Технологии искусственного интеллекта стремительно проникают в клиническую медицину, трансформируя подходы к диагностике, лечению и разработке лекарств. В новом выпуске подкаста Stanford Healthcare AI ведущие Джастин Норден и Мэтт Лунгрен обсудили с известным кардиологом и экспертом в сфере медтеха доктором Джессикой Мега текущие тренды цифровизации здравоохранения. Собеседники подробно разобрали эволюцию медицинских ИИ-инструментов, перспективы непрерывного мониторинга состояния пациентов и то, как генеративные модели помогают преодолеть информационную асимметрию между врачом и пациентом.
📈 Бум внедрения ИИ: от написания писем до медицинских инсайтов 0:43
По мнению Мэтта Лунгрена, темпы внедрения искусственного интеллекта продолжают стремительно расти, а показатели ежедневных скачиваний новых моделей стабильно удерживаются на отметке около 1 миллиона в течение последнего месяца. Лунгрен отмечает, что хотя многие профильные специалисты считают тему ИИ уже полностью освоенной, текущая статистика наглядно показывает, что индустрия все еще находится на ранних этапах масштабного развития. Как утверждает соведущий, пользователи постепенно переходят от мимолетного тестирования технологии — вроде написания единичных писем или помощи детям с домашними заданиями — к полноценной интеграции ИИ в свои ежедневные рабочие процессы.
По словам Джессики Меги, «когда люди начинают использовать эти инструменты и это приносит пользу, это превращается в потрясающий маховик». Делясь личным опытом, она рассказывает, что начинала с традиционных сценариев, таких как составление писем и перевод текстов, но со временем перешла к гораздо более творческим инструментам. Мега вводит фундаментальную концепцию: выбор правильного инструмента под конкретную задачу. По ее мнению, для сложения двух чисел идеально подходит обычный калькулятор, в то время как генеративные модели ИИ проявляют себя как беспрецедентные инструменты для мозгового штурма, помогая формулировать концепции и структурировать публичные выступления.
🏥 Три эшелона ИИ в современной клинике 4:34
Джессика Мега выделяет три четкие категории цифровых инструментов, развертываемых сегодня в медицине, подчеркивая специфику применения каждой из них:
- Регулируемые алгоритмы (Rules-based): Сюда относятся инструменты для автоматической проверки межлекарственного взаимодействия и калькуляторы рисков перед хирургическими вмешательствами. По словам Меги, в этой сфере врачи строго следуют установленным медицинским протоколам и не нуждаются в творческой интерпретации со стороны алгоритмов.
- Глубокое обучение для узких задач (Deep Learning): Этот класс включает специализированные ИИ-решения, проходящие жесткую сертификацию регуляторов. Мега указывает, что Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) уже одобрило около 220 ИИ-продуктов, преимущественно в области кардиологии и радиологии. В качестве примера эксперт приводит ИИ-системы для анализа снимков глазного дна, используемые для скрининга и триажа пациентов с диабетической ретинопатией. Она утверждает, что обученные на множественных наборах данных нейросети в этих задачах уже превосходят по точности отдельных специалистов-клиницистов.
- Генеративные творческие инструменты (Generative AI): Это наиболее динамично развивающийся сектор, находящий применение на противоположных полюсах медицины. С одной стороны, генеративный ИИ помогает совершать прорывы в фундаментальной биологии, предсказывая структуру белков и ускоряя создание молекул новых лекарств. С другой стороны, он революционизирует коммуникацию с пациентами, помогая доносить сложную медицинскую информацию в максимально доступной форме.
Мэтт Лунгрен высказывает опасение, что обилие узкоспециализированных ИИ-инструментов может перегрузить интерфейс рабочего стола врача. По его мнению, индустрия должна двигаться в сторону создания универсальных ИИ-агентов. Лунгрен предполагает, что в будущем клиницистам не придется запускать десятки отдельных приложений — вместо этого единый ИИ-копилот будет распознавать намерения пользователя и самостоятельно обращаться к нужным специализированным моделям для извлечения информации.
Джессика Мега соглашается с тезисом о платформенном будущем технологий. Она заявляет, что медицинские работники не станут авторизоваться в 100 различных порталах. Однако на текущем этапе, как отмечает эксперт, наибольшую популярность и признание завоевывают ИИ-инструменты, бесшовно интегрированные в существующий рабочий процесс, такие как системы ИИ-ассистентов для автоматического ведения медицинских записей (ambient scribe technology). Мега подчеркивает, что главным ориентиром («Полярной звездой») для разработчиков должно стать создание сквозных ИИ-систем, которые сопровождают человека на протяжении всей его жизни, устраняя фрагментированность данных между различными клиниками.
