Высокие технологии «внедряются» в медицину неравномерно. Но для того чтобы система здравоохранения была более ориентированной на пациента, нужно стремиться к инновационным методам. Новейшие разработки помогают сэкономить время и деньги, врачи точнее определяют диагнозы, а лечение становится эффективнее. 

Компания Droice Labs занимается созданием цифрового помощника для докторов, в основе которого заложен самообучающийся искусственный интеллект. Сооснователь компании Александр Макаров рассказал проекту «Медач» о том, как работает эта технология, почему она нужна медикам и не вытеснит ли она в результате самих врачей?

Идея создать технологию, способную облегчить положение докторов, пришла Макарову в США. Там он получал образование инженера в области машинного обучения (наука о данных), и, как говорит сам, нашел себя в работе с проблемами, связанными с анализом данных. Его товарищ, второй сооснователь, занимался исследованиями в области биомедицинской инженерии.

«Так получилось, что мы обратили внимание на достаточно большую проблему, которая стоит перед медицинским сообществом  давно – это проблема прогнозирования нежелательных побочных реакций. Мы обнаружили официальную статистику FDA, где говорится, что четвертая по распространенности причина смерти пациента – это серьезное нежелательное побочное явление лекарственной медикаментозной терапии. То есть вот такой огромный пласт проблем лежит именно в невозможности хорошо и точно прогнозировать эти явления».

Макаров объясняет, что сложность спрогнозировать, например, отказ почек в случае назначения не тех препаратов, состоит в том, что это крайне редкие явления, которые встречаются в сотые доли процента. Поэтому команда, состоящая на тот момент из нескольких человек, захотела создать электронный ассистент медицинской практики, построенный на основе искусственных нейронных сетей и прогнозирующий различные медицинские параметры и события. Технология анализировала индивидуальные характеристики пациента, которые можно подчерпнуть из его электронных медицинских записей.

«Привнося логику в сам процесс моделирования, мы получили очень хорошие результаты, которые помогли нам начать прогнозировать нежелательные побочные реакции с хорошей точностью. По специфичности и чувствительности это были многообещающие алгоритмы».

Позже молодые люди начали показывать результаты врачам США, которые заинтересовались технологией и воодушевили команду словами, что инструмент действительно очень важный и пригодится докторам. Тогда и возникла мысль о создании компании. «Основной мотив – как мы можем помочь врачам делать больше и лучше для того, чтобы они могли помогать своим пациентам получать качественную медпомощь».

Почему Россия?

По словам Макарова, у них очень интернациональная компания. Инициатива начать применять технологию именно в России пришла ему – единственному россиянину, остальные поддержали. На то есть две причины. Первая – это то, что российское здравоохранение во многом отстает от западного: здесь нехватка  и докторов,  и финансирования, считает он.  А вторая причина – желание команды повлиять в будущем на глобальное здравоохранение. Но причем же здесь Россия?

«Если мы посмотрим на весь мир, то, наверное, самая большая потребность в здравоохранении, особенно в первичном звене, в странах азиатского региона. Огромное количество людей там не имеют никакого доступа к медицине. Наше глубокое убеждение, которое сидит в ДНК нашей компании, это то, что хорошее здравоохранение – наша конечная цель – не должно быть ограничено географическими местами, где это здравоохранение доступно, – говорит он. – Россия в отличие от этих стран по многим критериям находится впереди. Тот ресурс  для того чтобы машина могла начать помогать врачу, он существует, фундамент заложен – это хорошее повсеместное внедрение электронных медицинских историй. На мой взгляд, в российской системе здравоохранения в настоящее время уникальное состояние: оно немного отстает от западных систем, но оно намного впереди тех систем здравоохранения, которые являются самыми неразвитыми в мире. Это позволит нам эволюционировать для того, чтобы переносить лучшие западные практики  в Россию, пытаться расти, органически внедряться и потом экспортировать на страны азиатского региона, где потребность в такой поддержке больше».

