Здравоохранение в развитии

Отраслевая платформа искусственного интеллекта Минздрава России является ключевым инструментом реализации национальной стратегии развития искусственного интеллекта в здравоохранении. Об этом шла речь на Всероссийской научно-практической конференции по искусственному интеллекту в здравоохранении и системам принятия врачебных решений 17-18 февраля.

На конференции специалистами цифрового здравоохранения были рассмотрены возможности применения ИИ в практическом здравоохранении, практическая эффективность этой технологии в системе медицинской помощи, программа и стратегия развития национальной инфраструктуры поддержки систем поддержки принятия врачебных решений, а также сбора, обработки и анализа структурированных больших медицинских данных, необходимых для их полноценного внедрения и достижения эффективности использования в системе медицинской помощи.

Специалисты обсудили вопросы развития национальной системы цифрового здравоохранения ЕГИСЗ и ее элементов для подготовки и полноценного внедрения новых технологий, подходы к оценке технических характеристик, эффективности применения в системе медицинской помощи, нормативные и правовые аспекты.

Конференция прошла именно в тот момент, когда по этой сложной, новой для системы здравоохранения теме накопились первые результаты, наработки, созданы заделы и специалисты, которым предстоит внедрять эти технологии готовы к обсуждению конкретных подходов, шагов и решений. В ходе мероприятия удалось предоставить возможность выступить руководителям и специалистам, которые непосредственно занимаются формированием новой инфраструктуры для внедрения и представителям ведущих научных школ. В результате с самого старта и до последнего доклада получился крайне заинтересованный диалог специалистов с обменом наработками, подходами, решениями и практическим опытом использования в медицинских учреждениях. Значительная часть первого дня работы конференции была посвящена обсуждению подходов регулятора к вопросам создания инфраструктуры, стратегии и техническим особенностям реализации программы внедрения нового класса систем. Обсуждение проводилось специалистами во взаимосвязи с другими элементами Единого цифрового контура здравоохранения, т.к. эффективное внедрение ИИ достигается при наличии полноценной информационной инфраструктуры нового типа.

УМНЫЕ ТЕХНОЛОГИИ В ПОМОЩЬ ВРАЧАМ

Платформа по искусственному интеллекту в здравоохранении заработает в этом году. Об этом рассказал замминистра здравоохранения Павел Пугачев, выступая на Всероссийской научно-практической конференции по искусственному интеллекту в здравоохранении и системам принятия врачебных решений.

«Мы создаем отраслевую платформу по искусственному интеллекту в рамках единой государственной информационной системы в сфере здравоохранения. Учитывая, что в этом году она полноценно заработает, мы сможем обрабатывать весь массив данных, который формируется в сфере здравоохранения на федеральном уровне», – сказал он.

Пугачев пояснил, что платформа будет включать систему поддержки принятия врачебных решений и ранней диагностики пациентов. Она объединит в себе обезличенные медицинские данные, обеспечит доступ к ним отечественных разработчиков и исследователей для разметки данных и создания готовых решений, а также медицинских организаций к готовым решениям на основе искусственного интеллекта.

В первичном звене здравоохранения больше всего возможностей для применения искусственного интеллекта, считает замглавы Минздрава Павел Пугачев: «Огромный резерв для внедрения искусственного интеллекта в первичном звене, поскольку это самый массовый сегмент в здравоохранении».

При этом он подчеркнул, что умные технологии должны стать помощниками для врачей, а не полностью заменить их. Они позволят повысить качество и доступность медицинской помощи, в том числе в регионах – на территориях, расположенных вдали от крупных медицинских центров.

Также в дальнейшем искусственный интеллект сможет применяться в условиях домашнего стационара, помогая людям самостоятельно следить за своим здоровьем, отметил замминистра.

«Мы видим необходимость в создании таких инструментов, которые будут стимулировать граждан заботиться о себе и проявлять ответственность к своему здоровью, поскольку это всегда важно для эффективного лечения. Какой бы ни был хороший врач, результата не последует, если пациент не станет соблюдать его рекомендации», – заявил Пугачев.

