История рентгенолога. Смотрю насквозь: диагностика в медицине и в жизни - Морозов Сергей Страница 26

Сегодня нам демонстрируют картины, выполненные искусственным интеллектом, написанную им музыку. Но можно ли это назвать в прямом смысле слова произведениями искусства? Ведь в основе лишь математический анализ трендов и потребления в сфере искусства, вариации на темы. Будем надеяться, что нам не придется ждать нового слова в искусстве и творчестве от искусственного интеллекта. Но использовать его «наблюдательность», способность к анализу и структуризации информации – очень перспективное занятие. И мы используем этот потенциал машинного обучения в лучевой диагностике, в фармакологии, где требуется проанализировать миллионы потенциально пригодных для лечебных целей молекул, в экстренной помощи, когда алгоритмы способны «наблюдать» за больным в палате реанимации и по его движениям, изменениям положения тела в сочетании с показаниями приборов прогнозировать (не только констатировать!) ухудшение состояния. Именно скорость анализа,!наблюдательность», быстрая реакция, хорошая память и почти безграничная работоспособность – вот что в первую очередь наиболее ценно для практического здравоохранения.

В лучевой диагностике мы развиваем в наибольшей степени «зрительные» способности искусственного интеллекта – компьютерное зрение. Потому что с развитием аппаратуры мы наконец получаем в достаточном количестве много качественных и, главное, сопостовимых изображений. В огромном потоке КТ, МРТ, маммограмм, других снимков нам надо не упустить сигнал, «красный флажок» (не хочется использовать словосочетание «черная метка»). Именно этому мы обучаем алгоритмы.

Еще один вывод, к которому мы уже пришли: сегодня нам не нужны в этой сфере универсалы, эффективнее, чтобы алгоритмы решали какую-либо одну задачу. А наша задача – обучить, «натаскать» их так, чтобы они выполняли ее блестяще. Узконаправленность, способность сосредоточиться на главном – именно в этом их огромный потенциал и преимущество, и в этом возможность существенного рывка для всей системы здравоохранения. Как мне кажется, такая четко нацеленная настройка алгоритмов в сферах здравоохранения, где идет особенно большой поток, такая «стриминговая» сортировка данных, прогнозирование и структуризация результатов дают в перспективе возможность людям развивать дальше медицинскую науку, уходить вперед, оставляя максимум рутинных задач как раз искусственному интеллекту.

И уже сегодня нам есть что предъявить и в России, и в мире. В России это называется «системы поддержки принятия врачебных решений». По-английски их называют системами поддержки клинических решений (Clinical Decision Support System), что более правильно, поскольку ими пользуются не только врачи, но и медсестры, которых в здравоохранении в принципе больше и которые ближе непосредственно к пациентам. Эти системы подсказывают наиболее распространенные диагнозы на основе жалоб пациента, данных осмотра и анализов, выдают пакет необходимых назначений, который врач анализирует и финализирует для пациента, оценивают степень риска развития тяжелых заболеваний и состояний (например сердечно-сосудистые риски) и могут обозначить для врача тот самый «красный флажок».

Пример из повседневной жизни. Летом по всей Москве в парках работают 46 павильонов для проведения чекапа. По сути каждый павильон – это филиал поликлиники, обслуживающей муниципальный округ. И здесь происходит настоящая цифровая диспансеризация. Без искусственного интеллекта не обошлось. Чекап начинается еще до того, как человек приходит в павильон: в приложении ЕМИАС (та самая единая медицинская информационная система, которая объединяет сегодня все поликлиники города, большинство больниц и намерена объединить все медицинские организации городского подчинения) человек может ответить на 48 вопросов анкеты и получить предварительную оценку рисков. Эта информация о рисках, уже обозначенных алгоритмами искусственного интеллекта, откроется врачу, когда к нему на прием придет человек в павильон.

