Цифровой биобаланс. Как приручить локальный ИИ и создать защищенный навигатор по здоровью

Практика с ИИ (Промпты и примеры): Оцифровка и создание Двуязычного моста

Переход от теории к практике напоминает сборку сложного конструктора, где вместо пластиковых деталей мы используем блоки информации. Твоя задача сегодня — создать интеллектуальный конвейер, который превратит бумажную справку из поликлиники в структурированные данные, понятные ученым во всем мире. Мы будем использовать два мощных инструмента: промпт [[Prompt_Blood_Analysis]] для первичной оцифровки и [[Prompt_Bilingual_Bridge]] для связи твоих данных с мировым научным контекстом. Все действия мы будем фиксировать в системе управления знаниями Obsidian, чтобы ни одна деталь не потерялась.

Метод Chain of Thought (Цепочка рассуждений): Секрет «умного» ИИ

Прежде чем мы напишем первый промпт, давай разберем механику Chain of Thought (CoT). Представь, что ты просишь друга решить сложную задачу по математике. Если он просто скажет ответ, ты не будешь уверен, что он не ошибся. Но если он распишет решение по шагам — сначала это, потом то, — ты сможешь проверить логику. CoT заставляет искусственный интеллект «думать вслух». В медицине это критически важно: нам не нужен просто список цифр, нам нужно, чтобы ИИ понимал, откуда взялась каждая цифра и к какому показателю она относится.

Разработка промпта [[Prompt_Blood_Analysis]]

Этот промпт предназначен для того, чтобы превратить неструктурированный текст (например, результат сканирования PDF или фото анализа) в четкий формат Markdown с блоком метаданных YAML. Скопируй этот текст и сохрани его в своей базе Obsidian в заметке [[Prompt_Blood_Analysis]].

Текст промпта [[Prompt_Blood_Analysis]]:

Ты — эксперт по оцифровке медицинских данных и специалист по биоинформатике. Твоя задача: извлечь данные из текста анализа крови и представить их в формате Markdown, пригодном для Obsidian.

Используй метод Chain of Thought:

1. Проанализируй текст и выдели все названия показателей, их значения, единицы измерения и референсные значения.

2. Для каждого показателя определи дату анализа. Если даты нет в строке, используй дату из заголовка документа.

3. Проверь каждое значение на логичность (например, гемоглобин не может быть 5000).

4. Сформируй итоговый ответ в виде таблицы Markdown и добавь в начало каждой записи YAML-блок.

Формат YAML-блока для каждого показателя:

---

type: biomarker

name_ru: "Название на русском"

value: [Число]

unit: "Единица измерения"

date: YYYY-MM-DD

reference: "Диапазон нормы"

status: "normal/high/low"

---

Инструкция по обработке:

• Если значение выше нормы, в поле status пиши "high".

• Если ниже нормы — "low".

• Если в норме — "normal".

• Не добавляй отсебятины, используй только данные из текста.

Пример работы промпта:

Если на входе текст: «Глюкоза, 20 мая 2026, результат 6.5 ммоль/л (норма 3.3-5.5)», ИИ должен выдать:

---

type: biomarker

name_ru: "Глюкоза"

value: 6.5

unit: "ммоль/л"

date: 2026-05-20

reference: "3.3-5.5"

status: "high"

---

Интеграция [[Prompt_Bilingual_Bridge]]: Создание словаря соответствий

Российские лаборатории используют кириллические названия, но вся мировая наука и база PubMed говорят на английском. Чтобы твой «Цифровой двойник» мог искать информацию о твоем здоровье в крупнейших библиотеках мира, нам нужен «Двуязычный мост». Этот промпт берет твои оцифрованные данные и сопоставляет их с международными стандартами, такими как LOINC (Logical Observation Identifiers Names and Codes).

Текст промпта [[Prompt_Bilingual_Bridge]]:

Ты — медицинский лингвист и специалист по стандартизации LOINC. Твоя задача — дополнить русскоязычные показатели их международными англоязычными аналогами.

