ENGМирослав Шестернин — менеджер по продуктам Orange Business Services
Последние пять лет возможности искусственного интеллекта, включая машинное обучение и работу с Big Data, активно используют представители самых разных отраслей. Автоматизировать рутинные процессы, выявлять скрытые корреляции, анализировать большие объемы данных — слабая форма ИИ успешно выполняет обозначенные задачи. Согласно прогнозу международной консалтинговой компании IDC, в 2018 году около трети провайдеров медицинских услуг будут использовать ИИ для работы с данными пациентов. Основные направления внедрения ИИ в здравоохранение мы рассмотрим в этой колонке.
Обработка данных пациентов
В подавляющем большинстве стран больницы собирают данные о своих пациентах. Если информация хранится в электронном виде, в особенности с доступом к сети, то ИИ позволит обрабатывать ее гораздо быстрее, чем это делает человек. Эта возможность имеет критическое значение, когда речь идет о сложных заболеваниях в начале их развития. Оперативные меры помогут купировать болезнь на начальном этапе, когда от нее относительно легко избавиться. По информации корпорации Google, в США из-за неправильной диагностики или слишком долгого анализа информации страдает каждый десятый пациент.
Чтобы решить проблему, некоторые компании уже сейчас предлагают медицинские сервисы, позволяющие провести предварительную диагностику пациента (например, один из кейсов — стартап Lung Passport — ред.). Особенно преуспели в этом корпорации Google (Google Deepmind Health) и IBM (IBM Watson Health). Платформы компаний способны обрабатывать десятки тысяч страниц текста за считанные секунды. Данные, о которых идет речь, берутся как из сети, так и с серверов больницы, в которой работает платформа от Google или IBM.
Решение от Google анализирует открытые данные, так или иначе связанные с самочувствием пациента: его историю болезни, а также схожие истории других пациентов, научно-медицинскую литературу, справочную информацию и многое другое. После сервис Google Deepmind Health взаимодействует с врачом, помогая поставить диагноз и назначить эффективный курс лечения. Платформа от Google работает в нескольких медицинских учреждениях США, включая Moorfields Eye Hospital.
IBM Watson представляет собой систему алгоритмов разных уровней. Для решения конкретных вопросов сервис обучают: сначала насыщают IBM Watson актуальной информацией из собственной базы данных, открытых источников и историй болезни пациентов больницы. Далее сервис анализирует и структурирует полученные данные. Взаимодействие сервиса с врачом идет в режиме диалога, после чего Watson предлагает свой вариант диагноза. Окончательное решение принимает человек. IBM Watson уже работает в некоторых больницах, помогая в диагностике проблем со здоровьем у пациентов ряда больниц, включая сердечные приступы, тромбоз вен, легочные заболевания.
ИИ также может выполнять функционал секретаря регистратуры, управляя базами данных пациентов больниц. Система способна помогать (и помогает) анализировать медицинские снимки и выполнять большое количество других работ. В частности, решение от Zebra Medical Vision позволяет анализировать медицинские изображения из пульмонологических (легочных) отделений больниц. Компьютер выявляет на медицинских снимках проявления заболеваний разных видов (кровоизлияния, повреждения отдельных областей легкого, затемнения и т.п. ), выделяя даже незаметные для человеческого глаза детали, которые врач мог бы пропустить, и помогает диагностировать проблему.
Стоит понимать, что современные ИИ-сервисы, создаваемые различными компаниями, — это, по сути, совокупность нейросетей — нелинейных систем, которые на примерах обучаются выполнять определенные задачи. По мере обучения нейросеть выполняет задачу все более эффективно, учитывая собственные ошибки и удачные решения. Основной плюс нейросети в том, что она самостоятельно анализирует кейсы и принимает решение по оптимизации алгоритма для увеличения результативности, эффективности, производительности. Доступы к базе данных, где хранится необходимая для решения конкретной задачи информация, есть по умолчанию для ИИ. В него заложен алгоритм «если в базе так, то делай это», и нейросеть может поменять этот алгоритм, исходя из накопленного опыта.
Предиктивное лечение
Компьютер, изучая данные конкретного человека, распознает начало возможного заболевания (к примеру, угрозу сахарного диабета, начало язвенного процесса в желудке или несколько раковых клеток), что позволяет врачам ликвидировать угрозу, не давая ей развиться в сложное заболевание. Однако стоит учесть: этот вариант возможен лишь при наличии у пациента в персональной электронной медицинской карты (Electronic Health Records). Инициатива введения подобных карт в США была предложена в 2004 году. Такая карта хранит в себе большое количество данных, включая диагнозы пациента, принимаемые им лекарства, текущие проблемы со здоровьем, результаты тестов и клинические замечания. Все эти данные позволяют установить связь между малозначительными на первый взгляд факторами. Например, она уже помогла найти связь между развитием слабоумия и сахарным диабетом.
Сейчас в США около 94% больниц используют EHR в своей практике. Следующий шаг — интеграция ИИ с программными ресурсами больниц. В Европе этот тренд развивается значительно медленнее, но к 2020 году ожидается реализация единой европейской централизованной системы медицинских записей. В других регионах, за малым исключением, если записи и ведутся в электронном виде, то единой системы нет, что усложняет использование ИИ-технологий в медицине.
Разработка препаратов и персонализация лечения
Искусственный интеллект может работать не только в диагностике. Системы, разрабатываемые компаниями Atomwise и Berg Health, позволяют фармацевтам создавать лекарственные препараты с невероятной скоростью. Если раньше процесс занимал несколько лет, теперь разработка возможна за считанные месяцы.
