Автоматизация разработки программного обеспечения для психиатрии, психотерапии и медицинской психологии: методология создания технического задания и генерация кода с использованием искусственного интеллекта (vibe-coding)

Автоматизация разработки программного обеспечения для психиатрии, психотерапии и медицинской психологии: методология создания технического задания и генерация кода с использованием искусственного интеллекта (vibe-coding)

 

Авторы

 

Д.С. Радионов

ФГБУ «Национальный медицинский исследовательский центр психиатрии и неврологии им. В.М. Бехтерева» 

Министерства здравоохранения Российской Федерации, Санкт-Петербург, Россия

А.В. Яковлев

ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» Министерства обороны Российской Федерации, Санкт-Петербург, Россия; ФГАОУ ВО «Санкт-Петербургский государственный университет аэрокосмического приборостроения», Санкт-Петербург, Россия

Т.А. Караваева

ФГБУ «Национальный медицинский исследовательский центр психиатрии и неврологии им. В.М. Бехтерева»

Министерства здравоохранения Российской Федерации, Санкт-Петербург, Россия; ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия; ФГБОУ ВО «Санкт-Петербургский государственный педиатрический медицинский университет» Министерства здравоохранения Российской Федерации, Санкт-Петербург, Россия; ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Петрова» Министерства здравоохранения Российской Федерации, пос. Песочный, Санкт-Петербург, Россия

А.В. Васильева

ФГБУ «Национальный медицинский исследовательский центр психиатрии и неврологии им. В.М. Бехтерева»

Министерства здравоохранения Российской Федерации, Санкт-Петербург, Россия; ФГБОУ ВО «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Министерства здравоохранения Российской Федерации, Санкт-Петербург, Россия

 

https://doi.org/10.26617/1810-3111-2025-4(129)-57-70

 

Журнал:Сибирский вестник психиатрии и наркологии. 2025; 4(129): 57-70.

 

Реферат

Контекст и актуальность. Разработка персонализированного программного обеспечения (ПО) для психиатрии, психотерапии и медицинской психологии осложняется междисциплинарным барьером между клиницистами и разработчиками. Широкое распространение больших языковых моделей (LLM) и интуитивных сред разработки открывает возможности для автоматизации создания специализированных решений, сокращающих время разработки с недель до дней. Теоретическая основа. Методология базируется на спиральной модели жизненного цикла ПО (ISO/IEC 12207:2008), обеспечивающей итеративную адаптацию к динамичным требованиям медицинских задач. Интеграция LLM в процесс генерации кода формализуется через универсальные технические задания (ТЗ). Цель: разработка методологии создания детерминированного ТЗ для генеративных ИИ-моделей, обеспечивающей автоматизированную генерацию кода под узкоспециализированные задачи (оценка коморбидной патологии, рисков аддикций, утомления как предиктора невротизации). Материалы и методы. Свободноформатное ТЗ на русском языке с итеративной корректировкой экспертами. Генерация кода LLM Qwen2.5-Max (поддержка медицинской терминологии, 131 тысяча токенов контекста). Реализация прототипов на Python 3.13 с библиотекой Tkinter для GUI. Валидация модульной архитектуры для обработки гетерогенных данных (опросники, аудиовизуальные маркеры). Результаты. Создан функциональный прототип для прогнозирования медицинских рисков с многооконным интерфейсом и цветовой индикацией результатов. 98% сгенерированного кода соответствовало ТЗ после двух итераций уточнений. Реализована динамическая адаптация модулей (A/B/C) под задачи скрининга депрессии, тревоги и утомления. Выводы. Комбинация формализованных ТЗ и LLM ускоряет разработку медицинского ПО, но требует междисциплинарного взаимодействия на этапе верификации требований, строгого этического аудита (в соответствии с ГОСТ Р 71657-2024 и ФЗ-152), интеграции с IoT-устройствами (нейровизоры, биосенсоры) для мультимодального анализа данных. Рекомендовано использовать методологию для массовой разработки персонализированных инструментов в условиях дефицита специалистов. Ключевые ограничения: зависимость от качества ТЗ, неспособность ИИ предлагать инновационные архитектурные решения, необходимость ручной доработки под устаревшие технологические стеки.

