Руслан Зайдуллин, основатель Doc+, — о том, что делать Минздраву и о проблемах в российской медицине

О проблемах в российской медицине

В России с медициной есть проблемы, как и во всем мире. Первая — это организация здравоохранения, все, что связано с доступом к медицинской услуге и процессом ее получения, тем, как все организовано между провайдерами, а также с обменом информацией между клиниками, врачами и пациентами. Вторая проблема — чисто медицинская — точность диагностики, лечение различных заболеваний.

Любая область деятельности улучшается, если она рефлексирует по поводу своих результатов работы. А в большинстве стран мира, не только в России, до сих пор все в основном на бумаге — в медицине рефлексировать слишком трудно. Большинство коммерческих клиник не смотрит на медицинский исход, а изучают коммерческие показатели или смотрят на отсутствие жалоб клиентов. Реально «от А до Я» пациентов мало кто ведет.

Из-за того, что данные не оцифрованы, невозможно говорить о медицине в цифровой форме. К примеру, существует некая региональная государственная клиника, и все результаты работы ее врачей лежат в архиве в бумажном журнале, который хранится в соответствии с законодательством, не для того, чтобы взять и построить потом статистическую модель эффективности лечения, а чтобы просто по закону хранить медицинские данные. Электронные карты необходимы в том числе для этого, и они должны быть стандартизованы, чтобы клиники и больницы этими данными могли делиться и анализировать их для получения информации по постановке диагноза или сбора статистических данных.

Медицина — одна из областей, где нет обмена знаниями между различными индустриями, она очень сильно изолирована. Условно, в каком-нибудь FMCG-стартапе менеджер может быть откуда угодно: из нефтянки или ИТ, и его менеджерские качества легко переносятся с одной области на другую. В других сферах есть обмен инновациями и практиками в том числе между сферами, а в медицине, из-за ее закрытости, — нет

О медицинских инновациях, подходах и решении проблем

Для большинства медицинских управленцев слова — digital, инновации, data science — особой роли не играют. Любые инновации воспринимаются в штыки, если их привносят не медики. Это то, с чем мы постоянно боремся. Если мы в DOC+ хотим что-то новое внедрить, то сначала набираем группу из самых инновационно и прогрессивно мыслящих врачей и убеждаем их. А потом они уже убеждают всех остальных. А сразу внедрить что-то новое почти невозможно.

В медицине все очень сильно зависит от врача. Хороший врач знает английский язык, поддерживает свои знания и навыки, читает медицинские исследования, понимает, что такое статистика и теория вероятности. А если он всего этого не умеет, то скорее всего пациент получит медицинскую услугу нестабильного качества. Учитывая, что в России образование врачебное не идеальное — оно в среднем довольно плохое, — доступ к качественной услуге сильно ограничен. В Москве и в Петербурге с этим получше, но все равно, если вы там не знаете через десять референсов хорошего врача, то скорее всего вы попадете к участковому терапевту, который назначит вам Арбидол, Кагоцел, Анаферон и банки на спину. И что такое доказательная медицина такой врач не знает или слышал только в негативном ключе. И чтобы эту проблему решить, все должно быть стандартизировано на уровне системы поддержки решений, принимаемых врачом.

Можно сделать инвестиции в образование врачей в 100 раз больше, нанять лучших преподавателей со всего мира и из России, и много денег вкладывать в обучение и в клиническую практику. И тогда, если все это государство сделает, то лет через 15 у нас пойдут первые выпуски врачей, которые будут суперкрутые на международном уровне и их будет много. Но это дорого и бесполезно.

Можно придумать автоматизацию услуги, которая поможет при постановке диагноза, даже если врач не самый крутой и не самый развитый и находится где-нибудь в Тамбовской области в деревне, где он не задумывается о повышении своих навыков, а мы берем и даем ему IT-решения. Сделаем программу, в которую он должен будет вносить в нужном формате симптомы, анамнез и другие данные о пациенте, и система ему будет подсказывать: какой диагноз поставить, какое плановое лечение назначить, и еще будет проверять его на ошибки.