Сейчас ученые, используя традиционные методы разработки, действуют наугад, добавляя новые элементы к органической молекуле соединения и затем проверяя результаты. С применением ИИ специалист только задает необходимые для препарата свойства, а компьютер выполняет все работу самостоятельно, предложив в конце процесса оптимальную молекулярную структуру лекарства.
Возможности машин и алгоритмов также используются для оказания персонализированной медицинской помощи пациентам. Человеческий организм уникален, потому и реакция на лекарственные препараты бывает разной. То, что эффективно воздействует на организм одного пациента, может не оказывать влияния на течение болезни другого. Решением проблемы могут стать программно-аппаратные платформы, разрабатываемые технологическими стартапами. Пример — FRONTEO Healthcare, несколько лет назад представившая ИИ-систему KIBIT. Изучив все доступные данные пациента, включая расшифрованный геном, машина определят, на какие препараты организм пациента будет реагировать с максимальной отдачей — именно эти лекарства впоследствии применяются в рамках индивидуального процесса лечения. В ходе лечения ИИ будет оценивать общее самочувствие человека, состояние его организма и корректировать лечение в соответствии с полученными данными.
Протезирование
ИИ способствовал созданию бионических или сложных электронно-механических протезов. Самое главное в протезировании — точность. Если один из элементов протеза спроектирован даже с минимальным отклонением, использовать такую систему будет неудобно. Подгонка всех элементов занимает довольно продолжительное время — от нескольких недель до месяцев, даже при условии, что помощь оказывает опытный специалист. (Об инновациях и проблемах на рынке протезирования можно подробнее узнать в нашей экспертной колонке — ред.).
Один из успешно реализованных кейсов — применение ИИ и Интернета вещей в протезировании. Над этим проектом мы работали совместно с крупным игроком в области разработки протезов, используя умные датчики, встроенные в различные элементы протеза для сбора информации о работе системы во время ее эксплуатации носителем. Все данные передавались напрямую на компьютер и обрабатывались нейросетью. После обработки машина предоставляла информацию о том, какие элементы протеза стоит переделать и что именно необходимо изменить в каждом конкретном случае. В результате время на тонкую настройку протеза сократилось во много раз.
Предсказание эпидемий
Как уже говорилось выше, нейросети способны обнаруживать пересечения между большим количеством на первый взгляд независимых факторов. К примеру, увеличение частоты появления в социальной сети публикаций со словами «грипп» и проведением массовых мероприятий в связи с новогодними праздниками. Это способствует развитию еще одного прикладного способа использования ИИ — предсказанию эпидемий. ИИ выявляет очаг заболевания с максимальной точностью до определенного района города и дает рекомендации по решению проблемы: к примеру, усилить информационную компанию «антигрипп», проводить меньше мероприятий с участием большого количества людей, усилить штат больниц, находящихся в регионах с очагами инфекции и т.п. В результате распространение болезни можно если не блокировать полностью, то значительно ослабить.
Используют возможности ИИ и фармацевтические компании: нейросеть анализирует эпидемиологическую ситуацию в определенном регионе и дает прогноз по распространению заболевания, а после компания увеличивает объем производства и поставок лекарственных препаратов определенного типа в наиболее горячие точки.
ИИ в здравоохранении в России
В России работа по развитию ИИ в здравоохранении тоже ведется. Практические результаты особо заметны в распознавании речи врачей и телемедицине — удаленной диагностике заболеваний по медицинским снимкам.
Помимо этого, ИИ нашел применение в робото-ассистированной хирургии, которая используется в урологии и других специальностях. Один из примеров — проведение в Московской городской клинической больнице №50 операции с использованием медицинского робота «Да Винчи». Эта операция транслировалась по всему миру. У робота такого типа — четыре манипулятора. Три из них проводят операцию (под управлением человека) хирургическими инструментами. Четвертый манипулятор держит 3D-камеру, при помощи которой выполнение операции транслируется на монитор. Для удобства хирурга изображение увеличивается в 10 раз.
Инвестируют в сферу и государственные, и частные организации. Так, в 2016 году Минпромторг выделил «Центру речевых технологий» около четверти миллиарда рублей для разработки системы распознавания речи врачей. Новый проект освободит врачей от больших объемов бумажной работы, поскольку система позволяет надиктовывать анамнез и назначения в микрофон. Полностью система будет готова к 2020 году. Прототип распознавания речи врачей уже готов, его разрабатывали с использованием словаря медицинских терминов. Дальнейшая работа над проектом позволит добавить такие модули и функции, как микрофон с шумоподавлением, диктофон для записи при работе на выездах, облачный сервис синтеза и распознавания речи, шаблоны медицинских протоколов. С начала 2018 года ведутся опытно-конструкторские работы.
Институт развития интернета (ИРИ) разрабатывает проект по использованию системы искусственного интеллекта для удаленной диагностики пациентов. При помощи мобильных устройств или компьютера в сервис отправляются медицинские снимки (МРТ, кардиограммы, УЗИ и т.п. ), а машина ставит диагноз. Обучение ИИ ведется на базе тысяч медицинских снимков. Срок ее запуска пока неизвестен.
Как ускорить внедрение ИИ-решений в медицину?
- Каждая страна должна детально проработать собственную законодательную базу относительно ИИ и уровней доступа сервисов к данным пациентов;
- Необходимо проводить информационные кампании для медиков, представителей бизнеса и населения в отношении преимуществ использования ИИ в здравоохранении.
