Трудовой Кодекс РФ с комментариями ТК РФ, бесплатные консультации юристов
В каких случаях ИИ помогает врачу, а где на него зря уходят деньги
Согласно международным исследованиям, применение искусственного интеллекта в медицине способно увеличить валовую прибыль компаний в индустрии здравоохранения. В 2016 году доля европейского рынка ИИ была оценена в $270 млн при ожидаемом ежегодном росте более 35%. По оценкам BIS Research, к 2025 году общий рынок ИИ в здравоохранении достигнет $28 млрд при CAGR более 45,1%, а рынок ИИ для медицинской визуализации и диагностики — $2,5 млрд.
Основной мотивацией для развития ИИ в медицине является рост затрат на здравоохранение и соответствующая необходимость в их ограничении, проблема качества диагностики: около 20-30% медицинских исследований являются неточными или неточно интерпретируются, стремление к стандартизации и автоматизации рутинных функций вплоть до создания самоуправляемых диагностических моделей.
- Звезды биотехнологий. Кто сможет вылечить рак и заработать миллиарды
Еще одним очевидным стимулом развития ИИ является огромный объем данных, которые генерируются всевозможными медицинскими устройствами и информационными системами. При этом, после 3 месяцев хранения менее 15% медицинских данных оказываются востребованными врачами. ИИ привлекает возможностью придать смысл и добавленную стоимость накопленной информации. Автоматизация рутинных действий по сбору и анализу разрозненных медицинских данных позволила бы повысить точность ранней диагностики и прогнозирования развития болезней, оценку эффективности лечения.
Таким образом, трудно найти лучший момент, чем вчера, для инвестиций в быстрорастущие компании на рынке ИИ в здравоохранении. Основным экономическим драйвером при этом, отраженном в девизе знаменитой американской клиники Мэйо «doing more with less», является возможность снижения затрат в системе здравоохранения при сохранении эффективности.
Международная практика
Американская компания Enlitic предлагает онлайн-сервис, повышающий клиническую и экономическую эффективность работы медицинского персонала. Созданный для распознавания рентгенограмм легких в двух проекциях, он позволяет с точностью свыше 95% (AUC > 0,95) классифицировать снимки по 6-7 основным синдромам (не диагнозам!) и формировать предварительный шаблон описания, с которым врачу нужно либо согласиться и нажать «подписать», либо не согласиться и внести свои изменения. Основная сложность, с которой столкнулись разработчики, — проверка данных для тренировки компьютера. В результате этот процесс осуществлялся при помощи массового тегирования (разметки) врачами со всего мира более 5 млн снимков по согласованным критериям.
В компании Babylon health и Sensely разработали приложения для анализа жалоб людей, обращающихся в колл-центр. Алгоритмы анализируют ответы пациента на заданные вопросы и выбирают один из собственных вариантов, таких как «срочно обратитесь к врачу/запишитесь на прием/почитайте об этом заболевании на нашем сайте». Такой элементарный по сути сервис уже широко применяется Национальной службой здравоохранения Великобритании (NHS) и позволит сэкономить затраты колл-центров. Основная сложность в этом случае — разработка деревьев принятий решений и их валидация в условиях медицинской практики.
Израильский стартап Zebra Мedical обратился к проблеме ошибок диагностики, которые по разным оценкам достигают 30% в общем числе проводимых исследований. Потенциально их разработка может повысить число выявляемых при компьютерной томографии заболеваний, снижая вероятность человеческой ошибки: врач как человек может что-то просто не заметить при описании томограмм. Для ответственного врача это удобный инструмент, позволяющий не пропустить, к примеру, опухоль легкого, перелом позвонка, хронические заболевания печени или кальциноз артерий сердца. Для менеджмента клиники — возможность управления рисками и дополнительная защита от гипотетических судебных исков в случае пропущенных диагнозов. С точки зрения системы здравоохранения, дополнительные находки — это в большинстве случаев ложно-положительные диагнозы, увеличивающие стоимость обследования и лечения, но не повышающие качество и продолжительность жизни. В ноябре 2017 года была объявлено о предоставлении доступа к сервисам Zebra через Google Cloud по цене $1 за каждое исследование.
Неудачные экзамены ИИ
Компания IBM после неудачного запуска продукта Watson для анализа изображений, который, тем не менее, стал ассоциироваться с любыми продуктами на основе искусственного интеллекта, выбрала путь Google и решила натренировать компьютер на сдачу экзамена на сертификат врача-маммолога в США. Покупка ею компании Merge Healthcare, обладающей огромным архивом снимков, не дала ожидаемого результата, так как эти данные не были предварительно размечены человеком и компьютеру ни о чем не говорили. Чтобы исправить ситуацию IBM начала создавать партнерства с клиниками для получения от них размеченных данных в обмен на лицензии на клиническое применение разрабатываемых алгоритмов. Для этого была создана технологическая платформа с магазином приложений, позволяющая в перспективе поставить на поток выпуск и валидацию алгоритмов для медицины.
