ИТ в здравоохранении

Развитие медицины и повышение качества отечественного здравоохранения невозможно без полноценной систематизации данных. Именно эту задачу решает система бизнес-аналитики для медицины «ЕЦП.BI», зарегистрированная в реестре отечественного программного обеспечения как модуль «Аналитические показатели» медицинской информационной системы «ЕЦП.МИС». О реализации и роли этого проекта рассказывает Ольга Лебедева, руководитель направления «ЕЦП.BI» компании «РТ МИС» и номинант на премию Data Award.

– Какие цели преследовались при создании «ЕЦП.BI»?

Мы рассчитывали создать единое аналитическое информационное пространство на всех уровнях: регион, медицинская организация, подразделение, отделение, врач. Было важно выстроить процессы для оперативного принятия управленческих решений на каждом уровне, выработать четкую методологию расчета показателей бизнес-аналитики, а также минимизировать факты искажения информации и ошибки при ручном вводе через несистемные источники.

– Каких подходов старались придерживаться?

С точки зрения методологии нужно было охватить все значимые сферы здравоохранения, учесть нормативно-правовые акты РФ, сохранить общеизвестную медицинскую терминологию для корректной интерпретации данных. Следовало обеспечить перспективность использования накопленных бизнес-данных для анализа прогнозируемых событий, а также гибкость структуры для наращивания новых показателей или оперативного обновления текущих. Для этого было проведено согласование с группой методологов и экспертов-практиков в сфере здравоохранения.

– Что собой представляет созданное решение?

Основное назначение «ЕЦП.BI» – анализ ситуации в региональном здравоохранении, мониторинг слабых мест в задачах повышения качества и доступности медицинских услуг для населения, визуализация ключевых показателей с помощью интерактивных аналитических панелей. Система позволяет мгновенно принимать управленческие решения на основании всесторонней аналитики по множеству показателей, планировать с учетом текущей ситуации в здравоохранении региона и инфраструктуры. Отдельно следует отметить мониторинг выполнения показателей федерального проекта «Создание ЕЦК на основе ЕГИСЗ». Этот раздел «ЕЦП.BI» важен для организаторов здравоохранения. Он обеспечивает оперативный контроль показателей федерального проекта.

– Кто является ключевым пользователем?

У решения несколько категорий пользователей. Это губернаторы, региональные органы здравоохранения, главные врачи и руководители отделений медорганизаций, главные внештатные специалисты Минздрава.

В зависимости от роли пользователя функциональность системы заметно различается. Например, губернатор видит общую ситуацию по всем актуальным направлениям деятельности здравоохранения региона в разрезе муниципалитетов и медицинских организаций, главные врачи – информацию по своей организации в целом до уровня врача, руководители отделений получают информацию в пределах своей зоны ответственности.

– Какие платформы использованы?

Решение интегрировано с медицинской информационной системой в части исходных данных. В проекте не используются сторонние системы. «ЕЦП.BI» разработан на импортонезависимых платформах, которые зарегистрированы в реестре отечественного ПО.

– Какие основные проблемы возникали при разработке решения?

Стояли две основные проблемы — бизнес-уровня и технологического уровня.

Эксперты отмечали избыточность отраслевых отчетных форм. Для их подготовки нужны большие усилия по сбору данных, при этом информация остается разрозненной, что мешает принятию решений. Мы придумали, как решить эту бизнес-проблему, и предложили «дерево показателей», где «веточками» являются различные направления в здравоохранении. Все множество показателей оформили в виде дашборда с возможностью посмотреть значение, отсортировать по рейтингу, динамике и отобразить на карте. В основу этого решения заложен процессный подход.

С технологической стороны была проблема в построении архитектуры решения. Мы сделали несколько попыток, прежде чем нашли рабочий вариант, который учитывает специфику «широкой» базы источника данных, медицинской информационной системы.

– Какие результаты достигнуты?

Сегодня «ЕЦП.BI» помогает отслеживать показатели цифровой трансформации здравоохранения на региональном уровне. Получая информацию по каждому из показателей, по множеству разрезов и представлений, руководитель принимает решения на основе данных. Прикладная часть «ЕЦП.BI» включает более 270 аналитических показателей по 31 направлению, в том числе демографии, мониторингу смертности, деятельности медицинской организации, мониторингу беременных, доступности сервисов, сердечно-сосудистым заболеваниям и другие.

На данный момент функциональные блоки системы внедрены в шести регионах: Республике Карелии, Курганской, Рязанской и Пензенской областях, Кабардино-Балкарской Республике и ЯНАО.

– От чего зависит готовность региона внедрять ту или иную функциональность системы?

В первую очередь, от готовности руководителей использовать модель управления, где аналитика является частью их работы. Во-вторых, от уровня цифровой зрелости: чем она выше, тем полнее аналитика, а сбор данных легче.

– Что говорят пользователи? Собираете обратную связь?

Много говорят про алгоритмы. В основном удивляются, что формула простая, а описание алгоритма может достигать нескольких страниц, и тут становится виден масштаб работы специалистов медицинских организаций, которая требуется, чтобы собрать с виду простой отчет. Вижу, что меняется в целом подход к аналитике, формируется аналитическая культура, становится меньше ручной обработки данных.

– В чем роль проекта для общества?

Система бизнес-аналитики позволяет сократить расходы за счет синхронизации информации на всех уровнях, оперативного принятия управленческих решений, четкой методологии расчета показателей, минимизации фактов искажения информации. Развитие аналитической культуры пользователей повышает качество и доступность медицинских услуг для населения за счет полноты и разнообразия информации.

Когда мы соединяем для анализа информацию о том, сколько человек живет и работает на конкретной территории, сколько болеет и чем именно, мы можем понять, каких врачей не хватает, как изменить структуру медицинской организации и так далее. С развитием аналитических технологий здравоохранение быстрее адаптируется под потребности населения.

Благодаря этому организаторы здравоохранения могут проводить мероприятия по информированию населения, повышению качества работы медицинских организаций и качеству оказания медицинской помощи населению. Таким образом, достигаются экономические и социальные эффекты.

– В каком направлении планируете развивать проект?

Продолжим развивать функциональность модуля как рекомендательную систему. Например, в настоящее время уже существует возможность задавать критичность отклонения показателя от нормы, построить линию тренда.

Планируем наращивать число аналитических показателей. На данный момент реализовано 30-40% от задуманного объема: основные показатели смертности, доступности, заболеваемости и другие. В приоритете — разработка показателей для главного врача по работе служб медицинской организации.

Еще одно направление развития связано с использованием технологий искусственного интеллекта в профилактике здоровья людей. Оно включает специально подготовленные данные о диспансеризации, профилактике, цифровом профиле здоровья пациента и других аспектов.

Голос человека может рассказать многое о своем владельце. Его изменение может служить симптомом некоторых заболеваний, в том числе связанных с дегенерацией нейронов головного мозга, к которым относится болезнь Паркинсона. Сервис BRAINPHONE призван выявлять людей даже на ранней стадии болезни на основе анализа их голоса, являясь массовым и доступным инструментом диагностики. О создании решения рассказывает Ильдар Хасанов, исполнительный директор BRAINPHONE и номинант на премию Data Award.

- В чем суть решаемой BRAINPHONE проблемы? Почему это важно?

По данным ВОЗ болезнь Паркинсона занимает первое место в мире по темпам инвалидизации среди всех неврологических заболеваний. На сегодняшний день в России и мире лишь треть пациентов с болезнью Паркинсона имеют корректный диагноз. При этом большинству из них он выставляется поздно – на продвинутых стадиях, когда гибнет до двух третей черной субстанции мозга, гибель нейронов которой ассоциирована с развитием болезни. Такая ситуация имеет место в первую очередь за счет отсутствия скрининговых инструментов для выявления признаков болезни Паркинсона.

- Какими методами обычно решается задача выявления болезни Паркинсона?

Сейчас ситуация такова, что диагностика болезни Паркинсона осуществляется только с непосредственным участием врача на основе, в первую очередь, неврологического осмотра пациента. Рутинные методы визуализации (МРТ, КТ и др.) и лабораторные методы используются лишь в качестве вспомогательных – в первую очередь, исключающих – при постановке диагноза. На сегодняшний день и в России, и в мире нет внедренных в рутинную клиническую практику скрининговых инструментов для выявления болезни Паркинсона.

- В чем заключается предлагаемый вами подход? Почему он лучше?

Наш сервис предназначен для скрининговой диагностики людей с факторами риска развития нейродегенераций. Ведущим из них, конечно же, является возраст. Так, люди старше 55 лет даже в отсутствие других факторов риска имеют повышенную вероятность развития болезни Паркинсона. Наш сервис позволяет большому количеству людей быстро, эффективно и недорого пройти скрининговое исследование на наличие признаков заболевания. Это, в свою очередь, позволяет людям раньше попасть к профильному врачу и начать соответствующее лечение.

- Как пришла идея создания решения, выявляющего болезнь Паркинсона по голосу?

Мы давно занимаемся этой проблемой и имеем большой опыт в поиске и изучении биомаркеров заболеваний мозга, в том числе болезни Паркинсона. Наше решение – это веяние нового времени в виде использования инновационных технологий для решения запросов, уже давно выдвигаемых международным медицинским сообществом. И подобные продукты меняют подход системы здравоохранения к диагностике и лечению пациентов. Так, Международным обществом по изучению болезни Паркинсона и других расстройств движений (International Parkinson and Movement Disorders Society) в прошлом году даже была создана отдельная рабочая группа Technology Study Group по изучению инновационных стратегий и способов применения диджитал-продуктов.

- Что «под капотом»? Какие технологии и методы ИИ применялись?

В основе нашей технологии лежит оптимизированная нейронная сеть, обученная на мел-спектрограммах голосов пациентов с болезнью Паркинсона и группы контроля.

- Какие данные использованы?

Для обучения нейросети используется уникальный собственный датасет аудиозаписей голосов пациентов с болезнью Паркинсона и группы контроля. Датасет сформирован из нескольких тысяч аудиозаписей голосов, записанных при выполнении различных заданий (методики заданий разработаны учеными, неврологами и логопедами). Датасет релевантный, размечается при участии опытных врачей-паркинсонологов, постоянно пополняется. Для сбора и хранения датасета разработаны собственный чат-бот и платформа.

- Что собой представляет созданное решение?

Сервис BRAINPHONE призван использоваться в качестве скринингового инструмента, который легко и недорого может охватить большое количество людей с факторами риска. Он реализуется в виде нейросетевой модели, интегрированной в «оболочку» – контакт-центр, чат-бот, приложение и др. – в зависимости от бизнес-потребности. Это массовый, доступный и легко осуществимый, без привязки пациента к местонахождению врача и специализированного оборудования, инструмент для диагностики и мониторинга болезни Паркинсона на любых, в том числе ранних, стадиях.

- Какие были сложности при реализации проекта, как их решали?

Трудной, но в то же время интересной задачей, как и в любом MedTech-проекте, было получение релевантного датасета для обучения искусственного интеллекта. При этом хорошо, когда есть возможность объективизировать диагноз – например, с помощью методов нейровизуализации, как это происходит при диагностике опухолей, инсультов и др. В случае с болезнью Паркинсона, к сожалению, такой возможности нет.

