Содержание
Прежде всего, продвинутые технологии качественно улучшили диагностику с точки зрения распознавания снимков. Например, в 2021 году мы участвовали в разработке анализа КТ-снимков рака легкого. По результатам этого пилотного проекта использование анализатора позволило на 10% улучшить качество диагностики.
Второе — системы поддержки принятия врачебных решений. В этом направлении мы также сотрудничаем с различными организациями для развития систем поддержки принятия решений (СППВР), медицинских информационных систем (МИС), которые позволяют врачу на основании данных эффективнее принимать решения о диагнозе. СППВР собирают все факторы о пациенте в системе и «подсвечивают» врачу, какие вопросы задать, куда лучше пациента направить и какие дополнительные анализы назначить.
И третье — клинические исследования, самый длительный процесс в рамках производства и создания лекарственного препарата. Постепенно в этом секторе начинают рождаться цифровые двойники, которые позволяют проверить, насколько те или иные сегменты пациентов воспринимают различные лекарственные препараты. Такие проекты ускорят клинические исследования и, конечно, повлияют на стоимость. R&D в рамках производства лекарств — самый трудозатратный процесс. Мы тратим почти 25% выручки на R&D ежегодно. Это большой объем инвестиций.
Кроме того, если говорить не про операционную эффективность, а про новые возможности, то мы развиваем системы поддержки принятия врачебных решений. В конце 2024 — начале 2025 года совместно с UK Healthcare создали систему Milton — проанализировали более 500 тыс. медицинских карт в биобанке Великобритании с помощью ИИ. Это повысило прогнозируемость возможных будущих заболеваний у этих пациентов. Конечно, работа проводилась при поддержке государства и с согласия пациентов. Но здесь сошлись все три момента, которые нужны для успешной реализации решений на базе ИИ. Первое — технологии, они уже были доступны. Второе — компетенции, которые есть у нас. И третье — данные. Если соединить все вместе, получается ценностный продукт для инноваций, здравоохранения и в итоге — для пациентов.
Однако есть важный нюанс. Данные, которые собираются в государственной медицине, сильно отличаются как по качеству, так и по доступности от данных коммерческой медицины. Врач, работающий в госсекторе, может изучить всю информацию по своему пациенту в регионе: собрать, проанализировать, сделать выводы с использованием разных видов ИИ.
В государственном сегменте активно проводится работа с процессами автоматизации управленческих решений для региональных органов власти в здравоохранении, в том числе для МИАЦ. Использование ИИ здесь — от процесса записи пациента до аналитических систем. Реализуется аналитическая платформа, которая собирает данные из всех сегментов медицины и медицинских информационных систем. Региональное здравоохранение принимает управленческие решения, основываясь в числе прочего на данных аналитической платформы. У компании «Нетрика Медицина», например, есть своя регистровая платформа, с которой можно общаться «человеческим» языком. Например: сколько у нас пациентов, с какими проблемами обращаются, какие лекарства нужно заказать, каких врачей в перспективе будет не хватать, какой план найма необходимо осуществить.
Пока, к сожалению, не в каждой стране есть доступ к обезличенным агрегированным датасетам.
П. П.: Погрузимся немного в историю. Примерно в 2012 году я в первый раз услышал о data science и вообще не понял, что это такое. Стратегический проект по цифровизации здравоохранения появился в конце 2018 года (федеральный проект «Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ)»). Благодаря ему начались масштабные внедрения сквозных систем учета всех медицинских данных на уровне региона. Тогда и начали формироваться единые массивы данных, а также мы стали слышать о российских компаниях, занимающиеся ИИ. Среди основных решений — рентген легких, маммография, КТ.
Однако и здесь есть нюансы. Например, МРТ-снимки менее стандартизированные, и их количество значительно меньше, чем снимков других модальностей. ИИ-решений по МРТ в России существенно меньше, чем по другим направлениям. А если говорить про данные из истории болезни, представленные в виде текста, написанного врачом, то их нельзя считать достоверным источником для обучения моделей: мы не можем быть уверены, что информация не искажена или не внесена формально. Есть много архивов, которые можно отсканировать, и сервисы позволяют это делать.
