Искусственный интеллект уже умеет решать клинические задачи, формировать дифференциальный диагноз, анализировать информацию и справляться со многими заданиями, которыми медицинские вузы привыкли проверять студентов. На AMEE 2026 в Вене обсуждали следующий, гораздо более сложный вопрос: если ИИ становится частью реальной медицинской практики, чему теперь необходимо учить будущего врача и как понять, действительно ли он готов принимать самостоятельные клинические решения?


На AMEE 2026 было интересно наблюдать не столько за новыми технологиями, сколько за тем, как меняется отношение к ним самого медицинского образования.

Еще несколько лет назад дискуссия вокруг искусственного интеллекта в университетах в основном сводилась к вопросу: разрешать или запрещать? Сегодня этот этап, похоже, уже пройден. ИИ существует, студенты им пользуются, врачи будут применять его в работе. Поэтому центральным становится совсем другой вопрос: что должен уметь человек в мире, где часть интеллектуальной работы можно поручить машине?

Именно эта мысль в разных вариантах возникала на протяжении всей конференции AMEE 2026, которая прошла 22–26 августа в Вене. В этом году конференция Международной ассоциации медицинского образования AMEE была объединена с Integrated Ottawa Event — крупным профессиональным форумом, посвященным оценке компетенций медицинских работников.

Поэтому разговор об ИИ довольно быстро превратился в разговор об экзаменах, клиническом мышлении и, в конечном счете, о том, что сегодня вообще означает понятие «компетентный врач».

Одна из самых запоминающихся аналогий прозвучала на открывающей пленарной сессии профессора Brian David Hodges. Чтобы получить лицензию, лондонские таксисты традиционно проходили знаменитый экзамен The Knowledge. Для подготовки необходимо было изучить около 25 тысяч улиц и тысячи городских объектов и маршрутов. На это уходили годы. А затем появился GPS.

Знание города не стало бесполезным. Но сама профессиональная задача изменилась: если навигатор способен мгновенно построить маршрут, ценность простого запоминания огромного массива информации уже не та, что была раньше.

С медицинским образованием сейчас происходит нечто похожее.

Студента десятилетиями учили накапливать знания, а затем проверяли, насколько хорошо он способен их воспроизвести и применить к клинической задаче. Но сегодня рядом появляется инструмент, который за несколько секунд может предложить диагноз, составить перечень обследований, обобщить клинические рекомендации или объяснить механизм действия препарата.

И здесь возникает неудобный вопрос: если искусственный интеллект успешно выполняет задание, которым мы проверяем будущего врача, действительно ли это задание продолжает измерять то, что нам нужно? Просто запретить ИИ на экзамене — самое очевидное, но далеко не полное решение.

Потому что после окончания университета молодой врач окажется в совершенно другой реальности, где AI-инструменты постепенно становятся частью клинической практики.

Получается парадокс: во время обучения мы можем требовать от студента работать так, будто ИИ не существует, а после выпуска ожидать, что он будет использовать новые технологии правильно и безопасно.

Один из наиболее важных выводов AMEE заключается в разделении: «Уметь думать самому — и уметь думать вместе с ИИ».

Будущий врач по-прежнему должен обладать фундаментальными знаниями и самостоятельно выстраивать клиническое мышление. Нельзя допустить ситуации, когда специалист способен принимать решение только после обращения к алгоритму.

Но теперь этого недостаточно. Появляется второй уровень профессиональной компетентности — способность работать вместе с ИИ.

Врач должен понимать, когда использование алгоритма оправданно, уметь правильно сформулировать запрос, критически оценить полученный результат, обнаружить ошибку или предвзятость, проверить источник информации и сопоставить рекомендацию с состоянием конкретного пациента.

Особенно важен последний этап: ответственность за окончательное решение остается у человека. Именно поэтому на конференции все чаще звучала идея двух типов оценки.

В одном случае студент должен показать, что способен решить клиническую задачу самостоятельно, без помощи ИИ.

В другом - продемонстрировать, насколько грамотно он умеет использовать ИИ как профессиональный инструмент.

Это принципиально разные навыки, и современной медицине, вероятно, понадобятся оба.

Есть большой соблазн решить проблему привычным административным способом: добавить в программу дисциплину «Искусственный интеллект в медицине», провести курс, принять экзамен и поставить галочку.

На AMEE предлагался другой подход. AI-компетенции должны проходить через всю образовательную траекторию. На младших курсах студенту необходимо понимать основные принципы работы технологии, ограничения моделей, вопросы этики, конфиденциальности и защиты данных. Позже - научиться критически оценивать ответы ИИ и качество источников.

На клинических дисциплинах уметь использовать его при решении медицинских задач.

В научной работе — понимать допустимые границы применения генеративного ИИ при поиске, анализе и подготовке материалов.

И наконец, в клинической практике - уметь использовать AI таким образом, чтобы технология помогала врачу, но не подменяла его профессиональное суждение.

То есть речь идет уже не столько об «умении пользоваться нейросетью», сколько о новой составляющей профессиональной грамотности медицинского работника.

Пожалуй, наиболее серьезные изменения ожидают систему оценки знаний.

Традиционная модель удобна своей понятностью: студент проходит экзамен, получает результат, и на его основании принимается решение — знает или не знает, готов или не готов. Но компетентность врача слишком сложна, чтобы надежно измерить ее одной экзаменационной точкой.

На AMEE много говорили о programmatic assessment - программной системе оценки, при которой решение о компетентности формируется на основании большого массива данных, накопленных за определенный период.

