Цифровизация даст медикам возможность пользоваться любыми технологиями обработки данных; поставит им на службу вычислительную, коммуникационную, мобильную, робототехнику, а также науку о данных и, самое главное, медицинский ИИ.
Первым делом ныне существующие базы данных будут оцифрованы, а процессы — автоматизированы. Это затронет истории болезни, данные об эффективности лекарств и медицинских приборов, сведения о клинических испытаниях, о контроле качества медицинского ухода, статистику по распространению инфекционных заболеваний и поставкам лекарств и вакцин. В результате оцифровки появятся огромные базы данных, которые также обеспечат новые возможности ИИ.
Не так давно стала цифровой такая область медицины, как радиология. И врач уже не разглядывает подсвеченный рентгеновский снимок — на смену дедовскому методу пришла компьютерная визуализация 3D-изображений с высокой четкостью, а это делает возможной телерадиологию и ИИ-диагностику.
Уже сегодня начали оцифровывать медицинские карты и страховые данные; их сохраняют и объединяют (если это, конечно, разрешено законом) в анонимных базах данных, к которым можно применить ИИ, улучшив тем самым эффективность и качество лечения, диагностики, квалификацию медицинского персонала, выявление аномалий и профилактику заболеваний.
Полные базы данных по использованию каждого лекарственного средства позволят врачам и ИИ понимать, как и когда применять каждый препарат с максимальной эффективностью и как избежать врачебных ошибок. ИИ может выполнять многие виды работы гораздо тщательнее, чем люди-врачи, — ведь он имеет возможность обучаться на миллиардах реальных случаев, учитывая в том числе и результаты лечения.
ИИ может анализировать полный медицинский и семейный анамнез и подбирать лечение с учетом этих данных. А еще ИИ сможет, так сказать, держать руку на пульсе прогресса — знать и «помнить» все об огромном количестве новых лекарств, методов лечения и результатах медицинских исследований, что однозначно выходит за рамки человеческих возможностей.
В дополнение к существующим методам обработки информации в здравоохранении все больше используются новые революционные технологии, продукт собственно цифровых процессов. Мобильные устройства контролируют частоту сердечных сокращений, артериальное давление, уровень сахара в крови; постоянно увеличивают набор статистических данных о естественном движении народонаселения и могут своевременно подать сигнал об опасности для человечества.
Такой трекинг непременно приведет к созданию огромных баз данных, которые помогут ИИ точнее мониторить здоровье, выявлять болезни на ранней стадии, предлагать методы лечения и поддержки.
Благодаря новым технологиям огромное количество цифровых данных генерируется в сфере медицинских исследований. Определение последовательности (секвенирование) ДНК выдает жизненно важную цифровую информацию — например, о генах, кодирующих белки (молекулярных механизмах жизни), о регуляторной сети, которая определяет поведение генов.
Цифровая полимеразная цепная реакция (всем хорошо теперь известная ПЦР) способна точно выявлять патогены (например, вирус SARS-CoV-2 и его разнообразные варианты) и генные мутации (например, новые маркеры рака). Секвенирование следующего поколения NGS (Next-generation sequencing) обеспечивает быстрое прочтение и интерпретацию генома, что не под силу человеку (геном слишком длинен и сложен), но отлично поддается ИИ.
Есть еще CRISPR — революционная технология редактирования геномов, которая, вполне возможно, поможет искоренить многие болезни. И наконец, разработка новых лекарств и вакцин становится все более цифровым процессом и все сильнее интегрируется с ИИ (подробнее об этом поговорим в этой главе чуть позже).
Все эти новшества — цифровые изначально, поэтому они могут быть сопряжены с другими цифровыми технологиями, такими как ИИ, что непременно приведет к прорыву в здравоохранении.
Вы можете спросить, почему же провалились первые медицинские проекты с использованием ИИ вроде IBM Watson[50] с программой лечения онкозаболеваний? IBM работала с уважаемыми медицинскими учреждениями, MD Anderson и Sloan Kettering[51], и решила использовать их медицинский опыт и данные для обучения своего ИИ.
Эти высококачественные обучающие данные идеально подходят для обучения врачей и студентов-медиков. Они были кропотливо собраны ведущими исследователями с целью помочь учащимся усвоить ключевые концепции, установить связи между областями и синтезировать новые решения. Но эти базы данных слишком малы для ИИ, который учится на массивных данных, а не на концепциях (вспомните таблицу в главе 1, в которой противопоставляются обучение человека и ИИ), но имеющиеся базы оказались для него скудны. Технология IBM Watson попыталась расширить эти знания с помощью большого количества медицинских текстов из учебников и отчетов по исследованиям, но и эти материалы тоже предназначались для потребления человеком, а ИИ лучше подходят реальные данные о лечении и конкретных результатах.
