science-review.ru
Объем мирового рынка технологий ИИ, используемого в здравоохранении, по итогам 2020 г. достиг 4,2 млрд долл. Об этом свидетельствуют данные аналитиков Research And Markets [1].
Цель публикации – представить, что внедрение в медицину инновационных технологий искусственного интеллекта (ИИ) трансформировало многие возможности, которые казались нам фантастическими и сказочными, в реальность; показать значимость этих достижений и повысить интерес к их использованию.
ИИ в медицине в значительной степени уже сейчас заменяет человека в разработке новых лекарств, диагностике болезней, а также улучшает медицинские услуги в целом. ИИ упрощает процесс выявления сходства и закономерностей, помогая создавать когорты пациентов для клинических испытаний. Можно найти информацию в неструктурированной медицинской литературе для поддержки принятия решений, что повысит точность диагностики. Сами разработчики часто не понимают логику поиска закономерностей искусственным интеллектом, что привносит некий иррационализм, в связи с недостаточной изученностью логики его работы, и опасения дальнейшего развития этого популярного направления современного программирования.
Наибольший интерес представляют для отрасли автоматизация управления медицинскими записями и анализ изображений для постановки диагноза [2].
Основными трендами ИИ являются:
1. Предположение различных состояний
2. Анализ дигитальных данных с поиском решений проблемы
3. Оценка материала с обнаружением невидимых связей [3].
Уже сегодня стали остро востребованы форматы дистанционного мониторинга и телемедицины для обмена опытом между врачами, сопровождения больных в стационаре, на дому и амбулаторном лечении.
Министерству здравоохранения РФ уже удалось создать единый цифровой контур, который в существенной степени должен повысить качество собираемой и обрабатываемой информации [4].
Удаленные консультации расширяют доступ к качественной медицинской помощи, особенно в малонаселенных пунктах.
Стала реальностью автоматическая оценка состояния пациента между визитами – использование гаджетов (фитнес-браслетов, электронных часов, программ для телефона), передача показателей здоровья с гаджетов непосредственно в хранилища клиник с последующим анализом информации электронной системой, что позволяет выявить опасные отклонения в состоянии здоровья пациентов и вовремя назначить консультации.
Основная концепция трансформации медицины будущего – это 5Р: предиктивная, персонализированная, партиципативная, превентивная и позитивная. В работе S.A. Waldman и A. Terzic утверждается, что современная система здравоохранения «реактивная» – мы ждем, пока люди заболеют, и тратим уйму ресурсов на то, чтобы их вылечить [5].
Лечение болезней в продвинутой стадии требует более частых и длительных визитов к врачу и госпитализаций, что неэффективно для экономики.
В США средние затраты для страховой компании на одного пациента в год после определения диагноза, например рака груди, составляют для ранней стадии около 61000 $ и 135000 $ для четвертой стадии [6].
К примеру, по данным Американской Альцгеймеровской ассоциации, раннее обнаружение болезни Альцгеймера может снизить затраты на лечение одного пациента на 64000 долл. за счет снижения количества госпитализаций [7].
Думать о донозологическом состоянии человека, мониторировать и находить эту стадию – главная задача медицины будущего [8].
Медицина – это область, где цена ошибки невероятно высока, а участие профессионала «алгоритмизируется» пока отнюдь не во всех операциях. Возможно, ее ближайшее будущее за гибридными, человеко-машинными системами [9].
В настоящее время существуют огромные возможности для лечения пациентов. Это требует от врача знания большого объема медицинской литературы. Ежедневно в мире публикуется 15 тыс. рекомендательных статей. Человек не в силах обработать такое количество информации, а ИИ это может сделать очень быстро. Но в первую очередь польза ИИ для человека прежде всего будет наиболее выражена в диагностике заболеваний. ИИ сможет помочь быстро квалифицировать любой случай благодаря доступу к большому массиву научной информации из интернета [10].
ИИ для пациента может предложить навигацию в системе здравоохранения. Указав на симптомы, человек может получить подсказку, в какое медицинское учреждение ему надо обратиться. Разработчики из Соединенного королевства создали программу Your.MD (также известную как Healthily) на основе ИИ, позволяющую просто сказать чат-боту симптом, например «Кашляю», и приложение выдает информацию о возможных заболеваниях и в какие проверенные учреждения обратиться за консультацией и лечением. Подобные системы автоматического общения пациента с машиной могут в значительной степени сэкономить ресурсы и занять медицинские кадры более важными делами, не требующими рутинного исполнения [11].