🍪 Персонализированное здоровье и потребительский бум 11:54
Джастин Норден обращает внимание на то, что потребительский ИИ-тренд поддерживается изменениями в государственной политике, включая инициативы по развитию носимых устройств и обеспечению интероперабельности медицинских данных.
Описывая свой опыт работы в компании Verily, Джессика Мега приводит пример борьбы с кардиометаболическими заболеваниями и сахарным диабетом, распространенность которых неуклонно растет как в США, так и во всем мире. Она отмечает критическую нехватку эндокринологической помощи для поддержки пациентов с преддиабетом и диабетом. Чтобы решить эту проблему, Verily в партнерстве с компанией Dexcom разработала усовершенствованные устройства для непрерывного мониторинга глюкозы (CGM), которые стали проще в использовании и не требуют ручной калибровки.
Мега использует наглядную аналогию: если три человека съедят по одинаковому печенью, их организмы отреагируют на этот углеводный вызов совершенно по-разному. Информация с датчиков CGM передается в систему поддержки клинических решений, а генеративный ИИ помогает самому пациенту подбирать правильные диетологические альтернативы. По данным Меги, проведенные клинические исследования доказали, что использование таких цифровых инструментов позволяет статистически значимо снизить уровень гликированного гемоглобина (A1c) — показатель, который обычно служит золотым стандартом для оценки эффективности традиционных лекарств.
Мэтт Лунгрен подчеркивает ценность сбора таких лонгитюдных данных в промежутках между редкими визитами к врачу. По его мнению, сейчас наблюдается устойчивый тренд, когда пациенты напрямую загружают свои медицинские выписки в потребительские ИИ-модели для получения альтернативного мнения. Он ссылается на популярный пример из сообщества Reddit, где пациент после двухчасового общения с чат-ботом смог выявить ошибочный диагноз, поставленный в больнице, что впоследствии подтвердили врачи. Лунгрен признается, что и сам регулярно советуется с ИИ по вопросам личного здоровья, поскольку не является экспертом во всех областях медицины.
Джастин Норден приводит масштабную статистику: согласно оценкам, из 800 миллионов активных пользователей ChatGPT от 5% до 10% поисковых запросов напрямую связаны со здоровьем и медицинскими симптомами. По его мнению, этот инструмент качественно превосходит обычный поиск в Google.
🩺 ИИ как суперсила: уроки истории от стетоскопа до клеточных счетчиков 17:54
Размышляя о будущем медицинских команд, Джессика Мега предлагает взглянуть на развитие технологий через историческую перспективу. Она проводит параллель со средневековой медициной: если бы в 1600-х годах врачи пытались определить у пациента анемию, им пришлось бы взбалтывать кровь в пробирке и оценивать гематокрит «на глаз». Сегодня никто не сомневается в показаниях автоматических счетчиков клеток. Мега утверждает, что когда ИИ-инструменты докажут свою безопасность, эффективность и ценность, медицинское сообщество примет их так же естественно. По ее словам, «мы не должны владеть всей информацией, но мы должны фигурировать как агенты действия и понимать, что с ней делать». Точно так же кардиологи безоговорочно доверяют уровню тропонина при диагностике инфаркта миокарда.
Тем не менее, Мега признает наличие «подводных камней»: проведенная ей личная оценка точности генеративного ИИ при анализе кардиологических биомаркеров показала, что результаты работы моделей все еще сильно варьируются. Она напоминает, что появление стетоскопа несколько веков назад тоже вызывало опасения, что прибор отдалит врача от пациента, однако сегодня медицина успешно использует колоссальные технологические комплексы вроде томографов МРТ.
Эксперт описывает эволюцию концепций в здравоохранении:
- Точная медицина (Precision Medicine): Исторический фокус на изучении биологических особенностей, генетики и фармакогеномики конкретного человека.
- Точное здоровье (Precision Health): Более широкий и современный взгляд, охватывающий весь жизненный путь человека. По словам Меги, добавление к клиническим данным факторов окружающей среды и образа жизни увеличивает объем анализируемой полезной информации о здоровье в 1500 раз.
Мэтт Лунгрен отмечает, что ИИ помогает ликвидировать историческую асимметрию информации в медицине, когда врачу требовалось потратить более 10 000 часов на обучение, чтобы стать экспертом. Короткий 15-минутный прием не позволяет врачу ответить на все вопросы пациента, тогда как ИИ-компаньон способен выровнять этот баланс и сделать процесс лечения совместным партнерским путешествием.