В настоящее время команда общается с региональными властями и федеральными учреждениями здравоохранения. По словам сооснователя, договориться с частными клиниками гораздо быстрее и проще, но поддержку нужно искать у государства, «чтобы влиять на как можно большее количество пациентов».

Как работает технология?

Как отмечает Макаров, с технической точки зрения обучение нейронный сети – это большая трудоемкая работа. Кроме того, это не одна универсальная модель, прогнозирующая все, а сотни моделей, которые анализируют отрезки временной шкалы медицинской истории пациента. Уникальность технологии состоит в том, что она справляется с разными типами данных, с разной структурой информации: это могут быть, например, результаты лабораторного тестирования крови и просто текстовые заметки врача.

«Нам нужно было всегда учиться работать с неструктурированной информацией. Из того, что подмечают, пишут врачи уметь вытаскивать ценную информацию и ее уже в дальнейшем использовать как информативные признаки, для того чтобы прогнозировать тот или иной исход».

По мере насыщения информаций, технология учится точнее, чувствительнее реагировать на те или иные редкие события, либо давать более точные прогнозы относительно длительности пребывания в стационарах.

Кроме того, по его словам, на особенности работы влияет генетическая информация, этнические критерии.  «Не всегда можно перенести какие-то находки, которые ты обнаружил в одной стране на другую. Это не только наше мнение, есть определенные гайдлайны, которые регулируют диабетическую терапию, например. Для разных этнических групп населения Америки могут быть какие-то различия терапии. Это один из информативных признаков».

Компания применяет не только нейролингвистическое программирование (НЛП), что является лишь способом обработки естественного языка. Она построена на технологии Natural language understanding, которая как раз позволяет продуктивно и насыщенно использовать заметки врачей и текстовую информацию, которую можно почерпнуть из электронных медкарт, либо из других источников. А для того чтобы научить искусственный интеллект не допускать ошибки, необходимо показать и хорошие, и плохие примеры. После чего модель вбирает в себя этот опыт и классифицирует его.

«Как работает система: она получает сырую информацию из электронной медкарты, анализирует ее, строит аналитический профиль пациента, и затем сравнивает с десятками и сотнями тысяч, может быть миллионами похожих пациентов. Смотрит, какая терапия применялась для этих пациентов и помогает оценить то, как та или иная терапия повлияет на этого пациента».

Не дискредитирует ли врача?

В клинических рекомендациях или стандартах оказания медпомощи можно увидеть множество практик лечения. Однако, по мнению Макарова, основной диагноз можно лечить по-разному.

«Если мы откроем стандарты или клинико-статистические группы, то там вообще нет критерия выбора, там есть критерий частоты назначений. Это больше всего вопросов у меня вызывает. В 80% случаев я должен назначить пациенту рентгенограмму легких. Вот сидит у меня пациент, я доктор. Как я должен понять – этот пациент у меня в 20% или 80% случаев? Мы не наступаем на пятки докторам. Наоборот, мы хотим привнести как можно больше прозрачности для доктора практикующего. Наши главные пользователи – это врачи.

У меня аналогия такая в голове, что мы не пытаемся сыграть партию за доктора, мы карты ему сдаем, для того чтобы у него хорошие карты на руках были. Для того, чтобы он знал с чем играть. Вот это наша задача. Основная идея – мы должны дополнять врача и пытаться облегчить его учесть, а не грузить дополнительной работой».

При этом в качестве данных используются лишь электронные медкарты. По словам эксперта, технология распознавания рукописного текста медицинского характера, оцифровки и хранения его в текстах – это технология сегодняшнего дня, и она будет актуальна еще небольшое время. Кроме того, бумажные данные, так или иначе, дублируются в цифровом виде и врачам не нужно думать об этой проблеме.

Чего не хватает при работе с данными?

