Биомедицинские исследования стремительно переходят на коммерческие базовые модели в задачах поддержки клинических решений, диагностической сортировки, ведения документации и разработки лекарств. В отличие от классического биомедицинского машинного обучения, опиравшегося на версионированные статистические пакеты и локально исполняемый код, современные процессы все чаще завязаны на проприетарные облачные API. Этот сдвиг создает критический операционный конфликт: доказательная медицина требует неизменности условий эксперимента, тогда как облачные провайдеры регулярно отключают и списывают устаревшие версии моделей в соответствии с собственными коммерческими планами.
Согласно исследованию группы ученых из Медицинского колледжа Висконсина и Университета Маркетта под руководством доктора Нейтана Волфрата, доктора Меган Конрой и доктора Аная Н. Котхари, политика жизненного цикла коммерческих сервисов разрушает эмпирическую основу медицинского ИИ. Как только закрытый эндпоинт отключается, независимая научная проверка становится невозможной: внешние исследователи и регуляторы теряют доступ именно к тому вычислительному ядру, на котором были получены опубликованные клинические результаты.
Масштабы проблемы исчезающих моделей
Чтобы оценить масштаб уязвимости, авторы изучили публикации в PubMed за период с 2022 по март 2026 года, где большие языковые модели применялись для биомедицинских задач. Из 61 077 аннотаций, обработанных с помощью ИИ-агента и проверенных вручную, исследователи выделили 8 931 упоминание связок «статья — модель» в 5 242 уникальных работах, охватывающих 50 наиболее популярных систем.
Закрытые коммерческие модели составили 77,7% всех упоминаний, что подчеркивает острую зависимость отрасли от сторонней облачной инфраструктуры в противовес локальным развертываниям. Системы OpenAI, включая различные версии ChatGPT, заняли около 66% упоминаний в клинической литературе с января 2022 по сентябрь 2025 года.
«Многие биомедицинские публикации с использованием LLM стремительно теряют вычислительную воспроизводимость сразу после выхода».
Последствия проявляются незамедлительно: 42% проанализированных упоминаний привязаны к API, которые были отключены уже на момент официальной публикации статьи либо планировались к закрытию в течение двух лет. Более того, медианный срок жизни модели с момента выхода научной работы до отключения эндпоинта составил всего 538 дней. На практике базовый алгоритмический механизм, стоящий за рецензируемыми клиническими выводами, исчезает менее чем за полтора года.
Что это значит для бизнеса
Для технических директоров, руководителей медицинских R&D-подразделений и специалистов по комплаенсу столь быстрый вывод моделей из эксплуатации разрушает всю систему ретроспективного аудита и защиты перед регуляторами. Когда проприетарный API отключается за 538 дней, вместе с ним исчезают доказательства безопасности и возможность воспроизвести цепочку алгоритмических решений. Чтобы преодолеть этот разрыв между академическими стандартами и продуктовыми циклами бигтеха, у бизнеса остается два пути: переводить регуляторные биомедицинские процессы на локальные опенсорс-архитектуры либо требовать от облачных провайдеров жестких долгосрочных SLA с гарантией постоянной фиксации версий API.