ПАНДЕМИЯ COVID-19 – ТРИГГЕР ЦИФРОВИЗАЦИИ ЗДРАВООХРАНЕНИЯ — Медицинская антропология и биоэтика

МАиБ 2021 – № 2 (22)

DOI: https://doi.org/10.33876/2224-9680/2021-2-22/04

Ссылка при цитировании: Роот Т.В. Пандемия COVID-19 – триггер цифровизации здравоохранения. Медицинская антропология и биоэтика, 2(22)

Татьяна Владимировна Роот –

аспирант,

методист Учебно-научного Центра им. Ю.В. Кнорозова РГГУ (Москва)

https://orcid.org/0000-0002-1478-7719

E—mail: roott@mail.ru

Ключевые слова: большие данные, искусственный интеллект, машинное обучение, здравоохранение, биомедицина, пандемия COVID-19

Аннотация: Пандемия COVID-19 положила начало периоду, полному противоречивых ощущений. Цифровое государство и цифровое здравоохранение постепенно становятся реальностью, но функционирование этих систем пока понятно не полностью. В статье предпринята попытка описания специфики больших данных в здравоохранении: каковы их составляющие, каким образом они структурируются, каковы области применения аналитики больших данных в биомедицине. Автор задается вопросом о возможности развития в дальнейшем новых тенденций ради блага врачей и пациентов, отмечая, что, как и все инновации, аналитика больших данных в биомедицине имеет свою оборотную сторону. В статье затронуты отдельные проблемы внедрения цифровых технологий в здравоохранение и возможные способы их решения. Цифровая реформа здравоохранения только в начале пути, и это – тот момент, когда опыт и знания медицинских антропологов могут способствовать извлечению максимальной пользы и избеганию вреда от изменений, сам процесс которых видится неизбежным.

Введение

Активный процесс цифровизации медицины начался незадолго до начала пандемии COVID-19. Но во время пандемии в системе здравоохранения произошли революционные изменения. Мир изменился настолько стремительно, что осознать произошедшее и последствия этих трансформаций мы еще не успели. Цели данного исследования состоят в том, чтобы определить место и роль больших данных (Big Data) в здравоохранении, описать пользу цифровых технологий для врачей и пациентов, обрисовать круг проблем, касающихся внедрения аналитики больших данных в здравоохранение, преимущества и недостатки этого внедрения, а также наметить темы для дальнейших исследований в этой области. В исследовании, помимо научных публикаций и собственных наблюдений автора, были использованы интервью с доктором медицины (PhD), врачом, специалистом в области телемедицины, сотрудником частного госпиталя в Ричмонде (Западная Вирджиния, США) Владимиром Лаврентьевым и к.б.н., сотрудником лаборатории молекулярной генетики МФТИ Марией Коноплевой.

Рынок медицинских решений на базе искусственного интеллекта, работа которого основана на аналитике больших данных, стремительно растет. По прогнозам консалтинговой компании Global Market Insights, к 2025 году его объем достигнет $13 млрд (Global Market… 2021).

Большие данные в медицине: что это такое?

Что такое большие данные, какое отношение они имеют к здравоохранению? Термин «большие данные» возник сравнительно недавно. Активное использование понятия отмечается в статистике Google c 2011 года, когда его стали применять IBM, Oracle, Microsoft и другие крупнейшие компании. Большие данные можно описать как совокупность непрерывно увеличивающихся объемов информации одного контекста, но разных форматов представления, а также методы и средства для их эффективной и быстрой обработки.

Первоначально набор структурирующих критериев назывался VVV или 3V и включал объем (volume), скорость (velocity) и разнообразие (variety). Затем расширился до 4V (veracity – достоверность данных, в некоторых случаях value – ценность или экономическая целесообразность обработки таких данных), затем до 5V (viability – жизнеспособность и value – ценность) (Belle et al. 2015). На сегодняшний день возможно наличие семи критериев, с добавлением переменчивости (variability) и визуализации (visualization), что часто используется в медицине.

Применение больших данных в здравоохранении является ярким примером первичности принципа 3V для получения больших данных: скорости (т.е. скорость генерации данных), разнообразия и объема. Существуют три основных области генерирования больших данных (далее – БД) в медицине. Стоит кратко остановиться на них по отдельности.

Обработка изображений. Компьютерная томография (КТ), магнитно-резонансная томография (МРТ), рентген, молекулярная визуализация, ультразвук, фотоакустическая визуализация, рентгеноскопия, позитронно-эмиссионная томография – компьютерная томография (ПЭТ-КТ) и маммография – вот некоторые из методов визуализации. Данные медицинских изображений могут варьироваться от нескольких мегабайт для одного исследования (например, гистологические изображения) до сотен мегабайт (например, КТ-исследования с тонкими срезами, включающие до 2500 сканирований на одно исследование). Такие данные требуют большой емкости для хранения, особенно если существует необходимость их хранения в течение длительного времени (Belle et al. 2015).

Медицинские сигналы¹. Подобно медицинским изображениям, медицинские сигналы также требуют большого объема (памяти) и скорости, особенно во время непрерывного сбора и хранения биоданных с высоким разрешением со множества мониторов, подключенных к каждому из пациентов. Большие данные здесь актуальны не только с точки зрения размера данных медицинских сигналов, но и их структуры. Анализ этих сигналов полезен тогда, когда он представлен вместе с ситуационным контекстом, который необходимо встроить в разработку систем непрерывного мониторинга и прогнозирования (ЭКГ, стресс-тесты, включая эргоспирометрию² и тредмил³тест, измерение давления и так далее). В настоящее время в системах здравоохранения задействованы многочисленные разрозненные устройства непрерывного мониторинга, которые используют отдельные данные или оповещают об отдельных жизненно важных событиях (например, угрозе инсульта). Единого постоянного контекста физиологического состояния пациента нет. Следовательно, существует необходимость в разработке более емких подходов к мониторингу состояния пациента и создания систем, объединяющих фрагменты данных. Надо сказать, что в 2020 году объем рынка устройств для мониторинга пациентов превысил 23,3 миллиарда долларов США, а с 2021 по 2027 год ожидается более 6,9% среднегодового роста (Global Market… 2021).

Геномика⁴. Одно из направлений геномики, медицинская геномика, решает прикладные вопросы клинической и профилактической медицины на основе знания геномов человека и патогенных организмов. Аналитика высокопроизводительных методов секвенирования в геномике по своей сути является сферой применения больших данных, поскольку геном человека состоит из 30 000 – 35 000 генов. Уже в течение нескольких лет реализуются проекты по интеграции клинических данных от геномного уровня до физиологического уровня человека (Hood, Price 2014). Эти инициативы помогут предоставить индивидуальное лечение каждому пациенту.

Для предоставления рекомендаций в клинических условиях необходим быстрый и надежный анализ больших данных относительно генома, что требует новых решений на основе ИИ. К примеру, в рамках новой парадигмы 4П-медицины есть проекты, использующие системный подход в целях анализа наборов данных о геноме для определения болезненных состояний, перехода к диагностическим инструментам на основе крови для непрерывного мониторинга субъекта, изучения новых подходов к открытию мишеней для лекарств, разработки инструментов для решения проблем с большими данными по сбору, проверке, хранению, интеллектуальному анализу, интеграции. Наконец, существуют проекты моделирования данных для каждого человека и построения интегративного личного омического профиля (iPOP) (Chenet al. 2012).

Генетик Мария Коноплева в интервью автору о применении цифровых технологий в исследованиях сказала, что «мы постоянно используем аналитику больших данных для анализа нуклеиновых и аминокислотных последовательностей». «Мы используем систему машинного обучения для предсказания функций и структуры белков. Безусловно, это сильно облегчает жизнь исследователям, позволяет предположить, как устроен белок, как он складывается, и предсказать, какова будет его функция и как можно изменить структуру белка, чтобы изменить его функцию» (ПМА-2 2021). На вопрос, какие проблемы возникают в работе с большими данными, М. Коноплева ответила, что «есть сложности в том, что на эту работу требуются огромные мощности и время, и, как правило, на порталах, которые этим занимаются, огромные очереди на исследования. Но это реально повышает эффективность и скорость работы, достоверность результатов, потому что это помогает предсказать что-то и планировать дальнейший ход исследовательской работы». По поводу точности и достоверности результатов анализа больших данных она добавила, что «как правило, когда используются компьютерные результаты, затем эти предсказания доказываются практически, проводится кристаллизация белка, смотрится, какая в действительности получается структура, и сравнивают с компьютерной моделью». По словам информанта, обычно «точность бывает достаточно высокой, не могу сказать, что 100%, но достаточной для того, чтобы говорить о достоверности полученных результатов». Мария также ответила на вопрос, довольна ли она теми вычислительными системами, которые использует в работе: «Хотелось бы иметь более мощные, более производительные системы. А в целом, я довольна, потому что это здорово облегчает рутинный труд научного исследователя» (ПМА-2 2021).