Для каждого предоставленного показателя:

1. Найди официальное название на английском языке, принятое в доказательной медицине.

2. Найди код LOINC (если возможно).

3. Создай таблицу соответствия.

Формат вывода:

• Русский термин: [Название]

• English Term: [Name]

• LOINC Code: [Code]

• PubMed Search Query: [Строка для поиска в PubMed]

Пример:

• Русский термин: Гемоглобин гликированный

• English Term: Hemoglobin A1c (HbA1c)

• LOINC Code: 4548-4

• PubMed Search Query: "Hemoglobin A1c" OR "HbA1c" AND "reference range"

Регистрация промптов в [[MOC_Prompts]]

Теперь, когда у нас есть тексты промптов, их нужно правильно организовать в Obsidian. MOC (Map of Content) — это карта содержания, которая служит «пультом управления» твоими инструментами. Создай заметку [[MOC_Prompts]] и организуй её следующим образом:

1. Инструменты оцифровки

• [[Prompt_Blood_Analysis]]: Промпт для извлечения данных из PDF и фото. Основная задача — трансформация текста в YAML.

• [[Prompt_Bilingual_Bridge]]: Промпт для обогащения данных английскими терминами и кодами LOINC.

2. Инструменты анализа

• [[Prompt_Trend_Analysis]]: (Будет создан в следующих главах) для поиска закономерностей в данных.

Каждая ссылка в этом списке ведет на отдельную заметку, где хранится сам текст промпта. Это позволяет тебе быстро копировать нужные инструкции для локальной LLM (например, через Ollama или интерфейс вашей нейросети).

Наполнение [[MOC_Biomarkers]] первичными данными

Заметка [[MOC_Biomarkers]] — это твой главный реестр здоровья. В первой главе мы его инициализировали, а теперь начнем наполнять. Каждая строка здесь должна быть ссылкой на отдельную страницу конкретного биомаркера.

Пример структуры [[MOC_Biomarkers]]:

1. Углеводный обмен

• [[Biomarker_Glucose]]: Глюкоза в плазме.

• [[Biomarker_HbA1c]]: Гликированный гемоглобин.

2. Липидный профиль

• [[Biomarker_Cholesterol_Total]]: Общий холестерин.

• [[Biomarker_HDL]]: Холестерин высокой плотности («хороший»).

Когда ты оцифровываешь новый анализ с помощью [[Prompt_Blood_Analysis]], ты создаешь новую заметку с датой (например, [[2026-10-25_Blood_Test]]), куда вставляешь результат работы ИИ. Затем ты заходишь в [[MOC_Biomarkers]] и убеждаешься, что все показатели связаны.

Фиксация логов оцифровки в [[Audit_Log.md]]

В науке важна прослеживаемость. Если через год ты увидишь в своей базе странную цифру, ты должен знать, откуда она взялась. Для этого мы ведем [[Audit_Log.md]] (Журнал аудита). Это простой список всех твоих действий по оцифровке.

Пример записи в [[Audit_Log.md]]:

• 2026-11-15 14:00: Запущена оцифровка анализа крови от 2026-10-20. Использован [[Prompt_Blood_Analysis]]. Извлечено 12 показателей. Ошибок распознавания не обнаружено.

• 2026-11-15 14:10: Применен [[Prompt_Bilingual_Bridge]] для оцифрованных данных. Добавлены коды LOINC для 10 показателей. 2 показателя (специфические антитела) требуют ручного уточнения.

Лабораторная работа: Твоя первая оцифровка

Давай выполним пошаговое упражнение. Представь, что у тебя есть старый анализ, где написано: «Ферритин — 15 нг/мл».

1. Шаг первый: Открой свою локальную LLM (например, через чат-интерфейс, подключенный к твоей базе Obsidian).

2. Шаг второй: Скопируй текст из заметки [[Prompt_Blood_Analysis]] и отправь его в ИИ.

3. Шаг третий: Сразу после промпта отправь фразу «Ферритин — 15 нг/мл, дата 12 мая 2026 года».