Так, когда дело касается анализа медицинских изображений, это изображение могут посмотреть 2-3 и более врачей для оценки и разметки. Этим можно повысить уверенность в используемой выборке. Когда речь идет о клиническом диагнозе, как при болезни Паркинсона, оценить правильность выставленного диагноза можно только при непосредственном контакте врача с пациентом. Поэтому большим вызовом был изначально правильный, даже академичный, подход к сбору данных, чего мы и смогли добиться благодаря нашим многолетним наработкам.

- Какие результаты достигнуты и ожидаются?

Сервис успешно прошел первый этап клинических испытаний и готовится к регистрации в качестве медицинского изделия. Чувствительность сервиса 80%, а специфичность – 92%. В сравнении с общепризнанными клиническими способами диагностики чувствительность сервиса сопоставима с ними, а специфичность даже превосходит их.

На сегодняшний день готовятся пилоты в нескольких регионах России. Кроме того, по результатам бизнес-миссии под эгидой Агентства стратегических инициатив в королевстве Марокко была достигнута предварительная договоренность с президентом Совета Национального объединения врачей о пилоте в одной из крупнейших клиник Касабланки.

- Речь идет только о работе с пациентами медицинских учреждений, или решение может встраиваться в любые крупные контакт-центры для выявления людей, даже не подозревающих о своей болезни?

Да, все верно. Решение может использоваться как в медицинских учреждениях, так и быть интегрированным в другие сервисы. Например, сейчас обсуждается внедрение продукта в колл-центр, объединяющий все медицинские учреждения региона.

- В чем роль и социальная значимость проекта?

Внедрение в рутинную клиническую практику сервиса BRAINPHONE приведет к нескольким важным эффектам. Первый из них – своевременное выявление болезни Паркинсона у пациентов вне зависимости от места жительства и удаленности от медицинских центров – например, центров экстрапирамидной патологии, или специализированного оборудования. То есть станет доступен массовый скрининг. Второй эффект – массовый мониторинг, то есть возможность осуществления адекватного мониторинга состояния пациентов с болезнью Паркинсона, в том числе оценка эффективности лечения. Своевременная постановка диагноза и качественный мониторинг позволят улучшить качество жизни пациентов и отсрочить их инвалидизацию, сохранить их работоспособность. По экспертным оценкам, ранняя установка диагноза позволит снизить прямые и непрямые расходы на пациентов со стороны семьи и государства более чем в 10 раз при лучшем качестве жизни.

Наконец, повышение выявляемости болезни Паркинсона потенциально увеличит объем рынка противопаркинсонических препаратов до трех раз и сместит фокус фармацевтических компаний в сторону поиска наиболее эффективных решений для ранних стадий.

- В каком направлении будет развиваться проект?

Мы не останавливаемся на достигнутом – работа кипит, проект растет, развивается. Мы нацелены как на повышение точности диагностики, так и на расширение списка диагностируемых заболеваний.

В условиях пандемии COVID-19, роста расходов на здравоохранение и старения населения спрос на технологии искусственного интеллекта, адресованные отрасли здравоохранения, растет. Показательна динамика мирового рынка венчурного капитала: более 40 стартапов привлекли довольно значительное финансирование (20 млн долл. и более) для создания отраслевых решений на базе искусственного интеллекта. Как же на самом деле искусственный интеллект используется в здравоохранении?

Опрос '2022 AI in Healthcare Survey', в котором принимали участие более 300 респондентов со всего мира, был направлен на улучшение понимания проблем, достижений и примеров использования искусственного интеллекта в здравоохранении. Это второй такой отчет; по сравнению с первым результаты существенно не изменились, но указывают на некоторые интересные тенденции, предвещающие, куда качнется маятник в ближайшие годы. И если некоторые аспекты этой эволюции носят позитивный характер (демократизация искусственного интеллекта), то другие не вызывают особого энтузиазма (гораздо более протяженный фронт исследований и рост числа уязвимых мест). Перечислим три тенденции, о которых необходимо знать специалистам.

1. Простота использования и демократизация искусственного интеллекта; инструменты low-code/no-code

По оценкам Gartner, к 2025 году 70% новых приложений, разрабатываемых предприятиями, будут использовать технологии, не требующие написания программного кода или предполагающие минимизацию его объема (в 2020 году их доля не превышала 25%). Разработка в парадигме low-code снижает нагрузку на программистов, но наибольшее влияние окажут решения, не требующие написания кода и освоения науки о данных. Сегодня в среде пользователей систем искусственного интеллекта интересно наблюдать за явным сдвигом от технических специалистов непосредственно к экспертам в предметной области.

Более половины (61%) респондентов своими целевыми пользователями назвали практикующих врачей, далее следуют плательщики медицинских услуг (45%) и ИТ-компании, работающие в сфере здравоохранения (38%). В сочетании со значительными разработками и инвестициями в приложения искусственного интеллекта в сфере здравоохранения, а также с доступностью технологий с открытым кодом все это свидетельствует о расширении внедрения соответствующих технологий в отрасли.

Важный момент: наделение медицинских работников инструментами для разработки программ на базе искусственного интеллекта по образу и подобию обычных офисных инструментов, таких как Excel и Photoshop, уже изменили сферу применения искусственного интеллекта к лучшему. Технология не только стала более доступной, но и обеспечивает более точные и надежные результаты, поскольку управляет ею теперь медицинский работник, а не специалист по программному обеспечению. Изменения эти не происходят в одночасье, но рост числа экспертов в предметной области, выступающих в качестве основных пользователей искусственного интеллекта – уже большой шаг вперед.

2. Совершенствование средств обработки текстов и естественного языка

В ответ на вопрос о технологиях, которые планируется внедрить к концу 2022 года, руководители назвали интеграцию данных (46%), бизнес-анализ (44%), обработку естественного языка (43%) и аннотацию данных (38%). В настоящее время наиболее распространенным типом данных в приложениях искусственного интеллекта является текст с акцентом на обработку естественного языка (Natural Language Processing, NLP) и аннотирование данных.

Эти инструменты позволяют решать такие важные задачи, как поддержка принятия врачебных решений, выбор лекарств и оценка плана лечения. После двух лет пандемии, разработки новых вакцин и поиска способов улучшения поддержки потребностей системы здравоохранения в свете новых массовых тенденций становится ясно, насколько важен прогресс в этих областях. Вместе с тем, использование искусственного интеллекта в здравоохранении сильно отличается от других отраслей и требует другого подхода.

Неудивительно поэтому, что наиболее важным требованием для оценки локально установленных программных библиотек или решений категории SaaS руководители назвали доступность моделей и алгоритмов, специфичных для здравоохранения. Оптимизм венчурного капитала, доступные на рынке решения и спрос со стороны пользователей убеждают, что модели, ориентированные на здравоохранение, в ближайшие годы продолжат активно развиваться.

3. Усиление угроз безопасности

Помимо прогресса в области искусственного интеллекта прошедший год продемонстрировал целый ряд новых векторов атак. На вопрос о том, какие типы программного обеспечения используются для создания приложений искусственного интеллекта, наиболее популярными вариантами ответов были: локально установленное коммерческое ПО (37%) и ПО с открытым кодом (35%). Наиболее заметным оказалось снижение использования облачных сервисов на 12% по сравнению с прошлогодним опросом (о них упомянули 30% опрошенных). Скорее всего, происходит это из-за проблем с конфиденциальностью при обмене данными.

Большинство респондентов (53%) при проверке моделей предпочитают полагаться на свои собственные данные, а не на показатели сторонних поставщиков программного обеспечения. 68% явное предпочтение отдают внутренней оценке и самостоятельной настройке своих моделей. С учетом строгого контроля и процедур, связанных с обработкой медицинских данных, очевидно, что пользователи искусственного интеллекта хотели бы, чтобы соответствующие операции выполнялись внутри компании — конечно, при наличии такой возможности.

Впрочем, независимо от предпочитаемых типов программного обеспечения и способов проверки моделей, рост угроз безопасности в сфере здравоохранения, судя по всему, окажет существенное влияние на происходящее. С определенными трудностями сталкиваются и в других сегментах критически важной инфраструктуры, но нарушения в сфере здравоохранения могут иметь последствия, выходящие за рамки репутационных и финансовых потерь. Потеря данных или вмешательство в работу медицинских устройств становятся в прямом смысле вопросом жизни и смерти.

По мере того, как технологии попадает в руки обычных пользователей, решения на базе искусственного интеллекта демонстрируют стремительный рост. Но по мере повышения уровня их доступности и продолжающегося совершенствования моделей и инструментов особое внимание необходимо уделять безопасности и вопросам этики. Интересно будет наблюдать, какое развитие получат ИИ-решения и какое влияние это окажет на всю отрасль здравоохранения.

Webiomed стала первой российской системой искусственного интеллекта для здравоохранения, которая успешно прошла независимые клинические испытания и была зарегистрирована Росздравнадзором. Она может использоваться и врачами как система поддержки принятия врачебных решений, и руководителями для принятия управленческих решений в области управления здоровьем. Это дает увеличение потенциала профилактической медицины и сокращения предотвратимой заболеваемости. Историей создания платформы и ее нынешними успехами делится Александр Гусев, директор по развитию системы Webiomed.

— Что стало причиной появления платформы Webiomed?

Идея попробовать свои силы на новом для нас рынке искусственного интеллекта пришла к нам в 2017 году. В то время все наши усилия были посвящены работе в компании «Комплексные медицинские информационные системы» (К-МИС), которая к тому времени стала одним из лидеров рынка информатизации медицинских организаций. Несмотря на то, что наша команда развивала собственный стек самых разных программных продуктов для здравоохранения, мы стали понимать, что рынок информатизации России в целом сформирован, идет его консолидация и поэтому возможности дальнейшего развития бизнеса стали выглядеть не очень перспективными. Стало ясно, что с точки зрения технологий и интересов государства целесообразно поддерживать развитие только самых крупных разработчиков и переходить к централизованному продвижению продуктов на этом рынке.

Мы стали искать новую нишу и идею, которая потенциально могла бы открывать возможность для выхода на рынки других стран и пробовать применять новые технологии. Мы около года потратили на анализ различной аналитики, изучение глобальных рыночных тенденций и обсуждения возможных идей. На одном из таких обсуждений нам порекомендовали подумать над рынком искусственного интеллекта, который как раз стал заметно расти в США. Нам эта идея понравилась, и мы стали углубленно исследовать эту тему. Почти сразу мы отказались от идеи выхода в сектор анализа медицинских изображений, потому что уже тогда в мире было много сильных продуктов и конкуренция казалась слишком сложной. Мы нащупали идею прогнозирования возможных негативных проблем со здоровьем у пациентов. Именно в решении прогнозных задач алгоритмы машинного обучения показывали большие перспективы, а вариантов применения их было гораздо больше, чем у анализа изображений. Так и появилась идея создать сервис, который мог бы анализировать электронную медицинскую карту, извлекать из нее с помощью технологий обработки естественного языка (natural language processing, NLP) важную клиническую информацию и затем строить индивидуальные прогнозы возможного появления серьезных проблем со здоровьем в ближайшем будущем. Мы предположили, что такая предиктивная аналитика может быть полезна широкому кругу заказчиков, включая руководителей в области здравоохранения, страховые компании и конечно врачей.

— Каковы возможности решения?

Система умеет анализировать разнообразные данные о состоянии здоровья пациента с помощью интеллектуальных методов обработки больших данных. Она включает систему поддержки принятия врачебных решений, а также аналитическую систему для работы руководителей в области профилактики и управления здоровьем.

