Ханс-Алоиз Вишман, Philips Research: «Большие данные на всех уровнях дают рекомендации, как можно помочь пациентам»
В последнее время мы много обсуждаем возможности ИИ в здравоохранении: в классификации болезней и их лечении. Уже разработана система тестов и определенных индикаторов — специальные устройства класса FDA2. Они дают более точные рекомендации для пациентов, а автоматизация помогает обрабатывать данные. Речь не идет о замене врачей и их практики, но комплексный анализ медицинской истории пациента показывает, что это возможно. Мы верим в клиническую практику, но можем сделать шаг вперед, развивая технологии дополненной реальности.
Philips Research готовится ввести прогнозируемое моделирование: учет количества пациентов и времени их прихода. Возможности интеллектуальной медицины помогают принимать решение в зависимости от состояния пациента. На основе предыдущих примеров врач будет строить уже следующую систему и знать, что в ближайшие 20–25 минут ему нужно сделать.
Ханс-Алоиз Вишман — глава центра экспертизы данных и искусственного интеллекта Philips Research. Родился в Германии, изучал физику в Кельне и Лионе и присоединился к Philips в 1991 году, сразу после получения степени PhD. Занимал различные должности в качестве научного сотрудника и главы департамента Philips Research, а также менеджера по развитию бизнеса и продакт-менеджера для телемедицины в сфере здравоохранения. Будучи главой Philips Research North America, вместе со своей командой он переместил лабораторию в 2015 году из поместья Бриарклифф, штат Нью-Йорк, в Кембридж, штат Массачусетс. После возвращения в Европу в 2017 году отвечал за исследовательские программы в области информатики здравоохранения и управления здоровьем населения.
Что касается инициатив в реабилитации, у нас также есть автоматизированная система. Например, если у пациента болезнь Паркинсона, можно увидеть, как меняется его поведение, и узнать, что ему нужно — допустим, меньше двигаться. Кроме того, можно наблюдать за прогрессом реабилитации. В этом помогает специальное устройство.
Можно рассмотреть и более широкий контекст: можно коррелировать определенные данные — сколько пациентов нуждаются в большей заботе, какая группа населения характеризуется более высоким риском. А затем сделать вывод, например, что их нужно транспортировать в срочном режиме в ближайшие девять месяцев. Звонить и спрашивать, как пациент себя чувствует, не нужно, потому что система показывает, кому следует позвонить в зависимости от состояния здоровья. Большие данные на всех уровнях дают рекомендации, как можно помочь пациентам.
ИИ помогает не только врачам. Представьте себе ситуацию: я как пациент после какого-нибудь тяжелого заболевания прихожу, нажимаю кнопку на компьютере, и он мне говорит: «Ты выздоровеешь через три недели, если будешь делать каждый день по два часа вот эти упражнения и пить такие таблетки. А если не будешь этого делать, выздоровеешь через восемь или 12 недель».
Дмитрий Дылов: «В “Сколково” наступило медицинское будущее»
Я могу сказать, что в «Сколково» наступило медицинское будущее. Мы собрали огромное количество данных от 75 тыс. пациентов, применяя самые разные программы, и это помогает нам прогнозировать развитие болезни и искать ответ на вопрос, как найти правильное лечение. Пример из онкологии — проект с национальным онкологическим институтом. У нас есть большой кабинет данных 1986 года, мы анализируем большое количество документов, посвященных состоянию онкологических больных после трагедии в Чернобыле. В 1986 году было известно 16 биомаркеров, и сейчас мы исследуем эти данные и применяем их в свете новых технологий. Изучаем, как эти биомаркеры могут повлиять на изменение ситуации.
Дмитрий Дылов — доцент Сколковского института науки и технологий. Заведующий направлением «Биомедицина». Эксперт в области физики формирования изображений и их математического анализа. Автор фундаментальных работ по стохастическому усилению шумных изображений, а также прикладных работ в области биофотоники, микроскопии и связанной с ними аналитики.
Разработки Дылова внедрены в компаниях GE Healthcare (включая два выделенных биотехнических стартапа) и опробованы в ведущих клинических центрах США (MSKCC, MGH, UCSF, Albany Med). Дмитрий преподавал в Принстонском университете, где получил сертификат McGraw Teaching Excellence и обучал инженеров.
Благодаря разработанной модели мы смогли добиться хороших результатов. Нам нравится сначала спрашивать врачей, какие у них возникают проблемы, а потом готовить модели, которые соответствуют их потребностям. В то же время, пока мы этим занимаемся, у нас есть замечательные дата-сеты, аннотированные и готовые для различных экспериментов. Например, недавно наши студенты собрали дата-сеты полумиллиона пациентов, разработали программу, благодаря которой по электрокардиограмме можно определить возраст и пол. А если позволить математикам вносить свой вклад в наши исследования, результат будет более продуктивным.