Важным является и тот факт, что всем медицинским информационным системам нужен обмен данными, но для обмена данными между потенциальными конкурентами должен быть определен стандарт обмена, чтобы создавалась открытая экосистема данных. В России существует более 200 медицинских информационных систем, из них не более 20 работают в региональном здравоохранении. К примеру, в Москве работает единая медицинская информационная система. В Санкт-Петербурге до сих пор используется интеграционный подход, когда в региональном здравоохранении работают разные вендоры, которые связаны определенным стандартом взаимодействия. Таким форматом является международный стандарт HL7 FHIR, который позволяет обмениваться структурированными медицинскими данными, а также протокол обмена DICOM в инструментальной диагностике. При работе по стандартам появляется уверенность в том, что информация интероперабельна, доступна и может быть синхронизирована с различными федеральными сервисами.
Сегодня невозможно внутри одной компании закрыть все компетенции. Например, в N3.Health мы сильны в обмене данными, аналитике, навигации пациента, сервисах для взаимодействии медорганизации с пациентами, но не занимаемся компьютерным зрением. Поэтому мы работаем в партнерстве с другими игроками — не конкурируя, а дополняя друг друга. Например, наше партнерство с разработчиком «Платформа “Третье мнение”» позволяет быстрее закрывать потребности клиники в компьютерном зрении «по запросу». Наша задача — сделать так, чтобы врач мог использовать ИИ‑сервисы нативно, в привычном рабочем процессе.
Таким образом, сначала необходимо решить вопрос однозначных определений, дальше — прописать четкий и прозрачный механизм работы с обезличенными данными. Это можно сделать безопасно. Например, данные хранятся обезличенно у государства, а компании могут получать доступ через «Госуслуги» или другим способом. Технологий много. Главное, чтобы у всех сторон было желание: у индустрии, тех, кто работает с данными, ИТ-компаний и государства.
Для пациента взаимодействие с ИИ должно начаться с электронных согласий. Человек должен понимать, какие данные он предоставляет, кто и для каких целей их использует, и иметь возможность управлять этим доступом. Только при прозрачных и понятных механизмах доверие к цифровому здравоохранению сможет устойчиво расти.
Технологий конфиденциальных вычислений достаточно много: федеративное обучение, когда модель обучается локально в системе; федеративная аналитика, когда вместо обучения организации создают агрегированную аналитику. Есть еще Data Cleanroom — по сути, такая же песочница, где в безопасной среде разные организации работают с данными, при этом не трогая детальные данные, и обучают большую прогностическую модель, например, пациентскую.
Самое важное, чтобы мы были готовы эти технологии использовать. В конце прошлого года я был на конференции Минцифры, и мы обсуждали, что это возможно.
П. П.: Если мы говорим про обмен данными между медицинскими организациями, то это в первую очередь шифрование по ГОСТ. Этих производителей не так много, и мы можем их пересчитать по пальцам. В других странах для шифрования персональных данных достаточно открытых протоколов шифрования, поэтому вопрос обмена решается проще.
Особенно хорошо эту проблему понимают федеральные медицинские центры. Именно там сосредоточены наиболее ценные массивы данных: более полные истории болезни, глубже описанные протоколы приема, сложные клинические случаи, представляющие большую ценность для аналитики и обучения моделей. Однако даже крупной организации часто недостаточно объема данных, чтобы получить по-настоящему масштабный эффект в одиночку.
Также есть точечные примеры в других странах. Например, врачи в Торонто из больницы Святого Михаила решили проверить эффективность использования предиктивной аналитики. Они обсудили с пациентами, подписали все необходимые согласия, что будут все их данные обрабатывать с помощью ИИ, и это позволит терапевтам в числе прочего предиктивно рекомендовать методы лечения. Результаты теста показали, что риск внезапной смерти снизился на 26%. На основе прогностических моделей врачи предлагали сделать дополнительные анализы или меняли терапию, что позволяло спасать жизни.