В настоящий момент система поддерживает 14 заболеваний в части оценки рисков их развития или ухудшения, 40 подозрений на наличие заболеваний. Основные нозологии: сердечно-сосудистые заболевания, сахарный диабет, хроническая болезнь почек, заболевания органов дыхания, патология при беременности, инфекционные заболевания (в том числе COVID-19), орфанные заболевания.

Webiomed – первая российская система искусственного интеллекта для здравоохранения, которая успешно прошла независимые клинические испытания и зарегистрирована Росздравнадзором как программное медицинское изделие. И мы стали первой ИИ-системой, получившей официальную регистрацию в качестве так называемой «Иной информационной системы», что дает нам правовые основания для взаимодействия с Единой государственной информационной системой здравоохранения (ЕГИСЗ).

— Что собой представляет бизнес компании? Кто основные заказчики?

За время реализации проекта мы несколько раз пересматривали стратегию и фокусировку проекта, поскольку шла проверка выдвигаемых командой гипотез и анализ обратной связи с рынка на предлагаемые нами идеи. Так была найдена текущая схема, согласно которой мы развиваем платформу, на которой одновременно могут работать врачи и руководители медицинских организаций. Применение этих продуктов позволяет платформе накапливать большие объемы обезличенных медицинских данных. Используя технологии NLP и ряд других возможностей, мы извлекаем и формируем большие массивы очищенных структурированных данных, на основе которых можем проводить исследования реальной клинической практики, заказные разработки алгоритмов и моделей машинного обучения и другие научно-исследовательские работы. Заказчиками таких услуг выступают научно-исследовательские организации, контрактно-исследовательские фирмы, а также фармацевтические компании.

— Какими вы видите перспективы рынка, какова ваша стратегия на нем?

Объективно российский рынок искусственного интеллекта для медицины недостаточно динамично развивается, выручка компаний невелика, мы пока не вносим ощутимую долю в ВВП. У многих компаний длительный цикл разработки продуктов. Отсюда и отставание от других стран, и сложности с решением финансовых проблем, и с поиском заказчиков и ростом инвестиций.

В 2020 году мы решили трансформировать проект Webiomed: вместо используемой в то время модели SaaS сосредоточиться на научно-исследовательских работах на базе обезличенных медицинских данных. Для этого разработали стратегию продвижения платформы на основе fremium. Мы предлагаем медицинским организациям и субъектам РФ подключение к платформе Webiomed бесплатно в обмен на право собирать обезличенные данные и выполнять коммерческие заказы от научных и исследовательских организаций на анализ данных, проведение научных исследований и т.д.

Следуя такому подходу, мы сумели накопить большое количество очищенных данных, пригодных для формирования датасетов и работы моделей машинного обучения.

— Каких результатов удалось достичь?

В настоящее время в платформе Webiomed содержатся обезличенные медицинские данные свыше 3 млн пациентов, свыше 130 млн медицинских протоколов, из которых извлечено больше 500 млн различных признаков. Эти данные можно использовать для автоматического выявления и анализа самых разных показателей, характеризующих население России, а также проводить исследования рутинной клинической практики для фармацевтических компаний, научных и образовательных организаций.

Результатами внедрения платформы в региональных медицинских организациях стало сокращение в 10 раз затраченного времени и трудоемкости обработки врачом медицинских данных пациента при диагностике, повышение до семи раз выявляемости пациентов высокого риска.

— Можете ли поделиться финансовыми результатами?

В прошлом году нам удалось увеличить свою выручку в 6,8 раза, что стало мощным драйвером для развития проекта. Минувший 2021 год также закончился существенным ростом – выручка проекта увеличилась в пять раз. Для технологического стартапа существенный рост основных показателей – таких как выручка и интеллектуальная собственность – являются жизненно важными. Они демонстрируют, что команда не просто способна создать интересный продукт, но и то, что этот продукт востребован рынком, а команда реально способна на активное продвижение на новых рынках.

— Что вы сами считаете главным эффектом использования Webiomed?

Самый главный результат, который мы пытаемся дать здравоохранению – это увеличение реального использования и потенциала профилактической медицины, сокращения предотвратимой заболеваемости, а значит – и сокращение неэффективных затрат. Анализируя электронные медицинские карты и развивая алгоритмы прогнозной аналитики, мы постоянно учим систему более точно выявлять пациентов высокого риска и обращать внимание врачей и руководителей на этих пациентов. Это очень важно, поскольку очень часто таким пациентам можно назначить точечное дополнительное обследование и эффективное лечение, которое будет предотвращать тяжелые осложнения: инфаркты, инсульты, госпитализации, а в итоге – и фатальные исходы.

— В чем роль проекта и его социальная значимость?

Платформа помогает врачам лучше понимать возможные негативные события со здоровьем пациента в будущем и обнаруживать заболевания на ранней стадии. Это дает возможность оказывать профилактическую медицинскую помощь, а также эффективно организовать профилактику хронических заболеваний и снижать уровень смертности от них.

Использование системы как «второго мнения» позволяет выявить факторы риска и высокую вероятность развития некоторых опасных заболеваний у 45% пациентов.

В целом, внедрение автоматизированных систем мониторинга пациентов позволит вести персональную профилактику, эпидемиологический мониторинг и принимать своевременные управленческие решения по сокращению заболеваемости и затрат на оказание медицинской помощи.

— Каковы направления развития платформы?

Мы видим, что в целом нашли эффективную схему монетизации, основанную на сборе и обработке больших данных с помощью технологий искусственного интеллекта и прогнозной аналитики. Результаты такого накопления и обработки позволяют нам предлагать все новые услуги и идеи, которые мы продолжим продвигать на рынке и проверять спрос и рентабельность масштабирования бизнеса компании на их основе.

Одним из самых перспективных направлений, которое мы выбрали для отработки в 2022 году, является привлечение пациентов к использованию результатов работы наших ИИ-алгоритмов. Мы хотим выпустить пациентское приложение, которое усилит эффективность инвестиций наших заказчиков в профилактику заболеваний. Не секрет, что именно вовлечение пациентов в собственную заботу о здоровье, повышение их осведомленности об имеющихся проблемах и рисках здоровья, а также улучшение приверженности подобранного врачами лечения – это ключевой вызов перед профилактической медициной сегодняшнего дня. С другой стороны, обогащение накапливаемых нами цифровых профилей пациентов их собственными данными, включая данные о соблюдении врачебных рекомендаций, приеме лекарств, достижении целевых уровней модифицируемых факторов – это крайней перспективное направление в повышении ценности самой платформы. Именно на проработке этой стратегии в данное время сосредоточена команда.

Почему у медицинских данных длинный «хвост», с какими неожиданностями столкнулись разработчики медицинского искусственного интеллекта, какую роль сыграл в жизни молодой питерской компании эксперимент «Радиологии Москвы» и о каком дата-сете пока можно только мечтать, рассказал номинант на премию Data Award 2022 Евгений Никитин, начальник департамента ML-разработки компании «Цельс». На основе машинного обучения в «Цельсе» разрабатывают системы анализа медицинских изображений, помогающие рентгенологам, которых сейчас катастрофически не хватает в российских регионах, работать быстрее и пропускать меньше патологий на снимках.

- Как вы пришли в data science?

С детства хотел заниматься математикой, но не теоретической, а прикладной. Поэтому сначала получил образование по специальности «математические методы в экономике» в Санкт-Петербургском университете экономики и финансов. Затем в магистратуре в Англии занимался математическим моделированием человеческой памяти и внимания, потом в аспирантуре в США — машинным обучением для анализа политического поведения людей в социальных медиа. Параллельно занялся бизнесом — разрабатывал модели кредитного скоринга для финансовых организаций.

- Как же родилась идея работы с медицинскими данными? С чего начался проект «Цельс»?

Звезды так сложились. Мы с партнером познакомились с ребятами из калужской ИТ-компании, которым была очень интересна тема MedTech, но у них не было компетенций в сфере машинного обучения. На стыке их возможностей и наших компетенций осенью 2018 года попробовали сделать минимально жизнеспособный продукт (minimum viable product, MVP). Сначала задача была поставлена очень абстрактно: сделать то, что поможет обнаруживать рак молочной железы. Помимо пары публичных дата-сетов по маммографии для обучения модели, у нас была только выборка снимков, по которым уже был известен диагноз, поставленный пациенту. Результаты, полученные на тот момент, показались удивительными врачам, которым мы их показали. Это всех обнадежило. Мы поняли, что можем сделать нечто полезное, и решили развивать продукт дальше.

- Какими были следующие главные вехи проекта?

Мы открыли офис в Санкт-Петербурге и вскоре запустили разработку второго продукта «Флюорография / Рентген легких», а также пилотные проекты, что важно для получения обратной связи.

Очень большой поддержкой для нас оказалась работа, которую проводил в Москве Сергей Павлович Морозов, директор Центра диагностики и телемедицины («Радиология Москвы»). Действительно серьезной вехой стал эксперимент mosmed.ai, в котором прошедшие тестирование компании — разработчики ИИ-решений могут подключаться к клиникам через ЕРИС ЕМИАС, обрабатывать поток исследований реальных пациентов и получать обратную связь. К настоящему моменту три наши системы прошли так называемое калибровочное тестирование в этом проекте и работают полноценно: «Маммография», «Флюорография / Рентген легких» и «Covid-19». Другая наша система, выявляющая рак по КT легких, готова к внедрению, и еще одна, определяющая по КТ кровоизлияние в головном мозге, находится на стадии апробации.

- В этом проекте клиники голосуют, выбирая на определенный период продукт, с которым предпочитают работать. Сколько клиник выбрало ваш продукт?

Всего 102 клиники, больше всего выбрали «Маммографию» — примерно 50–60. Огромная выгода московского проекта — финансирование и одновременно развитие конкурентной среды: многие компании просто не выжили бы без такой поддержки. Второй крайне важный момент: организаторы понимали, что все системы далеко не идеальны, и принимали это. Когда мы приходили в регионы, то чаще всего слышали: «Ребята, это еще сыровато, надо допилить». А тут ставились три цели: во-первых, определить задачи, которые целесообразно и логично решать с помощью машинного обучения; во-вторых, отобрать лучшие решения; и, в-третьих, помочь разработчикам улучшить свои системы. Все эти цели достигнуты, и это очень здорово!

Результаты эксперимента теперь позволяют нам внедрять ML-системы и вне Москвы. В мае 2021 года мы получили регистрационное удостоверение на медицинское изделие, и в ближайшее время наши системы официально начнут работать на уровне нескольких российских регионов. Кроме того, большой проект идет в Узбекистане.

- Что было самым интересным в процессе создания медицинского ИИ?

Разметить изображение, чтобы определить, есть у пациента патология или нет. Поначалу мы не отдавали себе отчета в том, какое количество расхождений будет, если дать один и тот же снимок двум врачам. А ведь это влияет не только на обучение модели, но и на ее оценку. Как доказать, что модель качественная, если существуют пять разных мнений по тому, как размечен снимок?

Начинали, по сути, тыкаясь вслепую, но в итоге построили четкий пайплайн по разметке. Это очень сложный процесс, начиная с того, что врачей надо выбрать по каким-то формальным характеристикам. Оказалось, что квалификация и опыт — не всегда очень хорошие предикторы качественной разметки. Важны и дополнительные характеристики — например, усидчивость и внимательность. В числе факторов, часто и сильно влияющих на качество разметки, — обычная усталость и отсутствие большого монитора с высоким разрешением.