Сервисы, мотивирующие пациентов следить за своим здоровьем, будут собраны в мобильном приложении «Мое здоровье». Планируемые результаты мероприятий федерального проекта «Искусственный интеллект»:

▶ разработана стратегия и дорожная карта по внедрению ИИ в отрасли и внесены изменения в ведомственную программу цифровой трансформации в части внедрения ИИ и подготовки дата-сетов;

▶ в ВИМИС внедрены технологии анализа популяционных медицинских данных, построения, предиктивных моделей на основе больших данных, распознавания и оцифровки медицинских данных;

▶ обеспечен сбор, обработка, хранение и предоставление доступа к отраслевым наборам данных;

▶ обеспечено создание отраслевых наборов размеченных, обезличенных наборов данных на основе медицинских документов, изображений, результатов диагностических исследований (к 2024 г. 100 наборов данных);

▶ разработаны стандарты по использованию ИИ в здравоохранении, разработаны правовые основы применения ИИ в здравоохранении, разработан порядок регистрации медицинских изделий на основе технологий искусственного интеллекта;

▶ обеспечена поддержка внедрения ИИ в медицинские организации, в том числе, внедрение следующих сценариев:

• ранняя диагностика и снижение риска развития заболевания; • поддержка диагностики заболеваний по медицинским снимкам;

• оптимизация индивидуального плана лечения;

• предсказание состояния пациента на основе имеющихся о нем данных;

• голосовое заполнение медицинской документации, проверка точности, полноты и орфографии электронных медицинских записей.

Внедрение ИИ, как и любой новой и сложной технологии, должно происходить в тесной связи с имеющимся организационным и ресурсным потенциалом объекта внедрения. При этом целью внедрения всегда должна быть четко поставленная задача в сфере практического здравоохранения. Само внедрение необходимо осуществлять комплексно в тесной связи с другими элементами Единого Цифрового Контура здравоохранения, такими, как централизованный архив медицинских изображений, централизованная лабораторная система, система СМП и др. в совокупности с выстраиванием единой интеграционной платформы, системы и структуры медицинских данных.

Именно такой подход, как правило, дает ожидаемый результат, что показывает опыт уже реализованных успешных внедрений:

▶ создание голосовых ассистентов федерального номера 122;

▶ комплексное внедрение в централизованной системе лучевой диагностики (Москва);

▶ выявление пациентов из групп риска (COVID-19), (Москва);

▶ система ранней диагностики ССЗ при прохождении диспансеризации и осмотров у врачей поликлинического профиля (Тюмень).

В настоящий момент Минздравом разрабатывается комплексная программа мер по поддержке внедрения решений на основе ИИ в практическое здравоохранение.

В качестве приоритетных направлений в этой области на федеральном уровне рассматривается создание эффективной цифровой инфраструктуры, интегрированной с ЕГИСЗ, ВИМИС и другими федеральными цифровыми ресурсами и формирующей условия для внедрения функциональных медицинских сервисов на основе ИИ.

Параллельно – нормативно-правовое обеспечение использования в здравоохранении этого нового вида цифровых технологий: стандарты, НПА, формирование системы больших медицинских данных (озера данных), отвечающих новым требованиям.

Технологическое ядро этой системы: отраслевая платформа искусственного интеллекта Минздрава РФ, которая в совокупности со структурированными массивами данных позволит начинать внедрение специализированных ИИ сервисов федерального уровня.

МОСКОВСКИЙ ПРОЕКТ ПО ЛУЧЕВОЙ ДИАГНОСТИКЕ

Сергей Морозов, директор Научно-практического клинического центра диагностики и телемедицинских технологий ДЗМ, главный внештатный специалист по лучевой и инструментальной диагностике ДЗМ и МЗ РФ по ЦФО РФ, представил уникальный опыт московского эксперимента по внедрению ИИ систем в сфере лучевой диагностики системы здравоохранения города. В рамках эксперимента была подготовлена научная концепция эксперимента, разработаны методика, методология его проведения, функциональная и управленческая модель использования, система отбора и сопоставления, технические требования, методические рекомендации, реализованы организационные и административные процедуры, разработаны и внедрены критерии оценки эффективности применения ИИ технологий в практическом здравоохранении. Произведена колоссальная работа по практической интеграции и внедрению в практику указанных методов с обучением специалистов и анализом полученных результатов. За год таким образом было обработано 1468872 исследований в 296 медицинских организациях, подготовлено 25 датасетов, запущено 39 сервисов от 21-й компании-разработчика. Регулярно в научных изданиях публикуются результаты исследований, созданы специальные открытые ресурсы обезличенных данных и сайты для предоставления регионам России возможности использования полученных результатов.