Экзамен в такой модели никуда не исчезает. Но перестает быть единственным источником истины. Учитываются результаты тестирования и OSCE, наблюдения преподавателей в реальной клинической практике, симуляционные задания, обратная связь, портфолио, работа с пациентами и, что особенно важно, динамика развития студента.

Если обычный экзамен дает фотографию человека в конкретный день, такая система скорее напоминает фильм: видно, как будущий специалист принимает решения, где ошибается, способен ли исправлять ошибки и как развивается его клиническое мышление.

Для медицины это особенно важно. Врач может прекрасно отвечать на тестовые вопросы и значительно хуже действовать в неопределенной клинической ситуации.

ИИ лишь сделал эту проблему более заметной.

Еще один заметный сдвиг касается контроля.

Первая реакция образовательных организаций на генеративный ИИ была предсказуемой: запреты, прокторинг, блокировка ресурсов, AI-detectors, попытки определить, написал работу студент или нейросеть. На AMEE эта логика уже выглядела несколько устаревшей.

Один из воркшопов назывался предельно показательно — Beyond Cheating: Harnessing the Power of AI in Assessment, то есть фактически «за пределами списывания».

Другой был посвящен тому, как пересматривать и заново проектировать оценивание с учетом генеративного ИИ.

Смысл этого подхода прост: вместо бесконечной попытки поймать студента на использовании технологии необходимо создавать задания, в которых важен не только готовый ответ, но и процесс мышления.

Например, можно попросить студента решить клиническую задачу, затем получить ответ AI и сравнить его со своим.

·         Где модель ошиблась?

·         Какие данные она не учла?

·         Какую дополнительную информацию необходимо получить?

·         Как изменится решение при появлении нового симптома?

·         Какую рекомендацию AI нельзя применять к конкретному пациенту и почему?

В такой модели искусственный интеллект перестает быть шпаргалкой. Он сам становится частью клинической задачи.

Еще одно направление, которое уже выходит из области экспериментов, — использование ИИ в симуляционном обучении.

На AMEE демонстрировались виртуальные пациенты и AI-инструменты, способные участвовать в клинических сценариях и давать студенту обратную связь.

Представим ситуацию: студент получает виртуального пациента с болью в груди. Он должен провести опрос, уточнить анамнез, определить факторы риска, назначить обследования и принять решение.

Но в отличие от обычной задачи в учебнике такой «пациент» может реагировать на вопросы, сообщать новые симптомы и менять сценарий в зависимости от действий студента. Для медицинского образования это открывает большие возможности.

Стандартизированные пациенты, симуляционные центры и преподаватели требуют значительных ресурсов. Виртуальный пациент позволяет многократно отрабатывать клинические ситуации и давать студенту гораздо больше практики.

Особенно интересно это выглядит для систем здравоохранения, где возможности симуляционных центров и кадровые ресурсы университетов ограничены.

Но здесь на AMEE снова возвращались к одному принципу: технология может масштабировать обучение, однако профессиональное суждение преподавателя она пока не заменяет.

А готовы ли сами преподаватели?

И здесь обнаруживается еще одна проблема.

Можно разработать правила использования AI для студентов. Можно включить новые компетенции в образовательные программы. Можно даже изменить экзамены.

Но кто будет всему этому учить?

Если преподаватель сам не понимает, почему модель может «галлюцинировать», откуда возникает bias, какие данные нельзя загружать в публичный AI-сервис и почему убедительно написанный ответ может оказаться медицински неверным, оценивать работу студента с ИИ будет сложно.

Поэтому faculty development — подготовка преподавателей — становится одной из центральных задач.

Современному преподавателю недостаточно хорошо знать свою клиническую дисциплину. Ему придется научиться проектировать задания в условиях доступного ИИ, наблюдать за процессом клинического мышления студента, давать качественную обратную связь и понимать возможности и ограничения новых технологий.

И здесь простого приказа ректора «регламентировать использование ИИ» явно недостаточно.

Интересно, что при огромном количестве дискуссий об искусственном интеллекте финальная идея AMEE оказалась удивительно человеческой.

Заключительная пленарная сессия была посвящена humanising medical education — гуманизации медицинского образования.

Потому что технологии меняются значительно быстрее фундаментальной цели подготовки врача.

Будущему специалисту по-прежнему нужны биомедицинские и клинические знания. Он должен уметь разговаривать с пациентом, видеть человека за диагнозом, принимать решения в условиях неопределенности и нести за них ответственность.

ИИ способен предоставить информацию. Он может подсказать варианты. Он способен обнаружить закономерность, которую человек не заметил. Но профессиональная ответственность не может быть передана алгоритму вместе с запросом.

Возможно, именно поэтому главный вопрос после AMEE 2026 звучит уже не как «нужно ли разрешать врачам и студентам пользоваться ИИ?».

Этот этап медицина практически прошла.

Вопрос теперь другой: какие знания и навыки должны оставаться исключительно человеческой компетенцией, а какие мы готовы разделить с машиной? И здесь начинается гораздо более сложная работа для медицинских университетов. Потому что готовить будущего врача к соревнованию с искусственным интеллектом бессмысленно.

Нужно готовить специалиста, который способен мыслить самостоятельно, использовать ИИ критически и безопасно, распознавать его ошибки и понимать границы его возможностей — а окончательное клиническое решение принимать сам.

Следующая AMEE пройдет в 2027 году в Хельсинки под темой «What endures, what evolves? Reimagining Health Professions Education» - «Что остается, а что меняется? Переосмысливая образование специалистов здравоохранения».

После Вены эта формулировка звучит особенно точно.

Потому что вопрос уже не в том, изменит ли искусственный интеллект медицинское образование. Он его уже меняет. Теперь предстоит определить, что именно медицина не должна позволить ему изменить.