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…
Вообще я бы сравнил эволюцию в организации лучевой диагностики с эволюцией… ГИБДД. Неожиданно? Но, на мой взгляд, очень показательно. Когда-то инспектор ГАИ внимательно следил за порядком на улице и каким-то особым чутьем, наработанным опытом, распознавал (или не распознавал) водителей без прав, тех, кто с высокой вероятностью склонен к тому, чтобы нарушить правила дорожного движения, на глаз определял превышение скорости. Используя свой собственный опыт и наработанные навыки, он «диагностировал» потенциальных нарушителей и оберегал «общественное здоровье улиц». Затем у нашего инспектора появились специальные девайсы — например, радар. С его объективными данными спорить было уже практически невозможно. Постепенно инспектора на улице заменили камеры видеонаблюдения, а квалифицированные и опытные блюстители уличного порядка переместились в центр наблюдения, где с помощью компьютерного зрения постоянно, 24 часа в сутки анализируются данные движения улиц. Отдалившись непосредственно от дорог, наши условные инспекторы дорожного движения получили гораздо больше возможностей для понимания и оценки происходящего, для выявления нарушителей, а что самое главное — для прогнозирования того самого «здоровья улиц». Сегодня анализ больших данных, полученных с видеокамер, позволяет прогнозировать плотность движения в различные часы, выискивать закономерности в нарушениях и рекомендовать необходимые изменения в организации движения.
Условно те же инструменты получили и радиологи, отдалившись непосредственно от своих аппаратов в поликлиниках и диагностических центрах и получив взамен гораздо больший опыт анализа снимков, а также возможность обучать и контролировать обучение искусственного интеллекта с помощью гигантского объема получаемых данных от диагностических устройств, объединенных в сеть.
К сегодняшнему дню свыше 15 млн исследований загружены в созданную нами систему. Более 30 тысяч исследований загружаются ежедневно. 10 тысяч врачей пользуются этими данными каждый месяц. А общее число пациентов, чьи исследования хранятся в системе приближается к пяти миллионам.
То есть, наш одаренный ученик, искусственный интеллект, стал активно участвовать в повседневной клинической практике. Параллельно он продолжает учиться. Создав единый радиологический информационный сервис, мы обеспечили ему обучающую базу и разработали методику его обучения. А для этого были тщательнейшим образом изучены 19 алгоритмов из 10 стнан. В тексте это всего одно предложение. Но в реальной жизни это были рабочие дни без выходных, бессонные ночи, споры, совещания, разборы полетов, разочарования. Мне кажется, что эти сдвинутые с места горы организационной работы стали шагом из вчера в завтра, трансформацией больших разговоров в конкретные реальные дела.
В Москве действительно состоялся уникальный эксперимент по применению компьютерного зрения. И он показал, что помощь искусственного интеллекта позволила на 30 % сократить время описания снимка. Это много. Такая экономия времени особенно почувствовалась во время пандемии, когда все люди, узнали, что такое КТ и зачем оно нужно, а многие медицинские термины (например, сатурация) вошли в обиход. В это непростое, тревожное время значительно увеличилось количество исследований и выросла нагрузка на врачей, и наша предварительная работа оказалась очень кстати. Сегодня в московском центре уже собрана самая большая база данных — компьютерных томограмм легких при COVID-19. И коллеги всего мира используют и ее для обучения и проверки новых алгоритмов.
Это был период очень интенсивного обучения. Чему нас научил эксперимент? Алгоритмы, как мы теперь понимаем, тоже ломаются и перестают выдавать результат, представляющий ценность для врача. И это еще одно подтверждение, что имеет смысл автоматизировать самые простые, базовые исследования. Пример (мы об этом уже говорили в предыдущих главах) — флюорография. Потому что это полтора миллиона исследований в год, 95 % из которых — норма. Как теперь выглядит флюорография для московских врачей, предварительно проанализированная искусственным интеллектом? С разметкой, контурами, подсветкой, шаблоном описания и вероятностями патологии. Эти исследования становятся кристально прозрачны и понятны даже начинающим докторам. Да, еще достаточно много ложноположительных результатов, но алгоритмы совершенствуются, продолжают «учиться» и набираться опыта.
Та же история — маммография. В Москве проводится почти полмиллиона исследований в год, и 95 % из них — тоже, к счастью, норма. И это тоже идеальная возможность для автоматизации. У нас есть реальные кейсы, реальные пациенты, у которых благодаря алгоритмам врач не пропустил патологию. Применение алгоритмов стало профессиональным стандартом. Причем врач обязан просматривать изображения с разметкой алгоритмов. Если вдруг он убирает ее с экрана, после перезапуска рабочей станции она автоматически будет выставлена снова.