К тому же лечение рака — задача слишком объемная и многофакторная и явно не годится для первого применения ИИ в области медицины. Здравоохранение с использованием ИИ должно начинаться с более скромных задач с большими датасетами, необходимыми искусственному интеллекту для обучения, и это очевидно.
Судя по всему, ИИ и медицинские сообщества усвоили урок IBM Watson. Сегодня они сфокусировались на более подходящих для ИИ задачах — разработке новых лекарств и вакцин, создании мобильных устройств для продолжительного обследования-мониторинга, секвенировании ДНК, радиологии, патанатомии и лечении генетических заболеваний.
Кроме того, мы должны быть реалистами и выбирать задачи, подходящие для нынешнего здравоохранения (создавать то, что может продаваться через уже существующие каналы). Машины должны дополнять работу ученых и врачей, а не пытаться амбициозно их подменить. При таком прагматическом и ориентированном на имеющиеся данные подходе уже в ближайшие двадцать лет ИИ-здравоохранение, без всяких сомнений, может рассчитывать на великое будущее. Предлагаю рассмотреть подробнее некоторые задачи; начнем с создания новых лекарственных средств.
До сих пор разработка лекарств и вакцин была чрезвычайно трудоемкой и дорогостоящей. Например, на открытие и совершенствование вакцины от менингита человечество потратило больше века. В случае с ковидом фармацевтические компании смогли продвинуться намного быстрее, во многом благодаря беспрецедентным государственным расходам на клинические испытания и работе по нескольким параллельным направлениям разом (одно только правительство США и только в 2020 году потратило на это 10 миллиардов долларов).
Но окажись ковид действительно столь же заразным и смертоносным, как заболевания, вызывавшие пандемии раньше, нас бы не спасло, что вакцины пришлось ждать всего год. Так что почивать на лаврах еще не время, процесс нужно ускорять.
Разработка новых лекарств требует понимания того, как вирусные белки (последовательности аминокислот) складываются в уникальные трехмерные формы. Без расшифровки этих трехмерных структур не определить, как действуют вирусы и как, соответственно, с ними бороться. Например, спайковый белок SARS-CoV-2 образует «шип», который, подобно ключу, вставляемому в замок, прикрепляется («подходит») к рецептору на поверхности клеток человека.
После такой интернализации (усвоения) вирусный геном (в случае ковида — это РНК) передается клетке-хозяину и реплицируется (копируется) во многих органах, возникает заболевание со всей печальной симптоматикой.
Но ковид и лечится примерно так же — лечебная молекула присоединяется к патогену (как ранее — зловредный вирус к клетке) и подавляет его. По сути, разработка новых лекарств представляет собой поиск этой лечебной молекулы. Процесс состоит из четырех этапов:
1. Использование последовательности мРНК с целью определить последовательность белка патогена (сегодня это относительно несложно).
2. Определение трехмерной структуры последовательности белка патогена (сворачивание белка, по-другому фолдинг).
3. Поиск цели на этой трехмерной структуре.
4. Генерирование вероятных лечебных молекул и выбор из них наиболее перспективного кандидата для доклинических исследований.
Возвращаясь к упомянутой выше метафоре, этапы 1, 2 и 3 помогают найти «замок», а 4-й этап — подобрать к нему «ключик». Эти четыре шага необходимо проходить последовательно, и все, кроме первого, требуют немалых затрат времени и средств.
На 2-м этапе используются традиционные методы кристаллизации белков, в частности технология криоэлектронной микроскопии, позволяющая увидеть вирусные белки в их родной среде. На основе этой визуализации и строится трехмерная структура белка — это работа кропотливая и небыстрая.
Затем, на этапах 3 и 4, следует поиск целей, мишеней для лекарственного воздействия и разработка новых средств. Это тоже долго, процесс требует хорошей интуиции, большого опыта и, конечно, большой доли везения.
Препарат — кандидат на доклинические исследования может появиться через несколько лет и с вероятностью 90 процентов не пройдет их II или III фазу. На серии исследований тратится очень много времени. Конечно, если разрабатывать параллельно несколько вариантов (как это было с ковидом), дело можно ускорить, но при этом и сильно удорожить.
Кстати, именно в таком контексте создавались мРНК-вакцины от ковида для компаний Moderna и BioNTech/Pfizer. мРНК-вакцины — продукт нового подхода в разработке препаратов, имеющего значительный потенциал. Для разработки мРНК-вакцины ученые расшифровывают взаимосвязь между последовательностью мРНК и структурой белка, а затем синтезируют вакцину, которая обучает человеческие клетки синтезировать белок, похожий на белок вируса-патогена. Возникает иммунная реакция, которая при встрече с реальным вирусом заработает с новой силой, и человек окажется защищен.