Сектор здравоохранения долгое время оставался одной из самых консервативных и сложных зон для внедрения инноваций, однако стремительное развитие искусственного интеллекта способно в корне изменить это положение. В рамках подкаста венчурного фонда a16z генеральные партнеры Виджай Панде (Vijay Pande) и Джули Ю (Julie Yoo) детально разбирают «великие вызовы» (Grand Challenges), стоящие перед разработчиками медицинских ИИ-решений. Эксперты обсуждают, какие сектора первыми ощутят цифровую трансформацию, как ИИ изменит повседневную практику врачей и почему реформа бизнес-моделей является ключевым драйвером технологической революции.
📊 Ближайшие горизонты: ИИ в административном бэк-офисе 0:40
При оценке краткосрочных перспектив ИИ в медицине ключевым фактором становится не только сама технология, но и готовность людей к ее внедрению. По мнению Виджай Панде, для успешной интеграции ИИ-продукт должен быть либо в 10 раз лучше существующих аналогов, чтобы его внедрение произошло естественным путем, либо обладать феноменальной простотой адаптации. В последнем случае инструмент может даже не выглядеть как классическое программное обеспечение, маскируясь под привычные процессы вроде текстовых сообщений или кадрового обеспечения. Джули Ю подчеркивает, что индустрия сейчас переживает глубокий кризис кадров и сильное выгорание персонала, вызванное в том числе избыточным технологическим бременем — сложными интерфейсами электронных медицинских карт (EHR) и рутинными задачами финансового цикла.
Собеседники предлагают анализировать варианты применения ИИ с помощью матрицы «2 на 2», разделяющей кейсы по двум осям:
- По конечным пользователям: B2B-решения (внутренние инструменты медицинских организаций) против потребительских продуктов для пациентов.
- По характеру задач: административные (бэк-офис) против клинических (непосредственное оказание медицинской помощи).
По оценке Джули Ю, наиболее доступной и перспективной точкой входа сейчас является административный B2B-сегмент. Как утверждает Виджай Панде, автоматизация процессов бэк-офиса позволяет перевести рутинные административные задачи (например, управление циклом выручки — RCM) из категории кадровых дефицитов в категорию чистых данных.
💸 Ликвидация медицинских претензий и переход к расчетам в реальном времени 4:44
Огромный пласт неэффективности в здравоохранении связан со сложным механизмом финансовых расчетов. По словам Джули Ю, около 90% платежей в американской медицине представляют собой возмещаемый доход, требующий от провайдера отправки официальной претензии (claim) плательщику. Ю предлагает рассматривать эту претензию как своего рода единицу логического алгоритма. Сегодня этот процесс представляет собой долгую последовательную цепочку: от интерпретации типа претензии до проверки ее на соответствие правилам тысяч страховых планов, существующих на рынке. Зачастую для вынесения клинического суждения (например, при предварительной авторизации) приходится привлекать квалифицированных медсестер.
Эксперты сошлись во мнении, что автоматизация этого процесса способна совершить революцию в финансах здравоохранения:
- Джули Ю утверждает, что устранение традиционных претензий и переход к платежам в режиме реального времени позволило бы ликвидировать до 30% всех растрат и неэффективных расходов в медицинской системе.
- Главным препятствием для этого, по мнению Ю, остается высокая укорененность старой системы и тот факт, что огромный объем данных заблокирован в монолитных PDF-документах.
В качестве примера успешного решения проблемы оцифровки Джули Ю приводит портфельную компанию фонда a16z — Turquoise, которая занимается структурированием контрактов между плательщиками и поставщиками медицинских услуг. Типичный договор такого рода представляет собой PDF-файл объемом около 200 страниц, регулирующий финансовые потоки на сотни миллиардов долларов. По словам Ю, оцифровка данных этих соглашений позволяет моделировать финансовые сценарии и гибко корректировать цены на услуги, не дожидаясь планового пересмотра контрактов раз в два года.
