«Здравоохранение не похоже на банковское дело, — говорит Пачава. — Эта сфера деятельности более эмоциональна. ИИ подразумевает применение „нечеловеческих систем“, таких как компьютеры, которые принимают решения без участия человека, но в здравоохранении мы пока далеки от этого. Если быть точнее, отчасти ИИ применяется в сфере медицины — это касается, например, цепочек поставок, но для диагностики заболеваний или лечения задействуется расширенный интеллект». Что касается данных, то в роли технологии, которая способствует снижению изолированности данных в медицинских системах, сетях и службах, она видит технологию распределенного реестра (distributed ledger technology, DLT).
Пачава делает упор на человеческий фактор. «В банковском деле очень важно, чтобы обслуживание клиентов осуществлялось почти без вмешательства обслуживающего персонала, было высокотехнологичным. Клиенты ищут удобства, в частности, их интересует, чтобы доступ был как можно более быстрым и эффективным. Оценка эффективности результата обслуживания проводится ими при первичном обращении. Они практически не хотят иметь дело с человеком, потому что он выступает в качестве отвлекающего фактора и не способствует решению проблемы, — сказала она. — В здравоохранении все обстоит ровным счетом наоборот. Пациенты находятся в другом ментальном настрое — они ищут сочувствия и утешения. Как было доказано, эти чувства — источник исцеления. Психология, физиология и патология пациентов — это всегда сложно, и на сегодняшний день лечение сильно выигрывает от человеческого взаимодействия».
Системы здравоохранения во всем мире сталкиваются с рядом проблем. Старение населения, рост неинфекционных заболеваний, таких как ожирение, диабет, сердечно-сосудистые заболевания, и растущие ожидания пациентов, надеющихся на исцеление — все это создает огромное давление на провайдеров медицинских услуг. Широкомасштабное внедрение новых технологий всегда было слабым местом систем здравоохранения, их принятию противились и медицинские сотрудники. Однако при должном применении новейшие технологии могут помочь медицине, превратив ее из реагирующей (лечение) в проактивную (профилактика). Критически важно, чтобы эти технологии бесшовно переплетались с рабочим процессом, повышая производительность, но не жертвуя при этом контактом с человеком.
«Мы не хотим полностью заменять врачей и медицинских работников, нам нужно найти синергетические партнерства, где бы технология работала с медициной в тесном контакте, чтобы обеспечить лучшие результаты как для врача, так и для пациента», — пояснила Пачава. В качестве примера она приводит специализированное мобильное приложение-мессенджер Medic Bleep, которое сейчас проходит обкатку в крупной британской районной больнице West Suffolk Hospital. Этот сервис работает в режиме реального времени и должен заменить пейджеры, но при этом соблюдать конфиденциальность данных и правила безопасной передачи данных. Он обеспечивает эффективный обмен информацией между врачами, медсестрами, руководителями больниц и обслуживающим персоналом. Как показали недавние исследования эффективности его работы, в среднем медсестры экономили за смену 21 минуту, тогда как врачи — 48 минут. За год минуты экономии выливаются в часы, что очень важно при уходе за пациентами.
Кроме того, такие технологии помогают выделять приоритеты, упрощают совместную работу. Medic Bleep предоставляет полную картину взаимодействия медперсонала (переписку, беседы), аудит которой способствует сокращению количества ошибок и неблагоприятных инцидентов.
Пачава считает, что такое приложение могло бы связывать группы неотложной помощи в нескольких сетях здравоохранения, а не только в одной больнице. Его можно задействовать в сфере социальной защиты, чтобы работники здравоохранения могли в режиме реального времени получать доступ к медицинским услугам, которые оказываются нуждающимся в уходе пациентам, а также видеть, следуют ли социальные работники рекомендациям лечащих врачей.
Почему ИИ в здравоохранении — это сложно и неоднозначно
«Некоторое время назад ИИ-движок IBM Watson рассматривался в здравоохранении как панацея. Но как бизнес-единица он потерпел неудачу из-за того, что IBM не поняла проблему, которую пыталась решить, — рассказала эксперт ООН. — Дело в том, что структура здравоохранения очень сложна: много заинтересованных сторон, точек соприкосновения, проблемных зон, вариантов лечения и др. Коме того, болевые точки могут носить индивидуальный или системный характер, затрагивать население — это очень сложная сеть».
