Рассуждающие ИИ-модели чаще правильно определяли основной диагноз по больничным записям, но одновременно предлагали больше лишних диагнозов. Такой результат получила команда Шуая У и коллег в исследовании, опубликованном 29 октября в Nature Communications. На выборке из 1157 госпитализаций средняя точность основного диагноза составила 52,8% против 38,7% у вариантов без рассуждения; число ложноположительных диагнозов выросло с 1,09 до 1,47 на случай.

Авторы создали тест AIMS-LDR на основе двух баз медицинских записей и сопоставили шесть пар моделей: GPT-5 Mini, Gemini 2.5 Flash, Claude Sonnet 4, DeepSeek и две Qwen3. Это проверка конкретных версий, а не рейтинг сегодняшних флагманов. В основной части модели выбирали диагнозы из заданного перечня. На второй выборке, включавшей 1821 случай из отделений интенсивной терапии, преимущество в основном диагнозе сохранилось: 35,1% против 28,9%. Но на первой выборке весь набор главных диагнозов рассуждающие модели угадывали реже — в 9,1% случаев против 10,9%.

Отдельно исследователи проверили сочетание ИИ и врачебного контроля на 150 случаях. Пятнадцать врачей общей практики из Индии оценивали записи с помощью ответов GPT-5 и без них. С подсказками точность основного диагноза выросла примерно на 20% относительно работы врачей без ИИ. А количество ложных диагнозов сократилось примерно на 44% относительно ответов модели без врачебной проверки. У этих двух процентов разные основания сравнения; это не прирост на 20 процентных пунктов и не измеренное сокращение вреда пациентам.

Полный текст работы содержит существенные ограничения. Это ретроспективный тест: модели видели сведения, накопленные за госпитализацию, а не только данные, доступные врачу в момент первого решения. Эталонные коды диагнозов могут быть неполными. Врачам тоже давали ограниченный список болезней, что могло облегчить проверку. Подробные рассуждения требовали около 15–20 минут просмотра на случай вместо 5–8 минут для кратких ответов.

Работа показывает полезное разделение ролей: ИИ расширяет поиск возможных диагнозов, врач отсеивает неподтверждённые варианты. В этих условиях сочетание улучшило результат, но его ещё предстоит проверить в реальной клинической работе.