🧪 Непрерывные клинические исследования и «оптимизация пикселей» здравоохранения 7:21
Появление структурированных лонгитюдных данных о пациентах открывает путь к созданию инфраструктуры «всегда включенных» клинических испытаний. По мнению Виджая Панде, реализовать подобную концепцию без искусственного интеллекта было бы экономически и технически невозможно. Панде объясняет, что ИИ, особенно байесовская статистика, великолепно справляется с поиском причинно-следственных связей, а не просто корреляций в массивах данных. В качестве примера скрытых связей он приводит известный факт: грейпфрутовый сок способен нейтрализовать действие противозачаточных таблеток из-за влияния на ферменты группы p450. Наличие ИИ-систем, знающих диету, образ жизни и лекарственный портфель пациента, позволит оптимизировать здравоохранение без создания новых дорогостоящих препаратов.
Обсуждая потенциал масштабных данных, участники дискуссии высказали следующие тезисы:
- Джули Ю вспомнила свой давний разговор с техническим директором Министерства по делам ветеранов США (VA), который отмечал, что в их популяции ежедневно органически проходят миллионы скрытых клинических исследований, но ведомство не знает, как их зафиксировать и использовать.
- Интеграция данных EHR, поведенческих метрик и больших языковых моделей (LLM) в качестве текстовых журналов самочувствия способна решить эту проблему.
- Виджай Панде проводит аналогию с ИТ-индустрией, где любой элемент интерфейса оптимизируется с помощью масштабных A/B-тестов. По его мнению, медицина заслуживает аналогичной многовариантной оптимизации.
Дополнительным вектором развития, по мнению Джули Ю, может стать создание «спот-рынка» медицинских услуг с динамическим ценообразованием в зависимости от текущего спроса и предложения. Сейчас этому препятствуют юридические ограничения монолитных соглашений и отсутствие механизмов расчетов в реальном времени. Машинное обучение могло бы отсеять неэффективные правила страхования, автоматизировав принятие решений.
🗓️ Борьба с дисбалансом спроса и новые операционные модели 12:08
Значительная часть карьерного пути Джули Ю была посвящена проблеме дисбаланса между спросом и предложением в медицине, в частности, в сфере систем автоматического расписания. По словам Ю, пациенты часто ждут приема неделями, думая, что врачи перегружены, хотя на самом деле огромная часть свободного времени специалистов тратится впустую из-за плохой видимости потоков данных. По мнению Виджая Панде, корень проблемы лежит глубже: медицинским организациям необходимо отказаться от традиционных «белых досок» и перейти на современные цифровые системы учета (systems of record).
Панде высказывает гипотезу, что сами методы ведения медицинской практики должны измениться. В качестве примера компании, построившей процессы с чистого листа, спикеры называют Devoted, которая разработала собственную ИТ-инфраструктуру Oroko для управления расписанием и оптимизации модели ухода за пациентами.
Джули Ю делится наблюдениями из опыта своей прошлой компании:
- Врачи зачастую проектируют шаблоны своего рабочего дня оборонительно и защитно, так как система регулярно перегружает их.
- Проведение десяти встреч с предпринимателями подряд изматывает инвестора так же, как прием четырех сложных первичных пациентов подряд изматывает врача.
- Ситуацию усугубляет необходимость заполнять отчетность в системе Epic после окончания приемов.
Решением, по мнению Ю, могут стать системы на базе обучения с подкреплением (reinforcement learning), которые анализируют исторические данные и учитывают обратную связь от самих медиков. Джули Ю напоминает, что с момента принятия закона Meaningful Use, стимулировавшего переход на электронные медкарты, прошло всего около 11 лет. Пять лет назад менее 70% врачей в США использовали EHR, поэтому индустрия только начинает осваивать накопленные массивы информации. Текущий финансовый кризис больниц, по мнению Ю, заставляет их искать пути монетизации своих данных через партнерства со стартапами в обмен на долю в капитале или распределение выручки. Собеседники сходятся во мнении, что кадровый дефицит выступает мощным попутным ветром (tailwind) для ИИ, ускоряя внедрение технологий.