Поэтому сейчас мы много внимания уделяем отбору врачей, которые хотят с нами работать, их обучению и регулярной проверке их работы. В процесс разметки встроен автоматический контроль качества с использованием специального набора снимков и эвристик.

Второе, чему мы научились, — итерационное написание инструкций. Каждый раз, запуская новый проект, сначала пишем первую версию инструкции и просим врачей разметить снимки в соответствии с ней. Затем смотрим, какие есть расхождения и почему они возникают. Например, один специалист отмечает на маммографическом снимке злокачественные кальцинаты, а другой может их не отметить или разметить иначе, не заметив, выбрав другой класс или неаккуратно обозначив контур. Далеко не всегда расхождения означают разные мнения, иногда врачи по-разному интерпретировали инструкцию! То есть большую часть противоречий между оценками врачей можно устранить с помощью качественной инструкции по разметке.

- Какую цель вы ставили перед собой на уровне данных?

Максимально эффективно получить дата-сеты, которые нужны для создания качественных продуктов.

Сначала нам был нужен качественно размеченный набор данных достаточного объема. Теперь, для дальнейшего повышения качества, к дата-сетам предъявляем все больше требований — например, по наличию разных видов и форм рака молочной железы. Сейчас наша задача — пополнять и обновлять дата-сеты, экономя при этом деньги.

Как выяснилось, жизненно необходимо так называемое активное обучение. Специфика медицинских данных в том, что у них очень длинный «хвост». То есть большая часть пациентов здоровы, и лишь в снимках оставшихся 5% встречаются редкие патологии, которые мы очень хотим выявить. Если размечать все подряд, то большую часть времени мы будем делать бесполезную работу: нейросеть уже выучила здоровых пациентов и пациентов с легко детектируемыми патологиями, а мы просто сжигаем деньги, размечая бесполезные для модели снимки.

Поэтому мы сделали «умные» инструменты, которые позволяют отбирать данные на разметку. Когда поступает информация, что врачи освободились, для них в полуавтоматическом режиме по разработанным нами алгоритмам отбирается пул исследований, разметка которых принесет наибольшую пользу.

То есть мы внедрили подходы, позволяющие улучшать готовые продукты, ведь повышать их качество становится все труднее и труднее.

- Какие источники данных использовали?

В некоторых проектах использовали публичные дата-сеты: мы берем по максимуму все, что можно использовать в коммерческих целях. Как правило, это зарубежные наборы данных, но сейчас при поддержке Минздрава РФ идет подготовка публичных дата-сетов для отечественных разработчиков, и мы в ней тоже участвуем.

Второй источник — прямые контакты с медучреждениями и научными центрами. Это выгрузка анонимизированных данных: либо платная из зарубежных институтов, либо (что бывает чаще) в обмен на бесплатное использование нашего продукта в пилотном проекте. И третий крупный источник — поток данных, поступающих в рамках московского эксперимента через радиологический сервис ЕРИС ЕМИАС.

- К вам попадают уже анонимизированные данные?

Да, в 95% случаев. В московском проекте на стороне организаторов стоит модуль для анонимизации. Изредка к нам попадают неанонимизированные данные, тогда перед началом работы мы производим автоматическую анонимизацию.

- Алгоритмы анализа медицинских изображений сейчас пишут многие. Чем отличается ваш подход?

Конкурирующие решения различаются количественными характеристиками: точностью и скоростью работы, числом систем, c которыми могут интегрироваться. К сожалению, в нашей области пока практически нет обмена знаниями. Мы же стараемся пропагандировать такой обмен.

Наша «машина» по разметке медицинских данных — одна из лучших. Отдельная команда работает непосредственно с врачами, контролирует качество разметки и снабжает команду машинного обучения этими данными.

Еще один важный момент: мы уделяем большое внимание скорости проверки идей. Моя роль в компании — обеспечивать правильную настройку процессов и правильный выбор инструментов, чтобы максимально быстро обучать нейросети, тестировать идеи и продолжать улучшать продукты.

У нас всего 15 дата-сайентистов на пять готовых продуктов плюс три в разработке. Поддерживать такую линейку можно только при максимально эффективном использовании ресурсов — то есть автоматизируя все, что можно, и применяя лучшие практики, как процессные, так и инструментальные.

- Есть мнение, что главный потенциал медицинского ИИ — в анализе интегрированных данных о пациенте, а не отдельных исследований. Есть ли намерение развиваться в этом направлении?

Я всегда верил, что будущее — в мультимодальном подходе, когда в систему интеллектуальной обработки данных попадают данные разного типа из разных источников. Например, рентгеновский снимок плюс история снимков для оценки динамики, информация медкарты плюс информация по результатам приема, которая может быть собрана голосом. Моя давняя мечта — достойный дата-сет с мультимодальными данными. При таком подходе можно достичь по-настоящему крутых результатов. Технологии к этому готовы: есть архитектуры нейросетей, позволяющие работать с мультимодальными данными. Но существуют опасения относительно нарушения приватности: чем больше у нас данных о пациенте, тем выше риск их деанонимизации. Тут явно предстоит большая юридическая работа, и, скорее всего, потребуется согласие пациента на такую обработку данных.

Однако в рамках научного сотрудничества с некоторыми клиниками мы пробуем использовать более широкие массивы данных. Например, не только снимок, но и его описание, где врач может упоминать важные аспекты, сильно повышающие риск онкологии, такие как случаи рака в семье пациента. То есть мы уже работаем на стыке изображения и текстовых данных. Но остается нерешенным ключевой вопрос: как обеспечить безопасный доступ к таким данным?

Кроме того, существует инфраструктурная проблема: не очень много клиник, где можно эффективно выгрузить и связать массивы данных; часто результаты осмотра еще пишут от руки. А у коммерческих клиник обычно с инфраструктурой все отлично, но объем данных недостаточен.

- Какие основные ИТ-инструменты применяете?

Разметка данных проводится на российской платформе Supervisely, для хранения данных и разворачивания моделей используем Yandex.Cloud и Kubernetes. Сама разработка ведется на языке Python во фреймворке Pytorch. Чтобы обеспечить воспроизводимость результатов экспериментов (а это очень важно в науке), для обучения и тестирования моделей пользуемся фреймворками с открытым кодом Clear ML и DVC.

- Какими результатами использования систем «Цельса» можете поделиться?

Применение ИИ в медицине пока носит экспериментальный характер. Если сейчас убрать из медицины все ИИ-системы, краха не случится. Чтобы говорить об ощутимой пользе, надо уметь ее измерить, прежде всего оценить экономически. Посчитать, насколько меньше стали тратить денег в здравоохранении, — непростая задача. Сейчас мы сами тратим большие деньги, чтобы понять, меняется ли что-то с точки зрения финансовой эффективности, если у врача появляется наша система.

Однако в московском эксперименте есть примечательные кейсы — например, по обработке КТ-исследований на ковид. Для рентгенолога несложно увидеть знаменитое «матовое стекло», зато много времени требует оценка объема поражения легких, которая может повлиять на решение о госпитализации пациента. Практика показала, что ИИ-система может справиться с этой рутинной задачей, а врачу достаточно проверить, правильно ли все подсчитано. Время на интерпретацию одного исследования по ковиду сокращается на треть!

Кроме того, точечные свидетельства эффективности мы получаем из обратной связи от врачей — они не только сообщают, как наши системы помогают сэкономить время, но и честно признаются в том, что часть патологий могли бы пропустить, если бы система на них не указала. В пилотных проектах по маммографии в Брянске, Тамбове, Калуге, Калининграде и других городах, после пропускания через систему ретроспективных данных, были случаи, когда система обнаруживала рак, пациента направляли на дополнительное обследование и действительно находили злокачественные изменения.

- Какие направления дальнейшего развития проекта вы видите?

Первое глобальное направление — комплексные сервисы. Сейчас методами машинного обучения обычно ищут один определенный тип патологий, например ковид. Следующий важный этап — научиться находить на снимках одного исследования все возможные типы патологий.

Второе — измерить эффект от использования нашей системы по всем правилам научного исследования.

И третье важное направление — автоматизация рутинных задач, например контроля качества. В большом радиологическом исследовании многое может пойти не так — с оборудованием, с расположением пациента. И мы разрабатываем инструменты, которые помогают контролировать качество исследования прямо в процессе его проведения.

Мне кажется, выживут только те компании, которые, организовав работу небольших команд, смогут обеспечить максимальную скорость проверки идей. А ее можно увеличить благодаря автоматизации.

Пандемия коронавируса дала сильный импульс развитию медицинских информационных технологий, и проблема доступа к большим медицинским данным получила шанс сдвинуться с мертвой точки. Состояние отечественного рынка данных здравоохранения, отраслевые кейсы применения аналитики и технологий искусственного интеллекта, а также ситуацию с доступом к медицинским данным и нормативным регулированием повторного использования обезличенных данных для машинного обучения эксперты обсудили на форуме BIG DATA 2021, проведенном издательством «Открытые системы». Кульминацией тематической сессии стал круглый стол «Качественные медицинские данные для ИИ-решений: где их взять?», организованный при поддержке Ассоциации «Национальная база медицинских знаний».

Сырьевая база

Медицинские данные стали, с одной стороны, отдельным объектом инвестиционного интереса для технологических компаний, а с другой — «топливом» для развития рынка систем искусственного интеллекта. И максимальная вероятность толкового их применения в ближайшем будущем сосредоточена в наиболее привлекательных для инвесторов направлениях: сервисы для пациентов, телемедицина и, конечно, искусственный интеллект.

В числе самых многообещающих областей применения искусственного интеллекта в здравоохранении — предсказательная аналитика, включающая решения по прогнозированию возникновения эпидемий, нехватки лекарств и нежелательных событий в организме конкретного пациента. «Мы научились использовать большие данные для сокращения неэффективных затрат на оказание медицинской помощи», — сообщил директор по развитию проекта Webiomed Александр Гусев, представляя участникам BIG DATA 2021 обзор рынка искусственного интеллекта для здравоохранения. По его мнению, два главных вызова для этого рынка в России — особый правовой статус стартапов в сфере больших данных и искусственного интеллекта, а также развитие национальной платформы, которая позволит собирать медицинские данные, предоставлять доступ к ним доверенным компаниям и осуществлять государственный надзор в этой чувствительной сфере. Планы создания такой отраслевой федеральной платформы искусственного интеллекта, основой которой станет защищенный банк обезличенных медицинских данных, были недавно анонсированы Минздравом. Разработчики рассчитывают, что в процессе реализации этого проекта основные проблемы, связанные с использованием больших данных в медицине, будут решены.

К 2020 году медицинские информационные системы внедрили 82% медицинских организаций России. И хотя 80% информации в электронных медкартах хранится в неструктурированном виде, с ней вполне можно работать с помощью технологий обработки текста на естественном языке (Natural Language Processing, NLP). По мнению Гусева, основные сложности на пути развития российского рынка «умных» решений для медицины создает неурегулированный оборот обезличенных медицинских данных и отсутствие понятной схемы возврата инвестиций в это рискованное направление.

