В новом выпуске подкаста Stanford Healthcare AI доктор Джессика Мега (Jessica Mega), кардиолог и экс-директор по медицине Google и Verily, обсуждает текущие тектонические сдвиги в медицинских технологиях. Ведущие Джастин Норден и Мэтт Лунгрен вместе с гостьей анализируют, как искусственный интеллект эволюционирует от простых автоматизированных скриптов до полноценных участников клинического процесса. В центре дискуссии — переход от фрагментированных инструментов к единым платформам, способным кардинально изменить подходы к диагностике, разработке лекарств и долгосрочному ведению пациентов.
📈 Взрывной рост и повседневное освоение ИИ 0:15
Как отмечает соведущий подкаста Мэтт Лунгрен, масштабы внедрения современных ИИ-моделей продолжают удивлять даже экспертов, глубоко погруженных в индустрию. Согласно приведенным им данным, количество скачиваний ИИ-приложений стабильно удерживается на отметке около 1 миллиона в день. Лунгрен подчеркивает, что индустрия все еще находится на раннем этапе развития, однако характер использования инструментов резко меняется: пользователи переходят от эпизодических тестов (например, написания писем или помощи детям с домашним заданием) к интеграции ИИ в свои ежедневные рабочие процессы.
Джессика Мега подтверждает этот тезис, описывая данный феномен как «удивительный маховик» (flywheel). По ее наблюдениям, пользовательский опыт обычно развивается по следующему сценарию:
- Выполнение традиционных рутинных задач, таких как составление писем или работа с электронной почтой.
- Использование функций перевода, что повышает вовлеченность и демонстрирует новые грани технологии.
- Переход к творческим инструментам и генерации идей.
В качестве личного примера Джессика Мега рассказала, как использовала языковые модели для подготовки к одному из своих выступлений, назвав ИИ одним из лучших инструментов для брейншторминга. Джастин Норден добавил, что лично применяет системы машинного перевода для повседневного общения со своей свекровью на вьетнамском языке.
🛠️ Три уровня инструментов: от калькуляторов к творчеству 4:34
Для систематизации ИИ-решений в медицине Джессика Мега предлагает концепцию «правильного инструмента для правильного момента». Она разделяет все существующие технологии на три ключевые категории:
- Жесткие алгоритмы на основе правил (Rules-based). Сюда относятся системы проверки межлекарственного взаимодействия и шкалы оценки рисков перед хирургическими вмешательствами. По мнению эксперта, в этих сферах врачам не нужны творческие отклонения или итерации алгоритма — система должна строго следовать установленным правилам и медицинской фармакологии.
- Специализированные модели глубокого обучения. Этот класс систем составляет основу технологического прогресса последних лет. Джессика Мега отметила, что Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) уже одобрило около 220 медицинских ИИ-инструментов, преимущественно в области кардиологии и радиологии. В качестве примера она привела алгоритм анализа снимков глазного дна для триажа пациентов с сахарным диабетом. Благодаря глубокому обучению на множественных наборах данных такие модели, по мнению Меги, справляются с дискретными задачами лучше, чем отдельные специалисты-люди.
- Генеративные и творческие ИИ-системы. Данное направление сейчас переживает самый стремительный рост. По словам спикера, генеративные модели способны видеть скрытые паттерны и прогнозировать новые структуры. Эксперт выделяет два полярных направления их применения: фундаментальный анализ биологических процессов (например, предсказание свертывания белков для разработки новых лекарств) и персонализированная коммуникация с пациентами для предоставления нужной информации в наиболее доступной форме.
🔄 Проблема фрагментации: интерфейсы и бесшовная интеграция 6:35
Мэтт Лунгрен выдвигает контраргумент против избыточного количества специализированных медицинских программ. По его мнению, практикующему врачу неудобно держать на рабочем столе десятки разных интерфейсов для каждой отдельной задачи — от калькулятора рисков до анализа изображений. Лунгрен считает логичным переход к так называемому «пространству агентов» (agent space), где врач взаимодействует с одной генеративной моделью-компаньоном (копилотом), а та самостоятельно обращается к узкоспециализированным инструментам за кулисами.