Геномика востребована в таких областях как наследственные заболевания, онкодиагностика, персонализированная медицина. Не следует забывать также о стремительно развивающейся нутригеномике и геномике старения, которая с учетом стареющего населения развитых стран становится все более востребованной. Активное долголетие и у нас в РФ становится все более актуальным направлением.

Надо заметить, что стоимость секвенирования генома человека быстро снижается с развитием технологии высокопроизводительного секвенирования. Сегодня в Москве можно сделать генетический тест стоимостью от 42 тыс. рублей до 125 тыс. рублей, причем в срок от месяца до трех, в зависимости от поставленных задач исследования. А за 7500 рублей и за неделю можно выяснить по «чужим» данным предположительные наследственные заболевания и риск рождения больного ребенка (Genetico 2021). В России секвенированием генома занимаются несколько компаний: Genetico, Синтол, Genetics, Геномед и другие.

Рис. 1. Социальные сети полны такого рода объявлений об исследованиях генома. В числе входящих опций этого предложения – данные о более чем 168 рисках развития заболеваний, 46 спортивных и психологических предрасположенностей, эффективности 125 лекарств и пр.

Все вышеупомянутое вписывается в новую парадигму 4П медицины, в которую входят:

– персонализация, индивидуальный подход к каждому пациенту с учетом генетических, биохимических и физиологических особенностей человека;

– предикция, выявление предрасположенности к развитию заболевания;

– превентивность, предотвращение или снижение риска развития болезни за счет постоянного мониторинга медицинских сигналов;

– партисипативность, активное участие человека в профилактике возможных заболеваний и их лечении, что происходит благодаря его знанию о возможных «слабых» местах и цифровой информированности о собственном состоянии.

В нашей стране Распоряжением Правительства Российской Федерации от 28.12.2012 № 2580-р принцип персонализации медицины включен в Стратегию развития медицинской науки в РФ на период до 2025 года: «Персонализированную медицину определяют как быстро развивающуюся область здравоохранения, основанную на интегрированном, координированном и индивидуальном для каждого пациента подходе к анализу возникновения и течения заболеваний, или интегральную медицину, которая включает разработку персонализированных средств лечения на основе геномики, тестирование на предрасположенность к болезням, профилактику, объединение диагностики с лечением и мониторинг лечения» (Об утверждении Стратегии … 2012). Кроме того, в рамках утвержденного председателем Правительства РФ (Резолюция № ДМ-П8-5 от 03.01.2014) Прогноза научно-технологического развития России на период до 2030 года отмечено, что персонализированная медицина является перспективной моделью развития здравоохранения (Пальцев и др. 2015).

Области применения аналитики больших данных в здравоохранении

Одной из самых востребованных областей применения аналитики больших данных в биомедицине является диагностика. Врачи склонны фокусироваться на тех проблемах и симптомах, с которыми пациент обратился, поэтому нередко пропускают другие заболевания. Анализ больших данных дает дополнительную возможность, а именно интеллектуальный анализ всего разнообразия имеющихся данных для выявления причинных факторов возникновения болезни. Такой анализ очень важен, так как правильная диагностика – основа лечения. Но нельзя забывать, что решение всегда остается за врачом, а ИИ является только инструментом в его руках.

Развитию такого инструмента способствуют исследования в области обработки медицинских сигналов для разработки СППВР, систем поддержки принятия врачебных решений (CDSS: clinical decision support systems)⁵. CDSS или СППВР предоставляют практикующим врачам знания и информацию, относящуюся к конкретному пациенту, которая отфильтрована и представлена таким образом, чтобы улучшить оказание помощи. Надо сказать, что уникальная система поддержки принятия врачебных решений начала работать в октябре 2020 года во всех городских взрослых поликлиниках Москвы. Один из модулей этой системы – сервис, предлагающий три наиболее вероятных диагноза пациента на основе его жалоб. Получив заключение цифрового помощника, врач может выбрать один из предложенных ему предварительных диагнозов, либо поставить свой собственный. Реализация проекта СППВР началась 1 июня 2019 года. В его основе – клинические протоколы, разработанные специалистами Департамента здравоохранения Москвы совместно с федеральными экспертами на базе клинических рекомендаций и международных стандартов. Функционирование СППВР стало возможным благодаря единой цифровой платформе здравоохранения. Разработчики платформы – Агентство социального развития Москвы совместно с городским Департаментом информационных технологий. Интересно, что с июня врачи из регионов также получили доступ к московской системе поддержки принятия врачебных решений для тестирования. Кроме того, в рамках единой цифровой платформы здравоохранения в конце 2020 года был запущен КТ-калькулятор для диагностики COVID-19, которым также могут пользоваться специалисты по всей стране (Официальный сайт Мэра Москвы, 2021).

Еще одно замечание относительно систем поддержки принятия врачебных решений. Огромный объем данных от каждого пациента за короткие периоды времени создается в отделениях интенсивной терапии (ОИТ). Поэтому потенциал развития CDSS (система поддержки клинических решений) или СППВР в среде интенсивной терапии признан многими исследователями. Рассмотрим примеры использования СППВР.

Параметры электрокардиографии из телеметрии вместе с демографической информацией, включая историю болезни, лабораторные показатели и лекарственные препараты, были использованы для разработки внутрибольничной системы раннего обнаружения остановки сердца (Attin et al. 2015).
Американские ученые исследовали, снижает ли мультимодальный мониторинг мозга с помощью TCD (транскрониальная допплерография), EEG (электроэнцефалография) и других тестов частоту серьезных неврологических осложнений у пациентов, перенесших кардиохирургические операции (Zanatta et al. 2011).
В другом исследовании авторы оценили, сокращает ли использование мультимодального мониторинга мозга продолжительность искусственной вентиляции легких, необходимой пациентам, а также период пребывания в отделении интенсивной терапии и медицинских услуг (это касается как состояния пациента, так и снижения затрат на реанимацию) (Hemphill at al. 2011).

Кроме СППВР цифровые технологии применяются в следующих областях системы здравоохранения:

Планирование медицинского обслуживания физических лиц и компаний, включая прогностическое управление течением заболеваний. Это можно продемонстрировать на примере портала ЕМИАС и мобильного приложения emias.info или медицинского сегмента на портале mos.ru, благодаря которым оптимизированы посещения пациентами специалистов в медицинских учреждениях и можно загружать данные по состоянию здоровья в течение нескольких дней после прививки для мониторинга этого состояния. Кроме того, системы дают возможность проведения исследований не всем подряд раз в год, в том, что касается диспансеризации, а для каждого пациента по персональному графику, составленному в зависимости от его индивидуальных рисков сезонного обострения каких-либо беспокоящих его конкретных заболеваний.
Определение и реализация максимально эффективных практических мер, способствующих сокращению числа повторных госпитализаций. Постоянный сбор данных медицинских сигналов, к примеру, с помощью носимых устройств, персонализированный выбор лекарств с помощью СППВР или секвенирование генома пациента могут сделать лечение более точным и менее медикализированным, что позволит избежать затрат на повторные госпитализации, исследования и процедуры.
Оптимизация управления результатами лечения и затратами на лекарственные препараты. По данным аналитической компании SAS, лекарства, прописываемые в США пациентам по страховой программе Medicare, помогают лишь в 21% случаев. Таким образом, налицо неэффективность лечения и необходимость несения дополнительных расходов на приобретение лекарств, а также дополнительные исследования, не говоря уже о плохом самочувствии пациентов. Кроме того, из 10 000 случаев заболевания раком груди, спасти удается лишь 5 женщин старше 50 лет, которые в течение 10 лет ежегодно проходят маммографию. Более того, по статистике 6000 американских женщин получают ложноположительные результаты. И это только один из примеров обезличенной медицины, в то время, как внедрение больших данных в медицину делает ее персонализированной и превентивной (Билл 2021).
Разработка инструментов, позволяющих повысить качество обслуживания пациентов. К примеру, компания Express Scripts занимается обработкой миллионов рецептов для доставки лекарств на дом и в аптеки. Для этого в компании используются инструменты, работа которых основана на аналитике больших данных. Они настолько эффективно анализируют информацию о своих клиентах, что, накопив достаточно данных, вскоре смогут заблаговременно предупреждать медицинских работников о побочных эффектах лекарства, которые могут возникнуть у конкретного больного (Билл 2021).
Клиническая телемедицина является частью телемедицины. Она позволяет дистанционно проводить консультации и консилиумы между медицинскими учреждениями, в ходе которых врач может получить консультацию от врачей более высокой квалификации относительно постановки диагноза и разработки тактики лечения. В ходе таких консилиумов могут проводиться дополнительные обследования пациента, его внешний осмотр в дистанционной форме, в том числе выполнение им заданий консультантов, а также клиническая беседа. Рабочее время специалистов высокой квалификации очень дорого и всегда в дефиците. Тем более проблематичной становится возможность собрать нескольких специалистов высочайшего уровня у постели больного (Столяр и др. 2018) И здесь на помощь приходит телемедицина. Это экономит время врачам и средства пациентам.
Медицинские информационные системы (МИС) являются очень важной областью применения аналитики больших данных. Развитие таких систем в перспективе может привести к появлению цифровых госпиталей. На базовом уровне они заменяют регистратуру, оптимизируют документооборот, работают с пациентами, анализируя человекопотоки и график работы врачей, ведут учет работы медперсонала, контролируют финансовые и организационные вопросы.
Работа хирургических роботов. Внедрение роботов в хирургию дало импульс к развитию двух направлений: минимально инвазивной хирургии и телехирургии, когда хирург управляет роботом во время операции, не имея непосредственного контакта с пациентом (Туркина 2017).
Дистанционная торговля медицинскими препаратами и изделиями медицинского назначения, что в период пандемии тоже переживает бум.
Оценка и контроль качества оказания медицинской помощи, оптимизация и объективизация отчетности, цифровой документооборот. Статистика клиник сегодня зависит от ручного ввода данных врачами. Врач может неточно или не вовремя заполнить историю болезни – это общая проблема. Неверные данные формируют ложную статистику, а на ее основе невозможно принять верные управленческие решения. Искусственный интеллект может решить эту задачу: он анализирует данные всех пациентов, формирует объективную картину здоровья, может отслеживать результаты лечения.
Решение проблемы нехватки врачей. К примеру, оборудованные КТ, МРТ и другими системами диагностические центры смогут дистанционно обслуживать клиники с помощью телемедицины и ИИ. Реализованный пример будет продемонстрирован на примере медицинского сегмента портала mos.ru.

Пандемия

Пандемия сильно ускорила внедрение ИИ и машинного обучения в здравоохранение во всем мире. Начнем с того, что именно глобальная цифровизация позволила ученым всего мира максимально быстро объединиться и оперативно обмениваться новыми данными, чтобы государства могли выработать оптимальную тактику для спасения максимального числа человеческих жизней и наилучшую стратегию борьбы с COVID-19. Использование телемедицины, мониторинг больных из защищенного помещения делает гораздо более безопасной работу врача. К примеру, мой информант Владимир Лаврентьев рассказывал, что в начале пандемии телемедицина была настолько востребована, что в палатах с больными приходилось вешать на стойки мобильные телефоны, чтобы врачи могли дистанционно консультировать дежурных медсестер. Электронные медицинские карты, больничные, врачебные консилиумы посредством телемедицины не только делают безопасным общения врачей и пациентов, но и экономят большое количество времени.

«После десятилетий технологического отставания область медицины начала адаптироваться к сегодняшней эпохе цифровых данных. Новые технологии позволяют собирать огромные объемы информации о каждом отдельном пациенте в течение длительного периода времени» (Билл 2021). Разработки в сфере аналитики больших данных велись достаточно давно. В. Лаврентьев, PhD в области медицины, работающий сейчас в частном госпитале больше десяти лет проработал исследователем в университете города Ричмонд, где занимался телемедициной. В частности, лаборатория, где работал Владимир, сотрудничала с НАСА. Один из проектов состоял в разработке газоанализаторов, которые по данным давления воздуха и пульса космонавтов, находящихся на станции, могли предсказать «множество возможных сценариев развития событий» (ПМА-1 2021). Но в то время во внедрении подобных технологий в здравоохранение не было заинтересованных сторон. Проблема состояла в системе американского здравоохранения. Ни врач, ни страховая компания, ни пациент не готовы были оплачивать телемедицинские услуги, да и стоимость таких услуг была очень высокой. Собственно, революция назрела незадолго до пандемии и совершилась во время оной.

Инициатором продвижения телемедицинских услуг в систему американского здравоохранения изначально было государство. Началось все с индейских общин. Затем телемедицина была внедрена в тюремных больницах и в системе ветеранских госпиталей. Почему именно там? Потому что в этих структурах существует жестко управляемая система, по словам Владимира, «похожая на советскую» (ПМА-1 2021). Телемедицинские услуги включали в себя преимущественно радиологию, телепатологию и телепсихиатрию. Кроме упомянутых выше организаций, услуги телемедицины были востребованы на Аляске, где здравоохранение вообще построено на телемедицине. Во-первых, в силу сложности рельефа и сложных погодных условий, а во-вторых, потому, что на Аляске услуги телемедицины входят в систему ОМС. Кроме того, много лет назад телемедицина прошла полевые испытания в Спитаке, когда американцы развернули свои пункты, оборудованные для онлайн консультаций врачей. В основном, они специализировались по краш-синдромам. Это произошло благодаря вмешательству армянской общины в США (ПМА-1 2021).

Рассмотрим, какие революционные изменения произошли в медицине в связи с пандемией. Вначале телемедицина требовала весьма дорогостоящего специального оборудования, которое было необходимо как на рабочем месте консультирующего врача, так и в пространстве консультируемого. При этом пользователями системы являлись только медицинские работники. Потом появились системы, интегрированные со Скайпом, но каналы связи были слабо защищены. С пандемией небольшая, недавно вышедшая из стратапа компания Zoomперевернула телемедицину. Связь стала безопасной и сильно подешевела. Лед тронулся, когда компания Zoom при заключении договора с клиникой начала брать на себя риски, связанные с безопасностью. Это послужило решающим аргументом, так как больницы сильно рискуют, заключая контракты, по которым именно они отвечают за безопасность работающих систем, и в случае утечки информации клиникам грозят огромные иски.

Еще одно глобальное изменение заключается в том, что раньше телемедицина была довольно изолированной системой, которая включала в себя только коммуникацию между специалистами. Например, врачи более высокой квалификации консультировали своих коллег. С пандемией система расширилась и включила в себя общение между врачом и пациентом. И здесь также надо отдать должное компании Zoom, которая смогла сделать протоколы, совместимые с телемедицинскими системами.

Что касается телемедицины в нашей стране, то, несмотря на несовершенство законодательства в отношении этого направления на момент начала пандемии, многие технологии дистанционного оказания медицинской помощи были использованы как медицинскими организациями, так и обычными гражданами. Так, национальная система мониторинга качества, учрежденная Правительством РФ, опубликовала список самых популярных телемедицинских приложений. В него вошли сервисы «Доктор Рядом Телемед», Smartmed от МТС, СберЗдоровье, «Яндекс.Здоровье», «Онлайн Доктор», Doc+, Pirogov Clinic, My Doc, ONDOC, Doctis и другие. В ГБУЗ «Московский научно-практический центр наркологии ДЗМ» врачами психиатрами-наркологами посредством телемедицинских технологий проводились удаленные консультации пациентов, при необходимости проводилась коррекция лечения. Проведение удаленных консультаций выполняли также специалисты по социальной работе и психологи. Посредством видеоконференций проходили встречи групп анонимных алкоголиков (Шахабов и др. 2020).

