Войти в почту

Что мешает цифровизации медицины

Михаил Кауфман — директор проектов в ИТ-компании «ТехЛАБ» В медицине и здравоохранении развивается сразу несколько направлений цифровизации. В повседневную работу врачей внедряется аппаратура с использованием передовых научных достижений, тестируются новые, более точные способы диагностики, меняется подход к обработке клинических данных. В перспективе цифровые решения могут вывести профилактику и лечение разных заболеваний на совсем иной уровень, чем сегодня, значительно повысив качество обслуживания пациентов. Технологии — на пути к тому, чтобы стать настоящей «правой рукой» врача. Прогнозы исследователей оптимистичны: по мнению Markets and Markets, глобальный рынок ИТ в здравоохранении уже в 2024 году составит около $390 млрд! Однако, несмотря на впечатляющие цифры, в реальности действительно инновационные продукты внедряются в медицину медленно. Хороших идей много, но далеко не все «выстреливают» и находят поддержку среди пользователей. Яркий пример — итоги «революции» в области управляемой медицинской помощи: $40 млрд потеряно инвесторами биотехнологических предприятий из-за закрытия десятков казавшихся вполне перспективными стартапов. Так происходит во многом потому, что медицина — довольно сложная сфера со своей устоявшейся терминологией, своими требованиями и нормативными рекомендациями. Более того, в здравоохранении есть много заинтересованных сторон: от пациентов до поставщиков услуг. И поскольку рынок цифрового здравоохранения представляет собой сочетание секторов технологий и здравоохранения, он сталкивается с еще одной проблемой: в то время как скорость развития и технологического обновления беспрецедентна, в отрасли здравоохранения принятие даже простых решений требует большого количества времени из-за необходимости преодоления регуляторных барьеров. Это объясняет, например, тот факт, что в цифровом здравоохранении небольшой круг инвесторов, которые финансируют преимущественно проверенные технологии, за редким исключением с потенциально неординарными результатами — риск в этой отрасли неоправдан. Что же еще создает трудности при разработке и продвижении инновационных решений для здравоохранения? ИТ-продукт не нацелен на решение конкретной проблемы Это самая очевидная причина, но, к сожалению, многие разработчики забывают именно о ней. Точкой отсчета для них является сама технология и ее возможности, а не выяснение того, какие запросы есть у пациентов и врачей. В итоге технология создается ради технологии, а не для ее потенциальных пользователей. Алан Купер, которого некоторые считают основателем современной концепции дизайна пользовательского интерфейса, отмечает, что идеальный подход к созданию продукта — «целенаправленность». Иначе говоря, нужно для начала определиться с тем, кто купит ваш продукт и для решения какой проблемы. Это более выигрышный вариант, чем попытка найти целевую аудиторию для уже готового ИТ-решения. Например, можно вспомнить о популярных фитнес-браслетах или подобной гарнитуре. Некоторые разработчики вкладывают в них функцию сбора таких данных, как информация о давлении, ритмах сна и сердца, колебаниях веса, физической активности — их проще измерить. Во-первых, вряд ли большому числу пользователей таких устройств понятно, зачем о них вообще собирается столько данных. Во-вторых, гарнитура почти никак не обрабатывает полученную информацию и не делает на ее основе выводов, полезных для потребителя. Возникает вопрос, зачем она ему? Людям нравится ясность, поэтому лучше создать продукт, который решает пусть одну проблему, но зато полностью. Например, датчик сна, который не просто анализирует то, как человек спит, но и отслеживает влияние окружающей среды, а также выдает полные рекомендации о том, как пользователю по-настоящему высыпаться. При разработке нет взаимодействия с медицинским сообществом Даже если вы поняли, какая потребность есть у вашей целевой аудитории, и определились с задачами, без постоянного контакта с будущими пользователями не обойтись. Ваше представление о проблеме и путях ее решения может совсем не совпадать с тем, что есть у пациентов или докторов. Если вы, например, разрабатываете сервис для диагностики злокачественных новообразований на основе искусственного интеллекта и машинного обучения, то наверняка столкнулись с множеством вопросов. Как алгоритм будет вписываться в рабочий процесс специалиста? Будет ли он использоваться для диагностики всех пациентов или только тех, у кого уже заподозрили рак? Как будет проверяться качество работы сервиса? На все эти вопросы в полной мере может ответить лишь специалист. Наилучшая схема работы — консультироваться с медицинским сообществом и показывать им свои наработки, прежде чем выпускать коммерческую версию решения. Так, при разработке Galenos мы заметили, что врачи почти не используют систему в тестовом режиме — им попросту не хватало времени заполнять излишнее количество полей. Это