Использование Pydantic сегодня стало нормой, и это правильно. Но иногда на ревью вижу, что используют его не всегда корректно.
Например, метод BaseModel.model_dump() по умолчанию не преобразует стандартные типы, такие как datetime, UUID или Decimal, в простой сериализуемый для JSON вид. Тогда пишут кастмоный сериализатор для этих типов чтобы функция json.dump() не падала с ошибкой.
import uuid
from datetime import datetime
from decimal import Decimal
from uuid import UUID
from pydantic import BaseModel
class MyModel(BaseModel):
id: UUID
date: datetime
value: Decimal
obj = MyModel(
id=uuid.uuid4(),
date=datetime.now(),
value='1.23'
)
print(obj.model_dump())
# не подходит для json.dump
# {
# 'id': UUID('4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1'),
# 'date': datetime.datetime(2025, 12, 12, 12, 12, 12, 111111),
# 'value': Decimal('1.23')
# }
# добавляем свой кастомный сериализатор
json.dumps(obj.model_dump(), cls=MySerializer)
# {
# 'id': '4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1',
# 'date': '2025-12-12T12:12:12.111111',
# 'value': '1.23'
# }
В данном случае класс MySerializer обрабатывает datetime, UUID и Decimal. Например так:
class MySerializer(json.JSONEncoder):
def default(self, o):
if isinstance(o, Decimal):
return str(o)
elif isinstance(o, datetime):
return o.isoformat()
elif isinstance(o, UUID):
return str(o)
return super().default(o)
Специально для тех, кто всё еще так делает - в этом нет необходимости!
Pydantic может это сделать сам, просто нужно добавить параметр mode="json".
json.dumps(obj.model_dump(mode="json"))
# {
# 'id': '4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1',
# 'date': '2012-12-12T12:12:12.111111',
# 'value': '1.23'
# }
#pydantic#libs
📖Fake Disease Experiment Exposes AI Misinformation Risks
Researchers led by Almira Osmanovic Thunström at the University of Gothenburg created a fictional medical condition, “bixonimania,” and supported it with fabricated academic papers uploaded to a preprint server. The experiment aimed to test whether large language models would reproduce false information as credible medical knowledge.
AI systems subsequently presented the non-existent disease as real, and the fake studies were later cited in peer-reviewed literature, including a journal published by Springer Nature. The case demonstrates how AI-generated or AI-amplified misinformation can propagate beyond initial sources into scientific and medical contexts.
#AIRegulation#AIethics#Misinformation#AIsafety#DigitalHealth
Осторожно: как ошибки ИИ в медицине могут стоить здоровья (и почему «нейросеть сказала» — не аргумент)
Привет! Мы часто пишем о прорывах ИИ, но сегодня — важное предупреждение. Когда генеративный ИИ ошибается в развлекательном контенте — это досадно. Когда он ошибается в медицине — это опасно для жизни.
Всего за последние месяцы произошла целая серия тревожных инцидентов:
➡️Google удалила AI-сниппеты с анализами крови. Расследование The Guardian показало, что ИИ-ответы по запросу «нормальный диапазон показателей печени» давали неточные числовые значения, не учитывали пол, возраст и могли создать у пациента с серьезным заболеванием ложное ощущение благополучия. Это назвали «опасным и тревожным».
➡️Perplexity ошиблась в онкодиагностике. В эксперименте нейросеть сравнила два КТ-снимка пациента с метастазами. Первый ответ гласил, что опухоль уменьшилась. После уточнения ИИ выдал *противоположный* вердикт — прогрессирование. Только врач смог дать верное заключение.
➡️Проблемы в московских поликлиниках. Пациенты жалуются, что врачи, работая с системой поддержки решений «ТОП-3», иногда некритично соглашаются с её предварительным диагнозом. Описаны случаи ложноположительных диагнозов (например, ишемическая болезнь сердца), которые позже не подтверждались.
Почему так происходит?
Главные причины ошибок
1. «Галлюцинации» и уверенная ложь. ИИ, особенно общего назначения, может генерировать убедительно звучащий, но полностью выдуманный ответ, особенно если в запросе есть неточность.
2. Проблемы с данными для обучения. Качество ИИ зависит от данных. Если выборка неполная, нерепрезентативная или содержит искажения (например, публикуются в основном «положительные» исследования), алгоритм унаследует эти ошибки.
3. Эффект «чёрного ящика». Даже разработчикам не всегда понятно, как сложная нейросеть пришла к конкретному выводу, что затрудняет поиск и исправление системных сбоев.