🛡️ Смена бизнес-моделей: ценностно-ориентированное здравоохранение против Fee-for-Service 18:31
Важнейшим катализатором изменений спикеры называют переход от модели оплаты за услуги (Fee-for-Service) к ценностно-ориентированному здравоохранению (Value-Based Care). По мнению Джули Ю, этот сдвиг полностью ломает старые схемы работы, ставя традиционных игроков в оборонительную позицию, тогда как новые стартапы могут строить свои операционные модели сразу под новые реалии. Ю отмечает, что медицинским организациям крайне тяжело балансировать, находясь одной ногой в старой модели, а другой — в новой. Виджай Панде добавляет, что в системе оплаты за услуги ИИ является лишь приятным дополнением, тогда как в ценностно-ориентированной модели он становится главным катализатором эффективности и снижения издержек.
В качестве иллюстрации несовершенства текущих подходов Джули Ю приводит пример судебных разбирательств вокруг крупных страховых компаний, использующих ИИ для автоматизации предварительного одобрения процедур:
- Страховщики перенесли правила, написанные людьми, в ИИ-алгоритмы, чтобы исполнять их быстрее.
- В результате клиенты начали массово жаловаться на резкий рост числа отказов.
- Джули Ю подчеркивает, что выросла не доля отказов, а именно скорость их вынесения. По ее словам, винить нужно не технологию, а дефекты самих правил, созданных людьми.
🗣️ LLM как новый интерфейс медицинской карты и концепция «Датаиста» 20:14
Виджай Панде предлагает переосмыслить природу больших языковых моделей, утверждая, что их недооценивают, воспринимая как «оракулов», в то время как LLM — это прежде всего принципиально новый пользовательский интерфейс (UI). Эволюция интерфейсов прошла путь от командной строки к графическим окнам (GUI), а теперь вернулась к тексту и естественному языку, не требующему специального обучения. Применительно к EHR это означает возможность общаться с базой данных напрямую. Панде указывает на необходимость жесткого разграничения данных с использованием архитектуры RAG (Retrieval-Augmented Generation) и создания специализированных медицинских моделей вместо использования общего интернет-интеллекта.
Джули Ю выделяет два ключевых сценария применения таких интерфейсов:
- Синтез истории болезни: ИИ собирает разрозненные данные в связный структурированный рассказ о пациенте до того, как тот войдет в кабинет врача, учитывая социальные детерминанты здоровья и домашние условия.
- ИИ-ассистенты (scribing): системы, которые слушают диалог врача и пациента, автоматически формируя медицинские записи и избавляя доктора от необходимости непрерывно печатать на клавиатуре во время приема.
Размышляя о трансформации профессий, Джули Ю вспоминает популярную ранее концепцию «датаиста» (dataist) — специалиста, чья работа сводится исключительно к интерпретации данных. Ю предполагает, что ИИ может взять на себя эту горизонтальную функцию, став полноценным, равноправным участником медицинской команды. В качестве примера Ю упоминает стартап, интегрирующий LLM прямо в аудиопоток раций, которыми пользуются медсестры в хаотичной обстановке стационаров. Такой ИИ работает как «сверчок Джимини» или робот Бэймакс, анализируя разговоры, выявляя опасные паттерны и вовремя предупреждая команду о рисках для безопасности пациентов.
🚑 Проблема медицинской сортировки и личный опыт в приемном покое 25:43
Виджай Панде делится личной историей, подчеркивающей несовершенство современной системы маршрутизации пациентов. Несколько лет назад он сильно порезал руку поварским ножом, пытаясь произвести впечатление на детей. Приехав в отделение экстренной помощи (ED), Панде провел там около двух часов в ожидании. Проведя математические расчеты и поняв, что ожидание может затянуться еще на четыре часа, он принял решение просто покинуть больницу.
