Лікарі та комп’ютери: хто кому допомагає?
Це вже третя книга Еріка Тополя про те, якою має стати медицина у найближчому майбутньому. У першій, під назвою Creative Destruction of Medicine (російською мовою не перекладена), йшлося про те, які можливості відкриває перед медиками цифрова реальність XXI століття. У другій «Майбутнє медицини. Ваше здоров’я у ваших руках» Тополя закликала до того, що пацієнти повинні мати куди більший доступ до персональних медичних даних, ніж зараз. Нова книга про те, як ІІ вже змінив медицину і чому головна зміна ще має бути.
Для початку розберемося, які можливості має людина, а які — машина.
Чому комп’ютер повинен допомагати лікарям
Опинившись на прийомі у американського лікаря, ви проведете у його кабінеті лише сім хвилин (якщо прийшли до нього вперше, затримайтеся на п’ять хвилин довше). За цей час лікар на вас майже не подивиться: він переймається заповненням медичної картки. Карта ця тепер електронна, але це не полегшує роботу: розробники програмного забезпечення використовують формати файлів, які не узгоджуються з програмним забезпеченням конкурентів, до того ж, за статистикою, до 70% інформації з картки лікар просто копіює нові записи, збільшуючи тим самим ризик дублювання помилок.
У той же час лікар має чудову можливість призначити вам безліч аналізів, щоб виключити всі проблемні фактори. Багато хто з них — пусте перестрахування, яке, за підрахунками Національної академії медицини США, коштує країні $765 млрд на рік, або чверть усіх витрат на охорону здоров’я (інше дослідження такого роду свідчить: 85% усіх доопераційних лабораторних тестів абсолютно необов’язкові!).
20–30% жінок, обстеження яких дало негативний результат раку грудей, насправді мали пухлину. Але не менш часто дослідження виявляють пухлини, які не перейдуть в агресивну фазу, тому показана лікарем операція принесе жінці значно більше страждань. І йдеться про кожну третю пацієнтку! Справа ще й у тому, що мамографія не завжди дає точні результати, і спеціалісти самі це розуміють. Коли 160 лікарів попросили визначити ймовірність раку грудей у 50-річної жінки на підставі позитивної мамографії, ті зійшлися на 90%. Насправді ймовірність становила один із десяти.
Так, лікарі помиляються так само, як і всі люди. Цей механізм помилок описаний Нобелівським лауреатом Даніелем Канеманом . Справа в тому, що у нас два типи мислення. Перше – інтуїтивне, автоматичне, швидке. Друге – логічне, раціональне, повільне. Як легко здогадатися, інтуїтивне мислення завжди випереджає логічне. У повсякденному житті це дозволяє нам не зависати з будь-якого приводу, але коли мова заходить про дійсно важливі рішення на кшталт постановки діагнозу, спонтанність все псує. Саме довіряючись швидкому мисленню, лікар:
- формує свою думку на основі найпростіших і доступних йому прикладів, рідко замислюючись про особливі випадки (так зване зміщення у бік доступності);
- схильний так інтерпретувати інформацію, щоб вона поєднувалася з його системою поглядів, якою б обмеженою вона не була (так звана упередженість підтвердження).
Що ж, штучний інтелект може виявитися тут непоганим помічником: він не втомлюється, не дратується, виносить рішення лише на основі неупередженого аналізу даних, і з кожним роком ці обчислювальні операції дешевші.
Але не все так просто.
Чому лікарі повинні допомагати комп’ютеру
Штучний інтелект вміє чимало. Ще б пак: у його розпорядженні:
- море даних (один тільки YouTube поповнюється на 300 годин відео щохвилини);
- хмарні послуги, де ці дані зберігаються та обробляються;
- потужні графічні процесори та модулі алгоритмічної розробки з відкритим вихідним кодом (TensorFlow у Google, Cognitive Kit у Microsoft тощо).
До того, як прийти на допомогу медикам, ці потужності працювали в чотирьох сферах, де досягли чималих успіхів:
1) ігри (спочатку ІІ обіграв людину в шахи, а нещодавно і в го, тепер IBM Watson бере участь у безлічі медичних досліджень, над його навчанням працює медична школа штату Меріленд);
2) розпізнавання образів (у результаті сьогодні розпізнавання облич служить надійним біометричним паролем у наших смартфонах, медикам же такі програми допомагають, зокрема, у дослідженнях шкіри);
3) розпізнавання мови (десятки мов в інтернет-перекладачах, голосові помічники на кшталт Amazon Alexa та чат-боти, багато з яких сьогодні спеціалізуються і на психологічній підтримці пацієнтів);
4) автомобілебудування (успіх безпілотних автомобілів Tesla надихає лікарів замислюватися про більшу автоматизацію медичного обладнання).