Закон на подходе

Между двумя нежизнеспособными крайностями «данные должны быть доступны всем» и «данные не должны быть доступны никому» лежат компромиссные варианты порядка обращения обезличенных данных, пока еще не оформленные юридически. Медицинские данные выделены в специальную категорию особо чувствительных данных и не могут обрабатываться без согласия субъекта даже в обезличенном виде. Как сообщила Александра Орехович, директор по правовым инициативам ФРИИ, поправки, предусмотренные законопроектом об обезличенных персональных данных, который сейчас готовится ко второму чтению, дают надежду, что вопрос доступа к данным с целью разработки систем искусственного интеллекта вскоре будет урегулирован. Доступ будет предоставляться в определенном порядке определенным категориям организаций, которые соответствуют определенным требованиям. Но никакой конкретики в отношении этого порядка, категорий и требований пока нет — ясность появится только вместе с подзаконными актами. Когда будут выпущены проекты документов с правилами обезличивания данных и правилами доступа к ним, тогда и развернется по-настоящему острая дискуссия на эту тему.

Сегодня, когда одновременно идут процессы усиления защиты данных и полной открытости цифрового следа, настало время поднять вопрос о донации данных, полагает Борис Зингерман, гендиректор ассоциации «Национальная база медицинских знаний». «Сделать донацию данных легче, чем донацию крови, а пользы от нее тоже можно получить немало, — подчеркнул он. — Я с удовольствием поделюсь своими данными для науки, и таких пациентов будет немало».

Три диагноза от искусственного интеллекта

Интересный пример полезного использования данных о первичных приемах пациентов, накопленных в столичной системе здравоохранения, привела первый заместитель начальника Управления заместителя мэра Москвы по вопросам социального развития Юлия Урожаева. Она рассказала о системе поддержки принятия врачебных решений на основе искусственного интеллекта, которая с октября прошлого года работает во всех взрослых поликлиниках города. Для обучения нейросети, которая была разработана и откалибрована при помощи специалистов лаборатории искусственного интеллекта Сбера, использовали уникальную методологию разметки данных, сообщила Урожаева. Около 95% случаев обращения в поликлинику связано с одним из 265 диагнозов. На них и сосредоточились разработчики.

Проанализировав анамнез и введенные врачом жалобы пациента, система подсказывает три наиболее вероятных предварительных диагноза, а затем подбирает стандартные пакеты инструментальных и лабораторных исследований для подтверждения диагноза или его опровержения. К настоящему времени с помощью системы проведено около 4 млн амбулаторных приемов, и в 70% случаев выбор врача совпадает с предложением нейросети. Систему продолжают дорабатывать и обучать, пополняя новыми данными и диагнозами и повышая точность ее работы.

Свое выступление Урожаева завершила приглашением к сотрудничеству. «Очень ждем нестандартно мыслящих людей для разработки следующих продуктов», — обратилась она к участникам форума.

Видеть цель

Поиск качественных медицинских датасетов сродни добыче золота или алмазов, требующей переработки тонн пустой породы. Поиском редких данных в различных источниках и организациях занимаются специальные компании, и эти изыскания не всегда успешны. Качественный датасет получается, когда исследователь четко знает, какие данные и с какой целью собираются. Например, это происходит при написании диссертации. Но создать качественный универсальный датасет для абстрактных целей невозможно, уверен Зингерман.

«При использовании публичных датасетов, которые непонятно как собраны, приходится проводить процедуру кросс-разметки данных нашими врачами», — подтвердил операционный директор компании «Цельс» Никита Николаев. По его словам, качественных медицинских данных на сегодняшний день мало. Однако если качественно отстраивать процедуры разметки данных, можно повысить и точность решений, построенных на их основе. Николаев поделился опытом по оптимизации затрат на разметку медицинских изображений с помощью псевдо- и кросс-разметки, а также результатами эксперимента по привлечению к процедуре разметки маммограм силами сообщества «Яндекс.Толока». Эксперимент показал, что люди, размечающие снимки для обучения ИИ, находили рак не менее точно, чем врачи.

Накопленные к настоящему времени массивы ценнейших медицинских данных очень плохо структурированы, так как при их создании не учитывались цели последующего ретроспективного анализа, отметил Николай Павлов, CDO НПЦ «Радиология Москвы». Но те данные, которые начинают накапливаться сегодня, эти цели уже учитывают.

«Российское здравоохранение находится в двух шагах от того, чтобы перейти к медицинской аналитике на основе первичных данных, — полагает Игорь Башков, коммерческий директор «Нетрика Медицина». — В 2020 году COVID всех к этому подстегнул».

Так, многие регионы организовали автоматическое формирование регистров заболевших коронавирусом и оперативную передачу первичных данных о заболевших на федеральный уровень в структурированном виде. Это лишь одна из множества задач, которые «Нетрика Медицина» помогает решать региональным управленцам, интегрируя данные из 70 медицинских информационных систем различных организаций.

На распутье: NLP или cтруктурированная галлюцинация?

Структурированные или неструктурированные данные — важная развилка на пути дальнейшей цифровизации российского здравоохранения. Как отметил Павел Пугачев, заместитель министра здравоохранения РФ, идти по пути структурированных электронных медицинских документов (СЭМДов), добиваясь перехода всех медицинских организаций на единый формат — правильно, но долго, хотя этот подход прекрасно себя показал в ряде регионов, где интероперабельность и обмен данными с федеральным сегментом Единой государственной информационной системы здравоохранения обеспечивается с помощью СЭМДов. «Мы будем двигаться по этому пути, но нельзя отбрасывать и неструктурированные данные», — подчеркнул он. По мнению Пугачева, сегодня недостаточно проектов, которые работают с неструктурированными текстами и результатами анализов, между тем это направление может стать прорывным. В нем следует создавать заделы и реализовывать сервисы для медработников.

Главное предназначение медицинских данных — обеспечивать оказание медицинской помощи и преемственности лечения. Возможность последующего анализа данных — дополнительный бонус, ради которого далеко не всегда можно заставлять врачей заполнять сложные длинные формы. Иногда это слишком долго и дорого обходится. К тому же опыт показывает, что данные из неструктурированных источников зачастую оказываются даже более качественными.

Гусев поделился историей, когда по настоянию заказчика разработчики сделали форму врачебного осмотра, включавшую почти тысячу полей. Заполнение данных осмотра одного пациента стационара занимало 40 минут. Неудивительно, что врачи сразу переходили в конец формы, меняя лишь несколько полей и оставляя остальные шаблонными. «В итоге на выходе получилась очень качественно подготовленная и прекрасно машино-обрабатываемая… галлюцинация», — констатировал Гусев. Эксперимент подтвердил, что абсолютная формализация в реальной медицинской практике невозможна, и имеет право на жизнь разве что в клинических исследованиях. А в клинической практике более применим подход, сочетающий заполнение текстом крупных блоков структурированных документов, и последующее извлечение информации из них с помощью NLP-технологий.

Чем сложнее экранная форма, тем менее достоверны данные, ее заполняющие, согласен Пугачев. Он, в свою очередь, привел пример неудачной попытки наполнить регистр больных ковидом подробнейшими данными о хронических заболеваниях, в результате которой получили множество пациентов, у которых вообще отсутствовали хронические заболевания. Лишь когда в регистре оставили только группы хронических заболеваний, качество его данных существенно повысилось. Для повышения качества данных также важно использовать данные, поступающие с анализаторов, носимых устройств и предоставляемые самими пациентами. К примеру, при вакцинации заполняемость дневников наблюдения на портале госуслуг оказалась существенно выше ожидаемой, а этот формат дает возможность не только собрать дополнительные сведения, но и разгрузить врачей при сборе анамнеза.

«Нам нужен спрос на датасеты для создания сервисов на основе искусственного интеллекта, чтобы иметь возможность внутренней приоритизации, выстраивания процессов разметки, создания эталонных датасетов и их предоставления вовне, — заявил Пугачев. — Мы хотим поддерживать именно российских разработчиков и готовы выстраивать с ними коммуникации». Удачный опыт НПЦ «Радиология Москвы» по тестированию ИИ-решений, по его мнению, нужно расширять, и не только на анализ медицинских изображений.

В АО «Медицина» (клиника академика Ройтберга) стремятся использовать весь арсенал информационных технологий для повышения клиентоориентированности бизнеса. Это стремление находит отражение и в инфраструктурных проектах. О самом последнем из них Максим Петухов, ИТ-директор АО «Медицина» (клиника академика Ройтберга), расскажет на форуме ИНФРАСТРУКТУРА 2019, которую издательство «Открытые системы» проведет 18 июня. А пока он ответил на несколько вопросов CIO.ru.

Несколько лет назад в клинике произошли глобальные изменения инфраструктуры, сопровождавшие расширение бизнеса. Редкая возможность узнать, как показали себя самые современные на тот момент технологии в долгосрочной перспективе.

- Клиника создавала инженерную и ИТ-инфраструктуру с запасом, но мир с каждым днем меняется все динамичнее. Хватает ли сегодня того «запаса», чтобы поддержать дальнейшее развитие бизнеса?

Бесконечный запас расширения создать невозможно, он ограничен средним временем жизни технологий. Если для софта можно все время поддерживать актуальную версию, то «железо» однозначно стареет.

Тот запас, который мы закладывали при проектировании инфраструктуры, по-прежнему играет свою роль. Мы спокойно увеличили там, где нужно было, количество компьютеров, которые подключаются к проводной сети. Возможности, которые были заложены в ЦОДе по размещению оборудования, нас устраивают.

Конечно, мы проводим ротацию серверного оборудования, периодически заменяя на новые те серверы, которые отработали пять-семь лет, получаем ускорение работы информационных систем и новые возможности. Но при этом базовая инфраструктура остается актуальной и, наверное, еще долго такой останется. Нам предстоит замена оборудования, например, кондиционеров, периодически меняем аккумуляторы ИБП, срок жизни которых составляет три-пять лет в зависимости технологии. Все это происходит в штатном режиме.

И мы очень внимательно следим за сервисным обслуживанием оборудования ЦОДа, которым занимается внешний подрядчик. Возникающие небольшие проблемы устраняются как можно быстрее, это и служит залогом долгого срока службы.

1.  
2.  
3.  
4.  

Пред.След.

Года через три потребует замены система охлаждения. Тут мы рассчитываем на новый ЦОД в нашем онкологическом центре, который сейчас строится в Химках. Он будет аналогичен по возможностям нынешнему ЦОДу, и мы получим географически распределенную, отказоустойчивую и даже катастрофоустойчивую инфраструктуру. Все информационные системы, которые сейчас работают на оборудовании действующего ЦОДа, смогут мигрировать и продолжить работу там. Эта мера позволит установить новое оборудование, провести модернизацию системы охлаждения, замену стоек. Инфраструктурные возможности нового онкологического центра будут служить всей клинике в целом. При его проектировании мы закладываем возможности расширения и плавной замены ИТ-оборудования.

- Как часто бизнес ставит перед ИТ-службой клиники задачи, требующие модернизации инфраструктуры?

Поскольку при проектировании мы ориентируемся на пяти-семилетнюю перспективу, с учетом параметров роста самого бизнеса, его потребностей в ИТ, это происходит достаточно редко. Именно поэтому текущая инфраструктура так долго служит.

Только предусмотрительность, проявленная при проектировании, позволяет пользоваться плодами инфраструктурных проектов на протяжении длительного времени.

- Какими подходами вы руководствуетесь в управлении инфраструктурой? Много ли внимания вы ей уделяете?

Инфраструктура требует много внимания, так как это краеугольный камень, на который опирается вся работа клиники. Но при этом у нас очень ограниченный ресурс сотрудников, которые могут обслуживать, контролировать инфраструктуру, устранять возникшие проблемы и принимать корректные решения о привлечении внештатных специалистов. Поэтому очень важен мониторинг, который мы непрерывно совершенствуем.

