Искусственный интеллект в медицине: от точной диагностики до персонализированного лечения

Коротко. В медицине искусственный интеллект уже уверенно решает три задачи: находит аномалии на снимках, оценивает риск осложнений по накопленным данным пациента и снимает с врача документооборот. Остальное, включая персонализацию терапии и ускорение разработки лекарств, работает точечно и под присмотром специалиста. Но главное препятствие в клинике не алгоритм, а то, что его окружает: разрозненные данные, требования к обработке персональных медицинских сведений, необходимость клинической валидации и объяснимости решения. Проект, начатый с выбора модели, а не с состояния данных, останавливается на пилоте.

Эта страница про то, где ИИ в медицине применим и что нужно клинике до старта. Если вы уже дошли до выбора исполнителя, вам нужна другая: как выбрать подрядчика для медицинской информационной системы. Про наш собственный продукт для медицины есть отдельная страница Mediora AI.

Где ИИ в медицине уже работает, а где пока нет

Зрелость направлений отличается на порядок, и путать их дорого: под «ИИ в медицине» в одном бюджете оказываются задача, решаемая за квартал, и задача, требующая клинического исследования.

Формулировки в столбце зрелости намеренно осторожны. По анализу изображений публикуемые исследования показывают чувствительность, сопоставимую со специалистом, но только в конкретной задаче, на конкретной популяции и при конкретном качестве снимков. Перенос такого результата на другую клинику без проверки на её собственных данных не обоснован. Это и есть причина, по которой валидация ниже описана отдельным разделом, а не упомянута в конце.

Что это даёт врачу, пациенту и клинике

Врачу

• Второе чтение. Система просматривает поток исследований и помечает те, где, по её оценке, есть аномалия. Решение остаётся за врачом, но порядок разбора меняется: сомнительное поднимается вверх очереди.
• Меньше рутины. Расшифровка диктовки, заполнение полей карты, подготовка выписки. Это та часть, где отдача наступает быстрее всего и где откат к ручному режиму ничего не ломает.
• Доступ к протоколу в момент решения. Не вместо суждения врача, а чтобы актуальная рекомендация была под рукой в сложном случае, со ссылкой на источник.

Пациенту

• Раннее обращение внимания. Показатели с носимых устройств и домашних приборов могут указать на отклонение раньше, чем появится жалоба. Ценность здесь в маршруте: сигнал должен приводить к действию, иначе он становится шумом.
• Терапия с учётом его особенностей там, где для этого есть данные, а не усреднённый стандарт.
• Ответ вне приёмных часов. Первичная навигация, напоминание о приёме препарата, подготовка к исследованию. Границы такого помощника должны быть заданы явно, и отказ отвечать на клинический вопрос это правильное поведение, а не недоработка.

Клинике

• Предсказуемая загрузка. Прогноз потока по отделениям позволяет ставить смены и распределять оборудование не по факту, а заранее.
• Меньше потерь на повторах. Дублирующие исследования и несведённые данные стоят денег в каждом эпизоде, и это одна из немногих статей, которую видно в учёте уже с первого месяца.
• Прослеживаемость. Журнал того, что система предложила и что решил врач, нужен не только регулятору. Без него невозможно понять, работает ли внедрение.

Почему проект в клинике технический только наполовину

Это та часть, которую чаще всего пропускают, и именно она определяет, дойдёт ли пилот до эксплуатации. Внедрение ИИ в медицинской организации одновременно технический и организационный проект, и вторая половина тяжелее первой.

Данные

Модели нужны чистые, структурированные и связанные данные. В реальной клинике они лежат в нескольких системах, часть в виде свободного текста, часть на бумаге, справочники диагнозов расходятся между отделениями, а один и тот же пациент существует под несколькими идентификаторами. Пока это не сведено, любая модель обучается на искажённой картине и уверенно воспроизводит её искажения.

Практический признак готовности простой: можно ли собрать историю одного пациента за три года без ручной работы. Если нет, проект начинается отсюда, а не с выбора модели.

Закон и согласие

Медицинские сведения относятся к особой категории персональных данных почти во всех юрисдикциях, и обработка их для обучения модели это отдельное основание, а не продолжение лечебного процесса. Что именно потребуется, зависит от страны и от того, покидают ли данные организацию: собственный контур, обезличивание, отдельное согласие, договор с обработчиком, оценка воздействия. Это решается юристом организации до начала работ, а не согласуется после запуска пилота.