Ключевые слова: автоматизация разработки ПО, искусственный интеллект, vibe-coding, техническое задание, генерация кода, большие языковые модели, депрессивные расстройства, тревожные расстройства, утомление, психиатрия, психотерапия, медицинская психология, диагностика и скрининг.

 

Статья (pdf)

 

Связь с автором

Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Дополнительные материалы

Для цитирования:Радионов Д.С., Яковлев А.В., Караваева Т.А., Васильева А.В. Автоматизация разработки программного обеспечения для психиатрии, психотерапии и медицинской психологии: методология создания технического задания и генерация кода с использованием искусственного интеллекта (vibe-coding). Сибирский вестник психиатрии и наркологии. 2025. № 4 (129). С. 57-70. https://doi.org/10.26617/1810-3111-2025-4(129)-57-70

 

ЛИТЕРАТУРА

  1. Галкин С.А., Созонов А.С., Быкова М.А., Рощина О.В., Бохан Н.А. Эффективность применения релаксационного сценария в технологии виртуальной реальности у лиц молодого возраста. Физиология человека. 2025. Т. 51, № 3. С. 40-45. https://doi.org/10.31857/S0131164625030043.
  2. ГОСТ Р 71657-2024. Технологии искусственного интеллекта в образовании. Функциональная подсистема создания научных публикаций. Общие положения. Введ. 2025-01-01. М.: Российский институт стандартизации, 2024. 14 с.
  3. ГОСТ Р ИСО/МЭК 12207-99. Информационная технология. Процессы жизненного цикла программных средств. Введ. 2000-07-01. М.: ИПК Изд-во стандартов, 2000. 68 с.
  4. Замятин К.А., Ноздрачев Д.И., Соловьева М.Н. Мобильные приложения для борьбы с тревожностью и снижения уровня стресса: возможности для профилактики неинфекционной патологии. Российский кардиологический журнал. 2021. Т. 26, № 9. С. 22-27. https://doi.org/10.15829/1560-4071-2021-4681.
  5. Касьянов Е.Д., Ковалёва Я.В., Мазо Г.Э. Цифровое фенотипирование как новый метод скрининга психических расстройств. Обозрение психиатрии и медицинской психологии им. В.М. Бехтерева. 2022. Т. 56, № 4. С. 96-100. https://doi.org/10.31363/2313-7053-2022-4-96-100.
  6. Корнетов А.Н., Старикова Е.Г., Каверина И.С., Стариков Ю.В., Солдатов А.А., Потапова Н.Е., Толмачев И.В. Подходы к автоматизации диагностики психического здоровья операторов ряда профессий. Психиатрия, психотерапия и клиническая психология. 2023. Т. 14, № 1. С. 95-104. https://doi.org/10.34883/PI.2023.14.1.002.
  7. Незнанов Н.Г., Васильева А.В. Цифровизация в оказании помощи в области психического здоровья. Новые возможности для специалистов и пациентов. Национальное здравоохранение. 2023. Т. 4, № 2. С. 15-24. https://doi.org/10.47093/2713-069X.2023.4.2.15-24.
  8. Незнанов Н.Г., Васильева А.В., Салагай О.О. Роль психотерапии, как медицинской специальности, в общественном здоровье. Общественное здоровье. 2022. Т. 2, № 2. С. 40-57. https://doi.org/10.21045/2782-1676-2022-2-2-40-57.
  9. Скрипов В.С., Чехонадский И.И., Кочорова Л.В., Шведова А.А., Семенова Н.В. Результаты взаимодействия с региональными службами в рамках телемедицинских консультаций по психиатрии и наркологии. Обозрение психиатрии и медицинской психологии им. В.М. Бехтерева. 2019. № 3. С. 73-77. https://doi.org/10.31363/2313-7053-2019-3-73-77.
  10. Созонов А.С., Рощина О.В., Быкова М.А., Казенных Т.В., Бохан Н.А. Исследование влияния технологии виртуальной реальности на психоэмоциональное состояние здоровых добровольцев. Сибирский вестник психиатрии и наркологии. 2025. № 1 (126). С. 15-20. https://doi.org/10.26617/1810-3111-2025-1(126)-15-20.
  11. Сологуб П.С. Применение машинного обучения к данным нейроанатомии и физиологии в области диагностики СДВГ. Современнаязарубежнаяпсихология. 2024. Т. 13, № 2. С. 84-91. https://doi.org/10.17759/jmfp.2024130208.
  12. Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (ред. от 24.06.2025). СобраниезаконодательстваРФ. 2006. № 31 (ч. 1). Ст. 3451.
  13. Фрейзе В.Б., Малышко Л.В., Грачев Г.И., Дутов В.Б., Семенова Н.В., Незнанов Н.Г. Перспективы использования технологий виртуальной реальности (VR) в терапии пациентов с психическими расстройствами (обзор зарубежной литературы). Обозрение психиатрии и медицинской психологии им. В.М. Бехтерева. 2021. Т. 55, № 1. С. 18-24. https://doi.org/10.31363/2313-7053-2021-1-18-24.
  14. Психотерапия: национальное руководство / под ред. А.В. Васильевой, Т.А. Караваевой, Н.Г. Незнанова. М.: ГЭОТАР-Медиа, 2023. 992 с. https://doi.org/10.33029/9704-7567-6-PSY-2023-1-992.
  15. Янковская А.Е., Корнетов Н.А., Корнетов А.Н., Казанцева Н.В. Систематизация когнитивно-бихевиоральных вмешательств при организационном стрессе в целях использования в интеллектуальной системе ИМСЛОГ. Вестник Томского государственного университета. 2010. № 341. С. 191-194.
  16. Adugna T, Ramu A, Haldorai A. A review of pattern recognition and machine learning. J. Mach. Comput.2024,4:210-220. https://doi.org/10.53759/7669/jmc202404020.
  17. Ai Y, Zhang L, Zhang D. Research on the application of computer-based psychotherapy in clinical guidance. Transactions on Materials, Biotechnology and Life Sciences. 2024;2:12-18. https://doi.org/10.62051/qr21gp88.
  18. Alnuaimi A, Albaldawi T. Concepts of statistical learning and classification in machine learning: An overview. BIO Web of Conferences. 2024 Apr; 97(12):00129. https://doi.org/10.1051/bioconf/20249700129.
  19. Beames JR, Han J, Shvetcov A, Zheng WY, Slade A, Dabash O, Rosenberg J, O'Dea B, Kasturi S, Hoon L, Whitton AE, Christensen H, Newby JM. Use of smartphone sensor data in detecting and predicting depression and anxiety in young people (12-25 years): A scoping review. Heliyon. 2024 Jul 30;10(15):e35472.https://doi.org/10.1016/j.heliyon.2024.e35472. PMID: 39166029; PMCID: PMC11334877.
  20. Bufano P, Laurino M, Said S, Tognetti A, Menicucci D. Digital Phenotyping for Monitoring Mental Disorders: Systematic Review. J Med Internet Res. 2023 Dec 13;25:e46778. https://doi.org/10.2196/46778. PMID: 38090800; PMCID: PMC10753422.
  21. Gadde A. Democratizing software engineering through generative ai and vibe coding: The evolution of no-code development. J Computer Science and Technology Studies. 2025;7(4):556-572. https://doi.org/10.32996/jcsts.2025.7.4.66.
  22. Grebovic M, Filipović L, Katnic I, Vukotić M, Popović T. Machine learning models for statistical analysis. Int. Arab J. Inf. Technol. 2023;20(3a):505-514. https://doi.org/10.34028/iajit/20/3a/8.
  23. Gu X, Chen M, Lin Y, Hu Y, Zhang H, Wan C, Wei Z, Xu Y, Wang J. On the effectiveness of large language models in domain-specific code generation. ACM Transactions on Software Engineering and Methodology. 2023;34(3):1-22. https://doi.org/10.1145/3697012.
  24. Han Y, Lyu C. Multi-stage guided code generation for Large Language Models. Engineering Applications of Artificial Intelligence. 2025 Jan;139:109491. https://doi.org/10.1016/j.engappai.2024.109491.
  25. Hoseini SS, Dewar R. Empowering healthcare professionals with no-code artificial intelligence platforms for model development, a practical demonstration for pathology. Discoveries (Craiova). 2024 Mar 30;12(1):e182. https://doi.org/10.15190/d.2024.1. PMID: 39734805; PMCID: PMC11682784.
  26. Hu Y, Zhang S, Dang T, Jia H, Salim F, Hu W, Quigley A. Exploring large-scale language models to evaluate EEG-based multimodal data for mental health. Companion of the 2024 on ACM International Joint Conference on Pervasive and Ubiquitous Computing. 2024:412-417. https://doi.org/10.1145/3675094.3678494.
  27. Jiang J, Wang F, Shen J, Kim S, Kim S. A Survey on large language models for code generation. arXiv preprint arXiv:2406.00515. 2024. https://doi.org/10.48550/arxiv.2406.00515.
  28. Jiang X, Dong Y, Wang L, Shang Q, Li G. Self-planning code generation with large language models. ACM Trans Softw Eng Methodol. 2023Sept;33(7):1-30. https://doi.org/10.1145/3672456.
  29. Kim J, Ma PS, Chen M, Galatzer-Levy I, Torous J, Van Roessel P, Sharp C, Pfeffer M, Rodriguez C, Linos E, Chen J. Optimizing large language models for detecting symptoms of comorbid depression or anxiety in chronic diseases: Insights from patient messages. arXiv preprint arXiv:2503.11384. 2025. https://doi.org/10.48550/arxiv.2503.11384.
  30. Li J, Tao C, Li J, Li G, Jin Z, Zhang H, Fang Z, Liu F. Large language model-aware in-context learning for code generation. ACM Transactions on Software Engineering and Methodology. 2025;34(7):1-33. https://doi.org/10.1145/3715908.
  31. Linardon J, Chen K, Gajjar S, Eadara A, Wang S, Flathers M, Burns J, Torous J. Smartphone digital phenotyping in mental health disorders: A review of raw sensors utilized, machine learning processing pipelines, and derived behavioral features. Psychiatry Res. 2025 Jun;348:116483. https://doi.org/10.1016/j.psychres.2025.116483. Epub 2025 Apr 1. PMID: 40187059.
  32. Liu J, Gao M, Sabour S, Chen Z, Huang M, Lee T. Enhanced large language models for effective screening of depression and anxiety. Communications Medicine 2025Nov;5(1). https://doi.org/10.1038/s43856-025-01158-1.
  33. Maranhão GN de A, Oliveira WD de, Brito AU, Vasconcelos OC de M, Siqueira MR.S. Satisfaction assessment of training in artificial intelligence with a focus on sustainable projects for the amazon. Revista De Gestão Social E Ambiental. 2025 Jan;19(1):e010529. https://doi.org/10.24857/rgsa.v19n1-110.
  34. Moran K, Bernal-Cárdenas C, Curcio M, Bonett R, Poshyvanyk D. Machine learning-based prototyping of graphical user interfaces for mobile apps. IEEE Transactions on Software Engineering. 2018;46(2):196-221. https://doi.org/10.1109/TSE.2018.2844788.
  35. Nadas M, Dioşan L, Tomescu A. Synthetic data generation using large language models: Advances in text and code. IEEE Access. 2025;13:134615-134633. https://doi.org/10.1109/ACCESS.2025.3589503.
  36. Nie J, Shao H, Fan Y, Shao Q, You H, Preindl M, Jiang X. LLM-based conversational ai therapist for daily functioning screening and psychotherapeutic intervention via everyday smart devices. ACM Trans. Comput. Healthcare. 2025Jan. https://doi.org/10.48550/arxiv.2403.10779.
  37. Parsanna M. A review on various machine learning algorithms. Int J Sc. Res Eng Manag. 2025;09(03):1-9. https://doi.org/10.55041/ijsrem42692.
  38. Pasquale L, Sabetta A, d’Amorim M, Hegedűs P, Mirakhorli M, Okhravi H, Payer M, Rashid A, Santos J, Spring J, Tan L, Tuma K, Massacci F. Challenges to using large language models in code generation and repair. IEEE Secur Priv. 2025 March-Apr;23(2):81-88. https://doi.org/10.1109/MSEC.2025.3530488.
  39. Reiter J, Nickels S, Nelson B, Rainaldi E, Peng L, Doraiswamy P, Kapur R, Abernethy A, Trister A. Increasing psychopharmacology clinical trial success rates with digital measures and biomarkers: Future methods. NPP‒ Digit Psychiatry Neurosci. 2024May;2(7). https://doi.org/10.1038/s44277-024-00008-7.