привело нас к мысли, что нужно автоматизировать процесс ввода данных, — и в итоге получился тот продукт, который можно увидеть сейчас. Есть одна любопытная история. В прошлом году Рич Каруана, старший научный сотрудник Microsoft Research, в журнале Engineering and Technology рассказал, что в 1990-х работал над проектом, в котором пытался использовать раннюю форму машинного обучения для предсказания риска пневмонии у пациентов. Проблемы возникли, когда модель машинного обучения попыталась предсказать вероятность заболевания пневмонией для страдающих астмой: она относилась к этим пациентам как к группе низкого риска, требующей небольшого вмешательства, а не госпитализации, чего эксперт-человек никогда бы не допустил. Решение не модернизируется В медицине уже накопилось большое количество данных, которые можно использовать для диагностики, назначения терапии пациентам или планирования лекарственного обеспечения. И они постоянно актуализируются, например появляются улучшенные препараты или выходят результаты исследований, обновляются нормативные рекомендации. Поэтому при разработке любого решения, которое использует медицинские данные, очень важно заложить в ПО возможность расширения и масштабирования. Чтобы помочь медикам использовать такие огромные массивы данных максимально эффективно, на помощь приходят технологические компании, которые работают с инструментами анализа big data. Они создают ИТ-решения, способные быстро обрабатывать огромные массивы информации о заболевании: результаты последних исследований, стандарты лечения и нормативные документы, историю успешных случаев терапии и информацию о препаратах и их сочетаемости — и на базе всего этого объема данных выдавать актуальные рекомендации о назначении программы лечения. В случае расширения базы данных такие сервисы должны успешно справляться с новой нагрузкой без потери производительности. Отсутствуют реальные данные для тестирования Любое ИТ-решение, разработанное для сферы здравоохранения, не допустят к использованию без предварительной валидации и апробации. Эти процедуры необходимы, чтобы доказать, что сервис работает корректно и соответствуем всем законодательным требованиям и стандартам. Однако предоставить реальные данные, на которых можно проверить ИТ-решение, и провести тестирование могут только медицинские работники. Поэтому еще раз вспоминаем о втором пункте — вести разработку без параллельного взаимодействия с врачами не стоит. Пользователи не доверяют технологиям Пациенты переживают, что вскоре забота об их здоровье будет лежать исключительно на «бездушных машинах», и ряд врачей тоже этого опасается. В некоторых случаях это может тормозить разработку ИТ-решений. Однако на рынке все больше закрепляется подход, когда разработчики стараются создать синергию технологий и искусства медицины. Он идет на пользу и докторам, и пациентам. Например, освободившись от каких-то рутинных задач вроде просмотра большого количества бумажных документов — их возьмут на себя ИТ-решения, — врач сможет больше времени уделять консультированию пациентов. А некоторые изъяны технологий, такие как неспособность систем справляться с неожиданностями и решать сложные логические или креативные задачи, закроют специалисты-люди. Обещать — не значит жениться Обойти все вышеперечисленные преграды во время разработки ИТ-решения реально. Все они, так или иначе, сводятся к трем столпам, на которых должна базироваться работа: реальная польза; работа с медицинским сообществом; постоянная модернизация системы. И если в итоге инновации будут работать так, как предполагают визионеры рынка, они могут серьезно демократизировать здравоохранение, расширив доступ к медицине для социально незащищенных групп и сократив расходы. Инновации в оказании медицинской помощи могут привести к созданию более удобных, более эффективных и менее дорогих методов лечения для сегодняшних пациентов. При этом эксперты считают, что в реальности взаимодействие врача и машины больше будет похоже на сотрудничество, чем на изгнание: те же технологии ИИ начнут работать вместе с врачами-людьми. И помощь человека будет неоценима, ведь прогнозные и обучающиеся алгоритмы могут допустить ошибку, если они сталкиваются с уникальными медицинскими случаями или же с плохо структурирующимися данными. В своей книге «Глубокая медицина» 2019 года Эрик Тополь, директор и основатель Исследовательского института Скриппса, рассказывает о создании «Siri от медицины» — помощника по искусственному интеллекту, который делает записи о взаимодействиях между врачами и их пациентами, ведет электронные медицинские записи и напоминают врачам о важных деталях истории болезни. Такие ассистенты позволят врачам проводить больше времени со своими пациентами и улучшать общее качество медицинской помощи. Возможно, именно за такими помощниками — незаметными, но бесценными — будущее глобального цифрового здравоохранения.

Что мешает цифровизации медицины
© Инвест-Форсайт