Мы используем две системы мониторинга. Первая, приобретенная вместе с сетевым оборудованием Hewlett-Packard, служит для его мониторинга, контроля изменений конфигураций. Вторая, Zabbix, более универсальна и позволяет отслеживать параметры всего оборудования и информационных систем. Недели не проходит, чтобы мы не ввели в нее какой-то новый параметр или сценарий работы оповещений. Это та система, которую мы все время наращиваем.

Также крайне важна автоматизация рутинных задач. У системного администратора очень высокая квалификация, но, если для выполнения каждого действия надо будет заново писать какой-то скрипт, никакого ресурса не хватит. Поэтому мы внедряем средства автоматизации работы ИТ-сотрудников, все время их совершенствуем и наращиваем. В результате два человека обслуживают всю сетевую и серверную инфраструктуру и ЦОД, включая обеспечение круглосуточной работы инженерной инфраструктуры здания.

- Какие технологические тенденции с вашей точки зрения важно учитывать при планировании развития инфраструктуры? Облачные технологии, гиперконвергентные, микросервисные архитектуры, что из них вы примете во внимание?

Мы отслеживаем все технологические тенденции, целенаправленно изучаем новые технологии и продукты, которые появляются на рынке. Все технологии, и облачные, и гиперконвергентные, безусловно, сыграют свою роль, каждая на своем уровне. Но для нас это произойдет ровно в тот момент, когда станет экономически оправданным. Если посчитать все затраты и все риски, связанные, скажем, с использованием облачных технологий, это не всегда выгодно, особенно когда уже есть сложившаяся практика, оборудование, обученный персонал, система поддержки и подготовки сотрудников.

Поэтому при внедрении новых систем и попытке сократить затраты на действующие мы исследуем и проводим расчеты для всех современных технологий. Облака — одна из них. Пока мы не увидели такого предложения, которое позволит сэкономить существенные средства: повторюсь, в клинике построена очень серьезная инфраструктура, многое сделано с запасом. Нам не интересно брать вычислительные мощности из облака, потому что выгоднее загрузить свои. Но мы присматриваемся ко всему, и одно из интересных перспективных направлений — возможность долговременного хранения зашифрованных резервных копий информационных систем, а также данных систем видеонаблюдения, которые занимают очень большой объем, и архивов медицинских исследований — КТ и ПЭТ/КТ. То есть тех данных, которые можно спокойно перенести «на холод», так как даже ленточные накопители требуют определенных параметров хранения: влажности, температурного режима.

- Что вы расскажете участникам конференции «Инфраструктура» и что вам самому будет интересно?

Сосредоточусь на проекте обновления сети Wi-Fi. Интересно, что немаловажную роль в принятии решения об этих инвестициях сыграли пациенты, высказав свое мнение, которое утвердило нас в необходимости этого проекта. Это важно для ИТ-директоров и для владельцев бизнеса.

Мне на конференции будет интересно подтвердить свой опыт и расширить свои знания. А также увидеть, как другие компании применяют технологии, к которым мы относимся осторожно из-за крайне серьезного подхода к защите персональных данных. Посмотреть на удачный опыт коллег по переносу в облако сервисов с учетом всех аспектов защиты персональных данных и удобства доступа внешних и внутренних заказчиков, по модернизации ЦОДа c использованием гиперконвергентной архитектуры. Это очень полезно, чтобы мы могли учиться не только на своих ошибках.

Рост продолжительности жизни, заболеваемости хроническими недугами и нехватка медицинского персонала подняли гигантскую волну интереса к искусственному интеллекту — именно с этими технологиями связано больше всего надежд на повышение эффективности здравоохранения. В мире уже есть примеры использования искусственного интеллекта не только в системах поддержки принятия врачебных решений, в телемедицине и удаленном мониторинге пациентов, но и в управлении здравоохранением. Однако основным фокусом конференции «Искусственный интеллект в медицине», на которую Ассоциация «Национальная база медицинских знаний» собрала в Салехарде специалистов из множества регионов, стало применение искусственного интеллекта именно в клинической практике.

«Разработка искусственного интеллекта в медицине — это не айтишная, а врачебная история, — уверен Александр Гусев, член наблюдательного совета НБМЗ. — Создавая сервисы на базе искусственного интеллекта, важно проводить клинические исследования их эффективности и, главное, — безопасности».

Искусственный интеллект эффективен в узких задачах. Разработки участников ассоциации испытывают в Кировской, Новгородской, Тульской и других областях, но предмет особой гордости — совместный проект в Ямало-Ненецком автономном округе. Здесь больницы опробовали сразу два продукта: Webiomed, разработанный компанией К-МИС, для профилактики сердечно-сосудистых заболеваний и Botkin AI, созданный «Интеллоджик», для поиска очагов на компьютерных томограммах (КТ) легких.

По сравнению с другими российскими регионами на Ямале относительно низкая смертность, неплохая обеспеченность медицинскими кадрами и высокий уровень информатизации здравоохранения — 96% медкарт ведутся в электронном виде. Тем не менее проблемы есть, в том числе перегруженность врачей рутиной, так что задач для искусственного интеллекта предостаточно. «Мы очень боялись, что наши врачи окажутся загружены еще больше, а результата они не увидят», — рассказал Сергей Новиков, директор Департамента здравоохранения ЯНАО. — К счастью, опасения не оправдались». Врачи получили цифрового помощника, облегчающего их работу, при этом вносить дополнительные данные им не потребовалось.

Профилактика

В городе Муравленко с помощью технологии машинного обучения сумели оценить риски развития сердечно-сосудистых заболеваний всего взрослого населения. Для обучения были использованы данные городской больницы — более 1,3 млн медицинских документов.

Медицинская информационная система (МИС) автоматически анализировала электронную медкарту пациента (ЭМК) и отправляла запрос на анализ в интегрированную с ней облачную систему поддержки принятия врачебных решений Webiomed. Выявленные факторы риска и их оценка выводились врачу в интерфейсе МИС. Обработка информации об одном пациенте в зависимости от объема его карты занимала в среднем от полуминуты до двух минут, а все прикрепленное население (25 тыс. человек) оценили примерно за пять суток.

«У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают, и не спит только искусственный интеллект», — сообщила Елена Климович, завотделением медицинской профилактики Муравленковской горбольницы. Результаты анализа заносились в ЭМК, и дальше врачи работали с пациентами, отнесенными к группам высокого и очень высокого риска, и адресовали им рекомендации искусственного интеллекта по устранению факторов риска.

Такая оценка риска сердечно-сосудистых заболеваний всего населения не проводилась еще ни разу — она была просто невозможна силами врачей. В ходе диспансеризации за год удавалось охватить лишь 10-15% населения. К тому же врачи сосредоточены главным образом на лечении, профилактика зачастую отодвигается на второй план. «Webiomed выявила в семь раз больше пациентов с высоким риском, чем карты диспансеризации», — сообщил Сергей Токарев, главный специалист по медицинской профилактике Депздрава ЯНАО. В 60% случаев система оценила риск выше, чем врач.

Система просчитывает риск сразу по четырем методикам, столь всестороннюю оценку врач на обычном приеме сделать не в силах. «Разные шкалы и клинические рекомендации дают разные результаты, — пояснила Климович. — Переложив эту работу на искусственный интеллект, мы получаем более правильный прогноз развития заболеваний».

В ходе проекта врачи не только обучали программу, но и сами учились правильно применять скрининг. Поэтому по мере доработки алгоритмов и совершенствования оценки по всей совокупности факторов доля пациентов с очень высоким риском выросла с 11% до 29%. Более 600 отобранных искусственным интеллектом пациентов с высоким риском были приглашены на осмотр и 67 из них уже поставлены на диспансерный учет. «Мы готовы и хотим продолжать», — сказала Климович. По ее мнению, необходимо развивать проект, добавляя в него новые возможности: поиск ошибочных или пропущенных заболеваний, контроль выполнения клинических протоколов и маршрутизации пациента.

Елена Климович: «У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают и не спит только искусственный интеллект»

Диагностика

Поскольку лучевых исследований, выполненных на цифровом оборудовании, становится заметно больше, а число врачей остается почти неизменным, в радиологии очень активно применяются системы компьютерного анализа изображений и искусственного интеллекта. В первую очередь они используются в скрининге и ранней диагностике при обработке больших массивов данных и выборе изображения с патологией для дальнейшего анализа врачом. Вторая традиционная область — решение узких специализированных и трудоемких задач, таких как анализ и сравнение объемов очагов, оценка перфузии. «Такие программы существуют и без искусственного интеллекта, но он позволяет это делать лучше», — подчеркнул Валентин Синицын, завкафедрой лучевой диагностики и лучевой терапии факультета фундаментальной медицины МГУ им. М. В. Ломоносова. Помощь врачу заключается, в первую очередь, в уменьшении ошибок и увеличении точности диагностики, а также написании стандартизованных заключений, рекомендациях по тактике лечения, распределении нагрузки на персонал и оборудование в зависимости от потока пациентов.

Но системы, работающие по определенному алгоритму, не могут улучшаться самостоятельно, поэтому радиологи все чаще обращаются к нейронным сетям, которые cамообучаются на больших массивах размеченных данных. Кроме того, их привлекают программы, которые по заданным параметрам ищут «похожие» изображения в больших базах изображений с известными диагнозами. Предпринимаются также попытки создать системы, способные прогнозировать на основе структурного анализа обнаруженных очагов ответ организма на лечение.

Чему уже успел научится Botkin AI? На Ямале эта система проанализировала просмотренные врачами за полгода КТ легких, выгруженные в региональный архив изображений из четырех больниц. На участки, вызывающие подозрение на наличие раковых очагов, наносилась цветовая маркировка. Таким образом было повторно пересмотрено более тысячи КТ 402 пациентов. Из них искусственный интеллект отобрал исследования 45 человек, которые были направлены к докторам онкоцентра для интерпретации. Снимки разделили на нормальные и патологические, и окончательное решение по этим случаям принималось рентгенологическим консилиумом. В итоге у 21 пациента был подтвержден рак легких, причем двое из них — это впервые обнаруженные больные, благодаря искусственному интеллекту они получили направление на консультацию торакального хирурга.

Чтобы повысить клиническую ценность этого, по сути, научного исследования, следует добавить данные из других больниц и анализировать не только завершенные, но и текущие исследования.

«Метод показал высокую чувствительность, хочется, чтобы разработчики повысили и специфичность», — отметил Сергей Партс, заведующий региональным онкоцентром Салехардской окружной клинической больницы. Сергей Сорокин, гендиректор компании «Интеллоджик», объяснил, что при повышении специфичности снижается чувствительность. Достигнутая в ямальском проекте специфичность 0,5 при высокой чувствительности — один из лучших показателей в мире. Сочетание экспертизы врача с его высокой специфичностью и искусственного интеллекта с высокой чувствительностью позволяет добиться большей точности распознавания. А уровень российских врачей достаточно высок, процент пропущенных ими случаев был минимальным во всех четырех пилотных регионах, отметил он. Тем не менее, в масштабе страны искусственный интеллект уже сейчас способен помочь врачам вовремя обнаружить злокачественные новообразования у десятков тысяч пациентов, хотя пока речь идет только об отдельных патологиях.

В Мурманской области, где к изучению возможностей искусственного интеллекта подталкивает дефицит врачей, на 250 обработанных КТ легких Botkin AI нашел три ранее не описанных рентгенологами патологии, в том числе две злокачественных. В ближайшее время в пилотных регионах планируют применить Botkin AI также при анализе маммограм, рентгенограмм и флюорограм.

