Анна Мещерякова – о том, как ИИ вылавливает из «озер» Big Data новую ценность
Искусственный интеллект, которого так опасались Илон Маск и Стивен Хокинг, уже стал повседневностью не только для пользователей GPT Chat, но и для профессионалов в самых разных областях, включая медицину. И еще пять лет назад, запуская «Третье мнение», мы понимали, что примерно так и будет. Строго говоря, грядущий массовый запрос на ИИ был предопределен всей историей рынка IT последних десятилетий, а именно – значительными инвестициями в инфраструктуру данных, в том числе в медицине. Те, кто был близок к работе с медицинской техникой, помнят, как моду на Big Data в отрасли начинали формировать ее крупные международные поставщики. Они говорили: «Покупая наше оборудование, вы получаете не просто изображение наивысшего качества, но и возможность контроля динамики по каждому пациенту».
Следом за поставщиками техники в клиники приходили крупные вендоры и интеграторы и утверждали, что поставляемое IT-решение позволит централизованно хранить данные во всем их нарастающем многообразии, а также даст возможность обмениваться вашим клиникам и филиалам медицинской информацией. Все эти приобретения были оправданы и справедливы: и врачи, и пациенты были довольны тем, что можно мгновенно передать снимок из Воронежа в Москву, оперативно собрать консилиум.
Однако следом у покупателей этих решений закономерно возникла потребность получить возврат на инвестиции, которые, в общем, и так не предполагались: техника требует сервиса, а IT-решения – поддержки, постоянных докруток и в итоге довливаний. Вот тут как раз и появился ИИ, который с порога заявил, что может из образовавшихся «озер» данных выловить новую ценность. Но в чем эта ценность заключается?
Мы с «Медси» в течение последних двух лет в процессе рутинного взаимодействия искали ответ на этот вопрос и нашли сразу три равнозначных ответа. Первый эффект был на поверхности: ИИ – это возможность небывалого контроля качества врачебной деятельности. Ведь теперь вы не просто храните пассивные данные, а можете запустить их сквозной анализ и выяснить, например, а есть ли на рентгене или КТ признаки пропущенного рака, есть ли постковидные изменения в организме. Без ИИ такая работа была в принципе невозможна – согласитесь, вряд ли у кого-то есть лишние деньги на команду медиков-археологов, которые бы взялись за труд вручную разглядывать каждый снимок в базе клиники. А вот наш софт, подобно роботу-пылесосу, начал перемещаться по всему цифровому архиву и целевым образом искать, например, признаки патологий по КТ грудной клетки. Мы создавали соответствующие настройки и, условно, к утру следующего дня получали результат: указание на возможные пропуски, нестыковки, которые дальше уже мог анализировать квалифицированный специалист. По сути, так ИИ дал возможность клинике не выборочно, а полноценно контролировать собственные решения и, следовательно, выходить на новый уровень взаимоотношений с пациентом.
Из последнего довода вытекает второй эффект, который мы обнаружили: ИИ раскрывает неограниченный потенциал улучшения клиентского сервиса. Позволяет создавать новые направления, ранжировать пациентов по состоянию, настраивать умное управление очередью, что в итоге приводит к формированию персонифицированного подхода в одном лечебном учреждении или сети, маршрутизации пациента.
Как это хорошо работает на практике, мы увидели в разгар пандемии, когда настраивали маршрутизацию на госпитализацию в случае обнаружения высокой степени поражения легких. Но точно так же простой профилактический рентген может в случае объективных подозрений, выявленных ИИ, стать триггером для направления на КТ, лабораторное исследование или запись к врачу. Клиника заинтересована в том, чтобы ИИ действовал как можно более точно и предметно, автоматически создавал запись на процедуру, к специалисту для получения второго мнения, не перегружал его исследованиями общего характера.
Наконец, третий эффект – это возможность новых настроек организации труда и повышение экономической эффективности медучреждения. Не секрет, что у медицинских специалистов разной квалификации, опыта и/или из разных городов уровень зарплаты или ставки различается. Точно так же у рентгенологов. Однако никакого реального управления этой ставкой у подобных специалистов до сих пор не было, а значит, не было и управления затратами.
Сверхопытный профессор и начинающий рентгенолог всегда работают с единой очередью, в которой есть люди и со сложными случаями, и те, кто совершенно здоров и заглянул в поликлинику на профосмотр. Да и сама очередь на соответствующую диагностику внутри одной сети далеко не стабильна: в одном филиале может быть полная запись, в другом – явная недозагрузка. До появления ИИ инструментов автоматизированного управления пациентским трафиком просто не существовало. Все определяли случай и расписание смен.
В «Медси» попросили нас ранжировать поток клиентов. Мы проводили долгие испытания и в итоге смогли сделать так, чтобы исследования пациентов, нуждающиеся в уточнении диагноза, попадали к более опытным диагностам, а исследования с минимальной вероятностью отклонения – к остальным. Что естественным образом сказывается на, так сказать, «экономике». Так что профит от внедрения ИИ прослеживается на каждом уровне. Иначе быть не могло: знакомые с практикой новых внедрений в группе компаний «Медси» знают, что без детального обоснования никакие проекты не запускаются.
Однако дискуссии о плюсах и минусах развития технологии в ежедневной практике у нас продолжаются – как с клиницистами, так и с управленцами. Без этой рефлексии, пока ИИ не станет обыденностью, не обойтись. Правда, у нас уже нашелся ответ на скептический довод о том, что ИИ – изобретение новое. А что на другой чаше весов? Случайности и человеческий фактор.