По Telegram разошёлся график Protege DataLab, на котором смертность в больницах США с самой быстрой внедряемостью ИИ выглядела в полтора раза ниже, чем у отстающих. Факт-чек Datafloq не нашёл ни сам график, ни его цифры в первоисточниках Protege DataLab и рассылке a16z.news: картинка осталась без источника и методологии. При этом существует проверяемое исследование Университета Дрекселя, принятое в Scientific Reports: доступ к workflow AI ассоциирован со снижением смертности на уровне округа на 9,9 процента, а эффект дают не диагнозы, а рутинные процессы вроде документации и расписаний. Реальные цифры на порядок скромнее вирусных и получены корректной статистикой, а не красивой картинкой.

image

Что произошло

В Telegram-каналах разошлась инфографика Protege DataLab: в больницах США с самой быстрой внедряемостью ИИ смертность якобы упала примерно до 1010 на 100 тысяч пациентов против 1620 у тех, кто отстаёт, а сам пост задавал вопрос о разнице между корреляцией и причинностью. Факт-чек Datafloq, опубликованный 27 августа 2026 года, проверил сайт Protege DataLab и рассылку a16z.news и не нашёл там ни графика, ни этих цифр, то есть вирусная картинка осталась без первоисточника. Параллельно существует реальное исследование учёных Университета Дрекселя — Aaron Johnson, David Gefen и Teresa Harrison: препринт вышел на medRxiv 10 марта 2026 года, а 12 сентября 2026 года работа принята в Scientific Reports. Она охватывает 6166 больниц из опроса American Hospital Association и 3143 округа США. Доступ к workflow AI, то есть ИИ для рутины и документации, ассоциирован с 25,5 меньшей смертью на 100 тысяч жителей округа, что означает минус 9,9 процента; ИИ-составление расписаний персонала — примерно с 4 процентами лучшего соблюдения сепсис-протокола SEP-1; автоматизация рутины — примерно с 5,1 процента снижения 30-дневной смертности от пневмонии.

Контекст

Работа Дрекселя методологически выше среднего для наблюдательных медико-экономических исследований: применена двухступенчатая робастная оценка с учётом базовых показателей 2019 года, а национальный охват отличает её от одиночных кейс-стади. При этом дизайн экологический, единица анализа — округ, а не пациент, поэтому авторы прямо предупреждают, что речь идёт об ассоциациях, а не о доказанной причинности. Ключевой концепцией статьи стал wealth-proxy bias: ИИ-адопция работает как прокси институциональной готовности, то есть клиники с управляемыми, чистыми данными получают пользу от ИИ, а без такой базы инструменты скорее опасны, чем полезны. Контраст с реальностью адопции тоже важен: число больниц с ИИ выросло на 56 процентов с 2022 по 2024 год, но сама технология осталась распределённой крайне неравномерно, и на этом фоне вирусная инфографика без первоисточника — типичный признак отсутствия методологии.

Почему это важно для индустрии

Для отрасли это разворот к качеству данных в дискуссии об ИИ в медицине: маркером зрелости становится не наличие ИИ, а управляемость данных за ним. Исследование показывает, где создаётся подтверждённая ценность: ИИ-агенты для документации, структурирования истории болезни, выписок и проверки данных; шедулинг персонала, завязанный на соблюдение протоколов вроде SEP-1; автоматизация рутины, где показано снижение пневмонийной смертности на 5,1 процента. Покупатель в здравоохранении после публикации в Scientific Reports и факт-чека будет требовать от вендора связи продукта с чистыми данными и измеримыми протоколами, поэтому питч «ИИ снижает смертность в разы» по вирусным графикам обернётся репутационным риском. Инженерным командам открывается окно на дисциплину эвалов для клинических workflow-сценариев: фиксировать базовые метрики до внедрения и считать эффект в процентах на конкретных процессах. Вероятна сегментация рынка: клиники с управляемыми данными получают пользу, остальные либо сначала готовят данные, либо откладывают внедрение, а закупки смещаются от ИИ-фич к измеримым исходам.

Почему это важно для пользователей

Практический вывод для читателя: если в ленту попадает красивый график «ИИ снижает смертность в N раз», стоит проверить источник — в этом случае картинка не нашлась ни на сайте Protege DataLab, ни в рассылке a16z, а проверяемые цифры на порядок скромнее и получены честной статистикой. Первые заметные эффекты ИИ в медицине пока не «врач-ИИ ставит диагнозы», а скучная рутина: расписания, автоматизация документации, протоколы сепсиса и пневмонии, то есть для пациента это означает чуть лучшее соблюдение протоколов и более аккуратную документацию в клиниках с зрелыми данными. При этом неравенство доступа не сокращается: коэффициент Джини составляет 0,740, а 114,6 миллиона американцев живут дальше 30 минут от больницы, использующей ИИ, поэтому польза концентрируется в регионах с сильной больничной ИТ-инфраструктурой. Для читателя это аргумент задавать учреждению вопросы о цифровых процессах, а не ждать ИИ-диагностику в ближайшей поликлинике.

Что пока неизвестно / ограничения

Главное ограничение — экологический дизайн: единица анализа округ, а не пациент, поэтому показанное снижение смертности в округе на 9,9 процента — это ассоциация агрегированных показателей, где возможна экологическая ошибка агрегации вплоть до парадокса Симпсона, а ненаблюдаемые факторы вроде общего уровня организации помощи не исключены. Работа наблюдательная и не доказывает причинность, а эффект приписан категориям инструментов — workflow AI, расписаниям, автоматизации рутины, а не конкретным продуктам или моделям. Происхождение вирусного графика Protege DataLab остаётся неизвестным: факт-чек не нашёл первоисточник, но и не установил, кто и на каких данных построил картинку. Стоит ожидать репликаций и методологической критики, а выводы в клиническом смысле требуют исследований на уровне пациента и лонгитюдных дизайнов.

Источники

Автор

Look at AI, редакция