользователей и 3 000 сеансов чата. За первые 3 месяца после развертывания во всей системе 1 075 пользователей посмотрели обучающее видео и провели более 23 000 сеансов, а обработано было более 19 млрд токенов. Среди пользователей в этот период были 180 специалистов среднего звена (APP), 424 врача, 151 ординатор и 60 клинических стажеров.
Более поздний подсчет лаборатории, на июль 2026 года, дает более 3 400 активных пользователей, более 150 000 сеансов и 140 млрд обработанных токенов.
Что ИИ-инструменты собственной разработки значат для других больниц
Стэнфорд не одинок. В январе 2026 года Penn Medicine представила Chart Hero, похожий инструмент, который позволяет медикам запрашивать и обобщать карту пациента через интерфейс в стиле чат-бота, и его тестировали около 70 медиков Penn. Команды Duke Health и Детской больницы Филадельфии разрабатывают похожие приложения.
Для больницы этот случай показывает, где пока лежит измеренная экономия: в очередях направлений, отчетности по инфекциям, скрининге на паллиативную помощь и проверке счетов, а не только в окне чата. Подход Стэнфорда также держится на команде внутри ИТ-отдела, которая может построить инструмент и управлять им, и на платформе, не привязанной к одному поставщику ИИ.
Вопросы и ответы
Что такое ChatEHR в Стэнфорде?
Это инструмент собственной разработки, который позволяет медикам Stanford Health Care задавать вопросы по всей карте пациента внутри электронной медицинской карты Epic. Он также запускает фиксированные промпты по заданным группам пациентов, чтобы автоматизировать проверку карт.
Сколько медиков пользуются ChatEHR?
STAT сообщил о 1 450 медиках из примерно 7 000, имеющих доступ, на середину января 2026 года. Лаборатория Стэнфорда сообщила о более чем 3 400 активных пользователях на июль 2026 года.
Экономит ли ChatEHR время сотрудников?
Лаборатория говорит, что в отдельных процессах да: время сортировки направлений сократилось на 17,7%, проверка карт по инфекциям в области хирургического вмешательства на 40%, а сортировка ортопедических направлений экономит не меньше 1,7 часа работы сотрудников в день.
Взгляд MOZGII
Как бы мы это построили
Сегодня ИИ больше всего помогает в больнице с чтением, на которое ни у кого нет времени: проверкой карты перед визитом, списками для скрининга, очередями направлений и заблокированными счетами. Цифры Стэнфорда относятся именно к этим местам. Если бы мы строили систему вроде ChatEHR, мы бы начали с одной очереди с понятным владельцем и понятным конечным состоянием, например с сортировки направлений, и только потом добавили бы окно чата. Часы возвращают автоматизации, а не чат.
Системе понадобились бы три вещи. Во-первых, вся карта пациента, получаемая из электронной медицинской карты в реальном времени, с записью источников данных и периода для каждого ответа. Во-вторых, заменяемая модель, потому что ценность в карте, а не в модели. В-третьих, конкретная медсестра, специалист по кодированию или врач, которые подписывают каждый короткий список, прежде чем по нему начнут действовать. Ломается это, когда карта неполная, например в ней отсканированный внешний документ, который модель не может прочитать, и когда фиксированный промпт перестает соответствовать тому, как клиника работает сейчас.
Единственная метрика, за которой мы бы следили, это сколько случаев, отмеченных автоматизацией, оказываются настоящими при проверке человеком. Падение этой доли означает, что изменился промпт или данные. Следующим шагом мы бы добавили обратную связь, которая отправляет каждый дизлайк команде, отвечающей за промпт, чтобы каждый процесс проверяли по графику, а не после жалобы.
Источники
Откуда взяты факты этой новости.