Надо сказать, что коронавирус также ускорил снятие законодательных ограничений в сфере телемедицины. В состав срочных карантинных мер попало внесение изменений в закон о телемедицине, позволяющее врачам ставить диагноз и назначать лечение удаленно, а также разрешить дистанционную продажу лекарств, в том числе рецептурных. В апреле 2021 года, наконец, были утверждены дополнения к закону, где расширяются полномочия внебюджетных медицинских организаций в отношении телемедицины (Об основах охраны здоровья граждан… 2021).

В марте 2020 года телемедицинская платформа «Доктор рядом» зафиксировала более чем двукратный рост числа консультаций по отношению к февралю того же года. Спрос на консультации сервиса «Яндекс.Здоровье» в марте 2020 года увеличился на 40%, а в апреле – уже почти в два раза по сравнению с аналогичным периодом прошлого года. По данным компании Ondoc, соединяющей медучреждения с пациентами, время телемедицинских консультаций в апреле по сравнению с мартом выросло в шесть с половиной раз.

В условиях кризиса многие люди впервые обратились за цифровыми медицинскими услугами. Согласно опросу, проведенному в апреле 2020 года в США, более 70% опрошенных респондентов впервые пользовались телемедицинскими услугами или чат-ботами для проверки симптомов болезней, и более 80% из них этот опыт понравился.

В условиях пандемии вырос спрос на отдельные специальности врачей. По данным компании «Доктор рядом», если в начале пандемии 70% пользователей обращались за консультацией к терапевтам и педиатрам (для обсуждения симптомов ОРВИ, результатов медицинских исследований и получения общих рекомендаций по здоровью), то затем ситуация поменялась. Примерно то же число, около 70%, составили консультации врачей узких специальностей: акушеры-гинекологи, кардиологи (жалобы на скачки артериального давления), эндокринологи, неврологи (жалобы на панические атаки), гастроэнтерологи. Режим самоизоляции, стресс, ношение масок и перчаток негативно сказались на состоянии кожи (обострились проблемы акне, дерматита), соответственно выросло количество обращений к дерматологам (Агентство инноваций… 2020).

Кроме того, именно благодаря системам машинного обучения и искусственному интеллекту удалось не только быстро расшифровать геном нынешнего коронавируса, но и в рекордные сроки создать вакцину. Во времена так называемого свиного гриппа (H1N1) на это ушло три года, а на вакцину от «испанки» пятнадцать лет.

Пандемия поспособствовала масштабному использованию КТ-томографов. В будущем это может привести к широкому использованию данных технологий для диагностики других, в том числе и инфекционных, заболеваний. Носимые устройства, такие как «умные» часы, браслеты и кольца, помогли в ранней диагностике COVID-19. С помощью этих устройств была подтверждена гипотеза о том, что заражение COVID-19 можно определить еще до того, как человек обнаружит у себя симптомы, благодаря постоянно собираемым данным о температуре кожи и других физиологических показателях. Эти результаты помогут стимулировать разработку носимых устройств, позволяющих диагностировать заболевания на ранних стадиях. Сейчас на основе подобного мониторинга разрабатываются приложения для женщин, которые без анализов могут определить беременность на ранних стадиях. Надо заметить также, что помимо ИИ и носимых устройств, развитие VR и AR упростит и повысит качество диагностики и лечения (Бунт 2021).

Пандемия показала, насколько важно для медицинского персонала быть готовыми к вспышкам заболеваемости, какова необходимость в прогнозировании для обеспечения заболевших местами, надлежащим уходом и лечением, и, конечно, специалистами. К примеру, чикагская компания Common Spirit Health использует обезличенные данные мобильных телефонов, системы общественного здравоохранения и собственные данные, чтобы спрогнозировать изменения в спросе на медицинское обслуживание и подготовиться к росту числа пациентов с COVID-19 (Агентство инноваций… 2020). А исследователи Кливлендской клиники разработали первую модель для прогнозирования вероятности положительного результата теста на COVID-19 и исхода заболевания. Модель делает анализ на основе возраста, расы, пола, социально-экономического статуса, истории вакцинации и принимаемых лекарств (Бунт 2021). В дальнейшем, такие разработки на базе машинного обучения и аналитики БД могут оказаться полезным с точки зрения планирования нагрузки врачей и клиник.

Если говорить о цифровом отслеживании контактов и взаимодействий, то приходится признать, что это весьма спорное достижение, требующее глубокого анализа и жесткого правового регулирования. Технологии отслеживания контактов появились как способ контролировать распространение COVID-19. В мае 2020 года Apple и Google запустили систему, которая использует Bluetooth для взаимодействия устройств iOS и Android, что позволило сторонним разработчикам и структурам общественного здравоохранения создать приложения, способные отслеживать и уведомлять людей в случае, если они находились в контакте с инфицированными.

Агентство инноваций Москвы подготовило обзор «Здоровье» об изменениях, происшедших за время пандемии и перспективах развития здравоохранения после нее. Несомненно, львиная доля этих изменений приходится на цифровые технологии. В таблице 1 приведена информация из обзора, касающаяся технологий, использующих аналитику БД (Агентство инноваций… 2020).

Таблица 1. Изменения в системе здравоохранения в период и после пандемии. Перспективы развития.

В. Лаврентьев думает, что уже сейчас можно предположить, в каком направлении может развиваться американская биомедицина. В госпиталях устанавливаются системы ИИ. Они берут на себя большинство рутинных функций, прежде всего регистратуры, отчетности, ведение историй болезней и т.д. Врачи и пациент сходятся в том, что такие системы очень удобны, экономят огромное количество времени, трудозатрат и значительно экономят средства как страховых компаний, так и самих пациентов.

Речь идет о системах Sy.Med и Epic. Последняя интегрирована с Zoom и дает возможность автоматически посылать пациенту приглашение на телемедицинский визит со ссылкой. При этом визит может проводиться через мобильный телефон. Такая система удобна врачам и выгодна госпиталю. Правда, это весьма дорогостоящие системы, но в итоге их внедрение экономят как время, так и расходы (ПМА-1 2021). Кроме того, существует EMRS (ElectronicMedical Record Systems) – электронная система медицинской документации, которая собирает БД, всю разнообразную неструктурированную информацию о пациентах, используемую затем в системах поддержки принятия врачебных решений.

Реабилитация

Еще одну актуальную область применения БД можно продемонстрировать на примере реабилитации переболевших COVID-19. Еще два года назад только единичные энтузиасты задумывались о внедрении новых технологий и цифровизации в сферу реабилитации. Но коронавирус все изменил кардинально: программы, проекты, компании, оказывающие консультационные услуги. Используются VR и AR, реабилитация экзоскелетом и т.д. Подобной активности сегодня нет больше ни в одном сегменте. В начале октября 2021 года ВОЗ официально представила описание постковидного синдрома (long COVID) (WHO 2021). LongCOVID длится от двух месяцев в требует серьезной реабилитации. Это является одним из ведущих направлений в рехабе (rehab, сокращение от rehabilitation – реабилитация), потому что люди не хотят жить, еле передвигая ноги, страдая одышкой и тромбозом, они стремятся поскорее вернуть прежнее состояние и качество жизни. Это относится не только к COVID-19, но и к последствиям любого тяжелого заболевания. И, конечно, это приложимо к популярной сегодня доктрине активного долголетия.

Реабилитацией занимаются как государственные, так и частные организации. К примеру, одной из государственных структур, оказывающих подобные услуги, является Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр терапии и профилактической медицины», где, в частности, проводится компьютерный тест тромбодинамики. Одной из успешных компаний, оказывающих услуги по реабилитации переболевших COVID-19, является «Медицинское бюро Павла Воробьева», где при диагностике инфекции успешно применяется система ИИ MeDiCase. В статье, написанной профессором П. Воробьевым, где он подводит итоги применения системы MeDiCase в сложной диагностике COVID-19 и постковидного синдрома, говорится, что эффективность «методики выявления инфекции COVID-19 с применением системы MeDiCase составила 89,5%» (Воробьев и др. 2020).

Помимо MeDiCase существует множество других систем ИИ, созданных специально для медицины. К примеру, медицинская система на основе ИИ Intelligent Care Coordination Viz.ai(Intelligent Care Coordination 2021) использует компьютерное зрение искусственного интеллекта, чтобы распознать онкологию по КТ или МРТ. В России также разрабатывается множество подобных платформ. Можно упомянуть следующие.