Яков Житомирский, «Хадасса»: «Нам стоит инвестировать не только в развитие технологий, но и в образование и обучение работников здравоохранения»
Искусственный интеллект осуществляет, например, персонализированное лечение онкологии. Уже больше нет одинакового лечения для всех пациентов. Сейчас пациент будет получать лечение в соответствии со своими биологическими характеристиками и своим генетическим профилем опухоли.
Также новые технологии позволяют пациенту находить врачей в соответствии со своей проблемой. То есть если вы обратитесь к любому медицинскому поисковику, сможете увидеть списки врачей разных специальностей. Но вам нужно выбрать специалиста, который будет помогать с вашим конкретным заболеванием, и найти его поможет ИИ.
Яков Житомирский — менеджер по цифровым преобразованиям в медицинском центре «Хадасса»; магистр общественного здравоохранения; капитан в резерве, медицинский корпус ИДФ; член комитета по передовым методам обучения и изучения, медицинский факультет Еврейского университета; основатель курса активного электронного обучения по расчету сестринского дела.
Он существует с начала 70-х годов. Первое исследование было проведено в Стэнфордском университете Мейсона. Но за 50 лет не получилось внедрить массовое применение ИИ в клиниках. Я думаю, что нам нужно лучше изучить процесс, чтобы понять, где возникают сложности в применении и развитии искусственного интеллекта и больших данных, цель которых — помочь пациенту, врачу, диагностировать раньше, лечить быстрее и эффективнее.
Если посмотреть на процесс, можно подумать, что большие данные задают сами себя автоматически, но это не так. Большие данные собираются медсестрами, врачами и вносятся в систему. Затем они формируются. Но нам нужно учитывать некоторые процессы, которые произошли за последние годы. Первое — это ожидаемый срок жизни, который увеличился. Это означает, что стало больше престарелых пациентов. Второй процесс — перестало хватать больших данных. Это означает, что нам нужно больше обследований, больше лабораторий, больше физических оценок, и нужно все это документировать, чтобы создавать большие данные.
Чем больше мы используем интернет вещей, тем больше подвергаем наших пациентов проблемам потери приватности. Нам нужно себя гораздо лучше защищать, когда есть большие данные. И необходимо разрабатывать инструменты, которые будут работать в соответствии с ними.
Роботы-компьютеры еще не могут принимать решения. Нам приходится делать это с участием врачей и медсестер. Я приведу небольшой пример по гибридному интеллекту и ИИ, как они влияют на нашу жизнь. Вы садитесь в машину и включаете GPS, или используете Яндекс или Google Maps. И вот вы оказываетесь на перекрестке. Навигатор говорит ехать направо, но вы знаете, что вам нужно налево. И вы не знаете, что делать: послушать машину или поступить как знаете. А это лишь навигационная система. А теперь поместите себя в положение врача. Машина говорит, что вам нужно так инъекцию делать, а вы знаете, что вам нужно по-другому. Что скажете? Это рискованная ситуация. Мы не хотим, чтобы у наших профессионалов были такие же ощущения при работе с жизнями пациентов.
Пока что мы работаем только с роботами, но не работаем с персоналом. Персонал еще не готов к сосуществованию с роботом. Я думаю, что нам стоит инвестировать не только в развитие технологий, но и в образование и обучение работников здравоохранения, готовить медиаторов для этой области.
Помимо технологий, на ожидаемый срок жизни влияет ее образ. Люди сейчас в большей степени заботятся о своем здоровье, появилась тенденция к ранней диагностике. Многие задумываются и говорят о курении, о фитнесе, о здоровой сердечно-сосудистой системе. Здесь мы движемся в правильном направлении. Но интеллектуальное здоровье еще не обсуждали. Это вопрос будущего. Раннее определение и предотвращение — правильное направление движения в машинном обучении.
Павел Ройтберт, Care Mentor AI: «Сегодняшний врач в клинике — это кусочек конвейера»
100 лет назад всё было совсем по-другому. Основное, что делал врач, — общался с пациентом, пытался угадать, что с ним, и искал какой-нибудь отвар. Врач проявлял интуицию и принимал решение. Он не занимался решением сложных математических задач, разбором научных трудов, а лечил. За последние 100 лет появилась автоматизированная диагностика, компьютеризованная поддержка, много научных трудов, очень сложные химикаты — антибиотики и антивирусные препараты. Было изобретено очень много инструментов помощи врачу, которые во многом превратили его в робота. Сегодняшний врач в клинике — это кусочек конвейера. Он мало творит, много делает алгоритмически.
Массовый переход на электронную историю болезни позволил накопить огромное количество данных. С их помощью мы можем использовать не только метаинформацию о пациенте, его демографию, не только определить исход лечения, но и использовать визуальные данные: МРТ, КТ и данные энцефалограмм. Сегодня мы даем врачу большую помощь: очень много автоматизированных рецептов, как работать лучше и как не ошибиться. Мы даем ему подпорки, потому что объем знаний все больше превышает возможности оперативной памяти человека. Уже сегодня знать все, даже в узкой области, невозможно. Каждый раз врач вынужден обращаться к различным подсказкам: справочникам, статьям, поисковым системам, чтобы найти что-то новое по узкой проблеме пациента. И если уже сегодня ИИ научился выявлять ряд заболеваний с точностью выше, чем человек, не надо видеть в этом угрозу человеку.