По ее словам, «настоящий ИИ вряд ли будет привлекаться для клинической практики, по крайней мере при моей жизни». Несмотря на то, что имеется несколько областей, где машинное обучение может улучшить системные процессы, его применении в медицине сдерживается непониманием того, как работает ИИ, как он обрабатывает входные данные и получает результат, причем на фоне чрезмерной уверенности в нынешних системах поддержки принятия врачебных решений. «Например, если анализируя маммограмму, ИИ в 6-7 из 10 случаев смог выявить рак молочной железы, применение ИИ все равно будет неоднозначным, поскольку в 3-4 случаях из 10 он его не обнаружил», — пояснила Пачава.
Она сообщила, что последние достижения в области алгоритмов ИИ сократили разрыв между компьютерами и специалистами по обнаружению рака молочной железы. «Однако мы придерживаемся другого стандарта. Хотя системы поднаторели в прохождении теста Тьюринга (способность демонстрировать интеллектуальное поведение, эквивалентное или неотличимое от человеческого), но считают ли пациенты, что этого достаточно, чтобы ИИ мог ставить точные диагнозы? Я считаю, что для того, чтобы компьютеры могли заменить в здравоохранении людей, они должны быть намного точнее», — сказала Пачава.
В чем ценность ИИ для здравоохранения
Компьютер никогда не познает человека полностью. Алгоритмы и код не могут по-настоящему копировать его сознательное и подсознательное поведение, установки, идеи и ожидания, но, по крайней мере, они могут помочь раскрыть его генетику. По словам Пачавы, машинное обучение достигло ряда успехов в анализе полного набора генов человека. «ИИ позволит быстрее, дешевле, точнее анализировать ДНК, что может оказать существенное влияние на то, как мы предоставляем медицинские услуги. С помощью геномики мы можем достичь более глубокого понимания поведения организма, например, каким болезням он подвержен, и применять полученные данные для профилактики. Геномика образует недостающую связь между лечением и профилактикой. Фармакогеномика может помочь нам понять, как человек реагирует на определенные лекарства, что позволит назначать ему индивидуальную терапию», — предполагает Пачава.
Геномика — это будущее медицины. Например, если человек подвержен высокому риску развития диабета, но еще не является диабетиком, он сможет получить более высокий уровень целевых процедур по снижению риска и/или предотвращению катастрофических последствий для организма. «Я думаю, что геномика произведет переворот в медицине, благодаря которому мы сможем предоставлять персонализированные услуги, однако я также думаю, что и она не даст исчерпывающего ответа на возникающие в медицине вопросы. Уверена, какими бы серьезными не были достижения науки, люди по-прежнему будут обращаться к врачам, чтобы те интерпретировали результаты, давали советы, составляли план лечения с учетом индивидуальных предпочтений. Как врачи, мы должны помнить, что пациент — это тот, кто сидит перед нами, а не просто алгоритм или фрагмент кода», — говорит она.
Технический потенциал автоматизации от отрасли к отрасли варьируется. Индустрия финансовых услуг опередила другие отрасли в получении личных данных, лучше других оперируя ими в цифровом виде. Таким образом, она смогла выявить закономерности, основанные, например, на полученном доходе, и развернуть аналитику для прогнозирования поведения потребителей. Здравоохранение отстает от финансового сектора, поскольку его системы оперируют разрозненными и фрагментированными наборами данных. «Чтобы стать более эффективными, нам не только нужно собрать существующие наборы данных на уровне отдельных лиц, но и получить более глубокую, более целостную картину благополучия человека, а не только его болезни. Прояснить ее помогут новые технологии, такие как носимые и подключенные устройства, предоставляющие медицинским работникам и системам расширенные данных, что, в свою очередь, улучшит алгоритмы и предсказуемость. Только в этом случае здравоохранение станет не реагирующим на болезнь, а предотвращающим», — считает Пачава.
Зачем медицине DLT
Услышав слово «блокчейн», многие сразу же вспоминают о биткоинах, иногда даже могут возникнуть ассоциации с даркнетом, отмыванием денег, мошенничеством, азартными играми и т. п. Нужно заметить, что основой блокчейна является технология DLT.
Считается, что для принятия решений требуется анализ большого количества данных. Ключевой проблемой в здравоохранении во всем мире является закрытость и разрозненность данных. Барьеры, регулирование, политика и регламентированные процессы препятствуют обмену данными не только между несколькими системами, но даже внутри одной. «Допустим, вы пришли к лечащему врачу за консультацией, но он не в курсе, что на прошлой неделе вас госпитализировали, и не получил ваши последние результаты анализов, — говорит Пачава. — И вам приходится звонить в клинику, чтобы узнать, где они находятся. Если повезет, после десяти минут ожидания и еще двадцати минут разговора вам удастся добиться отправки результаты по электронной почте или факсу в поликлинику. После чего вам нужно заново записаться на прием, потому что из-за проволочек 10-минутное время приема врачом истекло».