Webiomed – платформа для прогнозирования и управления рисками в здравоохранении на основе машинного обучения. Предназначена для автоматического анализа обезличенных медицинских данных с целью прогнозирования возможного развития заболеваний и их осложнений на персональном и популяционном уровне (Webiomed, 2021). Включает в себя следующие модули: ППВР, анализ неструктурированных медицинских записей (жалобы пациента, результаты анализов, данные об артериальном давлении, росте и весе и т.д.), банк биомедицинских данных, модели машинного обучения. Платформа разработана при грантовой поддержке фона «Сколково».

Компания СП.АРМ, специализирующаяся на разработке ИТ в сфере здравоохранения, выпустила свою медицинскую информационную систему qMS. Система также имеет множество направлений, среди которых так называемая qMS реабилитация, которая способна работать как автономная реабилитационная система, так и как часть общей медицинской информационной системы (qMS 2021).

Государство так же, как и бизнес сегодня инвестирует в развитие множества необходимых базовых сервисов в здравоохранении: единая медицинская карта, маршрутизация, мониторинг, электронный помощник доктора и пр. С появлением «умного» города в Москве появилась и «умная» медицина. Примером внедрения больших данных в рамках умного города явилось мобильное приложение EMIAS.INFO и медицинский сегмент в рамках проекта умного города mos.ru и портала Госуслуг. С помощью применяемых в этих приложениях технологий аналитики больших данных и машинного обучения не только минимизированы контакты между посетителями медицинских учреждений, но и значительно облегчилась работа врачей, на которых не давят бесконечные огромные очереди за дверью, улучшена санитарно-эпидемиологическая обстановка в поликлиниках и, в конечном итоге, психологическая атмосфера в них. Услуги, предлагаемые порталом:

– запись к врачу с возможностью просмотра, отмены и переноса;

– запись к специалистам по направлениям;

– запись на лабораторные условия по назначениям;

– просмотр выписанных рецептов;

– автоматические напоминания о записях на прием;

– возможность подключения нескольких полисов ОМС;

– электронная медицинская карта (осмотры врача, анализы, исследования, выписки);

– возможность подключения отправки данных из Apple Здоровье и Apple Health (пульс, давление, уровень глюкозы уровень насыщения крови кислородом и температуру) на emias.info.

Этот портал был запущен в 2014 года и интегрирован в портал mos.ru. Также реализуется федеральный проект единой цифровой сети, рассчитанный на пять лет (до 2024 года), который охватит все медицинские учреждения РФ. В паспорте проекта в разделе «задачи» на 31.12.2021 года содержится следующая информация: «Обеспечена защищенная сеть передачи данных, к которой подключены не менее 80% территориально-выделенных структурных подразделений медицинских организаций государственной и муниципальной систем здравоохранения субъектов Российской Федерации (в том числе фельдшерские и фельдшерско-акушерские пункты, подключенные к сети Интернет)» (ЕГИСЗ 2021).

Внедрение современных медицинских систем приводит к растущей социальной ориентированности в медицине, уменьшает трудозатраты врачей, экономит время пациентам, делает их общение менее напряженным и более продуктивным. Надо сказать, что доктор Лаврентьев, летом посетивший Москву, был приятно удивлен произошедшими изменениями. Он сказал, что наша медицина, да и наш «умный» город, стали более социально ориентированными, в отличие от США, где все базируется на коммерческой выгоде (ПМА-1).

Не отстает и система образования. В настоящее время в России существуют как частные, так и государственные образовательные платформы, на которых можно получить образование по направлению «Факультет Data Science в медицине». Например, GeekBraines. Задача DataScientist – анализировать большой объём данных, прогнозировать события и помогать находить неочевидные закономерности. Он может ставить диагнозы, обнаруживать болезни и персонализировать лечение. Все это специалист по большим данным осуществляет с помощью нейросетей и машинного обучения (GeekBraines 2021). Также проводится телемедфорум, который уже в пятый раз состоялся в Сколково в начале декабря. На нем обсуждаются, в том числе, вопросы телемедицины и цифровизации здравоохранения.

Есть ли реальная польза от использования аналитики больших данных в медицине? Насколько они необходимы практикующему врачу?

Несмотря на то, что мнения врачей относительно пользы от задействования аналитики БД отличаются, но все они сходятся на том, что цифровизация здравоохранения неизбежна. Виктор Гомболевский, руководитель отдела развития качества радиологии Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы, говорит: «Хотим мы того или нет, медицинские данные будут использоваться как во благо человека, так и во зло. Под благом можно понимать ИТ-решения, способные привести к продлению жизни конкретного человека и повышению качества его жизни, а под злом – те, что могут нанести ущерб, либо не окажут положительного воздействия на жизнь и ее качество (например, продажа информации о болезни пациента с целью увеличить его страховые взносы в связи с повышенным риском инфаркта)». Относительно преимуществ использования аналитики больших данных в диагностике, доктор Гомблевский считает, что «значительную часть рутины в работе врача можно автоматизировать за счет предварительного сбора и первичного анализа данных. Врач должен принимать решения, «переварив» вводную информацию, но зачастую ее так много, что пациент отсекает эпизоды, которые могут иметь решающее значение» (Шеян 2019).

Владимир Александровский, стоматолог, владелец сети стоматологических клиник, основатель сервиса Diagnocat полагает: «Нейросети снимают с врачей рутинные задачи и освобождают время для сложных, нетипичных случаев. Искусственный интеллект сокращает количество врачебных ошибок: используя ИИ при анализе рентген-исследований, доктора ошибаются на 30–40% меньше, потому что нейросети исключают человеческий фактор. Врач может быть уставшим и недостаточно внимательным, а искусственный интеллект – нет». В том, что касается демократизации медицины, Александрвский считает: «Искусственный интеллект – это, с одной стороны, помощник врача, с другой – независимый эксперт для пациента. Фактически ИИ лишает врача монополии на принятие решения, потому что дает пациенту понимание того, как его лечат, что с ним происходит. У пациента нет достаточного объема специализированных знаний, чтобы самому решить, принимать ли определенные таблетки, ставить ли пломбу на этот зуб. Человек должен принять на веру рекомендации доктора. А ИИ дает второе объективное мнение и этим решает проблему недоверия – медицина становится по-настоящему демократичной» (Владимир Александровский… 2020). Относительно демократизации, превентивизации и персонализации медицины благодаря внедрению аналитики БД в доктрину 4П-медицины, можно привести эксперимент Фрамингема по созданию цифровых облаков личных данных участников. К исследованию собираются привлечь 100 000 участников, которых предполагается наблюдать в течение 20–30 лет, осуществляя мониторинг их состояния здоровья. Предполагается, что участники разделятся на три группы: те, кто будут здоровы, те, кто могут заболеть и те, кто, напротив, из болезненного состояния перейдут в здоровое. Цель исследования – создание цифровых облаков, состоящих из БД каждого участника, в том числе и для формирования баз данных здоровых и переходных состояний (от здорового к болезненному и наоборот). В дальнейшем это поможет моделированию индивидуальных облаков данных для определения здорового состояния и минимизации болезней для каждого человека, определению того, что в действительности может называться здоровым состоянием, для выявления ранних стадий перехода от здорового состояния к болезни с целью создания протоколов превентивной терапии, чтобы предотвратить болезнь на самой ранней стадии. Таким образом, предполагается, что 4П-медицина и аналитика БД помогут трансформировать здравоохранение и общество. Делая упор на предикцию и профилактику болезней, медицина 4П может значительно уменьшить социальные и финансовые затраты на лечение. Специалисты прогнозируют, что в ближайшие 10–15 лет индустрия здоровья или здорового образа жизни станет важнее индустрии здравоохранения (Hood, Price 2014). И, наконец, онлайн консультации в интернет-сообществах и телемедицина в том направлении, в котором она развивается с началом пандемии, сделали большой шаг по направлению к демократизации здравоохранения. Впрочем, здесь есть и подводные камни. Например, безопасность хранения биоданных, возможность несанкционированного использования этих данных и непроработанное законодательство относительно прав пациентов на сохранение конфиденциальности.