4. Человеческий фактор. ИИ может повторять и даже усиливать когнитивные искажения, свойственные людям (например, эффект формулировки). А врачи, перегруженные работой, могут чрезмерно доверять алгоритму, отключая своё клиническое мышление.
Что делать? Простые правила безопасности
➡️Для всех: Любой ИИ-совет по здоровью — лишь отправная точка для разговора с врачом, не руководство к самолечению.
➡️Для медиков: ИИ — инструмент поддержки, но не замена экспертизе. Окончательное решение и ответственность всегда остаются за специалистом.
➡️Для разработчиков: Нужна максимальная прозрачность, валидация на реальных клинических сценариях и чёткое указание на ограничения продукта.
Вывод: ИИ — мощный помощник в медицине, способный анализировать огромные массивы данных. Но слепая вера в него так же рискованна, как и его полное игнорирование. Ключ — в разумном сочетании технологий и человеческого опыта, критического мышления и проверок.
А Вы сталкивались с явными ошибками ИИ в вопросах здоровья? Доверяете ли вы таким сервисам? Обсудим в комментариях.
#ИИ#искусственныйинтеллект#медицина#здоровье#безопасность#диагностика#DigitalHealth
https://t.me/semasci
💻 Excessive internet use, especially before bed, significantly harms sleep quality, affecting both mental and physical health.
[Learn more]
@googlefactss#DigitalHealth#SleepQuality#InternetUse#MentalHealth#ScreenTime
ИИ-доктор в кармане: как стартапы вроде Death Clock меняют превентивную медицину (и что с этим не так)
Пока одни ИИ-модели соревнуются в генерации картинок, другие нацелены на самую ценную область — наше здоровье. Яркий пример — американский стартап Death Clock с их сервисом Life Lab.
В чем суть?
Life Lab — это персональный ИИ-консультант по долголетию, встроенный в приложение. Система:
1. Агрегирует данные: подключается к тысячам лабораторий, импортирует медкарты, учитывает образ жизни.
2. Считает возраст и риски: на основе исследований вычисляет биологический возраст и прогнозируемую дату смерти (да, именно это и есть их «визитная карточка» — Death Clock).
3. Дает рекомендации: формирует персонализированный план по питанию, добавкам и привычкам для снижения рисков и продления здоровой жизни.
Их цель — сделать превентивную медицину максимально простой и доступной.
Другие примеры на подходе:
* ChatGPT Health (от OpenAI): Пока только в тестировании у врачей, но это шаг к тому, чтобы ИИ-ассистент стал первым пунктом консультации. Модель должна уметь анализировать симптомы, расшифровывать анализы и диалогом вести к диагнозу.
* K Health: Использует ИИ на основе данных миллионов медкарт для первичной оценки состояния.
* Your.MD: AI-симптомчекер и навигатор по системе здравоохранения.
Что важно помнить?🔍
За кажущейся простотой и технологичностью скрываются серьезные вопросы:
➡️Качество данных и исследований: На чем именно основаны прогнозы и советы? Многие методики расчета биовозраста и рекомендаций по долголетию все еще являются областью активных (и коммерциализированных) споров.
➡️Юридическая и этическая ответственность: Кто виноват, если совет ИИ приведет к проблемам? Пока это серая зона.
➡️Риск гипердиагностики и тревожности: Постоянный мониторинг и «цифры смерти» могут скорее навредить ментальному здоровью, чем помочь.
Контекст и важные ссылки:
➡️Я уже подробно разбирал риски слепого доверия медицинскому ИИ в этом посте: Осторожно: как ошибки ИИ в медицине могут стоить здоровья
➡️А здесь анализировали другой подход — мощную специализированную модель от Google для профессионалов, которая работает оффлайн и точнее: Google выпустила MedGemma 1.5
Вывод:
Такие сервисы, как Death Clock, — это мощный драйвер для осознанности и перехода от «медицины лечения» к «медицине предупреждения». Но они остаются инструментами для информирования, а не для постановки диагноза. Их рекомендации — это гипотезы, которые должен проверять и одобрять ваш лечащий врач. Главное правило: Data-Driven, но Doctor-Approved.
Полезные ссылки по теме (англ.):
➡️Анонс Life Lab от Death Clock
➡️Исследование о возможностях и ограничениях ИИ в предиктивной медицине (Nature)
#ИИ_в_медицине#DigitalHealth#превентивная_медицина#HealthTech#DeathClock#ChatGPT#MedGemma#долголетие
https://t.me/semasci