Нейросети в тесте чаще советуют бренды, а не дженерики

Подробно

Что именно проверяли исследователи?

Учёные Университета префектуры Осака, MD Anderson Cancer Center Техасского университета и Университета Осаки проверили, как языковые модели называют конкретные продукты, когда лекарство уже выбрано. Авторы - Junya Sato, Shannon Walston, Hirotaka Takita, Yasuhito Mitsuyama, Kenichi Saito, Jia Wu и Daiju Ueda, ответственный автор - Ueda. Статья «Large language models show product name convergence in drug recommendations» принята 10.09.2026 и опубликована 26.10.2026.

Это оценка компьютерных моделей: людей, животных и клетки не исследовали. Авторы составили 177 120 синтетических клинических виньеток: 123 пары «заболевание - заранее заданное действующее вещество», умноженные на 1 440 сочетаний социально-демографических признаков.

Модель не выбирала вещество или схему лечения. Заболевание и вещество были указаны в запросе, а ИИ должен был назвать до трёх одобренных FDA продуктов с этим веществом в порядке предпочтения. В среднем на одно вещество приходилось 5,5 одобренного продукта.

Проверили пять моделей: GPT-5.4, Claude Sonnet 4.6, Gemini 3.1 Flash (закрытые), а также Llama 4 Maverick и MedGemma 27B (открытые). Параметр случайности (temperature) был равен 0. Модели дали 883 403 ответа хотя бы с одной рекомендацией. Названия вручную унифицировали и проверяли четыре врача по базам FDA Orange Book и Purple Book.

Насколько одинаково модели выбирали бренд?

Для каждой пары «заболевание - вещество» авторы нашли самый частый первый вариант. Его средняя доля среди первых рекомендаций пяти моделей составила 97,5%. Более 90% рекомендаций приходилось на один продукт в 96 из 123 пар.

Это показатель концентрации, а не правильности, эффективности или безопасности лечения. Его нельзя читать как долю случаев, когда ИИ сам выбрал бы один и тот же препарат для лечения.

Модели совпадали между собой почти идеально: коэффициент согласия Fleiss' κ равен 0,895 (95%-й доверительный интервал 0,855-0,931). Совпадение с общим доминирующим продуктом составляло от 90,6% у MedGemma до 96,6% у Claude Sonnet 4.6.

В дополнительном анализе без заранее указанного вещества использовали 37 440 виньеток по 26 заболеваниям. Самое частое вещество составляло в среднем 83,8% ответов, а самое частое товарное название - 79,6%.

Почему ИИ выбирает именно эти препараты?

Сильнее всего на частоту рекомендации влиял статус оригинального препарата: отношение шансов (OR) 20,5 (95%-й интервал 19,7-21,3) по сравнению с доступными дженериками. Наличие отдельной страницы в Wikipedia было связано с OR 3,00, большее число поисков в Google - с OR 1,70. Позже одобренные FDA продукты (OR 0,76), препараты с большим реальным объёмом назначений (OR 0,87) и с более длинным названием (OR 0,88) рекомендовались реже.

Это статистические связи. Исследование не доказывает, что известность в интернете или фармацевтический маркетинг вызвали выбор модели.

«Рекомендации преимущественно относились к брендовым препаратам, продуктам, хорошо заметным в поиске Google, и препаратам с отдельными страницами Wikipedia», - заявил руководитель исследования Daiju Ueda, профессор Graduate School of Medicine Университета префектуры Осака.

Что изменится, если попросить ИИ выбрать дешёвый вариант или дженерик?

Изменённые инструкции заметно меняли выбор. При просьбе перечислить все эквивалентные продукты лидер сменился в 45,2% сравнений, при приоритете низкой цены - в 62,6%, при приоритете дженерика - в 77,9%. Среди случаев смены лидера переход к дженерику происходил в 78,0%, 83,1% и 85,4% соответственно.

При этом внутри каждого нового режима ответы по-прежнему сосредоточивались на одном продукте: средняя доля ведущего первого варианта составила 93,1%, 94,9% и 97,6%. Поэтому корректный вывод такой: в базовом режиме ИИ сужает выбор и тяготеет к известным оригинальным продуктам, а прямая просьба о дженерике меняет ответ.