Джессика Мега соглашается с тем, что никто не будет авторизовываться в 100 различных порталах. По ее оценке, наибольшую популярность и доверие сейчас завоевывают те технологии, которые бесшовно встроены в ежедневный рабочий процесс клинициста. Ярким примером этого выступают ИИ-скрибы — системы голосового протоколирования приемов, популярность которых стремительно растет.
В долгосрочной перспективе, как утверждают собеседники, медицинская индустрия должна прийти к платформенным решениям. Джастин Норден критикует текущий пользовательский интерфейс даже самых продвинутых систем вроде ChatGPT, где пользователю до сих пор приходится вручную выбирать из десятка различных моделей, называя это неудачным UX, который, тем не менее, все скопировали.
Джессика Мега призывает смотреть на проблему шире и ставить во главу угла самого пациента, а не стены конкретной больницы. По ее словам, традиционная система считает человека здоровым, пока он не попал в клинику, однако реальная жизнь человека непрерывна, и технологии должны обеспечивать лонгитюдное (продольное) наблюдение за его состоянием на протяжении всей жизни.
🩸 Персонализация на практике: непрерывный мониторинг и пациент-центричность 11:54
Опираясь на свой опыт работы в компании Verily, Джессика Мега подробно рассказала о цифровизации контроля кардиометаболических заболеваний, в частности сахарного диабета, заболеваемость которым неуклонно растет во всем мире. Острая нехватка профильных эндокринологов делает невозможным качественное обслуживание всех нуждающихся традиционными методами.
Решением проблемы, по словам эксперта, стало внедрение систем непрерывного мониторинга глюкозы (CGM). В партнерстве с компанией Dexcom команде Verily удалось создать новые датчики CGM с более удобным форм-фактором, которые были откалиброваны на заводе и значительно упростили сбор данных. Собранная информация о колебаниях уровня сахара демонстрирует колоссальную гетерогенность заболевания, которое раньше ошибочно считалось однородным. На основе этих данных генеративный ИИ помогает пациенту подбирать оптимальные поведенческие и диетические решения, работая в связке с клинической командой. Проведенные клинические исследования доказали, что использование таких ИИ-ассистированных инструментов приводит к статистически значимому снижению уровня гликированного гемоглобина (A1c) — метрики, по которой обычно оценивают эффективность рецептурных лекарств.
Параллельно с этим фиксируется массовый запрос на медицинский ИИ со стороны самих потребителей. Джастин Норден привел статистику, согласно которой из примерно 800 миллионов активных пользователей ChatGPT от 5% до 10% поисковых запросов напрямую связаны со здоровьем. Мэтт Лунгрен продемонстрировал пример реального тренда с платформы Reddit: пациент, усомнившись в поставленном в больнице диагнозе, загрузил свои медицинские данные в ИИ-модель, вел с ней двухчасовой диалог, получил альтернативную гипотезу и впоследствии добился ее официального подтверждения врачами. Несмотря на понятные риски ошибок и систематическую ошибку отбора (sampling bias), Лунгрен признался, что сам регулярно советуется с ИИ по личным медицинским вопросам.
🩺 Эволюция доверия: от стетоскопа к ИИ-ассистентам 17:54
Обсуждая растущую долю медицинских запросов к ИИ, Джессика Мега призывает не бояться технологий, а сфокусироваться на их безопасности и валидации. Она приводит историческую аналогию: в 1600-х годах врачи определяли анемию, буквально встряхивая кровь в пробирке и на глаз оценивая гематокрит. Сегодня никто не оспаривает точность автоматических счетчиков клеток крови и не пытается вручную высчитывать средний объем эритроцитов (MCV), поскольку эти приборы доказали свою безопасность и эффективность. Точно так же кардиологи безоговорочно доверяют показателям уровня тропонина при диагностике инфаркта миокарда для направления пациента на катетеризацию сердца.