4. Шаг четвертый: Полученный YAML-блок скопируй в новую заметку в Obsidian с названием [[2026-05-12_Ferritin]].

5. Шаг пятый: Примени [[Prompt_Bilingual_Bridge]] к слову «Ферритин». ИИ выдаст тебе "Ferritin" и код LOINC 2276-4.

6. Шаг шестой: Добавь эти данные в заметку [[Biomarker_Ferritin]].

7. Шаг седьмой: Сделай запись в [[Audit_Log.md]] о выполненной работе.

Диагностический контроль качества

После того как ИИ выдал тебе результат, проведи «быструю проверку» (Spot Check). ИИ иногда может ошибаться в запятых.

• Проверь запятые: 6,5 и 65 — это огромная разница для сахара в крови.

• Проверь единицы измерения: ммоль/л и мг/дл — это разные шкалы. Убедись, что ИИ сохранил те единицы, которые были в бланке.

• Проверь дату: Дата анализа важнее, чем дата, когда ты его оцифровал.

Метафора «Цифрового архивариуса»

Представь, что твои анализы — это древние свитки, написанные на разных диалектах. Без системы они просто пылятся на полке. Твои промпты — это команда архивариусов. Один (Blood_Analysis) переписывает свитки печатными буквами и раскладывает по папкам. Второй (Bilingual_Bridge) переводит их на латынь — универсальный язык науки того времени, чтобы ученые из других стран могли их прочитать. Твой Obsidian — это сама библиотека, а Audit_Log — книга учета, в которой записано, кто, когда и какой свиток обработал.

Теперь твоя база данных начинает оживать. Это уже не просто набор файлов, а структурированная система, готовая к глубокому поиску. В следующей главе мы научим твоего «Цифрового двойника» самостоятельно ходить в библиотеку PubMed, используя «Двуязычный мост» как пропуск, и искать научные статьи, которые подходят именно под твои показатели здоровья.

Чек-лист готовности данных к следующему этапу:

• Все данные за последний год извлечены и представлены в формате YAML.

• У каждого показателя есть статус (high/low/normal).

• Для ключевых биомаркеров (глюкоза, холестерин, ферритин) найдены английские эквиваленты.

• В журнале [[Audit_Log.md]] зафиксированы все операции по импорту.

• Заметки [[MOC_Prompts]] и [[MOC_Biomarkers]] содержат актуальные ссылки.

Твой фундамент заложен. Ты перешел от пассивного хранения бумажек к активному управлению биологическими данными. Это первый шаг к тому, чтобы стать настоящим инженером собственного здоровья. Продолжай в том же духе, ведь впереди — настройка семантического поиска, который превратит твой компьютер в персонального научного ассистента.

Резюме: От статических цифр к живому знанию

Мы завершили важнейший этап строительства твоего персонального цифрового госпиталя. Если раньше твои медицинские анализы напоминали разрозненные фрагменты древней мозаики, то теперь они превратились в структурированный массив данных. Каждый биомаркер — от уровня глюкозы до показателей ферритина — получил свой «паспорт» в формате YAML. Это значит, что твоя локальная нейросеть больше не видит в файле просто текст, она видит структуру: тип данных, числовое значение, единицу измерения и дату.

Однако сами по себе цифры — это лишь «сырье». Знание о том, что уровень витамина D равен 30 нг/мл, мало что дает без понимания контекста современных научных исследований. В лабораториях часто используют устаревшие референсные значения, которые ориентированы на «отсутствие болезни», а не на «оптимальное здоровье». Чтобы понять, что значат твои показатели именно для твоего долголетия, нам нужно обратиться к самому глубокому океану медицинских знаний в мире — базе данных PubMed.

PubMed — это поисковая система, которая дает доступ к более чем 35 миллионам тезисов медицинских исследований. Но есть проблема: вся мировая наука говорит на английском языке, а наши анализы и мысли часто зафиксированы на русском. Именно здесь вступает в игру «Двуязычный мост» — механическая и лингвистическая связка, которая превращает твой Obsidian из простого блокнота в поисковый движок научного уровня.