«Клиент всегда прав»

Если в ритейле и других индустриях все думают про клиентоориентированность, customer journey, и как сделать все максимально удобно, чтобы клиенту нравилось обслуживание, то в медицине про это задумываются только сейчас. Медицина — это тоже услуга, и как любая другая, в ней клиент почти всегда прав. Пациент, конечно, не может оценить медицинское качество, но он может оценить весь процесс получения услуги.

С точки зрения customer journey и клиентоориентированности, в медицине пока все плохо. Об оцифрованности можно пока забыть: сейчас записываются только через колл-центр, долго ждут приема или сидят в очереди, вам ничего не объясняют, качество услуги, с точки зрения коммуникации с клиникой и врачами, кардинально отличается, и итог такой коммуникации может быть очень печальным для пациента. Один врач может вам объяснить ситуацию понятным языком и указать, что делать дальше, и остается только следовать назначениям, то в другой клинике врач напишет листочек молча, выдаст и скажет: «идите лечитесь». В таком случае останется непонимание заболевания, поэтому и что делать — тоже будет не ясно, и в итоге качество лечения будет хуже.

Черный ящик постановки диагноза

То что происходит в мозге врача при постановке диагноза — это черный ящик. На входе у него все данные о пациенте и весь багаж знаний из мединститута и опыта, на выходе — вероятный диагноз. Большинство медстартапов пытаются этот черный ящик воссоздать, в идеале разложить его по полочкам и алгоритмизировать, чтобы повысить точность. Из самых больших и известных проектов — IBM Watson — он помогает принимать решение по онкологическим больным с помощью предоставления статистических данных. Но в целом много стартапов занимается искусственным интеллектом в медицине, и они нацелены на то, чтобы этот черный ящик разложить и сделать эффективнее.

Один из самых крутых результатов в медтехе — распознавание изображений: их в медицине очень много и их несложно оцифровывать. Если есть миллион рентгенов или МРТ, которые, будем надеяться, описаны сертифицированными и хорошими врачами, то алгоритм уже обучается на этих снимках, чтобы затем начать предсказывать диагноз и делать заключения.

Сейчас весь медтех в основном про то, что очередной алгоритм научился по фотографии глаза предсказывать сердечное заболевание, диабетическую ретинопатию и другие заболевания. С первичной медпомощью, которой занимается DOC+, все сложнее. Потому что по факту вы должны оцифровать не какую-то картинку и проверить ее, но и получить определенный набор данных. Поэтому надо оцифровать алгоритм того, как работает врач, что он спрашивает у пациента, почему спрашивает, что нужно доспросить, как учесть новые данные или недавно открытые исследования. И в итоге, чтобы помочь врачу или частично заменить его в первичной медпомощи, вы должны построить такую вероятностную модель, которая между собой соединяет симптомы, диагноз и план лечения.

Чем больше данных у системы, чем больше она оцифрована и включает в себя анализ медкарт и других данных, тем выше точность оценки. И все это не строгая связь — по всем данным и медкартам, которые у нас есть, по всем данным, которые нам известны и всем стандартам, которые мы учли, с определенными симптомами с определенной вероятностью устанавливается диагноз. И с этим диагнозом и симптомами назначается лечение.

Медицинские данные, этика и технологи

Медицинские данные полноценные даже об одном человеке — это несколько терабайтов. Очевидно любому, кто понимает, что такое терабайт, что врач никогда в жизни, даже если он захочет сделать максимально персонализированную услугу, за всю свою жизнь он не сможет проанализировать эти данные. Поэтому там и нужен data science, потому что он объяснит эти данные, и без него это в принципе невозможно. Далеко не все врачи это понимают. Онкологи и генетики знают, а условный терапевт в клинике, мягко говоря, не понимает этого вообще.