По мнению Панде, текстовый ИИ-ассистент для триажа (медицинской сортировки) мог бы кардинально изменить этот опыт, вовремя информируя пациентов о загруженности и направляя их в правильные локации. Джули Ю соглашается, отмечая, что разделение функций клинициста на сортировку и непосредственное лечение — это критически важная задача. Ю иронизирует, что в ее семье роль такого ассистента выполняет ее двоюродная сестра — кардиолог, которой все родственники звонят по любым медицинским вопросам, чтобы узнать, нужно ли срочно ехать в больницу. Виджай Панде добавляет, что отсутствие удобных инструментов сортировки заставляет людей использовать «Доктор Google» или WebMD, что приводит к панике и необоснованной перегрузке приемных покоев.
⚖️ Регуляторные барьеры и постепенное движение к «ИИ-врачу» 28:09
Вопрос регуляторных ограничений является ключевым для создателей ИИ-продуктов. По мнению Виджая Панде, в серых зонах законодательства регуляторы (в частности, FDA) сами стремятся к диалогу со стартапами, и успешные фаундеры активно используют это сотрудничество, чтобы избежать сюрпризов. В ситуациях неопределенности предпринимателям необходимо брать на себя лидерство и адаптировать существующие фреймворки, такие как концепция «Программное обеспечение как медицинское устройство» (SaMD). Панде подчеркивает, что регулировать нужно не саму технологию (например, генеративный ИИ), а конкретные сценарии ее практического применения.
Оценивая перспективу появления полноценного автономного «ИИ-врачу», Виджай Панде предлагает матрицу решений по двум критериям:
- Сложность решения (простые против комплексных).
- Устойчивость к ошибкам (имеет ли ошибка фатальные последствия).
Медицина, по мнению Панде, относится к самой сложной категории, где ошибки критичны. Поэтому движение к автономному ИИ должно быть постепенным:
- Уровень медсестринского ухода: стартапы вроде Hippocratic AI сфокусированы на коммуникации и поддержке, руководствуясь принципом «не навреди» и не занимаясь диагностикой.
- Уровень ассистента врача (PA): постепенное расширение клинических полномочий ИИ.
- Уровень врача общей практики (GP): этот этап Панде называет наиболее интересным, так как терапевты преимущественно занимаются сортировкой и маршрутизацией к узким специалистам.
По мнению Панде, появление карманного ИИ-консьержа на уровне терапевта окажет колоссальное влияние на доступность медицины, а автоматизация работы узких специалистов (онкологов, кардиологов) — это задача гораздо более далекого будущего. При этом Джули Ю напоминает, что внедрение ИИ-копилотов для врачей будет успешным только в том случае, если разработчики смогут органично встроить их в существующий рабочий процесс, сделав благом, а не раздражающим фактором.
🚀 Стартапы мечты: какие проекты ждут инвесторы a16z 34:04
В завершение беседы партнеры a16z перечислили типы компаний, которые они больше всего хотят видеть среди соискателей инвестиций. Виджай Панде выделил сегмент ИИ-решений для клинических испытаний. Он отмечает, что через эту сферу проходят гигантские денежные потоки, и оптимизация процессов даже на 5% способна принести сотни миллионов долларов экономии. В качестве аналогии Панде привел пример своего знакомого из Google, который смог улучшить рекламный фильтр всего на 5%, что принесло компании дополнительные $100 млн выручки. Проекты, способные эффективно ранжировать и оптимизировать клинические исследования, обладают огромным коммерческим потенциалом.
Выбор Джули Ю — создание с нуля полностью ИИ-ориентированного медицинского страхового плана (AI-native health plan). Такой проект должен включать в себя три ключевых компонента:
- Автоматизированный механизм платежей и обработки претензий.
- Инфраструктуру андеррайтинга для точной оценки рисков внутри популяции.
- Умную сеть маршрутизации пациентов к наиболее подходящим и эффективным провайдерам.
По мнению Ю, сокращение издержек такого плана всего на 1% за счет ИИ принесет сотни миллионов долларов экономии и позволит создать по-настоящему персонализированные страховые продукты, адаптированные под индивидуальную историю болезни и поведение конкретного человека.