«В скрининге наряду с клинической эффективностью немаловажную роль играет экономическая эффективность. Давайте идти не от того, что мы можем, а от реальных задач», — призвал коллег Виктор Гомболевский, руководитель отдела развития качества радиологии НПКЦ диагностики и телемедицинских технологий Депздрава Москвы.

Терапия

В отличие от диагностики, в терапии многие вещи не алгоритмизированы, здесь еще больший вес имеет экспертное и личное мнение. «Мы приветствуем цифровизацию здравоохранения, так как реальная ситуация сегодня такова: мы не знаем, чем врачи лечат болезни пациентов», — заявил Максим Фролов, исполнительный директор Ассоциации клинических фармакологов. По его словам, проблема в том, что ни один главный кардиолог или онколог не может увидеть на своем рабочем месте, что пациентам где-то неправильно были назначены лекарства. Это невозможно не только на уровне региона, но и на уровне районной больницы: пригодных для анализа листов назначений пока нет.

Врачам нужны системы, помогающие рассчитывать дозировки препаратов и курсы лечения, необходимы удобные справочники, автоматически определяющие отклонения от нормы, а руководителям — прогностические системы, просчитывающие риски при выборе лекарств, отслеживающие фармакологические тенденции и указывающие на отклонения от них в реальной клинической практике региона. Клинические фармакологи оценивают рациональность терапии тяжелых и сложных пациентов с высокими рисками нежелательных реакций, которым назначается много препаратов, и система, помогающая быстрее и легче оперировать информацией, несомненно будет ими востребована. Но прогресс в этой области не столь быстрый, поэтому современные врачи любой специальности должны тесно общаться с разработчиками ПО, считает Фролов. Пока системы поддержки принятия решений не показали качественного скачка в своем развитии: лучшие из них по-прежнему эффективны примерно на 80%.

Естественные препятствия

Вариативность, разнородность и изменчивость объектов анализа (людей и болезней) делают задачу развития искусственного интеллекта в медицинской информатике весьма не простой. «Ложноположительные результаты, находки, имеющие статистическую значимость, но не имеющие значимости клинической — бич, осложняющий работу с большими данными без специальных методологий», — отметил Алексей Незнанов, старший научный сотрудник факультета компьютерных наук ВШЭ. Положение усугубляют также противоречивые цели заинтересованных лиц, часто меняющиеся правила и очень плохое качество данных. «Ни один компьютер не разберется, что стало основанием для изменения стандартов оказания медицинской помощи за последние десять лет», — заметил он. Получить большие и качественные наборы данных трудно как из-за законодательных барьеров, так и по причине отсутствия механизмов и стандартов автоматической обработки сырых данных в МИС.

«Нужно учитывать, что хорошие результаты работы алгоритма в одной клинике не означают хороших результатов в другой, и тому виной отличия в параметрах сканирования», — напомнил Леонид Анопченко, заместитель главврача по диагностической работе Мурманской областной больницы им П.А. Баяндина. Не случайно в области начали создание центрального архива медицинских изображений со стандартизации этих параметров и данных, используемых для машинного обучения.

По убеждению Незнанова, не стоит сводить искусственный интеллект к машинному обучению — оно является всего лишь одним из методов решения узкого класса задач классификации и ранжирования. Гораздо более интересная область — управление знаниями, включая их создание, порождение понятий, онтологическое моделирование, а также извлечение из медиаданных и неструктурированных текстов. В медицине все большую значимость приобретают так называемые явные знания в виде всевозможных онтологий.

Один из главных факторов, сдерживающих внедрение искусственного интеллекта в радиологии, — нерешенные вопросы юридической ответственности и регистрации ПО как изделия медицинского назначения, добавил Синицын. Еще один «ящик Пандоры» — появление бесплатных приложений на основе искусственного интеллекта. Пациенты вскоре получат доступ не только к своим данным, но и к инструментам их анализа, и последствия очень тревожат специалистов. Ведь, обладая лучшей памятью и вниманием, искусственный интеллект ошибается, как и человек.

Из всех возможных областей применения технологий машинного обучения на медицину смотрят с особым вниманием и надеждой. Искусственный интеллект, несмотря на все его несовершенство, уже помогает не только развивать бизнес, но и спасать жизни. Интегрированное в единую радиологическую сеть современное диагностическое оборудование, которым осащены медицинские организации столицы, положило начало накоплению больших данных, и эта информация становятся «пищей» для искусственного «ума».

Сегодня применение технологий машинного обучения для скрининга рака в столичном Научно-практическом центре медицинской радиологии Департамента здравоохранения Москвы (НПЦ МР ДЗМ, проект «Радиология Москвы») выходит на новый уровень. Теперь при скрининге рака легкого искусственный интеллект научат выявлять и другие патологии.

«Комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества медицинской помощи», Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ

Эксперты проекта «Радиология Москвы» активно участвуют в разработке систем поддержки принятия решений для врачей-рентгенологов. Это оборудование позволяет работать с группами исследований в Едином радиологическом информационном сервисе (ЕРИС), высвобождая время доктора для действительно сложных задач. Одни из самых интересных проектов нацелены на выявление рака легких на ранних стадиях посредством автоматического поиска очагов в легких на КТ-исследованиях грудной клетки, а также на проверку качества описаний и заключений этих КТ-исследований путем интеллектуального анализа текстов, написанных на естественном языке.

Рак легкого — самый смертоносный среди всех онкологических заболеваний. Эпидемиологическая ситуация с раком легких в Москве такова, что требуются комплексные решения со своевременной диагностикой и эффективной маршрутизацией пациентов. Цель скрининга рака легких — выявить рак, прежде чем он распространится за пределы органа. Из всех случаев рака легкого только 15% локализовано непосредственно в легких. Однако данное заболевание выявляют обычно уже после того, как оно распространилось за пределы легкого. Единственный эффективный способ диагностировать эту онкологию вовремя — проводить низкодозную компьютерную томографию (НДКТ) гражданам из группы риска, не имеющим признаков болезни.

В результате запуска массового скрининга рака легкого в Москве в марте прошлого года накопился большой объем данных. Чтобы использовать эту информацию на благо здравоохранения, было решено применить технологии машинного обучения. Как отметил руководитель проекта «Радиология Москвы» профессор Сергей Морозов, скрининговые программы служат мощным стимулом к повышению спроса на автоматизированные решения и алгоритмы компьютерного анализа изображений.

От простого к сложному

На сегодняшний день в лучевой диагностике искусственный интеллект больше всего используется при решении когнитивно простых задач, а именно для формирования подсказок врачу, готовящему вывод по результатам исследования. Однако текущий уровень развития цифровых технологий позволяет решать значительно больше медицинских задач. Так, разделяя все случаи на «норму» и «патологию», искусственный интеллект дает рентгенологу возможность сфокусироваться именно на патологии. Кроме того, такая система может автоматически искать различия между снимками в динамике, классифицировать патологии, предоставлять «второе мнение», формировать сложные алгоритмы обработки больших данных для оценки среды, окружающей пациента. С помощью этой технологии можно изучать новые биомаркеры для развития систем раннего предупреждения заболеваний и создавать «калькуляторы» персонализированного риска.

На основе ретроспективного анализа 10 тыс. КТ-исследований грудной клетки пациентов было отобрано 5 тыс. с патологическими находками для последующего маркирования и тегитирования. Тем самым была сформирована специальная база размеченных КТ-исследований, на которых системы искусственного интеллекта учат искать очаги в легких. Кроме того, в рамках проекта «Радиология Москвы» разработан специальный программный продукт, позволяющий одновременно проводить независимую разметку и ее верификацию по любому массиву данных, с привлечением неограниченного числа рентгенологов. Эти данные применяются в разработке системы для поиска очагов в легких, работы ведутся совместно с Департаментом информационных технологий Москвы.

На сегодняшний день в Москве проведено в общей сложности более 14 тыс. НДКТ. Расчеты проведенного пилотного проекта показали, что из 86 выполненных НДКТ у пациентов из группы риска будет выявлен как минимум один рак легкого. Оценить результаты снижения смертности от данного заболевания планируется в 2024 году.

Расширение «кругозора»

Теперь искусственный интеллект может быть применен для поиска дополнительных патологий при проведении НДКТ. В новом проекте НДКТ 2.0 ставится несколько целей, помимо обнаружения рака легкого, — выявление остеопороза, коронарного кальция, аневризмы аорты, расширения легочного ствола, жирового гепатоза и эмфиземы легкого. Сейчас уже идет подготовка баз данных для тестирования и обучения алгоритмов под эти задачи.

«Роль искусственного интеллекта в скрининге рака легкого значительно шире, чем автоматический поиск узелков в легких, — говорит Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ. — А комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества оказываемой медицинской помощи».

Гомболевский, кандидат медицинских наук, врач-рентгенолог, не только является разработчиком проекта «Московский скрининг рака легкого», но и возглавляет комитет по искусственному интеллекту Московского регионального отделения Российского общества рентгенологов и радиологов.

По мнению Гомболевского, в использовании потенциала искусственного интеллекта сделаны лишь первые шаги. Сегодня медицинские системы искусственного интеллекта — это разрозненный парк решений для экономии времени, сокращения дозы лучевой нагрузки, поиска и классификации находок, консультации пациентов и направляющих врачей, подготовки изображений, распознавания естественного языка и других локальных задач, результаты которых выразятся в экономии финансовых ресурсов и повышении качества медицинских услуг.

«Надеюсь, что через 10 лет мир лучевой диагностики будет совсем другим именно благодаря искусственному интеллекту, — пишет Гомболевский на своей странице в Facebook. — Точно будут такие задачи, в которых можно поставить вопрос о замене врача. В то же время уложить все обязанности врача-рентгенолога в цифровой алгоритм будет весьма затруднительно».

Подробнее об использовании искусственного интеллекта можно будет узнать из доклада Виктора Гомболевского на практической конференции «Технологии машинного обучения», которую издательство «Открытые системы» проведет 25 сентября.

В конце прошлого года Всероссийский центр экстренной и радиационной медицины им. А. М. Никифорова МЧС России завершил процедуру сертификации на соответствие международному стандарту информатизации медицинского учреждения. Это первая и пока единственная медицинская организация на территории Восточной Европы, России и стран СНГ, которая подтвердила соответствие используемых ею ИТ-решений шестому уровню по шкале EMRAM (Electronic Medical Record Adoption Model). Аудит проводила некоммерческая ассоциация Healthcare Information Management Systems Society (HIMSS). Всего в Европе сертификаты высших (шестого или седьмого) уровней EMRAM HIMSS имеются только у 41 медицинского учреждения из более чем 2500 учреждений, прошедших аттестацию.

Сертификация – процедура добровольная и требует определенных затрат. Зачем она понадобилась и чего в итоге добился ВЦЭРМ?

Обратиться к зарубежному опыту

«Когда мы добиваемся успеха, то стремимся свои достижения с чем-то сравнить. На мой взгляд, это вполне естественное желание: можно оглядеться и изучить опыт коллег», – говорит Михаил Бахтин, помощник директора по медицинским информационным технологиям Всероссийского центра экстренной и радиационной медицины им. А. М. Никифорова МЧС России. ВЦЭРМ является одним из лидеров в области информатизации медицинских учреждений. Первые специализированные ИТ-системы на основе технологий InterSystems начали использоваться в этой организации в 2001 году: сначала была внедрена система MedTrak, позже получившая название InterSystems TrakCare, а в 2010 году – решение qMS российской компании «СП.АРМ».