Джессика Мега дополняет, что из-за колоссального объема информации врачи вынуждены узко специализироваться, «узнавая все больше и больше о все меньшем и меньшем». Инструменты ИИ могут освободить медиков от этих ограничений и позволить им видеть междисциплинарные связи. В качестве примера она приводит феномен воспаления, который одновременно изучают ревматологи, онкологи и кардиологи. Мега ссылается на книгу Дэвида Эпштейна «Диапазон» (Range), в которой доказывается, что наиболее креативные решения рождаются на стыке глубоких профильных знаний и широкого кругозора «генералиста». При этом эксперт подчеркивает, что не боится вытеснения врачей технологиями, поскольку в мире слишком много нерешенных медицинских проблем.
🧪 Генетические параллели и революция в разработке лекарств 24:55
Джессика Мега видит прямые методологические параллели между современным развитием ИИ и ранним этапом развертывания геномики, свидетелем которого она была во время работы в исследовательской группе TIMI Study Group. Эксперт вспоминает, что на заре полногеномных поисков ассоциаций (GWAS) ученые массово связывали отдельные однонуклеотидные полиморфизмы (SNP) с различными патологиями, однако при проверке лишь около 25% этих результатов удавалось успешно реплицировать. По мнению Меги, та ранняя статистическая проблема множественных гипотез очень напоминает феномен современных ИИ-галлюцинаций — в обоих случаях потребовались строгие методы верификации и валидации данных.
Она также вспоминает технические ограничения прошлых лет, когда огромные массивы биологических данных приходилось переносить вручную на внешнем жестком диске темно-бордового цвета, молясь о том, чтобы не потерять результаты многолетних трудов. Переход от локальных вычислений к облачным технологиям совершил качественный скачок, благодаря чему сегодня в онкологии успешно применяются таргетные генетические терапии. ИИ, по мнению Меги, поможет биологии совершить переход от чисто экспериментальной науки к дисциплине, управляемой фундаментальными законами, подобно физике Ньютона или термодинамике.
Мэтт Лунгрен задает вопрос о судьбе новых перспективных молекул и кандидатов в лекарства, обнаруженных с помощью ИИ. Он выражает опасение, что они могут застрять в «окостеневших» и бюрократизированных процессах классических клинических испытаний фазы II.
Джессика Мега объясняет, что любой процесс вывода препарата на рынок состоит из трех звеньев: мишень, лекарство и испытание (target, drug, trial). По ее словам, стандартная вероятность успеха прохождения кандидата через весь фармацевтический конвейер составляет всего около 10%. ИИ способен радикально оптимизировать этот процесс:
- Повышение точности мишеней: Даже если за счет лучшего понимания токсичности и эффективности на раннем этапе удастся удвоить успех вывода молекул с 10% до 20%, это станет колоссальным экономическим и медицинским прорывом.
- Ускорение рекрутинга пациентов: ИИ помогает эффективно связывать потенциальных участников клинических исследований с научными центрами, разрушая старые барьеры.
- Мониторинг данных в реальном времени: На смену ручной верификации первичной документации (source document verification) приходит автоматическое выявление аномалий и отклонений в поступающих данных.
- Подготовка регуляторной документации: Сбор и форматирование пакетов документов для подачи в надзорные органы, занимавшие ранее месяцы и годы, с помощью генеративного ИИ теперь осуществляются за считанные дни.
Джастин Норден добавляет, что сам регулятор FDA демонстрирует оптимизм и открытость к инновациям: ведомство недавно объявило о запуске собственного внутреннего ИИ-инструмента, призванного сократить сроки рассмотрения заявок с нескольких месяцев до считанных часов или дней.
🔮 Хрустальный шар: медицина через 3–5 лет 35:06
Заглядывая в будущее на горизонт трех-пяти лет, Джессика Мега прогнозирует четкое разделение ИИ-инструментов под конкретные практические задачи. Она ожидает глубокую интеграцию генеративных моделей с системами аудиозаписи приема, что позволит полностью автоматизировать рутинное заполнение карт и освободит врачам драгоценное время для общения с пациентами и осмысления сложных стратегий лечения.
По ее мнению, споры вокруг единичных ИИ-галлюцинаций мешают разглядеть масштабную картину тектонических сдвигов в индустрии. Мега и Лунгрен сходятся во мнении, что максимальную пользу от ИИ получат те специалисты — исследователи, клиницисты и инженеры, — которые находятся ближе всего к реальным медицинским проблемам. По мнению Меги, «люди, которые ближе всего находятся к проблемам, должны чувствовать себя вправе разобраться, как использовать эти инструменты».