По мнению доктора Меги, медицинское сообщество обязано аналогичным образом принять проверенный генеративный ИИ, поскольку он превращает врачей в «агентов действия» и наделяет их суперсилой, избавляя от необходимости удерживать в голове терабайты справочной информации. Внедрение стетоскопа несколько веков назад тоже вызывало панику — критики утверждали, что он отдалит врача от пациента, однако сегодня медицина спокойно работает с куда более сложными аппаратами МРТ. Главная проблема на данный момент, как показывают собственные тесты Меги в области кардиологических биомаркеров, заключается в нестабильном качестве ответов генеративных моделей, которое все еще сильно варьируется от случая к случаю.
Лунгрен отмечает, что доступность ИИ-инструментов постепенно ликвидирует историческую асимметрию информации между врачом и пациентом. Раньше доктору требовалось потратить более 10 000 часов на обучение, чтобы затем попытаться уместить свои знания в стандартный 15-минутный слот очного приема. ИИ-компаньон позволяет пациенту приходить на прием уже подготовленным, выравнивая понимание целей лечения обеими сторонами. Более того, по мнению Джессики Меги, ИИ способен избавить медицину от гиперспециализации и вернуть врачам холистический подход, позволяя видеть взаимосвязи на стыке дисциплин — например, роль воспалительных процессов одновременно в ревматологии, кардиологии и онкологии. Спикер ссылается на книгу Дэвида Эпштейна «Range» (Диапазон), где доказывается, что именно люди с широким кругозором и менталитетом генералиста способны создавать самые креативные решения.
🧬 Параллели с геномикой и будущее клинических исследований 25:09
Джессика Мега видит прямые исторические параллели между текущим бумом ИИ и ранним этапом развития геномики и фармакогеномики, в котором она принимала активное участие в составе исследовательской группы TIMI Study Group. В эпоху первых полногеномных поисков ассоциаций (GWAS) ученые сталкивались с огромным количеством ложноположительных результатов — из-за статистической проблемы множественных гипотез первичную репликацию проходили лишь около 25% опубликованных исследований. По оценке Меги, это очень напоминает сегодняшнюю проблему галлюцинаций в больших языковых моделях. Тогда научное сообщество решило эту проблему через выработку жестких протоколов валидации и масштабное увеличение вычислительных мощностей при переходе от локальных носителей (Мега с иронией вспоминает бордово-красные внешние жесткие диски, которые они физически возили друг другу из лаборатории в лабораторию) к облачным вычислениям.
Аналогичный путь стандартизации предстоит пройти и медицинскому искусственному интеллекту. При этом ИИ призван модернизировать клинические исследования, которые, по словам Мэтта Лунгрена, долгое время оставались закостенелыми, бюрократизированными и неэффективными процессами со средней долей успеха кандидатов на уровне всего 10%.
Джессика Мега выделила несколько ключевых точек оптимизации клинических испытаний с помощью ИИ:
- Рекрутинг пациентов. Автоматизация поиска и связи потенциальных участников с исследовательскими центрами, ломая рудиментарный стандарт «один пациент на центр в месяц».
- Мониторинг данных в реальном времени. Замена ручной верификации первичной документации автоматическим поиском аномалий и отклонений в поступающих массивах данных.
- Подготовка нормативной документации. Сокращение сроков подготовки отчетов для регуляторных органов с нескольких месяцев до считанных дней за счет генеративных инструментов.
В заключение Джастин Норден добавил, что само ведомство FDA активно перестраивает свои процессы: регулятор анонсировал запуск собственного внутреннего ИИ-инструмента для сокращения сроков рассмотрения заявок с месяцев до нескольких дней. В перспективе ближайших 3–5 лет участники дискуссии прогнозируют появление полноценных эмбиентных (фоновых) ИИ-скрибов и платформ, которые высвободят время врачей для главного — человеческого общения с пациентами и осмысления сложных биологических законов.
