В каких случаях искусственный интеллект оказывает врачу помощь, а где на него зря тратятся деньги.

Как говорят международные исследования, применение в медицине искусственного интеллекта может в индустрии здравоохранения увеличить валовую прибыль компаний. В 2016 году доля европейского рынка искусственного интеллекта была оценена в 270 миллионов долларов при ожидаемом ежегодном росте более 35%. Как оценивает BIS Research, в здравоохранении общий рынок искусственного интеллекта к 2025 году достигнет 28 миллиардов долларов при CAGR более 45,1%, а рынок искусственного интеллекта для медицинской визуализации и диагностики —2,5 миллиарда долларов.

Основная мотивация для развития искусственного интеллекта в медицине - это увеличение затрат на здравоохранение и соответствующая необходимость  их ограничивать, проблема качества диагностики: около двадцати-тридцати процентов медицинских исследований неточные или неточно интерпретирующиеся, стремление к  автоматизации и стандартизации рутинных функций вплоть до создания самоуправляемых диагностических моделей.

Еще один очевидный стимул развития искусственного интеллекта - это очень большой объем данных, которые генерируются всевозможными информационными системами и медицинскими устройствами. При этом, после трех месяцев хранения меньше 15% медицинских данных оказываются востребованными врачами. Искусственный интеллект привлекает возможностью придать накопленной информации добавленную стоимость и смысл. Автоматизация однообразных действий, связанных со сбором и анализом разрозненных медицинских данных дала бы возможность повысить точность прогнозирования развития болезней и их ранней диагностики, оценку эффективности лечения.

Так что, довольно сложно  найти лучший момент, чем вчерашний день, для инвестиций в очень быстро растущие компании на рынке искусственного интеллекта в здравоохранении. Основной экономический драйвер при этом, отраженном в девизе знаменитой американской клиники Мэйо «doingmorewithless», это возможность снижения затрат при сохранении эффективности в системе здравоохранения.

Международная практика

Американская компания Enlitic предлагает онлайн-сервис, который повышает экономическую и клиническую эффективность работы медицинского персонала. Созданный для распознавания рентгенограмм легких в двух проекциях, он дает возможность с точностью свыше 95% (AUC > 0,95) классифицировать снимки по шести-семи основным синдромам (не диагнозам!) и формировать предварительный шаблон описания, с которым врач должен или согласиться и нажать кнопку «подписать», или не согласиться и внести свои изменения. Основная сложность, с которой разработчики столкнулись, — это проверка данных для тренировки компьютера. В результате данный процесс осуществлялся при помощи массового тегирования (разметки) врачами со всего мира более пяти миллионов снимков по согласованным критериям.

В компании Babylonhealth и Sensely было разработано приложение для анализа жалоб людей, которые обращаются в колл-центр. Алгоритмы анализируют ответы пациента на заданные вопросы и выбирают один из собственных вариантов, например, «обратитесь срочно к врачу / запишитесь на прием / почитайте на нашем сайте об этом заболевании». Подобный по сути элементарный сервис уже широко применяется Национальной службой здравоохранения Великобритании (NHS) и даст возможность сэкономить затраты колл-центров. Основная сложность в данном случае —это разработка деревьев принятий решений и их валидация в условиях медицинской практики.

Израильский стартапZebraМedical обратился к проблеме ошибок диагностики, которые по разным оценкам достигают 30% в общем числе проводимых исследований. Потенциально их разработка может увеличить число выявляемых при компьютерной томографии заболеваний, понижая вероятность человеческой ошибки: врач как человек может просто не заметить что-нибудь при описании томограмм. Для ответственного врача это очень удобный инструмент, который позволяет не пропустить, например, перелом позвонка, опухоль легкого, 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, которые увеличивают стоимость обследования и лечения, но не повышают  продолжительность и качество  жизни. В ноябре 2017 года была объявлено о предоставлении доступа к сервисам Zebra через GoogleCloud по цене $1 за каждое исследование.

Неудачные экзамены искусственного интеллекта

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 MergeHealthcare, 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 искусственного интеллекта 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 искусственного интеллекта в области медицины в России сильно отличается от того, что происходит в настоящий момент 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 искусственного интеллекта в российской медицине? Во-первых, медицинский труд в России дешев, и, соответственно, экономическое обоснование автоматизации функций медсестры или врача несостоятельно.

Во-вторых, в России врачи  в избытке (1 рентгенолог на 2800 населения в России, 1/10000 в США и 1/100 000 в Японии), и как следствие, нет типичной мотивации заместить недостающую рабочую силу алгоритмом или компьютерной программой.

В-третьих, по моим ощущениям, отсутствует формально проблема качества медицинской помощи и экономических потерь из-за назначения ненужных исследований, так как сложившейся системе невыгодно демонстрировать проблемы.

Так что, в России хайп искусственного интеллекта 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 искусственного интеллекта 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 подобных условиях сложно 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 имеются в составе информационно-аналитических систем традиционных медицинских производителей, но не позиционируются отдельно для широкого потребителя;
- отсутствие механизмов финансирования медицинской помощи, четкого определения целевой аудитории и экономических мотивов потенциальных заказчиков;
- отсутствие конкурентов, продуктов и анализа рынка;
- отсутствие Сhiefmedicalofficer с бизнес, медицинскими и ИТ-компетенциями;
- создание модели «как должно быть» без базового описания рабочих процессов в модели «как есть».

Выводы

Готовность медицины к изменениям привычного уклада зависит, прежде всего, от готовности использовать решения из других индустрий. К примеру, технологии, которые используются для  отображения теней в компьютерных играх и рендеринга изображений, уже применяются успешно в медицине. Трансформация медицины в индустриальное решение из ремесла и искусства повсеместно происходит, и это вовсе не замена врачей, а обогащение медицины технологиями из прочих отраслей, к примеру из индустрии гостеприимства, авиаперевозок, ритейла.

Применение в медицине с искусственного интеллекта может революционизировать индустрию здравоохранения через развитие таких областей, как диагностика, дистанционная помощь пациентам, персонализированная медицина, поддержка принятия правильных медицинских решений, телемониторинг хронических заболеваний, выявление медицинских ошибок, робот-ассистированная хирургия, разработка новых лекарственных препаратов,.

Не автоматизируются только взаимопонимание, эмпатия, мудрость, забота,  экспертиза, человеческое отношение и поддержка — именно те вещи, которые составляют основу профессии Врача. Системным же сдвигом в медицине под давлением автоматизации должен стать переход к глаголам совершенного вида, а именно переход от лечения к излечению.  Искусственный интеллект и мотивация по KPI нам в помощь.