Инициаторами проведения эксперимента стали Центр телемедицины департамента здравоохранения и департамент информационных технологий правительства Москвы. В 2020 г. исследования были реализованы по четырем направлениям: КТ-диагностика ковида, КТ-диагностика рака легкого, рентгенография органов грудной клетки и маммография.

Рентгенология, по словам Сергея Морозова, была выбрана потому, что в ней за короткие сроки можно внедрить системы ИИ в клиническую практику, так как лучевая диагностика в Москве информатизирована, высоко стандартизирована и уже работает большое количество компаний-разработчиков. В Москве каждый год проводится несколько миллионов этих исследований, развернута Единая радиологическая информационная система (ЕРИС), к которой напрямую подключены более 1300 диагностических аппаратов — это одна из самых масштабных в мире цифровых сетей в медицине, крупнейшая в Европе.

IT-продукты, которые прошли через тестовые испытания в пилотной информационной системе и валидированы на специальных эталонных дата-сетах, в последующем были подключены к ЕРИС, объединяющей 100 московских медицинских организаций и более 500 врачей. Сегодня можно говорить о переходе эксперимента к статусу «опытной эксплуатации». Окончательные итоги программы пока не подведены, она развивается, но организаторы эксперимента уже получили первые практические результаты.

«Получены хорошие результаты по итогам тестирования и эксплуатации сервисов для диагностики COVID и патологий легких при проведении КТ и РГ-исследований, пока недостаточно данных по результатам работы ИИ-сервисов по направлениям КТ «рак легкого» и «маммография». Расширение скрининговых программ в 2021 г. предоставит возможность получить клиническую и научную оценку применимости существующих ИИ-решений по этим и новым направлениям», — рассказал Сергей Морозов.

Задача эксперимента — сформировать принципы встраивания ИИ-продуктов в процесс оказания медицинской помощи в зависимости от того, какие задачи стоят перед врачами. «На сегодняшний день нет на 100% точных алгоритмов. ИИ-технологии могут стать надежными помощниками врача, но этот процесс еще требует научной проработки и менторства со стороны врачей-пользователей », — сообщил Сергей Морозов. По некоторым направлениям точность исследований превышает 80–90%, но пока непонятно, насколько ИИ может помочь здравоохранению, как вырастет выявляемость патологий при использовании программ ИИ. По данным опроса врачей, который провели организаторы, около 70% медучреждений хотят продолжить использовать конкретные сервисы на основе искусственного интеллекта.

ПРЕДСКАЗАННОЕ БУДУЩЕЕ

Александр Гусев, директор по развитию WEBIOMED.AI, в своем докладе представил актуальный обзор решений в области прогнозной аналитики на основе больших данных и машинного обучения с практическими примерами внедрения в системе.

На фоне развития пандемии COVID‑19 возросла роль прогнозной аналитики, которая является частью более широкого термина «медицинская аналитика». Под медицинской аналитикой мы понимаем использование данных, статистического и количественного анализа и аналитических моделей, включая прогнозное моделирование, которые на основании выявления и понимания ретроспективных данных, помогают понять будущие события и осуществлять поддержку принятия решений. Медицинская аналитика разделяется на несколько видов: описательная аналитика (Descriptive Analytics), прогнозная аналитика (Predictive Analytics) и предписывающая аналитика (Prescriptive Analytics).