Искусственный интеллект также выполняет в павильонах в определенной мере обязанности врача функциональной диагностики, по меньшей мере его ассистента. В обязательном порядке чекап предусматривает электрокардиографию. В павильоне управление ею происходит не на самом аппарате, а в интерфейсе ЕМИАС, в которую интегрированы кардиографы. И суть не только в том, что сохраняется запись в электронной медицинской карте пациента (а это само по себе уже формирует те самые большие данные, на которых наш одаренный ученик будет оттачивать свои знания и «мышление»), но еще и происходит автоматический анализ кардиограммы с формированием фактически врачебного заключения. Да, этот предварительный анализ проводит не врач, а алгоритмы, искусственный интеллект. Конечно, наши ЭКГ не отдаются ему полностью на откуп. Дальше врач-терапевт делает оценку этой кардиограммы, и если он считает нужным, он обращается к коллегам, специалистам по функциональной диагностике в свою поликлинику. Но практика показывает, что это происходит все реже и реже, потому что качественное автоматическое распознавание ЭКГ плюс автоматический анализ анамнеза и вероятных прогнозов, понимание, что происходит с пациентом, в сочетании с физикальным осмотром позволяют принять решение о тактике дальнейших действий. И уже десятки пациентов, которые без особых жалоб зашли для чекапа в павильон, прогуливаясь по парку, были отправлены скорой помощью из этих павильонов в больницы из-за выявленной потенциально фатальной аритмии или ишемических изменений миокарда, которые требуют стационарного лечения. Спасибо алгоритмам.

Таким образом, теперь благодаря технологии искусственного интеллекта, обученного распознаванию ЭКГ, она анализируется на месте, нет необходимости долго ждать заключения от врача функциональной диагностики и можно принять оперативно решение, что делать с пациентом. И это первые шаги к модели, в которой происходит системный сдвиг: благодаря алгоритмам, идет передача функций от одного врача к другому, чтобы сократить дистанцию до постановки диагноза и быстрее принимать решение. Используя разные алгоритмы, врач-терапевт или врач общей практики получает узко квалифицированных советников (именно поэтому сегодня мы считаем, что будущее именно за узконаправленным машинным обучением).

Самый большой суеверный ужас медицинского сообщества, связанный с технологиями искусственного интеллекта, это вытеснение врача из процесса – мол, несколько небожителей останутся в высокой башне для самых сложных случаев, и простому человека до них не добраться. Но на самом деле речь нет никакой замены врача, есть лишь сокращение цепочки до постановки диагноза и начала лечения или «поставки услуги» (как бы цинично это ни прозвучало). То же самое мы увидели когда-то благодаря Амазон: сокращение дистанции между производителем товара и его покупателем. У меня нет сомнений, что в здравоохранении, особенно в первичном звене (поликлиниках), где весь мир, с одной стороны, испытывает дефицит врачей, а с другой – именно здесь особенно важна доступность, эта модель будет ведущей.

Но вернемся из московских парков к радиологии и компьютерному зрению. Лучевая диагностика – это около 30 % всех медицинских услуг в мире, что в принципе отводит ей одну из ключевых ролей в здравоохранении. Могу с уверенностью сказать, что к 2030 году большая часть исследований будут анализироваться автоматически. Компьютерное зрение (в отличие от человеческого) при надлежащем обучении способно различать оттенки, недоступные человеческому глазу, и таким образом выставлять риски и прогнозировать развитие заболевание, до того как его признаки будут очевидны исследователю на КТ или МРТ. И я очень рад оказаться в числе тех, кто готовил этот научный прорыв в европейской лучевой диагностике в целом, создавая “инновационные сервисы и новые подходы к бизнес-процессам”, как выразились уважаемые коллеги, вручая мне в 2022 году Европейскую премию за инновации в здравоохранении. Речь шла о создании в Москве в 2020 году центра телерадиологии, в котором трудятся 200 специалистов высочайшего уровня, и Единого радиологического информационного сервиса ЕРИС, ставшего базой для обучения как радиологов нового поколения, так и искусственного интеллекта. В предыдущих главах я рассказывал, как поначалу мы буквально ползали под столами соединяя машины в сеть…