Лабораторная работа: Настройка семантического сопоставления

Чтобы «Двуязычный мост» заработал, нам нужно создать в Obsidian специальный служебный файл [[Bridge_Dictionary.md]]. В этом файле мы будем накапливать пары соответствий. Но делать это вручную — долго и скучно. Мы будем использовать мощь локальной LLM для автоматизации этого процесса.

Ниже приведен промпт, который ты должен скопировать в свою заметку [[MOC_Prompts]]. Этот промпт обучает нейросеть работать в режиме научного переводчика-консультанта.

Промпт [[Prompt_Bilingual_Bridge_Logic]]

Роль: Ты — биомедицинский лингвист и эксперт по базе данных PubMed. Твоя задача — конвертировать русскоязычные показатели здоровья в точные англоязычные поисковые термины.

Входные данные: Список биомаркеров из YAML-блоков пользователя.

Алгоритм действий:

1. Извлеки название биомаркера на русском языке.

2. Найди его стандартное медицинское соответствие на английском (используй терминологию MeSH).

3. Укажи единицы измерения и проверь, требуют ли они конвертации (например, ммоль/л в мг/дл).

4. Сформируй поисковую строку для PubMed, используя логические операторы (AND, OR) и фильтры (Clinical Trial, Meta-Analysis).

Пример вывода:

• Вход: Гликированный гемоглобин.

• Перевод: HbA1c / Glycated Hemoglobin.

• PubMed Query: "Glycated Hemoglobin"[Mesh] AND "Reference Values"[Mesh] AND "Adult"

Используй этот алгоритм для обработки каждого нового биомаркера, который появляется в [[MOC_Biomarkers]].

Механика парсинга и фильтрации PubMed

Теперь, когда у нас есть «ключи» (английские термины), нам нужно научиться забирать данные из PubMed прямо в твой Obsidian. Мы не будем копировать статьи целиком — это создаст информационный шум. Наша цель — извлечь только самое важное: название исследования, выводы (Abstract) и уровень доказательности.

Для этого мы используем метод селективного парсинга. Когда мы находим статью через «Двуязычный мост», мы размечаем её в нашей базе особым набором YAML-тегов. Это превращает научную статью в «цифровой модуль», который Smart Connections сможет связать с твоими личными данными.

Типовая структура научной заметки в твоем Obsidian должна выглядеть так:

---

type: research_paper

source: PubMed

pmid: 12345678 (уникальный номер статьи)

biomarker_linked: "HbA1c"

evidence_level: "Meta-Analysis" (или Clinical Trial)

relevance_score: 0.9 (насколько это важно для тебя)

---

Фильтрация шума: Как не утонуть в статьях

В PubMed много «мусорных» или нерелевантных исследований (например, проведенных на мышах, что не всегда применимо к человеку). «Двуязычный мост» включает в себя встроенный фильтр «Human Only». При генерации запросов ИИ автоматически добавляет параметры, ограничивающие поиск только качественными исследованиями на людях за последние 5–10 лет.

Вот диагностические критерии, которые мы закладываем в логику фильтрации:

• Приоритет 1: Мета-анализы и систематические обзоры (это золото науки).

• Приоритет 2: Рандомизированные контролируемые исследования (РКИ).

• Приоритет 3: Когортные исследования.

Мы намеренно игнорируем «мнения экспертов» или «отчеты об отдельных случаях», если у нас достаточно данных высокого уровня. Это позволяет строить «архитектуру данных», основанную на твердых фактах, а не на предположениях.

Настройка поискового движка Smart Connections

Теперь переходим к магии семантического поиска. Обычный поиск ищет совпадение букв. Семантический поиск (Smart Connections) ищет совпадение смыслов. Если у тебя в анализах написано «высокий уровень сахара», а в загруженной статье из PubMed написано «hyperglycemia», обычный поиск их не свяжет. Smart Connections — свяжет.