Несмотря на огромные средства, которые обращаются в нынешних мировых системах здравоохранения, клинические результаты остаются недостаточно эффективными. К примеру, в США, где 96 человек из 100 000 ежегодно умирают от вполне излечимых болезней (Oyelade etal. 2015). Ключевым фактором такой неэффективности является неспособность собирать, обмениваться и использовать информацию более комплексным образом в рамках систем здравоохранения. Это дает шанс аналитике больших данных проявить себя в области диагностики, для улучшения оказания медицинской помощи, а также на ниве разработки и планирования политики здравоохранения, в качестве инструмента для аналитики и оценки сложной и запутанной системы здравоохранения. Что еще более важно, внедрение идей, полученных в результате анализа больших данных, может спасти жизни, расширить доступ к здравоохранению, оптимизировать цену и качество предоставляемых услуг.

С другой стороны, мой информант В. Лаврентьев сказал, что как врач он против визитов к врачу по мобильному телефону: «Что врач может увидеть в маленький экранчик?! В Соединенных Штатах домашние компьютеры редкость, все общение происходит с мобильных устройств… К примеру, пожилой человек, 82 года, обращается по поводу сердечно-сосудистого заболевания. Доктор снимает показания давления, сердечного ритма, говорит с пациентом, проводит опрос. После этого выносит решение. Все, визит окончен. А если, например, у пациента огромные трофические язвы на ногах? А врач этого просто не увидел в экран телефона, забыл, к примеру, посмотреть. Если бы пациент пришел в клинику, то врач бы точно обратил на это внимание» (ПМА-1 2021).

Все это, безусловно, требует тщательной проработки, чтобы сделать медицинские системы на основе ИИ максимально эффективными. К примеру, уже сейчас собираются огромные массивы биомедицинских данных, на основе которых можно будет разрабатывать модели онлайн общения врача с пациентом. Есть мнения о излишней медикализации при внедрении систем ИИ. В упомянутой уже системе qMS имеется такая функция, как интеграция с другими СППВР, например, «PharmExpert». Врач отправляет данные в Фармэксперт и получает анализ взаимодействия препаратов. При анализе учитывается пол, возраст, наличие беременностей, основной и сопутствующий диагнозы, все действующие медикаментозные назначения пациента, сделанные в системе как данным врачом, так и другими специалистами, а также условия назначения. К примеру, сочетаются ли препараты в одной капельнице. Там же имеется опция контроля избыточности назначений Delta-Check. Для контроля и ограничения необоснованных проведений лечебно-диагностических процедур и исследований предусмотрены предупреждения на повторные назначения в течение одного дня, необоснованно частые повторы назначений, ограничения на ввод назначений, не соответствующих полу, возрасту пациента, противопоказанные по диагнозу (Медицинская информационная… 2021).

В конце нашего интервью информант сказал, что, несмотря на свои возражения с позиции врача, он понимает неизбежность цифровизации медицины, поскольку эти процессы действительно вносят в работу ряд преимуществ. Кроме того, вряд ли кто-то согласится вернуться к стетоскопам и слуховым рожкам. Важно разумно внедрять новые технологии и не забывать, что они лишь инструмент в руках врача. Они только освобождают врача для творческих задач по спасению жизни и здоровья пациентов.

Проблематика больших данных

Безусловно, существует проблема недоверия к ИИ. К примеру, анализируя множество неочевидных факторов, ИИ выносит диагноз, который, возможно, не устраивает или врача, или пациента. Ведь ни врач, ни тем более пациент не могут охватить и просчитать весь объем проанализированных данных. Кроме того, не следует недооценивать «человеческий фактор» и тенденциозность. Благополучие врача, к примеру, особенно в частной клинике, зачастую зависит от страховой или фармакологической компании.

Стремительное развитие технологий приводит к тому, что основная масса людей не понимает, как работает ИИ. Отсюда рождается недоверие. Но мы также не понимаем, как работает мобильный телефон или калькулятор, однако пользуемся этими гаджетами и доверяем им. С другой стороны, ИИ не является целью, но всего лишь инструментом, служащим для облегчения работы врача и расширения его возможностей, а значит для восстановления здоровья пациентов, для роста продолжительности жизни и, что важно, для улучшения качества таковой (Шеян 2019).

Недоверие не является единственной проблемой. Ниже приведены другие, сведенные к обобщающим параметрам.

Структура данных: проблемы с фрагментированными данными и несовместимыми или разнородными форматами данных. Т. е. анализ медицинских изображений, обработка медицинских сигналов и интеграция физиологических данных и аналитики сталкиваются с проблемами при работе с разрозненными структурированными и неструктурированными источниками больших данных (Belle et al. 2021). К примеру, если необходимо использовать данные из старой медицинской карты, заполненной вручную, то обеспечение связного хранилища и разработки эффективных методов, способных инкапсулировать широкий диапазон данных, становится проблемой.
Безопасность данных: проблемы с конфиденциальностью, отсутствие прозрачности, целостности и внутренней структуры данных. Сложно структурировать данные, поступающие из разных источников, в том числе в бумажной форме, из старых медицинских карт или вручную записанных рецептов. А возможность утечки данных может привести к тому, что страховые компании станут увеличивать страховой взнос для людей с угрозой инфаркта в ближайшем будущем.
Стандартизация данных: проблемы с ограниченной функциональной совместимостью, сбором данных, интеллектуальным анализом и совместным использованием, а также языковыми барьерами.
Неточность: проблемы с несоответствиями, неточностьюи своевременностью данных.
Ограниченная осведомленность руководителей здравоохранения и медицинских работников о возможностях анализа больших данных.
Отсутствие навыков и подготовки профессионалов для сбора, обработки или извлечения данных.
Управленческие вопросы: вопросы собственности и управления данными, организационные и финансовые вопросы.
Нормативные, политические и правовые вопросы. Кроме очевидных проблем в сфере правового регулирования и регламента применения ИИ в медицине, а также вопросов биоэтики, есть проблема регистрации медицинских программных продуктов. Чтобы продавать лекарства или любой медицинское ПО, нужно получить регистрационное удостоверение в Минздраве и в Росздравнадзоре. Это занимает до трех лет. За это время программное обеспечение полностью устаревает. Это ключевой стоп-фактор развития искусственного интеллекта в российской медицине. По этой же причине невозможно внедрять готовые западные продукты, так как для этого необходимо регистрация ПО на территории РФ (Владимир Александровский… 2020).
Затраты на хранение и передачу данных.

Перспективы развития медицинских систем на основе аналитики БД

В аналитическом обзоре Инновационного агентства города Москвы определены перспективные направления развития системы здравоохранения после пандемии (Агентство инноваций… 2020). Отмечается, что в сфере телемедицинских услуг появится спрос на персонализированные предложения для различных категорий пользователей (трудоголики, пенсионеры, женщины). В перечень этих услуг будет входить не только удаленное лечение, но удаленные операции, удаленная реабилитация и др.

Получат дальнейшее развитие системы ИИ и роботизированные медицинские комплексы в регенеративной медицине и проведении клинических исследований. Отмечается высокая эффективность использования роботизированных медицинских комплексов и ИИ при проведении клинических испытаний, а также в области регенеративной медицины. Кроме того, вероятно сохранится выросший за время пандемии тренд на ускоренную разработку новых лекарств, что дает определенные перспективы использования систем ИИ для проведения клинических испытаний. Инициаторами таких исследований могут стать крупные фармакологические компании.

Все более популярными с точки зрения мониторинга и оперативной диагностики станут портативные и носимые медицинские устройства. Портативные лаборатории для проведения анализов на дому, глюкометры, танометры и другие устройства для дистанционного обследования пациентов и автоматической передачи данных лечащему врачу или непосредственно в медицинскую систему (как в случае с мобильным приложением emias.info) стремительно развиваются уже сейчас.

Кроме того, произойдет дальнейшее развитие и совершенствование систем ИИ и машинного обучения для диагностики и прогнозирования заболеваний. Активизируется процесс автоматизации управления медицинскими учреждениями. Тотальная перегруженность медицинских учреждений во всем мире во время пандемии показала необходимость автоматизации и стандартизации большинства медицинских процессов, что освободит врачей и позволит им больше участвовать в решении действительно сложных вопросов спасения человеческих жизней. Эти процессы коснутся, прежде всего, бухгалтерии и ведения отчетности, графиков работы, контроля за соблюдением протоколов безопасности, взаимодействия с пациентами, автоматического контроля состояния здания (мониторинг чистоты воздуха, стерильности поверхностей и т.д.).