Множество медицинских данных, включающих в себя информацию о разработке новых лекарств и методик, информацию о пациенте, полученную в ходе его лечения и исследования, информацию от различных медицинских гаджетов, клиник, фарминдустрии, научную литературу из медицинских источников, может быть консолидировано и обработано с помощью ИИ [12]. В России создается Единая государственная информационная система в сфере здравоохранения, которая предполагает сбор и обработку медицинских данных с медицинских информационных систем всех клиник [4].
В медицине нейросети, обрабатывая огромные массивы данных, могут находить неожиданные факторы, влияющие на здоровье пациента, и точно диагностировать самые сложные заболевания [13].
Если объединить все вышеуказанные данные из всех клиник, врачи получат уникальный опыт от коллег со всего мира, будут приняты во внимание те факторы, которые неочевидны человеческому глазу, и произведен многофакторный анализ и сравнение различных вариантов течения заболевания.
Различные дедуктивные вопросы решаются в медицинской статистике с помощью нейросетевых технологий и анализа big data, такие вопросы возможно классифицировать следующим образом по степени развитости:
1. Наглядные аналитические данные (что произошло?) – в медицине идет непрерывный сбор информации.
2. Диагностические аналитические данные – анализирует информацию (почему это случилось?). Используются статистические методы анализа данных с целью кластеризации, классификации, детализации и обнаружения корреляции с целью выявить основные факторы влияния на результаты.
3. Предикативные аналитические данные или прогностическая, предсказательная аналитика (что случится в будущем?). Беря за базис множество данных в прошлом, возможно формировать прогнозы о новых эпизодах в будущем. Данный процесс также включает в себя умный сбор данных.
Среди направлений прогнозной аналитики перспективно прогнозирование болезней с учетом локации и различных объединений людей. Можно будет находить множественные взаимосвязи и закономерности для того, чтобы выявлять людей, подверженных определенным заболеваниям, и работать с ними с превентивной целью. Отмечается бурное развитие сегмента облачных решений для предиктивного анализа.
4. Прескриптивные аналитические данные (какие действия нужно совершить для того, чтобы событие не произошло?). ИИ в этом варианте обрабатывает всю собранную информацию для поиска возможности для решения конкретной задачи. Программа может поставить диагноз на основании жалоб либо понять предрасположенность к различным болезням, которые с высокой вероятностью могут развиться [12].
И, конечно, расчет экономической эффективности. Клиники США в основном получали финансирование с учетом средней стоимости лечения и обследования, и в таком случае многие учреждения спекулировали данными для увеличения финансирования за счет ненужных процедур. ИИ используется для анализа каждого кейса и позволяет переходить к более эффективной подотчетной помощи, для этого уже производятся изменения в законодательстве [12].
Еще одна немаловажная тенденция – это предсказание потребностей. Для этого большие данные с такими показателями, как повторные посещения специалистов, хронические болезни, эндемичность, позволяют более тщательно строить прогнозы и влиять на экономическую эффективность.
Одним из наиболее перспективных направлений работы ИИ в медицине является возможность моделирования и прогнозирования медицинских лекарств. Стартап Semantic Hub с помощью машинных алгоритмов анализирует перспективность того или иного препарата с экономической точки зрения, что важно для фарминдустрии [14].
Медицинские данные пациентов представляют собой большую ценность. Примером может служить покупка фармхолдингом Roche проекта Flatiron Health за 2 млрд долл., который занимался набором информации об онкологических пациентах [15].
Из нескольких баз данных аналитические системы могут отбирать пациентов, которые наиболее полно отвечают требованиям испытания препаратов, что может существенно улучшить качество клинических исследований. Аналитический метод применяется для предсказания нежелательных явлений до проведения исследований препарата, устройства или метода.
В 1970-х гг. были созданы системы ИИ MYCIN и DENDRAL, которые стали моделировать знания живых экспертов и применялись в медицине и химии [16].