В настоящее время компания работает над ранним обнаружением пациенток с возможным раком молочной железы. Проблема состоит не в самом выборе лечения, а в обнаружении заболевании.

«Мы должны дать возможность врачам первичного звена проводить эффективный скрининг этого заболевания. А так как пациент может обращаться к врачу по другим вопросам, эта информация может быть скрыта и вне фокуса врача. Мы помогаем ему вернуть эту информацию на свет и сказать, что пациент может быть склонен или может быть в группе риска по тому или иному заболеванию, попросить провести осмотр, задать уточняющие вопросы, чтобы мы знали о пациенте больше».

По его мнению, скрининг не должен быть с непонятными результатами. Важно уметь работать эффективно с тем, что есть, а масштабные изменения без явной отдачи, сложно реализовать. Нужно собирать хорошую стандартизированную информацию, чтобы можно было сравнивать пациентов и их исходы лечения в одной точке страны или планеты с другой. Для этого нужна общая система здравоохранения. Это одна из идей, которая заложена в технологию нейросетей – самообучаемость.

Макаров подчеркивает, что при работе с данными не хватает информации из первичного звена. Пациент приходит и уходит, и, как общее правило, врач не всегда закрывает тот эпизод, с которым пациент обращался до этого. Какие были бы исходы, были ли явления, которые можно счесть нежелательными, как развивались симптомы, как они уходили – все это остается неизвестным.

«На “летопись” нет времени, хочется посвятить время приема на текущую проблему. Но тем самым мы не закрываем наблюдение до этого. Мы не можем сказать на 100%, была ли назначенная пациенту терапия эффективна, есть ли это заболевание у него сейчас, принимает ли он какие-то препараты, находится ли под активной терапией. Они, бывает, теряются. Поэтому это важно и с точки зрения врача, и с точки зрения пациента – доносить эту информацию и помогать лечащему врачу собирать полную временную шкалу медицинских событий больного».

Нужен тандем

На вопрос, так часто тревожащий многих специалистов, может ли заменить искусственный интеллект их рабочее место, Макаров отвечает, что далеко не в ближайшем будущем.  Ведь машина сама по себе не имеет доступа ко многим вещам, процессам, взаимодействиям с пациентом, которые являются неотъемлемой частью медицинской практики.

«Машина может быть компаньоном врача в каких-то процессах, в которых она работает лучше всего. Мы не можем за секунду прочитать сто тысяч страниц текста, а машина может. Человек не может в считанные секунды провести анализ всей накопленной истории о пациенте и сравнить его с десятком тысяч других пациентов – машина может. Принципиально не правильно думать, что машина может заменить врача, она здесь не для того чтобы заменить врача, а для того, чтобы создать ему опору в тех местах, в которых он не может работать так, как ему бы хотелось, или так, как нужно было пациенту. Нам нужно создать эффективный тандем врача и искусственного интеллекта. Это именно то, куда мы идем. Врач не потеряет свой хлеб никогда, потому что люди работают с людьми, у людей есть фундаментальное недоверие к машине. Мы можем не доверять одному врачу, но за медпомощью мы все равно пойдем к другому.

Мы всегда очень чутко и с огромным уважением подходим к тому, что нам говорят врачи, медицинское сообщество, потому что мы не знаем медицину так, как знаете ее вы, мы не работаем с пациентами так, как это делаете вы. В конечном счете, мы решаем с вами одну и ту же задачу. Поэтому нужно всегда быть открытым инновациям, новым вещам», – заключил сооснователь компании Droice Labs Александр Макаров.

Как сообщалось ранее, порой ядерная физика работает на самую благородную цель — спасает человеческие жизни. Основное преимущество радионуклидной диагностики заключается в том, что с ее помощью можно поймать опасные патологические изменения еще на тех стадиях, когда их невозможно обнаружить традиционными методами визуализации. Подробнее читайте: Радиолог – о мифах КТ и ПЭТ: «Доктор, а мне нужно будет сжигать одежду?»