Как это работает технически? Плагин Smart Connections создает «эмбеддинги» (embeddings) для каждой твоей заметки. Он превращает текст в длинный список чисел (вектор), который описывает положение этого текста в «пространстве смыслов». Исследования из PubMed и твои оцифрованные анализы окажутся «рядом» в этом пространстве.

Чтобы настроить Smart Connections для работы с «Двуязычным мостом», выполни следующие шаги:

1. В настройках плагина Smart Connections укажи путь к твоей локальной модели (например, через Ollama, которую мы настроили в Главе 1).

2. Запусти индексацию папки с оцифрованными биомаркерами.

3. Включи функцию «Smart View». Теперь, когда ты откроешь заметку со своим анализом на ферритин, в боковой панели автоматически появятся ссылки на научные статьи из PubMed, которые ты загрузил ранее.

Это создает эффект «умного соавтора». Ты смотришь на свои данные, а компьютер шепчет тебе: «Смотри, вот исследование, которое говорит, что при твоем уровне ферритина и таком-то возрасте риск снижения когнитивных функций повышается на 15%, и вот что они рекомендуют».

Кейс: Связка «Глюкоза — PubMed — Smart Connections»

Давай разберем конкретный пример. У пользователя 45 лет оцифрован показатель «Глюкоза натощак: 5.8 ммоль/л». В лаборатории это помечено как «норма» (так как норма до 6.1).

Шаг 1: «Двуязычный мост» конвертирует это в запрос: "Fasting glucose 5.8 mmol/L" AND "mortality risk" AND "age 45-60".

Шаг 2: Мы находим статью в PubMed, которая утверждает, что для людей старше 45 лет оптимальное значение глюкозы — ниже 5.2, а значения выше 5.6 уже коррелируют с долгосрочными рисками для сосудов.

Шаг 3: Мы сохраняем резюме этой статьи в Obsidian.

Шаг 4: Smart Connections видит твой файл `Glucose_2026-10-12.md` и статью `PubMed_High_Normal_Glucose.md`. Он проводит между ними линию.

Шаг 5: Когда ты открываешь MOC_Biomarkers, система подсвечивает твою глюкозу не зеленым (как лаборатория), а желтым, и дает ссылку на исследование. Это и есть доказательная оцифровка.

Образовательная задача: Построй свой первый мост

Твое задание на этот этап — выбрать один любой показатель из твоих анализов (например, холестерин или витамин D) и прогнать его через цепочку «Двуязычного моста».

1. Создай новую заметку для биомаркера.

2. Используй промпт [[Prompt_Bilingual_Bridge_Logic]], чтобы получить английские термины.

3. Вставь эти термины в поиск на сайте PubMed (или используй плагин Obsidian для интеграции с PubMed).

4. Импортируй одну статью, которая кажется тебе наиболее важной, и разметь её YAML-тегами, как показано выше.

5. Проверь, видит ли Smart Connections связь между твоим анализом и этой статьей.

Этот процесс превращает тебя из пассивного потребителя медицинских услуг в активного исследователя. Ты больше не зависишь от того, «что сказал врач на пятиминутном приеме». У тебя на руках есть вся мощь мировой науки, отфильтрованная и адаптированная под твои личные нужды.

Подготовка к следующему этапу

Мы успешно оцифровали базу и научились наполнять её внешними знаниями. Но знания бесполезны, если они не превращаются в действия. Наша следующая цель — превратить эту аналитическую машину в систему принятия решений. В следующей главе мы займемся настройкой «Персонального протокола»: как на основе связки «мои данные + наука» составить план питания, добавок и тренировок, который будет автоматически корректироваться при поступлении новых анализов.

Мы переходим от аудита к архитектуре образа жизни. Твой «Цифровой двойник» готов начать давать первые советы. Убедись, что все твои YAML-теги заполнены корректно, а Smart Connections закончил индексацию. Впереди — самое интересное: превращение Obsidian в твоего личного ИИ-диетолога и тренера, который основывается не на моде из соцсетей, а на жестких данных и биологических законах.

Контрольные вопросы для самопроверки: