Дата: 2026-04-19 Автор: research-agent (Claude) Контекст: продовження Med Detective (веб-квест для лікарів). Ринки: UA/KZ/UZ. Бренди: Deltamedical, Schönen, Humer, Zest, Plasma Skylab. Мета: аудит моделей/датасетів/Spaces HuggingFace та ідеї продуктів, що конвертують AI у маркетинг для лікарів/фармацевтів/пацієнтів.
google/medgemma-1.5-4b-it (multimodal, 3D CT/MRI, commercial OK, single GPU). Fallback текстовий: aaditya/Llama3-OpenBioLLM-70B (SOTA на MultiMedQA 86%, перевершує GPT-4 у біомед).BioMistral/BioMistral-7B — єдиний із open-source biomedical LLM з нативною підтримкою російської; українську треба або fine-tune-ити на парі RU→UA, або брати base Mistral + медичний SFT.zhengyun21/PMC-Patients (167k пацієнтських summaries, CC BY-NC-SA) + openmed-community/multicare-cases (85k case reports з картинками). Комерційне використання обмежене NC — треба альтернативи або rewrite під ліцензію.| Модель | Розмір | База | Ліцензія | MultiMedQA | Що вміє | Коли брати |
|---|---|---|---|---|---|---|
| google/medgemma-1.5-4b-it | 4B | Gemma 3 | Apache 2.0 (commercial OK) | висока, ~80%+ | text+image, 3D CT/MRI, gigapixel pathology, mobile-ready | Visual Case Quest, рентген-квести, УЗД-ігри |
| google/medgemma-27b-it | 27B | Gemma 3 | Apache 2.0 | SOTA multimodal | text+image, найсильніший на складних випадках | серверні продукти з високою точністю |
| aaditya/Llama3-OpenBioLLM-70B | 70B | Llama 3 | Llama 3 Community (commercial до 700M DAU — OK) | 86.06% (SOTA open-source, перевершує GPT-4 та Med-PaLM-2) | text-only, клінічний reasoning, CME-контент | автогенерація ТЗ на кейси, case generation для Med Detective, автоматичний QA медконтенту |
| aaditya/Llama3-OpenBioLLM-8B | 8B | Llama 3 | Llama 3 Community | ~72% | text-only, швидкий | продакшн inference на T4/A10 |
| OpenMeditron/Meditron3-8B | 8B | Llama 3 | Llama 3 Community | ~71% | SFT на PubMed+guidelines, EPFL+Yale | доказова медицина, citation-grounded answers |
| OpenMeditron/Meditron3-70B | 70B | Llama 3 | Llama 3 Community | ~82% | те саме, але глибше | dedicated endpoints для content generation |
| Henrychur/MMedLM | 7B | InternLM | Apache 2.0 | на 6 мовах | multilingual medical (EN/ZH/JA/FR/ES/RU) | мультимовні продукти, російський ринок |
| Модель | Проблема | Коли дивитися |
|---|---|---|
| BioMistral/BioMistral-7B | Apache 2.0 — OK комерційно, але автори пишуть "research only" — потрібен legal review. Multilingual 8 мов, у т.ч. російська | якщо треба RU медичний; fine-tune на UA парах |
| chaoyi-wu/PMC-LLaMA-13B | Llama base license, тренована на PMC — треба перевірити derivative chain | історичний інтерес, краще OpenBioLLM |
| Meditron 7B/70B (v1, Llama2) | Застарілі, замінені Meditron3 | — |
| Med-PaLM-2 | Google, закрита, без self-host | — |
| HuatuoGPT, DoctorGLM | китайські, російський/український weak | — |
Що вибрати для Deltamedical (практична рекомендація):
google/medgemma-1.5-4b-it для multimodal + aaditya/Llama3-OpenBioLLM-70B для text-heavy завдань (через HF Inference Endpoints або self-host на vLLM).aaditya/Llama3-OpenBioLLM-8B на T4 за $0.40/hr.BioMistral-7B + SFT на власному корпусі (500-2000 прикладів).| Датасет | Розмір | Ліцензія | Що всередині | Застосування |
|---|---|---|---|---|
| openlifescienceai/medqa | 12.7k | MIT | USMLE multiple-choice | benchmark для fine-tuned моделі |
| openlifescienceai/medmcqa | 194k | MIT | AIIMS/NEET India, 2.4k тем, 21 спец. | fine-tune для Med Detective (quiz-questions) |
| bigbio/pubmed_qa | 273k | MIT | так/ні/maybe з PubMed abstracts | evidence-based відповіді |
| openlifescienceai/multimedqa | collection of 7 | mixed | MedQA + MedMCQA + PubMedQA + LiveQA + MedicationQA + MMLU + HealthSearchQA | ground-truth benchmark для будь-якого медичного LLM |
| HiTZ/Multilingual-Medical-Corpus | 3B words | CC BY-SA | EN/ES/FR/IT (без UA/RU) | pretraining на Європу |
| WorldMedQA/V | ~1500 | CC BY | multimodal, BR/IL/JP/ES | vision-benchmark для Visual Case Quest |
| Датасет | Розмір | Ліцензія | Цінність для нас |
|---|---|---|---|
| zhengyun21/PMC-Patients | 167k patient summaries | CC BY-NC-SA | golden: готові структуровані випадки; але NC-SA → не можна використати напряму у комерції, треба переписувати |
| zhengyun21/PMC-Patients-ReCDS | 3.1M patient-article linkings | CC BY-NC-SA | retrieval для "схожих випадків" у квесті |
| chaoyi-wu/PMC-CaseReport | 438k VQA pairs | CC BY-NC | Visual QA pairs з картинками |
| openmed-community/multicare-cases | 85k articles + 160k images, 140+ classes | mixed (по окремих PMC статтях) | найкращий для Visual Case Quest з рентгенами |
| ncbi/Open-Patients | public | CC0/NCBI | безкоштовно для комерції, baseline |
| AGBonnet/augmented-clinical-notes | synthetic | Apache 2.0 | synthetic notes — legal-safe для маркетингу |
| pmc/open_access | 4M+ articles | mixed | raw corpus для RAG |
| introvoyz041/OSCE | ~hundreds | CC | готові OSCE сценарії |
Legal note: NC (non-commercial) ліцензії дозволяють research і edu-контент (CME, навчальні матеріали), але НЕ дозволяють ставити "powered by" на комерційному продукті з платним доступом. Для Med Detective як безкоштовного edu-tool від Deltamedical — дозволено. Якщо планується upsell → треба synthetic rewrite.
| Джерело | Де взяти | Ліцензія | Що дає |
|---|---|---|---|
| DrugBank | go.drugbank.com (не HF) | free для academic, комерція — paid ($$$) | 17k препаратів, повні monographs |
| ChEMBL | EBI (public + HF mirror) | CC BY-SA | bioactivity, фарма-даних для R&D |
| SIDER | SIDERreleases | CC BY-NC-SA | 5868 side effects × 1430 препаратів — для drug-interaction checker |
| TWOSIDES | stanford dataset | academic | 59k drug pairs × 1301 AE |
| HODDI (2025) | arxiv 2502.06274 | academic | high-order DDI, 109k records |
| FAERS | FDA open | public domain | adverse events (raw) |
Для Ukrainian market: Tabletki.ua API (вже у нашому стеку, див. user_tools_ecosystem) + Compendium.com.ua для UA-specific даних. DrugBank тільки для reference.
| Модель | Що вміє | Ліцензія | Для нас |
|---|---|---|---|
| microsoft/rad-dino | vision encoder на CXR (MIMIC+CheXpert+NIH+PadChest+BRAX) | MIT | найкращий backbone для рентген-аналізу |
| microsoft/BiomedVLP-BioViL-T | text+CXR, temporal | MIT | для Visual Case Quest з динамікою |
| microsoft/radedit | редагування CXR (synthetic) | MSR | генерація нових кейсів |
| google/medgemma-1.5-4b-it | універсальна multimodal | Apache 2.0 | best all-rounder, 3D CT/MRI native |
| OpenGVLab/SA-Med2D-20M | segmentation, 4.6M images, 19.7M masks | CC BY-NC | локалізація органів/патологій |
| MedSAM2 (paper 2504.03600) | 3D segmentation відео | academic | для УЗД-кліпів |
Рекомендація: стартувати з MedGemma 1.5 4B — one-stop shop. RAD-DINO брати, коли треба точний рентген-класифікатор (не просто опис).
Реальність: ПРЯМИХ українських medical датасетів на HF немає. Знайдено:
Що робити нам:
BioMistral-7B як medical base + дофайнтюнити на власному UA корпусі (500-2000 пар EN→UA з PMC-Patients після перекладу Gemini/GPT-4).Llama3-8B-Instruct або mistralai/Mistral-7B-v0.3.| Space | Що робить | Чому цікаво |
|---|---|---|
segadeds/Medical_Diagnosis |
ймовірностний diagnosis з симптомів | референс для patient-facing симптом-чекера |
gnumanth/MedGemma-Symptoms |
MedGemma symptom analyzer з next-steps | референс архітектури квесту |
Thabo-Tshabalala/ai-symptom-checker |
symptom→condition→treatment draft | UX-патерн для Schönen-чекера |
peteparker456/medical_diagnosis_llama2 |
Llama2 diagnosis | legacy, але показує structured output |
DrSyedFaizan/medReport |
BioBERT + рекомендації ліків + специалістів | прямий референс на upsell ліків |
introvoyz041/OSCE |
OSCE сценарії | готові сценарії для Virtual SP |
RealTimeLiveAIForHealth |
real-time voice medical agents | для phone-consultation rehearsal tool |
Висновок по Spaces: медичні продукти на HF монетизують через:
Жоден з цих підходів не застосований серйозно у UA/фарма — тобто є бланк-поле для Deltamedical.
| Варіант | $/hr | $/1M tokens (приблизно) | Коли брати |
|---|---|---|---|
| HF Inference Endpoints T4 (small) | $0.40 | $1-3 для 7B моделі | MVP, <100 req/min |
| HF Inference Endpoints A10G | ~$1.3 | $0.5-1.5 | стабільний mid-traffic |
| HF Inference Endpoints A100 40GB | ~$4.0 | $0.3-1.0 (70B q4) | 70B у продакшн |
| HF Inference Endpoints L40S 8x | $23.50 | дуже швидко | якщо ROI виправдовує |
| Groq (llama-3-70b) | free tier + paid | $0.59/1M in, $0.79/1M out | низька latency, LLM-only (не multimodal) |
| Replicate | per-call ~$0.001 | — | spikes, sporadic use |
| OpenRouter | дуже різні | від $0.10 за 1M | швидкий switch між моделями |
| Self-host vLLM on Hetzner GPU | ~€2-4/hr | — | коли є постійний traffic |
Розрахунок для Med Detective + Pharmacy Quest на 3000 MAU:
Формат: назва → опис → ЦА → HF-стек → business goal → rough effort → monetization/ROI.
Опис: апгрейд поточного Med Detective — додаємо рентгенограми, УЗД, фото дерматологічних уражень до кейсів. Лікар бачить "картинку пацієнта" + анамнез → ставить diagnosis → отримує коментар від AI + product placement.
ЦА: терапевти, педіатри, ЛОР, дерматологи (50k активних лікарів у UA, головні прескрайбери).
HF stack:
google/medgemma-1.5-4b-it — multimodal analysis картинок;openmed-community/multicare-cases — банк зображень з кейсами;microsoft/rad-dino — точна класифікація CXR;aaditya/Llama3-OpenBioLLM-70B — генерація expert feedback.Business goal: глибинне знайомство з продуктами Schönen через контекстуальну інтеграцію в клінічні сценарії. KPI: 5000 лікарів-учасників за 3 місяці, 30% повертаються, 15% конверсія в outbound meeting з медпредставником.
Effort: 4-6 тижнів (фундамент з Med Detective v1 є).
Monetization: B2B brand awareness, CME-credits (якщо акредитувати), opt-in база для подальших рекламних акцій.
Опис: щомісячний онлайн-квест для першостільників: 10 сценаріїв типу "до вас прийшов пацієнт з… що порадите?". Правильні відповіді — де продукти Deltamedical (Humer, Zest, Schönen) є доказовим вибором. Рейтинг, призи (сертифікати, мерч, подарунки лідерам). Інтеграція з CBDX/MCC системами аптечних мереж для верифікації.
ЦА: 30-40k фармацевтів в Україні + аптечні мережі як B2B-партнери (Подорожник, АНЦ, Коник, 911).
HF stack:
aaditya/Llama3-OpenBioLLM-8B — генератор сценаріїв і оцінка відповідей;chaoyi-wu/PMC-CaseReport — ре-contextualized base кейсів;SIDER + Tabletki.ua API — drug-interaction та competitor check.Business goal: закріпити у фармацевта mental association "нежить → Humer", "імунітет дитини → Zest". KPI: 3000 активних фармацевтів, 80% правильних відповідей про наші продукти (через gamified repetition). Замір зростання sell-out у топ-аптеках, що беруть участь, vs контрольна група.
Effort: 6-8 тижнів, з бекендом для рейтингу.
Monetization: trade-marketing бюджет (вже є), прозорий sell-out impact. Можливо — sponsored placement всередині квесту від інших небренд-партнерів.
Опис: веб-сайт і Telegram-бот: лікар вбиває 2-10 препаратів → отримує аналіз взаємодій, протипоказань, дозувань. При наявності Deltamedical-продукту у схемі — коротка довідка і посилання. При релевантній взаємодії — soft-пропозиція альтернативи.
ЦА: сімейні лікарі, кардіологи, педіатри (поліпрагмазія — щоденна проблема).
HF stack:
aaditya/Llama3-OpenBioLLM-70B з RAG поверх SIDER + DrugBank + TWOSIDES;openlifescienceai/medmcqa для сабанчмарку якості на pharmacology-питаннях;BAAI/bge-m3 multilingual для пошуку у RU/UA інструкціях.Business goal: брендована free-utility → створює рутинну touchpoint з лікарем (бренд "від Deltamedical"), збирає lead-базу, показує експертизу. KPI: 10000 лікарів у базі за 6 місяців, 2x/тиждень відкривають інструмент.
Effort: 8-10 тижнів (складніший legal + medical-review layer).
Monetization: основне — бренд і база. Опосередковано — upsell наших продуктів як "безпечна альтернатива" у скриптах.
Legal risk: medium — треба disclaimer "не замінює консультацію", ретельна перевірка джерел, редакційний нагляд лікаря-радника.
Опис: сайт типу "Чи це серйозно?" для пацієнтів. Вводиш симптоми → chat-bot розпитує → дає ймовірні причини, red flags ("йти до лікаря зараз") + OTC-рекомендації (де Deltamedical OTC — Humer, Zest — релевантні). Для ЛЗ — "запитайте лікаря/фармацевта".
ЦА: B2C пацієнти (широка аудиторія), плюс SEO-трафік з запитів "болить горло дитина 5 років", "закладений ніс не проходить".
HF stack:
google/medgemma-1.5-4b-it — reasoning;gretelai/symptom_to_diagnosis — baseline symptom-to-condition датасет;HiTZ/Multilingual-Medical-Corpus для мультимов;Business goal: SEO-трафік, performance-маркетинг OTC, top-of-funnel. KPI: 100k відвідувань/міс через 6 міс, 5% CTR на аптечну корзину Tabletki.ua з реферальним посиланням.
Effort: 10-12 тижнів через legal-comprehensive review і heavy SEO-контент.
Legal risk: HIGH у категорії ЛЗ (реклама медпрепаратів, ст. 21 ЗУ "Про рекламу"). Для ЛЗ уникати "прямої рекомендації", фокус на OTC / дієтичних добавках.
Monetization: affiliate Tabletki.ua + SEO-lead до партнерських клінік.
Опис: щоранку о 7:30 лікарі-підписники отримують у Telegram/email персоналізований digest: 5 свіжих PubMed-статей у їхній спеціалізації, переведених і узагальнених українською за 3 хв читання. Брендовано "Ранковий обхід з Deltamedical". Іноді промо-вставка: "Новий клінічний кейс від Schönen".
ЦА: лікарі-KOLs і активні спеціалісти (5-10k база).
HF stack:
pmc/open_access + PubMed API — свіжий фід;aaditya/Llama3-OpenBioLLM-8B або Groq — швидка суммаризація;Business goal: глибинна експозиція бренду з довгим часом контакту (лікар щоранку бачить наш логотип). KPI: 5000 підписників за 6 міс, 40% open rate, 10% CTR на power-content.
Effort: 3-4 тижні (простий pipeline), але потребує редактора-лікаря для якості.
Monetization: чистий brand awareness. Можна додати sponsorship від непересічних партнерів.
Опис: інтерактивна симуляція — лікар у форматі чату/голосу розпитує "віртуального пацієнта" (AI), ставить diagnosis, отримує feedback від AI-экзаменатора. 50+ сценаріїв у релевантних для Deltamedical темах: алергічний риніт, бронхіт у дитини, імунодефіцит. Працює на десктопі і мобайлі.
ЦА: студенти-медики 5-6 курсу, інтерни, резиденти (база ~15k осіб в Україні).
HF stack:
synthetic-patients/base + introvoyz041/OSCE — стартові сценарії;RealTimeLiveAIForHealth — voice inspiration;aaditya/Llama3-OpenBioLLM-70B для ролі пацієнта + окрема instance для ролі екзаменатора;Business goal: довгострокова робота з new-gen лікарями (раннє knowing бренду). Партнерство з медуніверситетами. KPI: 3 університети-партнери, 2000 активних студентів.
Effort: 12-16 тижнів (складний UX, voice-інтеграція, medical-review).
Monetization: university-partnership контракти, CME-акредитація. Strategic investment, не tactical.
Опис: десктопна утиліта для сімейних лікарів: завантажив рецепт/schema → перевірка на взаємодії, дозу за вагою/віком, наявність в аптеках (Tabletki.ua), опція покращити через ОТС-Deltamedical-адьюванти. Працює офлайн-режимі для приватних практик.
ЦА: 5-8k активних сімейних лікарів у приватних практиках UA.
HF stack:
aaditya/Llama3-OpenBioLLM-8B локально через llama.cpp;Business goal: installed user-base з щоденним touchpoint. KPI: 500 лікарів-юзерів, 80% DAU/MAU.
Effort: 14-16 тижнів (desktop app — складніше за веб).
Monetization: freemium (базові функції — free, premium — $9/міс), але головне — sticky touchpoint з прескрайбером.
Опис: лікар завантажує PDF статті/гайдлайну → отримує структурований summary: introduction, methods, key findings, clinical implications, as-applicable to UA patients. Рекламна вставка: "релевантні препарати у наявності — Deltamedical portfolio".
ЦА: лікарі-дослідники, KOLs, викладачі.
HF stack:
google/medgemma-27b-it для глибокого reasoning;BAAI/bge-m3 для RAG;Business goal: позиціонування Deltamedical як "науково-орієнтованого" партнера, сприяє branding серед think-leaders. KPI: 500 KOLs зареєстровано, 2 PDF/тиждень/юзер.
Effort: 6-8 тижнів.
Monetization: goodwill → плюси до medical advisory board, partnership деталі.
Опис: медпредставник Deltamedical перед візитом до лікаря "грає" розмову з AI-doctor, тренується на типові заперечення. AI generates different doctor-personas (скептик, зайнятий, не вірить у БАДи). Після 5 хв — feedback на слабкі місця.
ЦА: internal — 50+ медпредставників Deltamedical (Юля, Катя, Андрій могли б курувати).
HF stack:
aaditya/Llama3-OpenBioLLM-70B для реалістичного doctor response;Business goal: підвищення конверсії візитів медпредов на 10-15%. KPI: середня тривалість візиту +20%, referral-ratio +5 пп.
Effort: 4-6 тижнів (internal-only — менше legal).
Monetization: internal tool → immediate bottom-line impact на sales.
Опис: розширення вже існуючого Pediatric News (n8n) — AI автоматично з PubMed+PMC щодня витягує 3-5 нових педіатричних case reports, адаптує, перекладає і публікує у Telegram-канал "Педіатрія щодня від Deltamedical". Кожен case має роздрукований PDF для лікаря-підписника + natural mention релевантних продуктів (Zest, Humer).
ЦА: 3000+ педіатрів у UA, KZ, UZ.
HF stack:
openmed-community/multicare-cases + PMC Open Access для data;aaditya/Llama3-OpenBioLLM-70B для адаптації та перекладу;Business goal: daily touch у найстійкішій категорії — педіатрії; укріплення у Zest/Humer педіатричному позиціонуванні. KPI: 2000 підписників канала, 40% open.
Effort: 2-3 тижні (фундамент Pediatric News + BioGaia .env уже є).
Monetization: ROI прямий, майже нуль приросту витрат на інфру — AI endpoints уже оплачені.
Опис: сезонна кампанія (серпень-вересень) — сайт, де батьки вводять вік/стать/хронічні проблеми дитини → AI collates "ідеальна шкільна аптечка" з продуктами Deltamedical OTC. PDF shopping list + QR на Tabletki.ua.
ЦА: батьки 4-12 років дітей, ~2M домогосподарств UA.
HF stack:
google/medgemma-1.5-4b-it з medical guardrails;Business goal: сезонний peak sales для OTC у серпні-вересні. KPI: 50k відвідувань, 5% конверсія в кошик (2500 замовлень), $X middle order value.
Effort: 4-5 тижнів (частина стеку є від Med Detective).
Monetization: прямий sell-out, легко атрибутований.
Опис: 12 коротких (по 5 хв) expert-сесій з AI-коучем на клінічні теми, де Schönen має доказову базу (алерг. риніт, постназальний drip, імунопрофілактика). Завершення серії — сертифікат, вхід у закриту Facebook-групу з KOL.
ЦА: 2000 лікарів, які вже тести/квести проходили (теплий сегмент).
HF stack:
openlifescienceai/multimedqa для benchmarking своїх питань;Business goal: будівля community довкола Schönen, можливість для медпредставників особисто контактувати з warmest doctors. KPI: 500 завершили серію, з них 100 на персональний follow-up.
Effort: 6-8 тижнів (content-heavy).
Monetization: direct sales pipeline → прескрайбер-habit.
Опис: нішевий продукт — радіолог бачить ambiguous УЗД-зображення → ставить diagnosis → AI дає feedback з посиланнями на гайдлайни. У педіатричних випадках (абдомен, нирки) → product connection з Zest/Pediatric products.
ЦА: 1-2k УЗД-спеціалістів і радіологів у UA.
HF stack:
google/medgemma-1.5-4b-it (native 3D CT/MRI + 2D УЗД frames);OpenGVLab/SA-Med2D-20M для segmentation;MedSAM2 для відеокліпів УЗД.Business goal: нішева KOL-аудиторія, сильна asociation Deltamedical з radiology education. KPI: 500 активних спеціалістів, 3 KOL-рекомендації на конференціях.
Effort: 10-12 тижнів (складні мультимодальні pipeline, медичний content review критичний).
Monetization: niche influence, opinion-leader partnerships.
| # | Ідея | Speed | ROI | Risk | Priority |
|---|---|---|---|---|---|
| 10 | Pediatric Case Library | ⚡⚡⚡ | ⭐⭐⭐ | low | P0 — робити зараз |
| 9 | Phone Rehearsal (internal) | ⚡⚡⚡ | ⭐⭐⭐⭐ | low | P0 — quick win |
| 5 | News Digest | ⚡⚡⚡ | ⭐⭐ | low | P1 |
| 1 | Med Detective 2.0 Visual | ⚡⚡ | ⭐⭐⭐⭐ | low | P1 |
| 2 | Pharmacy Quest | ⚡⚡ | ⭐⭐⭐⭐⭐ | med | P0 — велика аудиторія |
| 11 | Аптечка школяра B2C | ⚡⚡ | ⭐⭐⭐ | med | P2 (seasonal — запускати липень) |
| 8 | Literature Assistant | ⚡⚡ | ⭐⭐ | low | P2 |
| 12 | Schönen Coach Series | ⚡⚡ | ⭐⭐⭐ | low | P1 |
| 3 | Drug Interaction Advisor | ⚡ | ⭐⭐⭐⭐ | med | P1 |
| 4 | Symptom Checker B2C | ⚡ | ⭐⭐⭐ | HIGH | P2 — legal review first |
| 7 | Prescription Optimizer | ⚡ | ⭐⭐ | med | P3 |
| 6 | OSCE Trainer | 🐢 | ⭐⭐⭐ strategic | low | P2 (university partnership) |
| 13 | Visual УЗД-quest | 🐢 | ⭐⭐ | low | P3 niche |
Фундамент вже є: Med Detective + Case Builder Crew + Pediatric News + Supermetrics pipeline → маємо ~70% стеку для 10 з 13 ідей.
Технічний foundational choice: стартувати з google/medgemma-1.5-4b-it + aaditya/Llama3-OpenBioLLM-70B на HF Inference Endpoints A10G ($1-2/hr running, scale-to-zero коли простій). Для російської UX — BioMistral-7B або Gemini переклад.
Датасетний foundational: zhengyun21/PMC-Patients + openmed-community/multicare-cases — для ігрових кейсів. Legal: зробити паралельно synthetic rewrite (переказ своїми словами лікаря-редактора), щоб зняти NC-SA restrictions для комерційних продуктів.
Рекомендую P0 на травень 2026:
Compliance гайд:
PMC-Patients + synthetic rewrite → legal-safe.Cost ceiling: для всіх 4 P0 продуктів сукупно AI-infrastructure виходить ~€800-1200/міс. Один сильний brand activation легко окуповує це за тиждень.
Команда: Вова (Digital) — інтеграція; Юля/Катя/Андрій — медичний content owner; Настя (SMM) — blogger-підсилення запуску. Потрібен один доп. developer на 2-3 міс або підряд через CrewAI.