Михаил Бахтин: «За последние полтора года мы внесли в наши процессы серьезные изменения, которые без посторонней помощи выполнялись бы очень нескоро. Эксперты HIMSS предоставили нам мощную методическую поддержку»

Существующая в России Ассоциация развития медицинских информационных технологий (АРМИТ) отслеживает реальное положение дел в стране с информатизацией здравоохранения, проводит конкурсы на лучшую ИТ-систему. Но никто никогда не оценивал, насколько качественно и эффективно эти системы внедрены в деловые процессы учреждений, что чрезвычайно важно. Хорошо известны случаи, когда одна и та же система используется по-разному в разных учреждениях.

Стремясь понять, какие аспекты деятельности клиники можно улучшить с помощью МИС, руководство ВЦЭРМ решило обратиться к международному опыту и пригласило для проведения аудита специалистов из HIMSS. Эта ассоциация, объединяющая разработчиков и пользователей, является методическим центром, располагающим собственной методикой оценки медицинских организаций. Разработчикам оказывается помощь в поиске направлений развития, а пользователям демонстрируются лучшие практики применения ИТ. В ходе сертификации независимые эксперты проводят аудит и оценивают эффективность использования информационных технологий в лечебном процессе.

«Для нас эта процедура оказалась очень полезной. Например, выяснилось, что оставались процессы, которые не полностью покрывались госпитальными ИТ-решениями, и после внесения необходимых изменений мы смогли лучше обеспечивать безопасность пациента и контролировать качество предоставления медицинской помощи», – отмечает Бахтин.

Аудит с домашним заданием

Шкала EMRAM, как и требования к различным уровням, описаны на сайте HIMSS. Каждое лечебное учреждение может самостоятельно оценить, какому уровню соответствует.

«Мы считали, что соответствуем седьмому, высшему уровню. Но когда стали заполнять анкеты, выяснилось, что есть направления, по которым не дотягиваем даже до шестого», – говорит Бахтин. В ходе аттестации пришлось совершенствовать эти технологические цепочки, доводя их до соответствия требованиям шестого уровня.

Процесс сертификации состоял из нескольких очных и заочных этапов. Сначала пришлось заполнить множество анкет, где специалисты ВЦЭРМ формально описали структуру учреждения и структуру используемой информационной системы, а также реализованные с ее помощью медицинские сервисы. Затем, в октябре 2016 года, инспектор из HIMSS в течение трех дней знакомился с работой всех подразделений, изучал особенности функционирования системы, задавал вопросы пользователям и руководителям, детально вникая во все технологические подробности.

По завершении очного этапа был составлен отчет, в котором несколько направлений деятельности получили очень хорошие оценки, а пять были признаны отстающими от среднеевропейского уровня. Именно эти направления вошли в программу «домашнего задания» по ликвидации разрывов между концептуальной моделью и реально происходящими процессами. Отчет о ходе реализации программы ежемесячно представлялся в HIMSS.

В декабре 2017 года, после того как инспекторы удостоверились в решении всех поставленных задач, состоялся повторный аудит клиники, подтвердивший, что ВЦЭРМ соответствует всем требованиям шестого уровня.

Уменьшение зависимости от человеческого фактора

В чем заключались основные трудности проведения сертификации?

«Отдельная фундаментальная проблема, самая важная и сложная, касалась замкнутого цикла использования медикаментов. Во-первых, цена ошибки очень велика, во-вторых, на уровне ИТ этот цикл хорошо проработан в Европе, но практически никак не был реализован в нашей стране», – констатирует Ольга Васильева, руководитель проектов компании «СП.АРМ». Далеко не сразу стало понятно, как реализовать такие функции в информационной системе. Например, чтобы соответствовать седьмому уровню, нужна гарантия не только того, что пациенту будет выдано нужное лекарство, но и того, что он примет его в установленное врачом время.

Ольга Васильева: «Мы сформировали большое количество обязательных полей, сделав записи более структурированными. В таком виде они становятся удобочитаемыми для искусственного интеллекта, что позволяет использовать его в механизмах поддержки принятия решений»

Еще более важной задачей стало внесение изменений в традиционный порядок оказания помощи. Требовалось внедрять новые практики не нанося ущерба текущей деятельности, то есть осуществлять перемены не совершая революций…

«Наше лечебное учреждение – исконно российское, и процессы реализованы согласно отечественным практикам. Международный опыт существенно отличается от наших реалий», – подчеркивает Бахтин. В частности, в России ключевая роль отведена врачу, средний персонал лишь выполняет его указания. В европейской же практике медицинские сестры больше вовлечены в процесс оказания помощи, что во многом оправданно, ведь врач проводит с пациентом значительно меньше времени, чем медсестра. В европейских медицинских картах есть специальные разделы, которые заполняются медсестрами. Например, они дают свою оценку рисков изменения состояния пациента: вероятности появления пролежней, возникновения обмороков, угрозы падений и т. п.

Следуя рекомендациям экспертов, ВЦЭРМ обеспечил вовлечение медсестер в процедуру формирования сестринских записей в электронных медицинских картах – они стали полноправными участниками лечебного процесса, разделяющими ответственность за конечный результат. В частности, внедрение протоколов оценки рисков позволило улучшить профилактику осложнений и сократить их количество. Это напрямую повлияло на продолжительность, качество и стоимость лечения.

Подход к организации оборота медикаментов тоже пришлось пересмотреть. Чаще всего практика такова: врач оценивает состояние пациента, назначает лечение, указывает, какие медикаменты, когда и в каком количестве принимать. Вся остальная работа, связанная с выдачей препаратов, поручается среднему персоналу. Но задумываются ли руководители, что происходит на этапе исполнения? Всегда ли есть в наличии назначенные медикаменты и получают ли их пациенты?

Если спросить у сотрудников любой клиники, достаточно ли у них необходимых медикаментов, ответ будет однозначно утвердительным. Но, к сожалению, нередки случаи, когда уже после назначения препарата выясняется, что его нет в наличии, и медсестра вынуждена делать заказ. В этом случае пациент как минимум сутки не получает назначенного ему лекарства. Предлагаются и аналоги, причем без согласования с врачами, что оказывается для последних неприятным сюрпризом.

«Мы решили кардинально изменить эту ситуацию, сделать процесс использования медикаментов более прозрачным и гарантированно безопасным. Технология замкнутого цикла, выработанная в Европе, пришлась очень кстати», – рассказывает Бахтин.

Добавить искусственный интеллект

«За последние полтора года мы внесли в наши процессы серьезные изменения, которые без посторонней помощи выполнялись бы очень долго. Эксперты HIMSS предоставили нам мощную поддержку», – признает Бахтин. Согласно принципам HIMSS, до пятого уровня лечебное учреждение движется само, а на пути к достижению высших уровней имеет возможность активно взаимодействовать с экспертами ассоциации.

«Мы обращались к разработчикам нашей МИС, обсуждали, что можно сделать в организационном плане, какие инструменты и сервисы добавить», – продолжает Бахтин. Поскольку у специалистов ВЦЭРМ был уже очень большой опыт взаимодействия с компанией «СП.АРМ», этот производственный процесс – обсуждение, разработка и тестирование – давно отлажен. Довольно быстро удалось усовершенствовать и запустить в эксплуатацию необходимые сервисы.

«Наша основная задача – обеспечить реализацию того, чего не хватало в системе. Например, по итогам первой инспекции больше всего вопросов вызывала раскладка медикаментов – тут требовалось внести существенные изменения», – рассказывает Васильева. Интеграция с реанимационным оборудованием тоже большой блок работ, но он понятен и прозрачен. Всего же в ходе сертификации потребовалось доработать 7-8% функционала. Надо сказать, что потенциал для развития системы, заложенный еще при проектировании, был большим, и это облегчило процесс доработок. Помогло плотное взаимодействие с заказчиком, в ходе которого удалось составить исчерпывающее техническое задание.

Пришлось серьезно пересмотреть и структуру ведения медицинских записей. Одна из претензий HIMSS к врачам касалась наличия в медкартах обширных текстов, изложенных в свободной форме.

«Мы сформировали большое количество обязательных полей, сделав записи более структурированными. В таком виде они становятся удобочитаемыми для искусственного интеллекта, что позволяет использовать его в механизмах поддержки принятия решений», – говорит Васильева.

Кроме внедрения полноценной системы поддержки принятия решений с использованием машинного обучения и искусственного интеллекта, были сформированы базы знаний – загруженные внутрь qMS, они обеспечивают поддержку принятия врачебных решений.

Следует отметить, что при подготовке к сертификации процессы потребовали гораздо большей доработки, чем внесение изменений в ИТ-платформу.

Стимул для развития

Клиники, заинтересовавшиеся опытом международной сертификации, стали появляться в России совсем недавно.

«Если бы мы заранее знали, сколько этот проект потребует времени, сил и средств, мы, вероятно, никогда не решились бы взяться за него, – признает Бахтин. – Но проверить себя очень хотелось, и мы рады, что шаг за шагом нам удалось пройти этот путь до конца». Большую роль сыграло и то, что руководство признало проект стратегически важным для дальнейшего развития ВЦЭРМ.

Серьезная помощь в работе с HIMSS была оказана поставщиками ИТ-решений: корпорацией InterSystems и компанией «СП.АРМ». Специалисты «СП.АРМ» смогли за короткий срок усовершенствовать свой продукт в соответствии с рекомендациями HIMSS. А корпорация InterSystems оказывала консультационную поддержку, она обладает большим опытом сотрудничества с HIMSS: девять госпиталей – клиентов компании в Европе и на Ближнем Востоке сертифицированы по шестому или седьмому уровню EMRAM HIMSS.

На сегодняшний день сделано многое: удалось изменить подход специалистов ВЦЭРМ к использованию новых технологий и осознать необходимость дальнейшего развития. Руководство ВЦЭРМ нацелено на достижение седьмого, высшего уровня по шкале HIMSS.

С учетом этих намерений можно выделить два основных направления, которые могут быть полезны для работы клиники. Первое – дальнейшее развитие систем поддержки принятия решений и еще более глубокое внедрение искусственного интеллекта в процессы диагностики и лечения. Второе, более проблематичное, – переход клиники к полностью безбумажной технологии.

«Если с машинным обучением, глубинным обучением и искусственным интеллектом мы уже подружились и позволили проникнуть в нашу работу, то безбумажная технология – более сложная проблема», – резюмирует Михаил Бахтин.

Внутри клиники некоторые результаты диагностики врачи получают только в электронном виде, а бумажный документооборот постепенно минимизируется. Однако внешним потребителям – экспертам страховых компаний, судмедэкспертам, прокурорам – истории болезни зачастую приходится предоставлять на бумаге. Закон об электронно-цифровой подписи уравнивает в правах бумажные и электронные записи, но не хватает внутриведомственных нормативов, которые показали бы, как эти документы можно использовать де-факто всем участникам информационного обмена.

В начале 2018 года в Федеральный закон «Об основах охраны здоровья граждан в Российской Федерации» и в приказы Минздрава был внесен ряд изменений, предоставляющих возможность ведения некоторых типов медицинских записей в электронном виде с применением усиленной квалифицированной электронной подписи. Михаил Бахтин с удовлетворением констатирует: «Это дает нам силы и основание с оптимизмом смотреть в будущее!»