Сколько могут стоить такие рекомендации?

Для сравнения с реальностью использовали американский опрос Medical Expenditure Panel Survey (MEPS) за 2019-2023 годы. Подходящие данные нашлись для 100 из 123 пар, и распределения рекомендаций ИИ и фактически отпущенных препаратов сильно различались (медианная мера расхождения total variation distance по моделям - 0,93-0,98). Само различие не означает ошибку ИИ: MEPS отражает и решения врачей, пациентов, аптек и страховщиков.

Экономический расчёт охватил только 51 из 101 вещества: у 18 не нашлось записей MEPS, ещё у 32 были неполные цены. Цены взяты из базы National Average Drug Acquisition Cost (NADAC) на конец 2024 года - это средняя закупочная стоимость розничных аптек США. Для 38 из 51 веществ (74,5%) смоделированный набор рекомендаций ИИ оказался дороже реального.

«Мы обнаружили, что годовая приобретательская стоимость выросла бы приблизительно на $55,6 млн. Это соответствует росту стоимости закупки этих рецептурных препаратов на 1 019%», - заявил Ueda.

Это сценарий: авторы не моделировали, как врачи следуют советам ИИ, а также аптечную замену, страховое покрытие и фактическую закупку. Перенос суммы на весь рынок США не обоснован.

Насколько актуальны названия, которые называет ИИ?

Доля названий, не согласующихся с актуальной регуляторной информацией, составила 12,4-14,7% в зависимости от модели. Из них 91,69-99,59% приходились на продукты, ранее одобренные FDA, но уже не продаваемые. Авторы подчёркивают, что такое несоответствие не обязательно означает клинически неправильное применение.

Были ли похожие исследования раньше?

Да, близкие темы изучали и раньше. На конференции EMNLP 2024 работа RABBITS показала, что при замене дженериковых названий брендовыми точность языковых моделей в медицинских тестах падала на 1-10%, в среднем примерно на 4%. В JCO Clinical Cancer Informatics в июне 2025 года вышло исследование онкологических препаратов: GPT-3.5 чаще связывала бренды с эффективностью (OR 1,43) и отсутствием побочных эффектов (OR 1,76), а точность трёх моделей при распознавании лекарственных взаимодействий была ниже 26%.

В апреле 2026 года на medRxiv появился не прошедший рецензирование препринт: когда два препарата одинаково соответствовали рекомендациям, встроенная реклама повышала выбор рекламируемого препарата на 12,7 процентного пункта. Это отдельная работа, а не независимая проверка новой статьи. Прямой российской работы с таким дизайном найти не удалось.

Что это значит для пациентов и каковы ограничения исследования?

Уверенный ответ чат-бота легко принять за нейтральное сравнение, хотя модель может систематически выводить один известный и более дорогой продукт. Практический вывод: просить перечислить все терапевтически эквивалентные варианты и проверять их по официальным базам, а также обсуждать выбор с врачом или фармацевтом. Исследование не доказывает, что дженерик подходит конкретному пациенту.

Границы выводов: результаты относятся к указанным версиям пяти моделей, американским базам FDA, MEPS и NADAC, синтетическим сценариям и преимущественно распространённым заболеваниям. Виньетки не передают сложность реальных пациентов и редкие болезни; из-за неполных цен расчёт стоимости мог иметь отборочный сдвиг. Независимых комментариев экспертов к статье на 26.10.2026 найти не удалось.

«Наши результаты подчёркивают необходимость проверять медицинский ИИ на предвзятость при выборе продуктов и работе с ценовой и регуляторной информацией», - говорит Ueda. По его словам, сочетание ИИ с надёжными источниками лекарственной информации и человеческим контролем может способствовать более обоснованному выбору препаратов.

Исследование поддержано грантом JST PRESTO JPMJPR2521, авторы заявили об отсутствии конкурирующих интересов. Синтетические виньетки опубликованы на Hugging Face, код анализа - на GitHub.