Станут популярными платформы персонализированного медицинского страхования с включенными телемедицинскими услугами. Перспективным направлением станет разработка цифровых страховых платформ с возможностью использования гибких пользовательских тарифов с опцией выбора пользователем услуг по принципу конструктора.

Уже сейчас становятся все более популярными платформы и приложения для заботы о ментальном здоровье. В ближайшее время ожидается значительный рост спроса на эти услуги. Перспективными будут как платформы, предоставляющие услуги психологической поддержки и терапии в формате телемедицины, так и чат-боты и приложения, позволяющие отслеживать различные факторы, влияющие на ментальное здоровье человека.

Кроме того, VR/AR (virtual and additional reality) для обучения медицинских работников различных направлений имеют большой потенциал и станут актуальным направлением в ближайшие годы.

Выводы

Аналитика больших данных и внедрение технологий машинного обучения по ведению пациентов стремительно меняет лицо конвенциональной медицины и ведет к новой медицине – персонализированной и превентивной или предиктивной. Но эта аналитика сталкивается с проблемой совместимости при работе с разрозненными структурированными и неструктурированными источниками больших данных, что требует дальнейших исследований и систематизации. Кроме того, существуют этические проблемы и, наряду с ростом и расширением сферы деятельности ИИ, ростом потребности в усовершенствовании кибербезопасности медицинских систем. Это также требует внимания, тщательной проработки и регулирования. Представляется необходимым уделить внимание проблемам биоэтики в отношении использования цифровых медицинских систем. По всей видимости, совершенствование нормативно-правовых отношений в сфере цифровых технологий здравоохранения может существенным образом повысить доступность медицинской помощи для населения даже при сохранении текущей мощности государственных (муниципальных) и частных медицинских организаций в РФ.

В статье о перспективах цифровизации здравоохранения, рекомендованной ВОЗ, приводится следующая информация: «Инструменты аналитики больших данных обрабатывают сложные наборы данных, которые традиционные системы обработки данных не могут эффективно и экономично хранить, управлять ими или обрабатывать их. Благодаря применению алгоритмов искусственного интеллекта и машинного обучения аналитика БД может произвести революцию в здравоохранении, поддерживая врачей, поставщиков медицинских услуг и лиц, определяющих политику и управление процессами. Она также может привести к коренным изменениям в планировании или реализации вмешательств, в области быстрого обнаружения заболевания, в терапевтической поддержке принятия решений, в прогнозировании результатов, она ведет к увеличению персонализированной медицины, приводит к снижению цен на медицинские услуги, а также стимулирует повышение качества ухода за больными и улучшение результатов лечения» (Borges do Nascimento et al., 2021).

Существует мнение, что внедрение аналитики больших данных и искусственного интеллекта в биомедицину делает ее еще более редукционистской и вносит еще больший раскол между подходами к лечению. Возможно, что дальнейшее распространение и развитие того, что сейчас называется «устойчивое развитие»⁶ приведет к переосмыслению ИИ относительно границ и возможностей его применения.

Невозможно каждому, при численности населения в 7,8 миллиарда человек, иметь своего персонального врача. Но благодаря большим данным можно сделать конвенциональную медицину более персонализированной. При использовании аналитики БД для врачей могут появиться новые, более гибкие протоколы, так как многофакторность и разнообразие данных, участвующих в анализе, ведут к совершенно другому, более персонализированному подходу к диагностике и лечению. Исследования, связанные с цифровизацией здравоохранения, велись давно, но в силу многих причин, организационных, экономических, правовых, реальное внедрение цифровых технологий было затруднено. Пандемия COVID-19 стала триггером, благодаря которому облик современной конвенциональной медицины изменился безвозвратно и настолько стремительно, что обществу в целом, а медицинскому и антропологическому сообществу в частности, приходится догонять ставшую уже фактом цифровую революцию.

Безусловно, у описываемого глобального процесса есть две стороны. Но каким бы противоречивым ни было отношение к цифровой революции в здравоохранении, ее уже не остановить. И ситуация с пандемией COVID-19 это наглядно продемонстрировала.

Список сокращений

БД – большие данные.

ИИ – искусственный интеллект.

КТ – компьютерная томография.

МРТ – магнитно-резонансная томография.

ИТ – информационные технологии.

ПО – программное обеспечение.

ОМС – обязательное медицинское страхование.

VR – virtual reality (англ.), виртуальная реальность.

AR – augmented reality (англ.), дополненная реальность.

Примечания

¹Медицинские сигналы (биомедицинские сигналы) – физические проявления физиологических процессов живого организма, которые могут быть измерены и представлены в виде, удобном для последующей обработки. Обработка биомедицинских сигналов проводится с целью выделения информативных признаков для медицинской диагностики

² Эргоспирометрия (кардиопульмональный нагрузочный тест) – метод качественной и количественной оценки (неинвазивная методика) реакций и взаимодействия сердечно-сосудистой, дыхательной и мышечной систем, а также метаболического ответа организма во время физических нагрузок посредством строго дозированной физической нагрузки с использованием велотренажера или беговой дорожки и газоанализатора. См.: https://med.ska.ru/services/diagnostika/ergospirometriya/

³ Тредмил-тест – это стресс-тест, позволяющий определить реакцию сердца человека на физическую активность. Представляет собой электрокардиографическое исследование, которое выполняется во время физической нагрузки. Для этого используется специальная беговая дорожка – тредмил.

⁴ Геномика – раздел молекулярной генетики, изучающий геном и гены живых организмов.

⁵ Система поддержки принятия клинических (врачебных) решениий (СППВР) или clinical decision support systems (CDSS) – медицинская информационная система, позволяющая путем сбора и анализа информации влиять на принятие врачом решения при обследовании пациента, диагностике, назначении лечения с целью снижения ошибок и повышения качества оказываемой медицинской помощи (Реброва 2020).

⁶ Устойчивое развитие – развитие, отвечающее потребностям настоящего без ущерба для возможности будущим поколениям удовлетворять свои собственные потребности. Насчитывает семнадцать основных целей.

Источники

Агентство инноваций города Москвы (2020) Здоровье. Обзор (https://innoagency.ru/files/20200619_%D0%9F%D0%A3%D0%91%D0%9B_%D0%97%D0%B4%D0%BE%D1%80%D0%BE%D0%B2%D1%8C%D0%B5-%D0%9A%D0%BE%D1%80%D0%BE%D0%BD%D0%B0%D0%B2%D0%B8%D1%80%D1%83%D1%81.pdf)(15.11.2021).

Аналитический Центр при Правительстве РФ (2020) Добровольный национальный обзор об осуществлении Повестки дня в области устойчивого развития на период до 2030 г. (https://sustainabledevelopment.un.org/content/documents/26421VNR_2020_Russia_Report_Russian.pdf.) (15.11.2021).

Билл, Э.-Л. (2021) Большие данные в сфере здравоохранения Аналитическая компания SAS, США (https://www.sas.com/ru_ru/insights/articles/big-data/big-data-in-healthcare.html) (15.11.2021).

Бунт, А. (2021) Каким медицинским инновациям помогла пандемия COVID-19. РБК(https://trends.rbc.ru/trends/industry/6152cc769a794789079a2d40) (15.11.2021).

Владимир Александровский: что будет с медициной после пандемии. Главные тренды, которые изменят нашу жизнь (2020) Сноб, 1 декабря (https://snob.ru/entry/201061/) (15.11.2021).

Данилова, Н. (при участии компании «Азфорус») (2020) Big Data в здравоохранении: просто и доступно каждому врачу. EverCare, 2 марта (https://evercare.ru/news/big-data-v-zdravookhranenii-prosto-i-dostupno-kazhdomu-vrachu) (15.11.2021).

ЕГИСЗ (2019) Федеральный проект «Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы в сфере здравоохранения» (https://minzdrav.gov.ru/poleznye-resursy/natsproektzdravoohranenie/tsifra) (15.11.2021).

Об основах охраны здоровья граждан в Российской Федерации (2021) Федеральный Закон № 323-Ф3 (ред. от 02.07.2021) (http://www.consultant.ru/document/cons_doc_LAW_121895/) (15.11.2021).

Об утверждении Стратегии развития медицинской науки в Российской Федерации на период до 2025 года. Распоряжение от 28 декабря 2012 года №2580-р. (https://www.garant.ru/products/ipo/prime/doc/70192396/) (15.11.2021).