Прогнозная аналитика (Predictive Analytics) использует имеющиеся ретроспективные данные и различные прогнозные модели, созданные в том числе с помощью машинного обучения, чтобы помочь ответить на вопрос «Что может случиться?». Прогнозную аналитику можно условно разделить на управленческую и клиническую. Управленческая прогнозная аналитика предназначена для поддержки принятия управленческих решений и используется руководителями различного уровня для оценки возможных сценариев развития заболеваний, нагрузки на медицинские организации, потребности в лекарствах и т. д. Клиническая прогнозная аналитика предназначена для поддержки принятия врачебных решений, включая анализ медицинских данных пациентов, контроль правильности лекарственной терапии, выбор оптимальной маршрутизации и тактики ведения пациента и т.д.

По данным ряда маркетинговых отчетов последнего времени, пандемия COVID‑19 привела к существенному повышению интереса инвесторов к медицинской аналитике. Отчеты 2019 г. давали оценку роста этого рынка к 2027 г. до $18– 40 млрд. Аналогичные отчеты в апреле 2020 г. повысили его оценку до $80 млрд в 2027 г., а последний отчет имеет прогноз уже $84 млрд в 2027 г., причем на долю именно прогнозной аналитики приходится $28,6 млрд или 34% от всего размера рынка медицинской аналитики.

Для создания прогностических моделей в мире появилось много общедоступных материалов, таких как данные Университета Джона Хопкинса, Лаборатории Декарта, Бюро переписи населения США, данные ВОЗ и др.

Многие медицинские центры объявили о том, что будут предоставлять в открытом доступе обезличенные наборы клинических сведений, таких как истории болезни или медицинские изображения, с целью применения машинного обучения и создания цифровых инструментов для борьбы с COVID-19, в том числе и для прогнозной аналитики. Например, сеть медицинских клиник HM Hospitales предоставила доступ к 2157 анонимным историям болезней, содержащим различную информацию о пациентах, получивших лечение от COVID-19, включая подробные описания диагнозов, лечения, нахождения в отделении интенсивной терапии, результаты лабораторной диагностики, данные о выписке или смерти.

Поскольку существующие в открытом доступе материалы о COVID-19 сфокусированы преимущественно на демографических критериях, применение дополнительных обезличенных баз медицинских данных является важным шагом вперед в части создания более точных прогнозных инструментов.

В открытом доступе в 2020 г. стали появляться различные аналитические панели, показывающие динамику пандемии и интегрированные в них прогнозные модели. Одна из самых известных и используемых аналитических панелей была предложена университетом Джона Хопкинса, доступ к которой был открыт 23 января 2020 г. Панель визуализирует данные, полученные из ВОЗ, центров по контролю и профилактике заболеваний США (Centers for Disease Control and Prevention), Европейского центра профилактики и контроля заболеваний (European Centre for Disease Prevention and Control), национальной комиссии здравоохранения КНР (National Health Commission of the People’s Republic of China), трекеров реального времени 1point3acres, DXY и Worldmeters.info, новостного агрегатора BNO, государственных и национальных правительственных департаментов здравоохранения, а также сообщений местных СМИ. Составной частью панели является модель прогнозирования эпидемии.

Построенная аналитическая панель стала самым визуализированным набором данных о пандемии (рис.4).

Медицинским организациям, оказывающим помощь больным с COVID-19 приходилось принимать, обследовать и лечить намного большее количество пациентов, чем было рассчитано в штатной ситуации. Нагрузка на медицинский персонал возросла. В этой связи появилось множество разработок и публикаций, посвященных применению искусственного интеллекта в качестве систем поддержки принятия врачебных решений (СППВР), главным образом в области автоматизированного анализа компьютерной томографии (КТ) грудной клетки с целью сокращения врачебных ошибок и нагрузки на медицинский персонал.

Вместе с этим разработки в области прогнозной клинической аналитики также эффективно проявили себя в нескольких аспектах:

▶ Как симптомчекеры, которые определяли вероятность, что пациент заразился коронавирусной инфекцией.

▶ Как инструменты оценки риска заражения, например, на основании информации о контактах, перемещениях граждан и т.д.

▶ Как калькуляторы оценки персонального риска развития осложнений и смерти.

▶ Как системы помощи при маршрутизации пациентов и т.д.

