Исследование показало, что базовая точность большой языковой модели (LLM) DeepSeek V3.2 в оценке медицинской необходимости (МН) назначения пертузумаба при HER2+ раке молочной железы составила 67,4%. Добавление текста клинических рекомендаций через retrieval augmented generation (RAG) повысило точность до 85,3% (абсолютное улучшение 17,9%). Использование агентной системы с онкоспецифичной инфраструктурой Tuple Health увеличило точность до 92,6% (абсолютное улучшение 25,2% относительно базового уровня).

Авторы создали набор из 95 синтетических клинических случаев рака молочной железы, используя среду агентов медицинской необходимости Tuple Health на основе научной литературы. Каждый случай был вручную проверен для обеспечения клинической достоверности и установления ground truth МН в соответствии с политикой плательщика, основанной на рекомендациях NCCN. Оценивалась МН инициации пертузумаба в неоадъювантном, адъювантном и распространённом/метастатическом режимах при HER2+ раке молочной железы.

Тестировались три сценария:

1. LLM в чистом виде
2. LLM + RAG с текстом клинических рекомендаций
3. Агентная система (LLM + онкологическая инфраструктура Tuple Health)

| Сценарий оценки | Точность (Pass@1) | |---|---| | LLM only | 67,4% (64/95) | | LLM + RAG | 85,3% (81/95) | | Агентная система (MN Harness + LLM) | 92,6% (88/95) |

Несмотря на высокую производительность LLM в клинических бенчмарках, их базовые возможности в оценке медицинской необходимости сложных противоопухолевых препаратов оказались недостаточными. Специализированная онкологическая инфраструктура значимо улучшает надёжность LLM в определении МН в таких сложных областях, как онкология. Исследование мотивирует использование доменспецифичных агентных систем для клинической поддержки принятия решений.