А ось методологію ІІ перенести в медичну сферу без значних втрат не так просто:
- чим більше даних отримує ІІ, тим ефективніше працює, але ці дані повинні бути доступні для пошуку, оптимально структуровані і прості в обігу, а медичні дані в основному не такі;
Щороку виходить понад мільйон статей з медицини — одна стаття кожні 30 секунд. Найбільші обіцянки щодо освоєння цього океану інформації давав суперкомп’ютер IBM Watson, який тріумфально виграв у телевікторині Jeopardy: реклама 2017 року говорила, що Watson допоможе лікареві читати 5000 досліджень на день і при цьому приймати пацієнтів. Але поки що без людей не обійтися: так, проект Mark2Cure залучає активістів, які обробляють мільйони статей з дослідницької бази даних PubMed, виділяють ключові поняття та зв’язки між ними, а потім ці результати обробляються статистичними алгоритмами, які створюють оптимальні способи автоматичного пошуку. Опрацьована таким чином інформація могла б стати серйозною підмогою для системи підтримки прийняття лікарських рішень (СППВР) — одного з найперспективніших напрямків медичного ІІ.
- нейромережі працюють за принципом чорної скриньки: ми не дуже добре знаємо, як саме мережа обробляє інформацію в собі. Перемога AlphaGo в нього особливо показова: творці зізналися, що не можуть пояснити, як «мислила» машина. Коли йдеться про лікування пацієнтів, ризик довіритися чорній скриньці занадто дорого коштує;
- нейромережі вразливі перед хакерами: наші дані дуже легко вкрасти;
- нейромережі мимоволі відображають людські помилки на кшталт расизму та сексизму: так, Google прибрала з лексикону Google Photos слово «горила», оскільки механізм розпізнавання зображень відзначав фото афроамериканців із дуже темним кольором шкіри. Що ж говорити про об’єктивність медичних досліджень, які часто зосереджені на показниках білої частини населення?
Безліч статей про успіхи штучного інтелекту в медичній сфері не лише не підтверджені реальними клінічними умовами (вони проводились in silico ), а й публікуються у маловідомих джерелах і не проходять процедури рецензування.
Крім методологічних труднощів існують етичні та соціальні проблеми. На створення нових алгоритмів можуть впливати не лише медики, а й представники страхових компаній, а в них свої цинічні інтереси. І як бути з тим, що ІІ загрожує скороченням 40% робочих місць у сфері охорони здоров’я? Погана новина для США, де у цій сфері зайнята 1/6 частина населення.
Штучний інтелект на службі у медицини
Як ІІ вміє працювати з патернами
Оскільки ІІ вміє дуже швидко робити висновки на основі величезної кількості даних, особливо добре структурованих, першими на хороші новини можуть сподіватися травматологи, радіологи, патологоанатоми . Тут у ІІ кілька явних переваг перед лікарями.
- ІІ точніше. Якщо надати машині 50 тисяч рентгенівських знімків грудної клітки, вона зможе розпізнавати на них патологію з точністю в 95%, не замінюючи рентгенолога, але суттєво полегшуючи роботу з сортування знімків. Оцінюючи рентгенограми переломів кульшового суглоба, ІІ настільки точний, що замінює дорожчі методи сканування типу МРТ; нейронна мережа, навчена більш ніж 1000 пацієнтів, показала 99% точність, порівнянну з досвідом рентгенологів. Компанія Zebra Medical Vision протестувала нейронну мережу, яка виявляє компресійні переломи хребців з 93% точністю, тоді як рентгенологи пропускають такі переломи більш ніж у 10% випадків. Різниця в 3% не така вже й велика, але вона має значення, коли йдеться про людей.
У спільному дослідженні компаній Moorfields і DeepMind, що включає понад 14 тисяч знімків, автоматизований аналіз десятків очних патологій не поступався точною аналізом експертів. При цьому ІІ значно частіше, ніж лікарі, давав показання для більш детального обстеження у вузького фахівця: ймовірність помилкової тривоги склала лише близько 1%, і не було випадку, коли ІІ рекомендував би пацієнтові з тяжким захворюванням просте спостереження у окуліста, тоді як лікарі погодилися лише з 65% рішень щодо перенаправлення пацієнтів до вузьких фахівців.
- ІІ в рази чутливіше до текстури та кольору знімка , і це принципово важливо, якщо йдеться про деякі геномні аномалії, пов’язані з раком мозку. Крім того, алгоритми вміють покращувати якість зображення, що дозволяє скоротити радіаційні дози КТ-сканування, менше шкодячи пацієнтам та знижуючи вартість сканерів;
- ІІ допомагає скоротити ризики : машинна обробка мамографічних зображень більш ніж 1000 пацієнток у поєднанні з результатами біопсії показала, що більше 30% операцій на грудях можна було уникнути. Алгоритми Google виявляли метастази з точністю більше 92% порівняно з 73% для патологоанатомів при одночасному зниженні помилково-негативного показника на 25%. Щоправда, Google грішив хибнопозитивними результатами.
Ключовою змінною у «змаганнях» медиків та алгоритмів виявилася кількість часу, відведена на перегляд слайдів: якщо у патологоанатома час не був обмежений, його результати не поступалися машинним. Група вчених у Массачусетському технологічному інституті розробила алгоритм для діагностики метастазів раку у лімфатичні вузли, і він помітно знизив частоту помилок патологоанатома. Але поєднання патологоанатома та алгоритму майже зовсім виключило помилки.
ІІ хороший у вирішенні вузьких, гранично конкретних завдань. Переглядаючи знімок, він відповідає сам собі на одне питання: скажімо, підтвердити або виключити рак легенів. Але радіолог, переглядаючи знімок, тримає в голові набагато більше тривожних ознак і при нагоді реагує на них. ІІ не замінить дерматологів, патологоанатомів, радіологів, але візьме на себе левову частку роботи з чорнової класифікації знімків, дозволяючи медикам зосередити більше зусиль на діагностичній роботі вищого рівня. В ідеалі аналіз знімка має бути прив’язаний до повної клінічної картини пацієнта, проте про таку масштабну базу даних поки не йдеться.
Як ще ІІ допомагає різним медичним фахівцям
За останні роки ІІ суттєво полегшив життя і тим лікарям, практика яких не обмежується роботою з готовими патернами. Ось його досягнення у різних галузях медичної науки.
Офтальмологія. Група дослідників у Google розробила алгоритм автоматичного виявлення діабетичної ретинопатії — хвороби, яка позбавляє зору тисяч людей у світі. Скринінг всіх людей, що страждають діабетом, на предмет цієї хвороби тільки в США обернувся б вивченням десятків мільйонів знімків: непосильно для людини, але цілком по плечу ІІ. А ретроспективне дослідження 6000 зображень показало, що ІІ не гірше за експертів визначає ретинопатію у недоношених немовлят — хворобу, яку часто пропускають неонатологи. Компанія Eyeagnosis розробила 3D-лінзу для смартфона, яка може діагностувати ретинопатію у користувача у будь-який час та в будь-якому місці.
При цьому йдеться не лише про діагностування захворювань, а й про отримання повнішої інформації про здоров’я пацієнта в цілому. Як довели фахівці Google, протестувавши алгоритм на 300 тисячах знімків різних пацієнтів, сітківкою ІІ отримує найрізноманітнішу інформацію про пацієнта: від віку до ризику серцево-судинних захворювань.
Кардіологія. Кардіологам ІІ допомагає вдосконалити процедуру відстеження серцевого ритму. Зазвичай це можна зробити або на прийомі у лікаря разово або протягом доби за допомогою апарату, розробленого ще в першій половині XX століття Норманом Холтером. Сьогодні на зміну йому приходить пластир ZIO® XT — водонепроникний, неінвазивний, без проводів, що прикріплюється на груди і пацієнтом, що носиться, до двох тижнів.
Компанія AliveCor розробила надкомпактний ЕКГ-апарат AliveCor Kardia Mobile розміром не більше сірникової коробки, синхронізований зі смартфоном: пацієнт отримує 30-секундну ЕКГ у будь-який час, просто поклавши великий палець на апарат. Датчик іншого типу кріпиться на ремінці годинника і підключається до Apple Watch. Отримувана інформація легко архівується і при необхідності відправляється лікарю.
Ще одне актуальне для кардіології завдання — навчити нейромережі ехокардіографії або УЗД серця. Дослідження в цій галузі поки що ретроспективні і охоплюють порівняно мало даних, лише кілька сотень знімків, але в цьому масштабі ІІ показує 90% точність.
Довгі роки кардіологи використали для прогнозування серцевих захворювань результати Фрамінгемського дослідження — найтривалішого дослідження серцево-судинних захворювань, яке почалося після Другої світової війни. Саме в ході цього дослідження було встановлено значення таких факторів як куріння, ожиріння, рівень холестерину, фізична активність пацієнтів. Показники цього дослідження використовуються досі, але машинне навчання дозволяє в рази підвищити точність прогнозу серцево-судинного ризику за рахунок нелінійних взаємозв’язків між факторами ризику та результатами захворювань (ІІ показав 80% точність порівняно з лікарською точністю 56%).
Онкологія. У цій галузі допомога ІІ різноманітна. IBM Watson діагностує меланому точніше, ніж вісім дерматологів, що змагаються з ним. Будучи вдосконаленим, алгоритм був випробуваний проти групи з 58 вчених для специфічної діагностики меланоми та знову обійшов їх.
Багато компаній, включаючи косметичні на зразок L’Oréal, створюють мобільні додатки для сканування шкіри: програма порівнює отриманий знімок з базою даних із тисяч фото та визначає ступінь складності захворювання за специфічними ознаками. Дуже актуально для США, де на 325 млн. жителів припадає лише 12 тисяч дерматологів, а роботу з діагностики шкірних захворювань беруть на себе лікарі загальної практики. Бентежить, однак, те, що такі алгоритми часто навчаються лише на знімках шкіри європейських мешканців.
Але, звичайно, від ІІ чекають більшого — лікування раку. Рак — це не одне захворювання, а понад 200, і кожне зі своєю течією та прогнозами. Для того щоб сказати про його лікування щось певне, машині потрібно багато даних. Найперспективніший проект у цій сфері — Tempus, започаткований мільйонером Еріком Лефкофськи.
Лефкофскі не вчений, ідея поставити інформацію на службу науці прийшла до нього, коли на рак захворіла його дружина. Tempus ґрунтується на передумові, що великі обсяги інформації допоможуть індивідуалізувати підхід до раку і тим самим лікувати його більш ефективно. Наразі компанія має дані більш ніж від 11 тисяч пацієнтів – це близько 2,5 петабайт. Онколог, який спостерігає хворого на рак пацієнта, має можливість відправити зразок пухлини в Tempus, де та піддасться ретельному аналізу на геномному рівні. Отримавши інформацію про мутацію конкретного гена, відповідального за безконтрольне поділ клітин, лікар призначає пацієнту таргетну терапію, яка може бути ефективнішою, ніж хіміотерапія. А ще Tempus може надати інформацію про максимально схожі випадки захворювань (метод «цифрових близнюків»).
Оцінка компанії вже перевищила $3 млрд, і за два роки у вивченні раку вона досягла більш вражаючих результатів, ніж IBM Watson, що працює в тому ж напрямку, за п’ять років.
хірургія. Роботи давно оселилися в операційних. Роботизована система Da Vinci Surgical System відома вже три десятиліття, вона широко використовується у лапароскопічних операціях. Гучно заявила про себе компанія Verb Surgical, створена в 2015 році Google і Johnson & Johnson: її мета — створити роботизованих асистентів нового покоління для хірургів, свого роду «молодших братів» Da Vinci (що поступаються йому і в розмірах, і в ціні). Лише у 2016 році понад 4000 роботів допомогли виконати хірургам 750 тисяч операцій у всьому світі. Але ключове слово – «допомогли». Назване число становить менше 10% від 8 млн. операцій, що виконуються щороку.
За підрахунками футурологів з Оксфорда, ІІ зрівняється у своїх можливостях із хірургом не раніше ніж до середини 2050-х років : у цьому прогнозі хірурги трохи обійшли письменників, а поступилися лише розробникам ІІ. Але навіть якщо накинути ще кілька десятиліть, прогноз видається надто оптимістичним. Так, начебто все навколо автоматизується, Tesla тому приклад, і аналогія спокуслива, але … оперувати пацієнта – не те ж саме, що керувати автомобілем. Навряд чи цю сферу вдасться повністю автоматизувати.
Нейробіологія. Людський та штучний інтелект непорівнянні. Комп’ютерам для роботи потрібні мільйони ват, а мозку вистачає двадцяти – це потужність звичайної лампочки. «Зламати» мозок набагато складніше, ніж комп’ютер: наші здібності до нейропластичності дивовижні. Мозок не треба програмувати… Але чим глибше ми вивчаємо живі та штучні нейронні мережі, тим більше дивуємось їхній схожості.
Виявляється, часто нейромережі дуже точно імітують активність головного мозку . Вони передають вхідну інформацію через шари цифрових нейронів. Кожен шар має справу з певними характеристиками сигналів, що входять. Чим більше таких шарів, тим якісніше обробляється інформація, тим розумніша нейромережа. Часто нейромережі ефективніше, як у ранніх шарах визначаються найпростіші властивості зображення, але в глибших включаються неочевидні властивості.
Цікаво, що мозок розпізнає зображення за таким же принципом. На ранніх стадіях обробляються загальні деталі на кшталт контурів і квітів, більш пізніх, у нижній скроневій корі, розпізнаються складніші дані — цілісні об’єкти і обличчя.
Це відкриття лягло основою надточних нейронних мереж. Кожен із шарів цієї мережі відповідає за обробку різних ключових характеристик зображення, деталі різної складності обробляються на різних етапах. Одна з таких нейромереж під назвою AlexNet, навчена на 1,2 млн зображень, що містять тисячу різних категорій об’єктів, у 2012 році обійшла всіх своїх суперників з коефіцієнтом помилок лише 15,3% (порівняно з 26,2% у конкурентів).
В результаті межі між живою та неживою природою долаються дедалі легше. За допомогою AlexNet вчені змоделювали вентральний зоровий потік макакі. Вченими з Колумбійського університету розроблено глибоку нейромережу, що моделює нюхову систему мухи-дрозофіли.
Ще в середині XX століття фізіолог Дональд Хебб сформулював ключовий принцип навчання: між нейронами, що порушуються одночасно, виникає міцний зв’язок. Інакше кажучи, що більше ми присвячуємо часу якійсь справі, то міцніші нейронні зв’язки в мозку, тим легше з часом ця справа нам дається. Ми змінюємося під дією досвіду і можемо оновлювати свої навички та вміння. Нині вченим вдалося перенести цей принцип на нейромережі, які не стирають стару інформацію, а приймають її до уваги, зберігаючи на попередньому рівні і таким чином розумніючи. Саме завдяки дії правила Хебба ІІ дедалі коректніше класифікує зображення та інші сигнали.
Ключовий напрямок ІІ на службі нейробіології – створення гаджетів-імплантів та їх проникнення в мікросвіт наших організмів. Особливо перспективною виглядає кремнієва мікроелектроніка для створення біочіпів: імплантація таких чіпів у мозок може, наприклад, блокувати епілептичні напади.
Фармацевтика. Створювати нові ліки надзвичайно довго, отже, дорого. ІІ дозволяє скоротити терміни експериментів у рази, переносячи їх із пробірки до комп’ютера. Алгоритм використовує ті ж принципи, які допомогли ІІ обіграти людину в шахи та го. Він розбиває хімічну сполуку на основні компоненти, а потім моделює безліч варіантів, порівнюючи їх з описаними в медичній літературі, вибираючи оптимальне рішення.
- Компанія Atomwise використовує алгоритми глибокого навчання для аналізу мільйонів молекул: до кінця 2017 року вченими було створено понад 27 проектів з розробки ліків для лікування різних захворювань — від розсіяного склерозу до Еболи.
- Компанія Pfizer стала однією з перших, що використовують хмарну платформу Watson for Drug Discovery. Мета – пошук нових методів лікування онкопатології.
- Масштабний проект ATOM (Accelerating Therapeutics for Opportunities in Medicine) об’єднує кілька академічних наукових центрів (університети Дьюка та Тулейна) та фармацевтичних компаній, щоб розробити та підтвердити мультидисциплінарний підхід до відкриття ліків від раку. Проект обіцяє принципово скоротити час, необхідний переходу від ідентифікації потенційної «мішені» до розробки «зброї», — з чотирьох років до року.
Дієтологія. Головна проблема в цій сфері: у медиків немає можливості проводити масштабні довготривалі рандомізовані дослідження, коли люди протягом довгих років харчуються схожим чином, а лікарі ретельно їх спостерігають (можливо, винятком може служити середземноморська дієта, хоча і до роботи, що доводять її користь, у вчених є методологічні претензії). Крім того, саме дієтологія найчастіше стає жертвою узагальнених рекомендацій, на які особливо ласі журналісти. В результаті сіль то оголошується «білою отрутою», то реабілітується і так з десятками продуктів.
Дієта – річ індивідуальна. Спокусливо пов’язати дієтологічні рекомендації зі станом нашого геному, але ці дослідження знаходяться в настільки зародковому стані, що ні про які тверді дані говорити не доводиться. Персоналізований підхід більш менш доказово спрацював тільки в одному випадку — у вивченні глікемічної реакції людини на їжу. Восени 2015 року в журналі Cell була опублікована стаття Ерана Сегала “Персоналізоване харчування шляхом прогнозування глікемічних реакцій”. Йшлося про експеримент, під час якого 800 чоловік протягом тижня контролювали рівень глюкози в крові за допомогою підшкірного датчика; загалом було проведено понад 1,5 млн. вимірювань рівня глюкози. Глікемічна відповідь на харчові стимули була інтегрована з різноманітними персональними даними на кшталт фізичної активності, сну та ін., які учасники повідомляли через додаток у смартфоні.
Сегал виділив 137 чинників для прогнозування глікемічної реакцію конкретні продукти кожної людини. Згодом алгоритм передбачення глікемічної відповіді був доопрацьований, причому раз-по-раз ставав все точніше . Крім того, дослідження не просто кількісно зафіксувало варіабельність глюкози, а пояснило її стрибки якісно: виявилося, що ключову роль у цих хімічних реакціях грали деякі кишкові бактерії.
Все це дуже надихає, привертаючи увагу фахівців до більш ретельного вивчення мікрофлори кишечника, перспектив персоналізованих дієт, що коригують рівень глюкози в крові, що важливо і для здорових людей, і для діабетиків … І все ж таки йдеться лише про один аспект харчування. Медики дивляться у вірному напрямку, але сказати щось певніше з цього приводу зможуть ще нескоро.
Психіатрія. Першими помічниками ІІ тут є наші улюбленці, яким ми довіряємо всі душевні переживання, самі того не усвідомлюючи, — смартфони. Навіть те, як часто і наскільки рвучко ми торкаємося клавіатури, дозволяє передбачити депресію з дуже високою точністю, що довели фахівці з Університету Іллінойсу. Адже ми не тільки торкаємося смартфона, а й говоримо в нього. Дослідники з Університету Південної Каліфорнії розробили програмне забезпечення, яке аналізує 74 акустичні показники, включаючи тембр голосу, тон тощо, щоб передбачити подружні розбіжності краще за психологів.
У 2017 році Ендрю Ріс і Крістофер Данфорт використовували нейромережу, щоб обробити 43 950 фото в Instagram від 166 осіб, з яких 71 страждав на депресію. Точність машини у виявленні депресії становила 70%, що вигідно відрізняло її від досвіду лікарів загальної практики, які, переважно, і спостерігають у США переважна кількість людей із депресією. Інше дослідження показало, що схильність до суїциду ІІ діагностує майже у 80% випадків, і цей алгоритм можна було покращити, якби дослідники мали доступ до більш повної життєвої інформації пацієнтів, а не лише до їх медичних карт. Згадаймо заяву Марка Цукерберга про те, що Facebook вже використовує ІІ для розпізнавання потенційних самогубців.
Онлайн-терапія 7 Cups, запущена в 2013 році, надає безкоштовний чат із навченими волонтерами-слухачами. До 2017 року понад 230 тисяч слухачів, які володіють 140 мовами, допомогли 25 млн людей у 189 країнах. У 2017 році стартап Woebot презентував чат-бота з функцією психотерапевта, який практикує когнітивно-поведінковий підхід. Woebot вислуховує скарги пацієнтів, а потім пропонує прості шляхи вирішення. Дослідження Стенфордського університету показали, що вже за два тижні симптоми депресії у користувачів Woebot йдуть.
Віртуальні співрозмовники ніколи не замінять живого психіатра, а діагностика депресії потребує цілого комплексу даних, який ІІ ще має навчитися розуміти. Однак у США на 100 тисяч осіб припадає лише 8 психіатрів, у більшості країн з низьким та середнім рівнем доходу ще менше. У цій ситуації допомога ІІ дуже вагома.
Особисте медичне консультування. Голосові помічники спілкуються з нами все впевненіше, фітнес-трекери на зап’ястях зустрічаються вже у кожного другого, і вони вчаться отримувати від нас дедалі більше інформації. Наскільки далекий той день, коли гаджет перетвориться на особистого медичного консультанта? Ось кілька новин із ринку медичних гаджетів.
- Браслет AliveCor визначає зв’язок між частотою серцевих скорочень людини та фізичною активністю, попереджаючи користувача про серцеві збої та необхідність зробити ЕКГ.
- Компанія Onduo працює над тим, щоб поєднати інформацію про меню користувачів з даними датчиків глюкози та відслідковуванням фізичної активності людини – у комплексі це допоможе виробити тактику боротьби з діабетом.
- Компанія Second Opinion Health представила додаток для смартфонів, що пропонує страждаючим мігрень користувачам відслідковувати деякі ключові дані на кшталт якості сну, погоди, рівня стресу тощо, а алгоритм на їх основі передбачає напади головного болю.
Виглядає настирливо — з погляду користувачів. З погляду вчених — надто вузько сфокусовані цілі, надто обмежений збір даних, надто мало перевірок. Наше самопочуття залежить від маси факторів, кожен момент часу ми породжуємо безліч біометричних показників – їх і врахувати непросто, не кажучи про адекватну обробку. Користувачеві, який змушений вводити багато даних вручну, досить швидко це набридає, а інакше гаджетам їх не отримати.
Крім того, навіть отримавши потрібну інформацію, вони повинні вміти зв’язатися з вашим лікарем і отримати заочну консультацію – поки що звучить як фантастичний сюжет. Ну а якщо даних буде занадто багато, чи не призведе це до гіпердіагностики, від якої і зараз страждає багато пацієнтів? Як у цьому випадку навчити віртуального консультанта відокремлювати зерна від полови? Усі ці питання залишаються відкритими.
Система охорони здоров’я загалом. Проникаючи в різні сфери медичного життя, ІІ в кінцевому рахунку обіцяє змінити структуру охорони здоров’я в цілому:
- змінити систему паліативної допомоги , оскільки вже сьогодні ІІ достатньо навіть неповних даних про стан пацієнта, щоб з 90% точністю передбачити термін його смерті;
- змінити практику госпіталізації , оскільки ІІ все краще вчиться передбачати, чи буде потрібна пацієнту повторна госпіталізація протягом місяця після виписки (дослідження в медичному центрі Маунт-Сінай у Нью-Йорку продемонструвало 83% точність ІІ у цьому питанні);
- передбачати, чи захворіє пацієнт взагалі (досить точні результати показала група пекінських учених, яка вивчала дані більш ніж 18 тисяч пацієнтів для діагностики гіпертонії, діабету, астми, та американські вчені з Маунт-Сінай, які вивчили дані 1,3 млн пацієнтів, — правда, ці дослідження проходили над реальному клінічному середовищі, а in silico). Машинний алгоритм, розроблений вченими з Університету Макгілла та протестований на трьох сотнях пацієнтів, передбачає розвиток хвороби Альцгеймера протягом двох років з точністю 84%;
- полегшити роботу медсестер : так, компанія MedStar Health у Вашингтоні запустила у відділеннях невідкладної допомоги систему ІІ, яка швидко сканує повну історію хвороби пацієнта та дає лікарям та медсестрам рекомендації щодо симптомів захворювання, заощаджуючи час та зусилля;
- контролювати якість роботи лікарів : вчені зі Стенфордського університету створили програму, яка відстежує за допомогою відеозаписів та спеціальних датчиків, з якою частотою лікарі миють руки після прийому пацієнтів. Технологія діє з точністю до 95%.
Яка країна сьогодні перебирає ініціативу в галузі ІІ для медицини? Китай — не тому, що там найкраще обслуговування (на кожен мільйон населення — лише 20 окулістів), а тому, що там більше даних і немає жодних перешкод для їхнього збирання. З 2014 року в Китаї було опубліковано більше наукових праць з нейромереж, ніж у США. У 2018 році розвиток ІІ визнано національним завданням, подібно до польоту на Місяць у США 1960-х. У 2018 році створений китайськими розробниками робот Xiaoyi пройшов стандартний медичний іспит з результатом 456 балів, що на 96 балів вище за необхідний рівень. Одна лікарня в Гуанчжоу використовує ІІ, навчений на основі 300 млн. записів, для координації майже кожного аспекту своєї роботи – від ідентифікації пацієнтів за допомогою розпізнавання осіб до аналізу комп’ютерної томографії.
Наймасштабніший експеримент зі збору медичних даних зроблено китайською компанією iCarbonX, яку очолює Цзюнь Ванем. Залучено $600 млн та безліч партнерів, включаючи дві найбільші страхові компанії Китаю. Фізична активність, харчування, геноміка, біохімія – немає аспекту, який би не цікавив iCarbonX. Створено мобільний додаток Meum, куди можна завантажити дані про своє самопочуття та отримати корисні рекомендації. Алгоритм ІІ, який керує додатком, враховує 109 параметрів. Одні медики налаштовані скептично: чи не краще замість говорити про абстрактне здоров’я, зосередитися на конкретних захворюваннях типу астми та діабету? Інші заперечують: зате алгоритм Meum, як і інші фітнес-трекери, підштовхує численних користувачів до здорового способу життя (а 70% хвороб, що вбивають нас, легко запобігти, просто ведучи здоровіший спосіб життя).
Сенс deep-медицини
Незважаючи на успіхи ІІ у сфері медицини та ще більші очікування від нього, у центрі справжньої медицини майбутнього має бути не комп’ютер, а людина. Поки що ця сфера стає все менш людяною, і справа не в технологіях: сучасна медицина, а медицина США особливо перетворилася на цинічний бізнес, де лікар швидше залікує, ніж вилікує пацієнта. У США 800 тисяч лікарів, а штат співробітників, які обслуговують медичну платіжну систему, потребує вдвічі більше людей. Це шоста за величиною галузь у країні, на неї йде п’ята частина загального заробітку американців — $3,2 трлн на рік, але Америка лише на 31 місці у світовому рейтингу тривалості життя.
Втім, і в інших країнах справи не кращі. У 2013 році міжнародна група медиків вивчила найпоширеніші методи лікування і дійшла висновку, що 146 із них взагалі не приносять жодного ефекту. А деякі ліки просто вбивають і медиків це, здається, не надто турбує. Німецька фармацевтична компанія Merck заплатила майже $1 млрд штрафів за приховування побічних ефектів протизапальних ліків “Віокс”; препарат вилучили із продажу, але раніше він встиг спровокувати 140 тисяч інфарктів. Сучасним лікарям не вистачає знань. Але ще більше їм не вистачає людяності. Тим часом співчуття не менш важливе, ніж високотехнологічне обладнання , і це не метафора, а медичний факт.
Проведене в 2016 році в Новій Зеландії дослідження виявило, що серед діабетиків, лікарі яких виявляли турботу і участь, на 40% нижче рівень серйозних ускладнень. А дослідження вчених із Пенсільванського університету показало: кожна додаткова хвилина, яку лікар проводить із пацієнтом, виписаним із лікарні після лікування гострих станів, знижує ризик загострень на 8%.
Втім, не лише про пацієнтів, а й про лікарів. Представникам цієї професії дуже часто загрожує емоційне вигоряння. Експеримент в Університеті Колорадо показав, що заміна комп’ютерного помічника на людину знизила емоційне вигоряння лікарів із 53 до 13%. Крім того, ризик вигоряння можна зменшити, свідомо розвиваючи свій емоційний інтелект і тим самим змінюючи мозок фізично. У ході одного експерименту понад 300 осіб (не лікарів) пройшли тренінг, пов’язаний із практикою усвідомленості, роботою із важкими емоціями, навичками взаємодії з оточуючими. МРТ-знімки учасників тренінгу показали значні зміни у тих зонах мозку, які відповідають за емоційний баланс.
Проект Time Bank у медичній школі Стенфордського університету створено для винагороди лікарів за час, опрацьований понаднормово. Воно обмінюється на ваучери, якими оплачуються домашні послуги на кшталт збирання чи доставки їжі.
Час, який нам звільняють технології, треба витрачати не так на них, а друг на друга . Подумати тільки: більшість пацієнтів на прийомі не може розраховувати навіть на те, що їх дослухають до кінця. Від початку зустрічі до того, як лікар переб’є пацієнта першим питанням, за статистикою минає 18 секунд! Навіть якщо ІІ навчиться заповнювати медичну карту, пропонувати рекомендації та ставити діагноз, це не позбавить лікаря необхідності бути уважним до пацієнта, адже люди залишаються людьми.
Тренувати увагу можна різними способами. У 2017 році студенти-медики першого курсу Пенсільванського університету відвідували заняття з історії мистецтв у Філадельфійському музеї мистецтв. Тренінг складався з шести 90-хвилинних сеансів протягом трьох місяців і, за словами авторів дослідження, для досвіду уважності як у галузі мистецтва, так і в галузі медицини «показав чудову користь» порівняно з контрольною групою, яка в заняттях не брала участі.
У повсякденній практиці будь-якого лікаря трапляється безліч важких ситуацій, де б не завадила хоч крапля співчуття. Як, скажімо, розмовляти із родичами хірургу, у якого пацієнт помер під час операції? У цьому випадку медики кажуть, що «втратили пацієнта», це, мабуть, звучить цинічно. А скільки лікарів присутні на похороні своїх пацієнтів?
Скласти іспит на лікаря сьогодні може і робот. Але при доборі майбутніх лікарів пріоритет повинен мати емоційний інтелект. Так, лікарям потрібно буде все глибше вникати в науку про великі дані, і це теж проблема, оскільки далеко не всі медичні інститути є досить сучасними. І все-таки контакт із пацієнтом залишається на першому місці.
Отже, deep-медицина складається з трьох напрямків:
1) здатність взаємодіяти з пацієнтом, спираючись попри всі доступні дані , як медичні, а й соціальні, поведінкові, оскільки здоров’я людини — комплексне явище. Оцифрування цих даних – справа справжнього;
2) навчання ІІ здатності стежити за здоров’ям пацієнтів у лікарні та вдома , а пацієнтів – вмінню використовувати можливості ІІ за допомогою гаджетів;
3) здатність лікаря та пацієнта виявляти емпатію один до одного.
Ці напрями сходяться в одному понятті, яке Ерік Тополя визначає як присутність. В епоху, коли технології дозволяють спілкуватися та працювати дистанційно, він закликає лікарів бути поряд з пацієнтом і фізично, і подумки. Виявляти всю можливу турботу. Підтримувати в непрості хвилини болю та страху, пам’ятаючи, що на лікаря остання надія. Штучний інтелект, звільняючи час і сили лікарів, дає їм шанс стати люднішим. У масштабах історії такий шанс є унікальним. Головне його не проґавити.
10 найкращих думок
1. У нас не одне, а два мислення: швидке (інтуїтивне) та повільне (раціональне). Безліч помилок виникає тому, що перше випереджає друге, і лікарі схильні до цього не менше за інших людей. ІІ – страховка саме від таких помилок.
2. Іноді нас обстежують дуже добре : 85% усіх доопераційних лабораторних тестів зовсім необов’язкові. Але до ризику гіпердіагностики треба бути готовим і в майбутньому, коли гаджети знатимуть про наше здоров’я.
3. Штучний інтелект швидше і часто точніше людини, але він працює тільки з тим, що в нього завантажили , охоче копіюючи і наші забобони.
4. Чим більше даних отримує ІІ, тим ефективніше працює, проте медичні дані для нього поки що надто непросте читання. Але навіть ставши чудовим читачем, ІІ навряд чи стане чудовим лікарем: усю повноту відомостей про людину не оцифруєш.
5. Людський і штучний інтелект непорівнянні , проте нейромережі дуже точно імітують активність головного мозку. Отже, вчаться все краще.
6. Оптимісти вважають, що штучний інтелект зрівняється у своїх можливостях із хірургом не раніше ніж до середини 2050-х років. Реалісти заперечують: навряд чи операційна колись буде схожа на салон автомобіля Tesla.
7. Фітнес-трекери недосконалі, вони поки що не стали міцною сполучною ниткою між пацієнтом та лікарем, але вже зараз мотивують користувачів вести здоровий спосіб життя , а ЗОЖ – профілактика багатьох наших хвороб.
8. Перевага в розробці штучного інтелекту для медицини — у Китаю : у країні немає проблем із отриманням даних, і китайці все краще з ними працюють.
9. Скласти іспит на лікаря тепер може і робот. Але при відборі майбутніх лікарів пріоритет повинен мати емоційний інтелект — як мінімум, вміння слухати пацієнта та співчувати йому.
10. Deep-медицина складається з глибокого аналізу даних, глибокого навчання та глибокої емпатії. Але всі ці напрямки сходяться в одній точці – присутності лікаря у житті пацієнта.
Читайте саммарі книги Даніеля Канемана “Думай повільно … Вирішуй швидко” .
In silico – тобто шляхом комп’ютерного моделювання. Фраза створена за аналогією з in vivo (випробування на живому організмі) та in vitro (випробування у пробірці).
Читайте саммарі книги Майкла Мосса «Сіль, цукор та жир. Як харчові гіганти посадили нас на голку» .
Читайте саммарі книги Стівена Гандрі «Парадокс довголіття. Як померти молодим у похилому віці» .
Читайте саммарі книги Кела Ньюпорта Цифровий мінімалізм. Фокус і усвідомленість у галасливому світі» .