Телефонная сортировка симптомов — важная часть поддерживающей помощи онкопациентам, обеспечивающая оценку и рекомендации при симптомах вне запланированных визитов. Растущий объём звонков и клиническая сложность требуют инструментов, улучшающих своевременность, последовательность и качество документации без ущерба безопасности. Канадские исследователи из Cancer Centre of Southeastern Ontario оценили, могут ли большие языковые модели (LLM) поддерживать эти рабочие процессы, генерируя классификации срочности, согласующиеся с экспертной оценкой, и высококачественные черновики ответов для пациентов и врачей.

Ретроспективно проанализированы 153 реальных случая телефонной сортировки онкологических симптомов. Промпты включали характеристики пациента и опухоли, детали лечения и информацию о симптомах, доступную персоналу сортировки в рутинной практике. Все случаи деидентифицированы перед подачей в модель.

ChatGPT 5.5, Gemini 3.5, Copilot и три клинических стажёра (один резидент онкологии PGY4 и два старших студента-медика) независимо генерировали классификации срочности, черновики рекомендаций для пациентов и черновики документации для врачей. Согласованность по срочности оценивали относительно экспертного референсного стандарта, установленного двумя онкологами; расхождения разрешал третий старший онколог. Онкологи оценивали качество ответов по эмпатии, клинической точности, полезности и безопасности по 5-балльным шкалам (максимальный суммарный балл 20). Фиксировали время генерации ответа.

Согласованность по уровню срочности была сопоставима у LLM — 71,4–73,4% — и стажёров — 61,0–69,5%. Среди несогласующихся случаев LLM чаще переоценивали срочность (over-triage): ChatGPT в 97,6%, Copilot в 95,5%, Gemini в 83,0% случаев, отражая паттерн, благоприятствующий безопасности. Стажёры чаще недооценивали срочность — в 55–60% несогласующихся случаев.

Ни один стажёр не превзошёл LLM по суммарному качеству. Резидент онкологии показал результат, наиболее близкий к LLM: согласованность 69,5%, суммарные оценки 16,84/20 для ответов пациентам и 16,64/20 для черновиков врачам. Тем не менее, каждая LLM соответствовала или превосходила всех стажёров, генерируя черновики с более высокими оценками существенно быстрее.

Copilot получил наивысшие суммарные оценки: 18,03/20 для ответов пациентам и 18,40/20 для черновиков врачам. Время генерации ответов LLM составило 126–130 секунд против 209–454 секунд у стажёров.

В этом наборе данных реальной онкологической телефонной сортировки симптомов LLM показали результаты на уровне или выше резидента онкологии и старших студентов-медиков по согласованности классификации срочности, продемонстрировали паттерн переоценки срочности, благоприятствующий безопасности, и создали черновики ответов с более высокими оценками быстрее стажёров. Эти данные поддерживают проспективную оценку LLM как инструментов для маркировки и подготовки черновиков под надзором персонала с целью повышения эффективности, последовательности и качества документации в рабочих процессах онкологической сортировки симптомов.