Учитывая сложность коммуникаций, нетрудно представить, что более сложные потребности, предположим, обращение за социальной помощью при выписке, чреваты еще большими проволочками. К примеру, служба социальной защиты может не получить запрос, и в итоге пациент может лишиться опекуна, что доставит ему множество трудностей и неудобств, или, что еще хуже, он попадет обратно в больницу, потому что не может самостоятельно за собой ухаживать. Разрозненность данных может оказывать серьезное влияние на результаты лечения пациентов, на принятие решений медицинскими работниками и на системные расходы.
Электронные данные о состоянии здоровья никогда не предназначались для межведомственной передачи. Во время лечения или восстановительных процедур пациенты оставляют данные о своем здоровье в различных организациях, аптеках, фитнес-центрах, больницах, где они скапливаются в различных хранилищах. Как обеспечить их передачу и одновременно сохранность? Как научить системы взаимодействовать друг с другом, передавая точные интерпретируемые данные между собой без дополнительных накладных расходов?
По мнению Пачавы, ответом на эти вопросы является DLT. В современных системах данные хранятся в различных электронных медицинских записях без промежуточного связующего слоя. Другими словами, они находятся в неподвижном состоянии, поэтому ни один врач не может получить целостную картину здоровья пациента. «У нас есть намерение использовать данные из разнообразных источников, включая фармакогеномику, носимые устройства, Alexa, Google Home, но для более эффективного принятия решений в сфере здравоохранения нам нужно изменить схему оперативного доступа к данным тем, кому это разрешено. Отсутствие доступа к полному набору данных, который хранится в одном месте, ограничивает возможность анализировать и получать значимую информацию. Следовательно, мы не можем задействовать машинное обучение. Вот еще один ответ на вопрос, почему ИИ в медицине практически не применяется», — сказала она.
DLT и каменный век
Ряд организаций, например MedicalChain, сейчас разрабатывают DLT-платформы, которые обеспечивают распределенный безопасный доступ к историческим данным о состоянии пациента. Эксперт ООН считает, что пока эта технология напоминает ранний Интернет, когда к нему подключались через телефонную линию по протоколу dial-up. Он был крайне медленным, к тому же с ним часто обрывалась связь. Тем не менее, по мнению Пачавы, DLT эволюционирует и в обозримом будущем превратится в межсекторальную технологию. «Необходимо преодолеть еще несколько проблем. С одной стороны, потребуется некоторое время, чтобы DLT перестала ассоциироваться с биткоином. Мы уже близки к этому, поскольку появились перспективные системы здравоохранения, которые подогревают интерес к технологии. Но с другой, сфера здравоохранения заполнена медицинскими учреждениями с устаревшей, десятилетиями работавшей инфраструктурой, которую не так просто заменить. И потом, этого не сделать без значительных инвестиций (которыми больницы не располагают). Не меньшей проблемой является то, что смена инфраструктуры может повлечь серьезный сбой в рабочих процессах», — отметила она.
Таким образом, задача состоит в том, чтобы определить в унаследованной инфраструктуре точки соприкосновения с DLT — это поможет повысить эффективность уже существующих процессов. «Мы пришли к выводу, что DLT лучше всего рассматривать как технологию типа „подключи и работай“, которая будет воспринята унаследованной системы и при этом сможет заменить отдельные узлы, не ставя под угрозу ее целостность, функциональность или надежность», — добавила она. В качестве примера она приводит Dovetail Lab, которая сотрудничая с хирургами разработала платформу для принятия решений на базе DLT, которая позволяет получить согласие пациента на плановую операцию в безбумажной форме.
Цель Dovetail Lab состоит в том, чтобы создать полностью согласованную базу данных пациентов, где бы учитывались риски и выгоды, связанные с различными методами лечения, принятыми решениями, предпринятыми действиями и результатами, о которых сообщил пациент. Со временем эта система сможет взаимодействовать с электронной историей болезни и машинным обучением, чтобы гарантировать, что каждое принятое решение для данного пациента является правильным. «Выявив небольшую болевую точку, Dovetail Lab доказала, что если мы найдем подходящие варианты использования DLT, замена всей больничной инфраструктуры не потребуется — он будет работать в сочетании со всеми слоями. Таким образом, точечные сценарии использования и постепенные улучшениям способствуют продвижению технологии», — считает Пачава.