Smart Reading - Ключевые идеи книги: Deep-медицина. Как искусственный интеллект может вернуть здравоохранению человечность. Эрик Тополь

Оригинальное название:

Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again

Автор:

Eric Topol

Это уже третья книга Эрика Тополя о том, какой должна стать медицина в ближайшем будущем. В первой, под названием Creative Destruction of Medicine (на русский язык не переведена), речь шла о том, какие возможности открывает перед медиками цифровая реальность XXI века. Во второй «Будущее медицины. Ваше здоровье в ваших руках» Тополь призывал к тому, что пациенты должны иметь куда больший доступ к персональным медицинским данным, чем сейчас. Новая книга о том, как ИИ уже изменил медицину и почему главное изменение еще предстоит.

Для начала разберемся, какие возможности есть у человека, а какие – у машины.

Почему компьютер должен помогать врачам

Оказавшись на приеме у американского врача, вы проведете в его кабинете лишь семь минут (если пришли к нему впервые, задержитесь на пять минут дольше). За это время врач на вас почти не посмотрит: он озабочен заполнением медицинской карты. Карта эта теперь электронная, но это не облегчает работу: разработчики программного обеспечения используют форматы файлов, которые не согласуются с программным обеспечением конкурентов, к тому же, по статистике, до 70 % информации из карты врач просто копирует в новые записи, увеличивая тем самым риск дублирования ошибок.

В то же время у врача есть отличная возможность назначить вам множество анализов, чтобы исключить все проблемные факторы. Многие из них – пустая перестраховка, которая, по подсчетам Национальной академии медицины США, стоит стране $765 млрд в год, или четверть всех расходов на здравоохранение (другое исследование такого рода гласит: 85 % всех дооперационных лабораторных тестов совершенно необязательны!).

20–30 % женщин, обследование которых дало отрицательный результат рака груди, на самом деле уже имели опухоль. Но не менее часто исследования выявляют опухоли, которые не перейдут в агрессивную фазу, так что показанная врачом операция принесет женщине куда больше страданий. И речь идет о каждой третьей пациентке! Дело еще и в том, что маммография не всегда дает точные результаты, и специалисты сами это понимают. Когда 160 врачей попросили определить вероятность рака груди у пятидесятилетней женщины на основании положительной маммографии, те сошлись на 90 %. На самом деле вероятность составляла один из десяти.

Да, врачи ошибаются так же, как и все люди. Этот механизм совершения ошибок описан Нобелевским лауреатом Даниэлем Канеманом [1] Читайте саммари книги Даниэля Канемана «Думай медленно… Решай быстро». . Дело в том, что у нас два типа мышления. Первое – интуитивное, автоматическое, быстрое. Второе – логическое, рациональное, медленное. Как легко догадаться, интуитивное мышление всегда опережает логическое. В повседневной жизни это позволяет нам не зависать по любому поводу, но, когда речь заходит о действительно важных решениях вроде постановки диагноза, спонтанность все портит. Именно доверяясь быстрому мышлению, врач:

• формирует свое мнение на основе самых простых и доступных ему примеров, редко задумываясь об особых случаях (так называемое смещение в сторону доступности);

• склонен так интерпретировать информацию, чтобы она совмещалась с его системой взглядов, сколь бы ограниченной та ни была (так называемая предвзятость подтверждения).

Что ж, искусственный интеллект может оказаться здесь неплохим помощником: он не устает, не раздражается, выносит решение только на основе беспристрастного анализа данных, и с каждым годом эти вычислительные операции все дешевле.

Но не все так просто.

Почему врачи должны помогать компьютеру

Искусственный интеллект умеет немало. Еще бы: в его распоряжении:

• море данных (один только YouTube пополняется на 300 часов видео ежеминутно);

• облачные сервисы, где эти данные хранятся и обрабатываются;

• мощные графические процессоры и модули алгоритмической разработки с открытым исходным кодом (TensorFlow у Google, Cognitive Kit у Microsoft и пр.).

До того как прийти на помощь медикам, эти мощности работали в четырех сферах, где достигли немалых успехов:

1) игры(сначала ИИ обыграл человека в шахматы, а недавно и в го, теперь IBM Watson участвует во множестве медицинских исследований, над его обучением работает медицинская школа штата Мэриленд);

2) распознавание образов(в результате сегодня распознавание лиц служит надежным биометрическим паролем в наших смартфонах, медикам же такие программы помогают, в частности, в исследованиях кожи);

3) распознавание речи(десятки языков в интернет-переводчиках, голосовые помощники вроде Amazon Alexa и чат-боты, многие из которых сегодня специализируются и на психологической поддержке пациентов);

4) автомобилестроение(успех беспилотных автомобилей Tesla вдохновляет врачей задумываться о большей автоматизации медицинского оборудования).

А вот методологию ИИ перенести в медицинскую сферу без значимых потерь не так просто:

• чем больше данных получает ИИ, тем эффективнее работает, но эти данные должны быть легкодоступны для поиска, оптимально структурированы и просты в обращении, а медицинские данные в основном не таковы;

Каждый год выходит более миллиона статей по медицине – одна статья каждые 30 секунд. Самые большие обещания по освоению этого океана информации давал суперкомпьютер IBM Watson, триумфально выигравший в телевикторине Jeopardy: реклама 2017 года гласила, что Watson поможет врачу читать 5000 исследований в день и при этом принимать пациентов. Но пока без людей не обойтись: так, проект Mark2Cure привлекает активистов, которые обрабатывают миллионы статей из исследовательской базы данных PubMed, выделяют ключевые понятия и связи между ними, а затем эти результаты обрабатываются статистическими алгоритмами, которые создают оптимальные способы автоматического поиска. Обработанная таким образом информация могла бы стать серьезным подспорьем для системы поддержки принятия врачебных решений (СППВР) – одного из самых многообещающих направлений медицинского ИИ.

• нейросети работают по принципу черного ящика: мы не очень хорошо знаем, как именно сеть обрабатывает информацию внутри себя. Победа AlphaGo в го особенно показательна: создатели признались, что не могут объяснить, как «мыслила» машина. Когда речь идет о лечении пациентов, риск довериться черному ящику слишком дорого стоит;

• нейросети уязвимы перед хакерами: наши данные слишком легко украсть;