Можно предположить, что в недалеком будущем, учитывая коммодитизацию томографов и растущую доступность лучевой диагностики в развивающихся странах, IBM сможет конкурировать и с сегодняшними гигантами медицинской индустрии, продавая не технологии сканирования, а доступ к сервисам массового анализа изображений и данных. Это подтверждает выводы компании McKinsey, которая показала, что в медицине возможно автоматизировать 36% функций, прежде всего на уровнях сбора и анализа данных.
В результате, на зарождающемся рынке ИИ в медицине уже работает несколько бизнес-моделей: продажа узкоспециализированных сервисов напрямую госпиталям, продажа лицензий на сервисы через онлайн-платформы или маркетплейсы, продажа разработанного программного обеспечения крупным компаниям-производителям медицинских информационных систем, всевозможные партнерства между стартапами и индустриальными лидерами. Все понимают, что «золото» очень близко, но где точно — пока непонятно.
Ограничения и ошибки в России
Ситуация на рынке ИИ в области медицины в России заметно отличается от того, что происходит сейчас на Западе. Ее можно кратко описать фразой основателя компании Enlitic Джереми Ховарда: «Большинство алгоритмов искусственного интеллекта бесполезны», так как созданы под неточное определение задачи или в отсутствие бизнес-модели.
Что ограничивает развитие и применение технологий анализа данных и ИИ в российской медицине? Во-первых, медицинский труд в России дешев, и, соответственно, экономическое обоснование автоматизации функций медсестры или врача несостоятельно.
Во-вторых, врачи в России в избытке (1 рентгенолог на 2800 населения в России, 1/10000 в США и 1/100 000 в Японии), и как следствие, отсутствует типичная мотивация заместить недостающую рабочую силу алгоритмом или компьютерной программой.
В-третьих, по моим ощущениям, формально отсутствует проблема качества медицинской помощи и экономических потерь из-за назначения бесполезных исследований, поскольку сложившейся системе невыгодно демонстрировать проблемы.
Таким образом, в России хайп ИИ в большей степени обусловлен «модой» и стремлением привлечь легкие инвестиции.
При этом существенным отличием российской медицины от медицины стран ОЭСР является индустриальное отставание, то есть крайне ограниченный системный подход к организации рабочих процессов, постановке измеримых качественных целей, экономическому обоснованию, управлению по целям и информатизации. Необходимым условием для развития рынка ИИ в медицине является формирование ИТ-инфраструктуры здравоохранения. Регламентация процессов, постановка целей на основе измеряемых метрик качества, оценка экономической эффективности — все это необходимая основа информатизации и последующей автоматизации. Получается, что отдельные госкомпании, страховщики и сетевые частные клиники проявляют скорее праздный интерес к решениям по автоматизации, но не готовы к приобретениям. Частным компаниям и инвесторам в таких условиях трудно рассчитывать на реальные продажи.
Выделю основные ошибки разработчиков алгоритмов и продуктов для автоматизации медицинских функций и предиктивного анализа данных:
— создание продукта, исходя из имеющейся технологии, а не от определения проблемы целевой аудитории;
— создание алгоритмов под потребности отдельно взятого врача-евангелиста ИТ, а не системы оказания медицинской помощи;
— гипотеза отсутствия решений на рынке, в то время как продукты уже существуют в составе информационно-аналитических систем традиционных медицинских производителей, но не позиционируются отдельно для широкого потребителя;
— отсутствие четкого определения целевой аудитории, механизмов финансирования медицинской помощи и экономических мотивов потенциальных заказчиков;
— отсутствие анализа рынка, конкурентов и продуктов;
— отсутствие Сhief medical officer с медицинскими, бизнес и ИТ-компетенциями;
— создание модели «как должно быть» без базового описания рабочих процессов в модели «как есть».
Выводы
Готовность медицины к изменениям привычного уклада, прежде всего, зависит от готовности применять решения из других индустрий. Например, технологии, которые используются для рендеринга изображений и отображения теней в компьютерных играх, уже успешно применяются в медицине. Трансформация медицины из искусства и ремесла в индустриальное решение происходит повсеместно, и это не замена врача, а обогащение медицины технологиями из других отраслей, например из ритейла, авиаперевозок, индустрии гостеприимства.
Применение искусственного интеллекта в медицине способно революционизировать индустрию здравоохранения за счет развития таких областей, как персонализированная медицина, диагностика, разработка новых лекарственных препаратов, робот-ассистированная хирургия, телемониторинг хронических заболеваний, дистанционная помощь пациентам, поддержка принятия правильных медицинских решений, выявление медицинских ошибок.
Не автоматизируются только экспертиза, мудрость, человеческое отношение, забота, эмпатия, взаимопонимание, поддержка — именно то, что составляет основу профессии Врача. Системным же сдвигом в медицине под давлением автоматизации должен стать переход к глаголам совершенного вида, то есть от лечения к излечению. Мотивация по KPI и искусственный интеллект нам в помощь.