Очень сложный этический вопрос: какую точность диагностики считать минимально достаточной. Вот придумаем мы какие-нибудь машинные алгоритмы, которые диагностируют какую-то болезнь с точностью 90%. Хорошо это или плохо? Ты знаешь, что вам алгоритм подсказывает, что чтобы сделать точность диагностики 90%, вам нужен набор данных. Допустим, есть какие-то данные, которые можно получить только при осмотре. Вы можете компенсировать их отсутствие тем, что сделаете дополнительные лабораторные и инструментальные исследования. То есть, условно, пациенту не постучат по коленке, но он сделал МРТ и сдал три нужных анализа крови, и плюс у нас есть его геном, и этого достаточно, чтобы выдать диагноз с точностью до 90%.

Есть исследования, которые будут требовать приема у врача со специфическим очным осмотром, но я лично уверен, что их абсолютное меньшинство. И все равно во время очного осмотра врач совершает какие-то понятные прогнозируемые действия: если стукнуть молотком — это измерение проводимости и рефлексов, если какой-то сложный визуальный осмотр затрудненных частей тела, то это можно сделать с помощью снимка или специальным средством, или инструментом, который может заменить врача на определенном этапе.

Технология — это классно и всегда лучше. Стоматолог или хирург смотрит на рентген или компьютерную томографию, потом делает визуальный осмотр, и на основе этого выдает алгоритм действий и манипуляций, начинает их делать, и дальше на основе вашей реакции или того, как идет операция, адаптирует свои действия по ходу лечения. Точно также этот процесс автоматизируется, только естественно это гораздо сложнее. Есть же робохирургия, она сейчас пока выглядит так, что есть роботы, которых врач-хирург использует, чтобы повысить точность разреза, но в какой-то момент они и простейшие операции начнут сами делать. Почему нет?

Никто не говорит, что ошибок никогда не будет. Посыл совершенно другой, мы говорим, что с использованием этих решений и алгоритмов, процент ошибок должен снизиться, а процент правильных диагнозов, правильного лечения и его эффективность должны улучшиться. Решение о том, что улучшилось или нет, может принимать только инстанция, которая имеет все данные о здоровье населения и клинических исследованиях.

Из 100 человек, которых будет условно лечить робот, те 95, которым он помог, будут считать, что все круто, наступил новый век и это прекрасно. А те пять, которым он не помог, будут считать, что это ужасные технологии, и все нужно запретить. Притом, что если бы их лечил врач, помогли бы не 95 людям, а 80, и хуже лечение было бы не у пяти человек, а у 20, но реакция была бы все равно другая.

У каждой новой технологии в абсолютно любой индустрии, и в медицине тоже, есть всем известный adoption cycle — цикл принятия и адаптации. Сначала есть 1–2% людей — гиков и пользователей, которые кайфуют от новой технологии, просто потому, что она такая, какая есть. Они даже не особо переживают, насколько она эффективна, просто считают ее крутой. И они начинают ее тестировать на себе и рассказывать всем, что с ними происходит. Когда такой пул тестировщиков набирается, подключаются люди, которые немного консервативнее, но еще не консерваторы: любят новое, но не фанатично. Тоже начинают пробовать. И потом, когда все они уже перепробовали, и консерваторы, которые со всех щелей услышали, что этим ребятам помогло, потихоньку начинают адаптироваться. На всяких нерегулируемых рынках adoption cycle регулируется, грубо говоря, самим рынком.

У Минздрава рано или поздно возникнет выбор: либо он смотрит на ситуацию региона, где помощи врачам вообще нет, и мирится с этим, либо он рекомендует локальному департаменту здравоохранения в рамках пилота в этом регионе (где врачей участковых не хватает), для жителей внедрить роботизированную систему. Есть условное решение, которое говорит, что есть алгоритм, чат-бот — что угодно, прошедшее неоднократные клинические исследования, и в ситуации, когда врача нет в первичной помощи, алгоритмизация и автоматизация могут его заменить и с достаточно хорошей точностью посоветовать, что делать. Проще говоря, внедрить робота-терапевта. Кажется, что здесь логично было бы принять решение в сторону «чуть рискованно, но в рамках технологии», чем просто оставлять ситуацию очевидно плохой.