  40. Roy K, Surana H, Eswaramoorthi D, Zi Y, Palit V, Garimella R, Sheth A. Large language models for mental health diagnostic assessments: exploring the potential of large language models for assisting with mental health diagnostic assessments ‒ the depression and anxiety case. arXiv preprint arXiv:2501.01305. 2025. https://doi.org/10.48550/arxiv.2501.01305.
  41. Saari M, Soini J, Grönman J, Rantanen P, Mäkinen T, Sillberg P. Modeling the software prototyping process in a research context. Information Modelling and Knowledge Bases XXXII. 2020;333:107-118. https://doi.org/10.3233/FAIA200823.
  42. Sanmocte EMT, Costales JA. Exploring effectiveness in software development: A comparative review of system analysis and design methodologies. Int J Comput Theory Eng. 2025;17(1):36-43. https://doi.org/10.7763/ijcte.2025.v17.1367.
  43. Saravanos A, Curinga MX. Simulating the software development lifecycle: The waterfall model. Appl Syst Innov. 2023;6(6):108. https://doi.org/10.3390/asi6060108.
  44. Sardesai N, Russo P, Martin J, Sardesai A. Utilizing generative conversational artificial intelligence to create simulated patient encounters: a pilot study for anaesthesia training. Postgrad Med J. 2024Jan;100(5). https://doi.org/10.1093/postmj/qgad137.
  45. Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol. 2019 Mar 19;19(1):64. https://doi.org/10.1186/s12874-019-0681-4. PMID: 30890124; PMCID: PMC6425557.
  46. Singh B, Kaunert C. Paradise of virtual reality (VR) and augmented reality (AR) in mental health treatment: Breaking down barriers advancing supremely smart healthcare for futuristic growth. In: Soufiane BO, Chakraborty C, Unhelkar B. (eds.). Augmented Wellness. Springer, Singapore; 2025:243-258. https://doi.org/10.1007/978-981-96-2952.
  47. Stade EC, Stirman SW, Ungar LH, Boland CL, Schwartz HA, Yaden DB, Sedoc J, DeRubeis RJ, Willer R, Eichstaedt JC. Large language models could change the future of behavioral healthcare: a proposal for responsible development and evaluation. Npj Ment Health Res. 2024 Apr 2;3(1):12. https://doi.org/10.1038/s44184-024-00056-z. PMID: 38609507; PMCID: PMC10987499.
  48. Tupsakhare P. Revolutionizing oncology solutions with ai on low-code platforms. Journal of Oncology Research Review & Reports. 2023;(4):e101. https://doi.org/10.47363/jonrr/2023(4)e101.
  49. Xu S, Yan Y, Li F, Zhang S, Tang H, Luo C, Li Y, Liu H, Mei Y, Gu W, Qiu H, Wang Y, Qiu J, Yang T, Wang Z, Zhang Q, Geng H, Han Y, Shao J., Opel N., Bing L., Zhao M., Xu Y., Jiang X., Chen J. Identifying psychiatric manifestations in outpatients with depression and anxiety: A large language model-based approach. bioRxiv. 2025. https://doi.org/10.1101/2025.01.03.2431811.
  50. Yang Y, Li X, Ke W, Liu Z. Automated prototype generation from formal requirements model. IEEE Transactions on Reliability. 2020 Jun, 18;69(2):632-656. https://doi.org/10.1109/TR.2019.2934348.
  51. Yankovskaya AE, Kornetov AN, Il’inskikh NN, ObukhovskayaVB. An expansion of intelligent systems complex for express-diagnostics and prevention of organizational stress, depression, and deviant behavior on the basis of the biopsychosocial approach. Pattern Recognit. Image Anal. 2017;27:783-788. https://doi.org/10.1134/S1054661817040204.
  52. Zhang L, Liu Z, Wan Y, Fan Y, Chen D, Wang Q, Zhang K, Zheng Y. DepITCM: an audio-visual method for detecting depression. Front Psychiatry. 2025 Jan 23;15:1466507. https://doi.org/10.3389/fpsyt.2024.1466507. PMID: 39917382; PMCID: PMC11799262.
  53. Zhang S, Hu Y, Yi X, Nanayakkara S, Chen X. IntervEEG-LLM: Exploring EEG-based multimodal data for customized mental health interventions. Companion Proceedings of the ACM on Web Conference 2025. 2025;7:2320-2326. https://doi.org/10.1145/3701716.3717550