Клиническая валидация

Алгоритм, влияющий на диагноз или лечение, во многих юрисдикциях регулируется как программное обеспечение медицинского назначения, со своими требованиями к допуску. Независимо от формального статуса проверять его нужно на собственных данных клиники: показатели поставщика получены на другой популяции и другом оборудовании. Валидация это не этап приёмки, а постоянный процесс, потому что меняются и оборудование, и поток пациентов.

Прозрачность решения

Врач не может опираться на подсказку, происхождение которой не видит, и не должен. Значит система обязана показывать, на что она опирается, и сохранять след: что предложила, что врач принял, где разошлись. Этот журнал одновременно основание для доверия персонала и то, на чём держится измерение пользы: без него вопрос «стало лучше или нет» остаётся вопросом мнения.

Как посчитать, стоит ли начинать

Считать надо до пилота и одной формулой, иначе обсуждение сводится к впечатлениям. Ниже способ измерения, а не обещание результата: числа в примере условные и подставлять нужно свои.

Три поправки, без которых счёт всегда завышен. Первая: считать надо не только минуты, но и долю случаев, где систему пришлось переделывать вручную, потому что она и есть предел экономии. Вторая: в стоимость владения входит не только лицензия, но и валидация, поддержка интеграции и обучение персонала. Третья: у направлений из таблицы выше сроки окупаемости различаются в разы, поэтому смешивать их в одном бизнес-плане нельзя.

Про стоимость внедрения в целом, а не только в медицине, есть отдельный разбор: сколько стоит внедрение AI.

Признаки, что начинать пока рано

Если узнаёте три пункта из шести, проект стоит начинать не с модели, а с наведения порядка в данных и регламентах.

• Историю пациента за несколько лет нельзя собрать без ручной работы.
• Справочники диагнозов и услуг расходятся между отделениями, и никто не отвечает за их сведение.
• Нет ответа на вопрос, кто в организации разрешает обработку медицинских данных для обучения модели.
• Нет клинициста, готового отвечать за постановку задачи и приёмку результата.
• Успех пилота не описан измеримо: непонятно, какое число должно измениться и на сколько.
• Нет решения, что делать при расхождении подсказки системы и мнения врача.

Чек-лист перед стартом

1. Одна задача. Выбрано одно направление из таблицы, с понятной зрелостью, а не «ИИ в клинике» целиком.
2. Данные проверены. Известно, где они лежат, в каком виде, за какой период и какая доля пригодна.
3. Правовое основание получено до начала работ, письменно, от юриста организации.
4. Определён владелец со стороны клиники и клиницист, отвечающий за приёмку.
5. Задана мера успеха числом и способом его измерения, вместе с тем, как измеряется вред.
6. Спланирована валидация на своих данных и её повторение, а не однократная приёмка.
7. Описан откат. Известно, как отделение работает, если систему отключить сегодня.
8. Заложено обучение персонала и разбор расхождений как регулярная процедура.

Что меняется в ближайшие годы

Без прогнозов рынка, только то, что уже видно в работающих системах.

• Непрерывный мониторинг вместо приёмов. Носимые устройства и датчики дают поток, а не точку. Основная нерешённая задача здесь не точность модели, а ложные тревоги: система, поднимающая шум, отключается персоналом в первый месяц.
• Модель пациента для проверки сценариев. Расчётное представление состояния, на котором можно оценить течение и варианты вмешательства до применения. Пока применимо в узких задачах и требует данных, которых у большинства организаций нет.
• Геномные данные в обычной практике. По мере снижения стоимости секвенирования анализ генома перестаёт быть исследовательским. Ограничение, как и везде выше, в согласии, хранении и объяснимости.
• Совмещение изображений с операционным полем. Наложение трёхмерной модели органа во время вмешательства. Направление оборудования, а не программного проекта клиники.

Общее в этих четырёх: ограничением становится не алгоритм, а данные, согласие и объяснимость. Ровно то, что и сегодня определяет, дойдёт ли внедрение до эксплуатации.

Как я в этом участвую

Я архитектор, а не поставщик медицинского алгоритма, и моя часть начинается раньше выбора модели. Я разбираюсь, в каком состоянии данные и можно ли на них вообще что-то построить; проектирую контур, в котором медицинские сведения обрабатываются по требованиям юрисдикции; встраиваю решение в действующую МИС так, чтобы приём не останавливался; и закладываю журнал и измерение, без которых нельзя ответить, работает внедрение или нет.

Опыт в этой области накоплен на проектах для медицинских организаций Израиля и региона, включая работу для Израильской медицинской ассоциации. Собственный продукт для медицины, Mediora AI, мы развиваем сами, и часть выводов выше пришла оттуда.