При лечении пациентов с COVID-19 важным является быстрая, точная и ранняя клиническая оценка тяжести заболевания. На ее основе необходима быстрая и эффективная сортировка пациентов, которая имеет решающее значение как для эффективного лечения пациентов, так и для обоснованного и рационального использования ограниченных ресурсов, таких как аппараты ИВЛ, реанимационные койки, медицинский персонал. Такую персональную индивидуализированную оценку состояния пациента и возможных сценариев развития здоровья предоставляют прогнозные модели, разрабатываемые для применения в реальной клинической практике как СППВР.

В настоящее время в мире разработано множество прогнозных инструментов для применения врачами. Bayat и соав. представили модель, умеющую c точностью 86,4% предсказать диагноз COVID-19 на основании 20 стандартных лабораторных тестов, выполненных в течение 2-х дневного периода до даты тестирования на COVID-19.

Yan и соавт. опубликовали в «Nature Machine Intelligence» статью, в которой представили результаты разработки модели на основе машинного обучения, предсказывающей госпитальную летальность пациентов с COVID-19 более чем за 10 дней с точностью выше 90%.

«Рынок прогнозной аналитики начинает превышать рынок ИИ», – сообщил директор по развитию WEBIOMED.AI.

Динамика рынка прогнозной аналитики:

▶ 16 млрд долл США – 2019 г.;

▶ 84 млрд долл США по прогнозу Meliculous Research составит рост рынка в 2027 г.;

▶ 26% рост рынка в год – один из самых развивающихся секторов цифрового здравоохранения. Самые перспективные тренды:

▶ Предписательная аналитика (рекомендательные системы);

▶ Облачные сервисы /SaaS;

▶ Интеграция с системами ведения ЭМК и автоматический back-end анализ;

▶ Системы поддержки принятия клинических решений. Основные эффекты прогнозной аналитики:

▶ Сократить неэффективные потери благодаря прогнозированию событий, например, пустые койки, потери просроченных лекарств и т.д.;

▶ Оперативно перераспределять ресурсы при изменении нагрузки на МО, например, при эпидемиях;

▶ Выявлять пациентов высокого риска до момента манифеста ХНИЗ и тем самым существенно повысить эффективность профилактики;

▶ Сократить ручную обработку и анализ больших данных, получать не текущие показатели (врачу, руководителю), а сразу опасные ситуации.

Как успешный пример, докладчик привел компанию Signify Health, недавно вышедшую на IPO. Компания развивает платформу TAVHealth для оказания медицинской помощи на дому, используя прогнозную аналитику. Ее заказчиками являются: страховые компании, правительство, работодатели. SAFY работает в 2-х сегментах: оказание услуг в отдельных эпизодах медицинской помощи и оценка состояния здоровья на дому. Signify Health обслуживает 26 из 50 планов Medicare Advantage (медстрахование), увеличила количество ежегодных оценок на дому с примерно 390 тыс. в 2015 г. до 1,1 млн в 2019 г.

Выручка в 2020 г.: $417 млн; капитализация компании после IPO – $7,12 млн; инвестиции в компанию после выхода на IPO – $564 млн.

Платформа TAVHealth показала, что она способна на 15% снизить загрузку стационара, просто рекомендуя лечение на дому, и на 10% сокращение повторных госпитализаций за счет более эффективного лечения.

Главными бенефициарами прогнозной аналитики являются: государственные органы, страховые компании, работодатели, амбулаторные медицинские организации, фармацевтические компании, технологические компании.

Драйверы развития технологий:

▶ нехватка ресурсов из-за роста численности населения и распространенности ХНИЗ (финобеспечение, кадры и т.д.);

▶ растущие требования обеспечить качество и доступность медицинской помощи;

▶ острая необходимость контролировать расходы и эффективность;

▶ рост больших данных;

▶ сокращение стоимости хранения и обработки информации;

▶ развитие ИИ.

В заключение своего доклада, Александр Гусев подчеркнул, что инвестиции на затраты в раннюю профилактику в 8 раз меньше, чем затраты на лечение запущенного заболевания. Очень интересно предсказать не смерть пациента, у которого уже есть ССЗ, а начало развития заболевания на его бессимптомной фазе.