П. П.: За рубежом ценность открытых и хорошо организованных медицинских данных уже давно подтверждается на практике. В качестве примера можно привести проекты, связанные с анализом МРТ-изображений новорожденных. В России таких данных немного, они сосредоточены лишь в отдельных перинатальных центрах. В США при этом существуют открытые массивы изображений, на основе которых проводятся хакатоны, исследования и разработка алгоритмов для более точной разметки и интерпретации данных.
Это особенно важно в тех областях, где знаний и наблюдений пока недостаточно. Например, раннее развитие мозга ребенка все еще изучено значительно хуже, чем более поздние этапы. А качественные данные могут помочь выявлять патологии существенно раньше.
Еще один важный фактор — масштабная грантовая поддержка. Во многих странах медицинские организации объединяются вокруг исследовательских задач, формируют крупные датасеты и развивают прикладную аналитику, в том числе в реанимации и прогнозировании состояния пациента. Там, где такие массивы уже накоплены, информационные системы могут не просто фиксировать происходящее, а прогнозировать развитие ситуации и подсказывать момент, когда терапию нужно начинать незамедлительно.
Кроме того, в зарубежной практике уже появляются сервисы, которые помогают пациенту консолидировать медицинские данные из разных клиник в едином контуре. Это важный ориентир для будущего развития: пациент должен иметь понятный и управляемый доступ к собственному медицинскому профилю, а не зависеть от разрозненных систем разных медорганизаций.
Как раз на основании датасетов пациенты будут получать персонализированную терапию, качественные инновационные лекарственные средства. Это позволит в том числе достигать тех целей, которые мы поставили по продолжительности жизни, и двигаться дальше.
П. П.: В ближайшие годы врачи, безусловно, не исчезнут, но их роль будет меняться. У них появятся цифровые помощники по разным направлениям и патологиям, встроенные в рабочий процесс так, чтобы это было удобно, естественно и действительно ускоряло работу. Одна из ключевых задач — убрать из повседневной практики лишние переходы между системами, дублирование ввода данных и прочие избыточные действия, которые сегодня отнимают слишком много времени.
Логика развития очевидна: данные о пациенте должны вводиться один раз, а затем использоваться во всех последующих сценариях оказания помощи — независимо от того, переходит ли пациент между государственным и коммерческим сегментами. В идеале повторный сбор уже известных данных не потребуется: достаточно будет оформить необходимые согласия и подтвердить действия в электронном виде.
Для врача это означает возможность заранее получить максимальной полный, достоверный, структурированный анамнез по пациенту еще до приема. Для системы здравоохранения и фармацевтической отрасли это открывает более глубокое понимание маршрута пациента: назначения, получение препаратов, ход лечения, динамика состояния.
П. П.: Еще один важный момент — доверие пациента к этому лечению. Государство должно последовательно объяснять гражданам, что цифровые сервисы создаются в их интересах и работают на улучшение здоровья населения. Пациент должен понимать ценность такого взаимодействия и не бояться предоставлять доступ к данным, если видит прозрачные правила и понятную для себя пользу. За последние пять-семь лет это направление уже прошло большой путь, и теперь особенно важно планомерно объяснять, как доступ к данным может поддержать превентивную медицину и не только помочь достигать государственных целей в здравоохранении, но и помочь самому пациенту наслаждаться жизнью в здоровом теле.
В AstraZeneca отвечает за реализацию цифровой стратегии компании, включая цифровую трансформацию: создание цифровой экосистемы и омниканальной платформы, внедрение и развитие технологий искусственного интеллекта, а также работу с «большими данными».
Работал в СПб ГБУЗ МИАЦ и Комитете по природопользованию, охране окружающей среды и обеспечению экологической безопасности инженером по геоинформационным технологиям, техническим директором ИТ- и ИБ-интегратора в ООО «Новые линии». С 2024 года в N3.Health отвечает за развитие направления обмена данными инструментальных исследований, построение телерадиологической платформы с сервисами искусственного интеллекта.