Павел Ройтберг — основатель Care Mentor AI. В 2016 году изучал стратегии лидерства в области ИТ в здравоохранении в Harvard T.H. Chan School of Public Health. Уже более 20 лет участвует в разработке ПО для здравоохранения, включая создание и разработку решения в виде облачных хранилищ для медицинских записей (2014 год), систему поддержки клинических решений (2015 год) и автоматизированную систему проверки выписанных рецептов (2015).
Сегодня появилась база больших данных. Это то, что собирается с носимых устройств, и точность, с которой мы получаем данные человека, такая, что большинство не знает, что делать с этим объемом данных. Когда я прихожу к знакомому кардиологу и говорю: «Вот у меня друг пробежал триатлон, вот тебе 14 часов данных с точностью 0,3 секунды о его пульсе и его перепадах», — он говорит: «Я не знаю, что с этим делать, я такого никогда не видел, пусть на ЭКГ придет». И это логично. Сегодня пациент, приходящий к доктору, все чаще знает о своих болезнях больше, чем доктор общей практики и даже чем средний специалист. И он верит «доктору Гуглу», а не врачу. Смотрит, как его должны были лечить по стандарту, и думает, что все равно доктор ошибется. Мы теряем доверие пациентов, и это происходит во всех странах. Мы отстаем от того, что он может прочитать в Гугле.
Сегодня не только в России, но и во всех развитых странах нет новой методики подготовки врачей. Подготовки к новому миру, когда пациент знает больше, когда данных очень много, когда запомнить все невозможно, а пациент ожидает, что за 12 минут приема с ним поговорят, ему улыбнутся, возможно, вспомнят, как зовут его родственников, и заодно полечат. Эволюция наступает, надо к ней адаптироваться, если завтра мы все не хотим лечиться в компании Apple. Пора и вспомнить, для чего нужен врач: не для того, чтобы нажимать на кнопку, и не для того, чтобы роботизированно делать одно и то же.
Мартин Чиупа, MindMaze: «Первое, чем мы должны заниматься, когда имеем дело с технологическими решениями, — понимать проблему нашего клиента»
Эмпатия — это тоже важный компонент. Роль медсестры, терапевта, врача не просто какой-то алгоритм. Роль врача заключается в том, чтобы понимать проблемы пациента и взаимодействовать, используя разные методы для достижения позитивного результата. И если мы подходим к этому с научной точки зрения, то собираем данные, но часто забываем об индивидуальных особенностях пациента.
Первое, чем мы должны заниматься, когда имеем дело с технологическими решениями, — понимать проблему нашего клиента. Самая главная проблема: нам не хватает квалифицированных врачей. Они должны понимать индивидуальные особенности пациентов и в соответствии с ними предлагать решение. Здесь ИИ может помочь решить определенные проблемы.
Мартин Чиупа — CAIO MindMaze. В настоящее время работает в MindMaze в качестве главы AI Initiatives/CAIO, базирующейся в их штаб-квартире (Лозанна, Швейцария). работал старшим менеджером в области систем искусственного интеллекта/кибернетики и робототехники. Его последней должностью был технический директор Calvary Robotics Software Division (calvIO), занимающийся разработкой интеллектуальных систем автоматизации. Образование: физика и кибернетика. Индекс авторитетности Agilience оценил Мартина как одного из 100 лучших авторитетов в области искусственного интеллекта, ML, распознавания речи и NLP.
Например, после инсульта необходима реабилитация. Мы разработали специальную систему идентификации изображений, которая помогает нам понять, как кинематически происходят движения скелета. Мы используем различные алгоритмы для оценки степени того, как пострадала та или иная часть скелета и тела. Получается специальный инструмент, который помогает нам активизировать терапию и сделать реабилитацию более эффективной. ИИ идентифицирует движения, и это помогает выбрать ту терапию, которая необходима для конкретного пациента. Мы можем менять модель терапии по необходимости, то есть можем достичь за три месяца результата, который в противном случае занял бы 12 месяцев.
Стараемся мы и улучшить функциональное восстановление. Есть возможность не просто изменить время последнего состояния, само состояние может измениться, то есть мы реабилитируемся на дополнительные 5 или 10%. И мы это узнаем, собирая данные. Записываем килобайты и мегабайты кинестетических данных, вносим в реестр с разрешения пациента, применяем шифрование.
Читайте также:
Посмотрите, что случится, если черная дыра не будет мешать образованию звезд
Исследователи выяснили, как паразиты научились жить без кислорода
Путин разрешил сплошную вырубку лесов на Байкале. Что теперь будет?