Официальный сайт Мэра Москвы (https://www.mos.ru/mayor/themes/18299/7380050/) (15.11.2021).

ПМА-1 (2021) Интервью с Владимиром Лаврентьевым, PhD медицины, сотрудником частного госпиталя в г. Ричмонд, Западная Вирджиния, США.

ПМА-2 (2021) Интервью с Марией Коноплевой, кандидатом биологических наук, сотрудником лаборатории молекулярной генетики МФТИ, г. Москва.

Шеян, И. (2019) BIG DATA 2019: На что способны большие данные в медицине. Открытые системы (https://www.osp.ru/medit/2019/02/13054738.html) (15.11.2021).

Emias.info, Медицинская платформа (https://emias.info/) (15.11.2021).

GeekBraines Образовательная платформа (https://gb.ru/geek_university/data-science-medicine?action=show&controller=faculties&slug=medical-data-science) (15.11.2021).

Genetico, Медико-генетический центр и лаборатория (https://genetico.ru/) (15.11.2021).

Global Market Insights (2021) Healthcare & Medical Devices (https://www.gminsights.com/industry-reports/healthcare-and-medical-devices) (15.11.2021).

qMS, Медицинская информационная система (https://sparm.com/) (15.11.2021).

Viz.ai, Intelligent Care Coordination (https://www.viz.ai/) (15.11.2021).

Webiomed, Медицинская платформа (https://webiomed.ai/products/) (15.11.2021).

WHO (2021) A clinical case definition of the post-COVID-19 condition by a Delphi consensus (WHO-2019-nCoV-Post-COVID-19-condition-Clinical-case-definition-2021.1-eng.pdf) (15.11.2021).

Библиография

Воробьев, А.П., Воробьев, П.А., Муканин, Д.А., Краснова Л.С. (2020) Эффективность системы искусственного интеллекта MeDiCase при диагностике инфекции COVID-19 в амбулаторных условиях Проблемы стандартизации в здравоохранении, № 11–12

(https://ps.newdiamed.ru/issue/id207499/id207524) (15.11.2021).

Пальцев, М.А., Белушкина, Н.Н., Чабан, Е.А (2015) 4П – медицина как новая модель здравоохранения, Вестник ВШОУЗ, № 2 (https://www.vshouz.ru/journal/2015/4p-meditsina-kak-novaya-model-zdravookhraneniya/) (15.11.2021).

Реброва, О.Ю. (2020) Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий. Врач и информационные технологии, № 1, с.27–37. DOI: 10.37690/1811-0193-2020-1-27-37.

Столяр, В. Л., Амчеславская, М. А., Федоров, В. Ф. и др. (2018) Телемедицина: направления, организация, технологии, оснащение: Учебное пособие, М.: РУДН.

Туркина, Н.В. (2017) Робот-ассистированные операции. Медицинская сестра, № 6, с. 11–14.

Шахабов. И.В., Мельников, Ю.Ю., Смышляев А.В. (2020) Особенности развития цифровых технологий в здравоохранении в условиях COVID-19. Научное обозрение. Медицинские науки, № 6, с. 66–71 (https://science-medicine.ru/ru/article/view?id=1157) (15.11.2021).

Attin, M., Feld, G., Lemus, H. et al. (2015). Electrocardiogram characteristics prior to in-hospital cardiac arrest. Journal of Clinical Monitoring and Computing, Vol. 29, No. 3, p. 385–392. DOI: 10.1007/s10877-014-9616-0.

Belle, A., Thiagarajan, R., Soroushmehr, S.M.R., Navidi, F, Beard, D.A., Najarian, K. (2015) Big Data Analytics. Healthcare BioMed Research International Journal. Article ID 370194. DOI: https://doi.org/10.1155/2015/370194.

Borges de Nascimento, I.J., Marcolino, M.S., Abdulazeem, H.M., Weerasekara, I., Azzopardi-Muscat, N., Gonçalves, M.A., Novillo-Ortiz, D. (2021) Impact of Big Data Analytics on People’s Health: Overview of Systematic Reviews and Recommendations for Future Studies. J Med Internet Res., No 23 (4): e27275. DOI: 10.2196 / 27275PMID: 33847586PMCID: 8080139.

Bressan, N., James, A., McGregor, C. (2012) Trends and opportunities for integrated real-time neonatal clinical decision support. Proceedings of the IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI ’12), p. 687–690 (https://ieeexplore.ieee.org/document/6211676) (15.11.2021).

Chen, R., Mias, G. I., Li-Pook-Than, J. et al. (2012) Personal omics profiling reveals dynamic molecular and medical phenotypes. Cell, Vol. 148, No. 6, p. 1293–1307. DOI: https://doi.org/10.1016/j.cell.2012.02.009.

Hemphill, J.C., Andrews, P., de Georgia, M. (2011) Multimodal monitoring and neurocritical care bioinformatics. Nature Reviews Neurology, Vol. 7, No. 8, p. 451–460. DOI: https://doi.org/10.1038/nrneurol.2011.101.

Hood, L., Price, N.D. (2014) Demystifying disease, democratizing health care. Science Translational Medicine, Vol. 6, No. 225, Article ID 225ed5. DOI: https://www.science.org/doi/10.1126/scitranslmed.3008665.

Oyelade, J., Soyemi, J., Isewon, I., Obembe ,O. (2015) Bioinformatics, healthcare informatics and analytics: a imperative for improved healthcare system. International Journal of Applied Information Systems, Vol. 8, No. 5, p. 1–6. DOI: https://doi.org/10.5120/ijais15-451318.

Zanatta, P., Messerotti Benvenuti, S., Bosco, E., Baldanzi, F., Palomba, D., Valfré, C. (2011) Multimodal Brain Monitoring Reduces Major Neurologic Complications in Cardiac Surgery. J Cardiothorac Vasc Anesth., No 25(6), p. 1076-1085. DOI: 10.1053/j.jvca.2011.05.015.

References

Paltzev, M.A., Belushkina, N.N., Chaban, E.A. (2015) 4P – meditzina kak novaya model’ zdravookhraneniya [P4 medicine as a new healthcare model]. Bulletin of the Higher School of Health Care Organization and Management health care management [Bulletin of the Higher School of Health Care Organization and Management health care management], No 2 (https://www.vshouz.ru/journal/2015/4p-meditsina-kak-novaya-model-zdravookhraneniya/) (15.11.2021).

Rebrova, O.Yu. (2020) Zhiznenniy tzikl system poddrzhki prinyatiya vrachebnykh resheniy kak meditzinskikh tekhnologiy [Life cycle of decision support systems as medical technologies]. Vrach i informacionnye tehnologii [Physician and Information Technology], No 1, p. 27–37. DOI: 10.37690/1811-0193-2020-1-27-37.

Shakhabov, I.V., Melnikov, Y.Y., Smyshlyayev, A.V. (2020) Osobennosti razvitiya tzifrovykh tekhnologiy v zdravookhranenii v uslobiyakh COVID-19 [Features of the development of digital technologies in healthcare in the context of COVID-19]. Nauchnoye obozreniye. Meditzinskiye nauki[Scientific review. Medical sciences], No 6, p. 66–71 (https://science-medicine.ru/ru/article/view?id=1157) (15.11.2021).

Stolyar, V.L., Amcheslavskaya, M. A, Fedorov, V.F. et al. (2018) Telemeditzina: napravleniya, organizatziya, tekhnologii, osnatcheniye [Telemedicine: directions, organization, technology, equipment]. Textbook, Moscow: RUDN University.

Turkina, N.V. (2017) Robot-assisrirovanniye operatzii [Robot-assisted surgery]. Meditzinskaya sestra[Nurse], No 6, p. 11–14.

Vorobiev A.P., Vorobiev P.A., Mukanin D.A., Krasnova L.S. (2020) Effektivnost’ sistemy iskusstvennogo intellect MeDiCase pri diagnostike infektzii COVID-19 v ambulatornykh usloviyakh [The efficiency of the artificial intelligence system MeDiCase in the diagnosis of COVID-19 infection on the outpatient clinics]. Problemy standartizatzii v zdravookhrznenii [Problems of standardization in healthcare], No 11–12 (https://ps.newdiamed.ru/issue/id207499/id207524) (15.11.2021).

Декабрь 2024
Пн	Вт	Ср	Чт	Пт	Сб	Вс
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30	31