IT-решения в медицине разделяются на эволюционные и революционные. Эволюционные повышают качество уже существующих услуг. Революционные – качественно меняют здравоохранение: внедрение телемедицины – дистанционного взаимодействия доктора и пациента (Федеральный закон «О телемедицине» № 242-ФЗ от 1 января 2018 г.). Применение искусственного интеллекта в клинической практике – помощь в распознавании снимков КТ, МРТ, предписании медикаментов и выполнение различных других автоматических действий.
Приложение IBM Watson Health обнаружило у больного редко встречающийся тип лейкемии и внесло правку в терапию [17].
В качестве примера описательной аналитики можно привести исследование о содержании углеводов в диете, выполненное в Америке. Анкета, содержащая вопросы о питании, была разослана 15400 американцам в возрасте от 45 до 64 лет. Наблюдение за ними продолжалось 25 лет. По результатам статистической обработки был сделан вывод, что бедная углеводами диета (когда организм получает из них меньше 40 % энергии) и богатая (более 70 %) сокращает продолжительность жизни [18].
Японцы оценили риски правосторонней гемиколэктомии. Ретроспективному анализу подвергли 1,2 млн случаев в 3500 хирургических стационарах. В 2011 г. правостороння гемиколэктомия была выполнена у 19070 больных. При плановых операциях смертность составила 2,3 %, в экстренных случаях – 6 %. Затем на основаниях записей в историях болезни самостоятельно выделили 26 факторов риска и рассчитали вклад каждого из них в исход. Эта работа определила дальнейшие пути развития хирургии [19].
ИИ может связать между собой параметры, которые обычно анализируют и считают по отдельности. В январе 2019 г. попробовали проанализировать связь проблем со слухом и другими заболеваниями. Изучили истории болезни 154414 человек в возрасте 50 лет и более, обращавшихся по поводу ухудшения слуха. Выяснилось, что риск развития у таких людей в течение 5 лет деменции на 50 %, а депрессии на 40 % выше, чем у всех жалующихся [20].
Одной из первых платформ ИИ в помощь врачам стало приложение Isabel. В программу вводятся данные пациента, места, где он недавно побывал, симптомы, затем программа выдает перечень болезней, которые соответствуют введенным данным [21]. Как известно, зачастую врачи допускают ошибки и направляют к специалистам, назначают ненужные анализы и лишние обследования из-за невозможности быстрого доступа к информации о заболевании, его диагностике, рекомендуемых методах лечения, необходимых исследованиях. Однако цена Isabel составляет 400 тыс. долл. для крупных госпиталей. Isabel и другие подобные платформы можно рассматривать скорее всего как средство поддержки принятия решений.
Следующий шаг: в 2011 г. была создана первая база знаний с возможностью интеллектуального поиска – Watson от компании IBM. Большое количество данных само может быть очень трудным. Решением стал подбор информации по значимости, который был реализован в этой программе [22]. Watson Oncology обрабатывает большое количество медицинских записей и предлагает врачу наиболее оптимальный вариант диагностики и лечения в зависимости от внесенных данных [23].
Ватсон предлагает докторам уникальные возможности. Созданы программы, которые могут проверять признаки аутизма и болезни Паркинсона, разработан микроскоп, диагностирующий болезни крови на основе алгоритмов машинного обучения, компьютер Scan Nav анализирует отклонения плода по данным УЗИ, создается «генетическая» база данных.
Корпорация Google – ее подпроект Deep Mind Health с помощью множества снимков, полученных на аппарате оптической когерентной томографии, позволяет на ранних этапах диагностировать макулярную дистрофию и ретинопатии [24].
Программа израильской компании MedyMatch Technology обнаруживает инсульт благодаря тысячам загруженных в нее описанных томографических изображений; мелкие детали, которые может не заметить специалист, программа видит благодаря работе нейронной сети [11].
Патологоанатомы совместно с программными разработчиками создали приложение, с помощью которого специалисты более быстро и продуктивно выявляют и классифицируют поражение клеток [25].
Таким образом, «большие данные» уже на наших глазах кардинально изменяют медицинскую сферу, предлагая новый формат обработки информации с высокой прогностической ценностью полученных результатов.