49-летний мужчина замечает у себя на плече безболезненную сыпь, но не обращается за медицинской помощью. Через несколько месяцев во время планового обследования терапевт также замечает эту сыпь и диагностирует доброкачественное новообразование кожи. Еще через некоторое время, при проведении планового скрининга, медсестра указывает на эту сыпь другому врачу, который настоятельно рекомендует пациенту обратиться к дерматологу. Дерматолог проводит биопсию. Согласно результатам гистологического исследования, у пациента доброкачественное новообразование. Дерматолог запрашивает повторное исследование гистологических препаратов. В этот раз вынесен другой вердикт: инвазивная меланома. Пациенту немедленно начинают курс химиотерапии. Несколько недель спустя приятель-терапевт спрашивает, почему ему не проводят вместо этого иммунотерапию.
Различные версии данного гипотетического сценария достаточно часто разворачиваются в условиях современного здравоохранения, и причиной этого является не халатность, а человеческий фактор и системные ошибки.
Специалисты медицинской школы Гарвардского университета и компании Google утверждают, что при правильном подходе искусственный интеллект способен значительно снизить частоту как системных ошибок, так и ошибочных выводов отдельных клиницистов.
В опубликованной ими статье представлен проект интеграции машинного обучения в клиническую практику, а также описаны перспективы и подводные камни технологического прорыва, поразившего воображение как специалистов по биоинформатике и клиницистов, так и людей, не имеющих отношения к науке.
Огромная вычислительная мощность и аналитическая емкость искусственного интеллекта могут расширить уникальные способности человеческого мозга к принятию решений, основанные на здравом смысле и способности замечать нюансы. Авторы считают, что комбинация этих двух подходов позволит оптимизировать клиническую практику.
Машинное обучение является формой искусственного интеллекта, не основанной на заранее заданных параметрах и правилах, а подразумевающей адаптивное обучение. Таким образом, новые данные каждый раз прогрессивно улучшают алгоритм, способность которого выявлять закономерности совершенствуется со временем. Другими словами, машинное обучение демонстрирует своего рода нейронную пластичность, схожую с когнитивной пластичностью головного мозга человека. Однако, тогда как человеческий мозг может выявлять сложные ассоциации на основе небольших фрагментов данных, машинному обучению для приобретения аналогичного навыка требуется значительно больше примеров. Компьютеры обучаются намного медленнее, но имеют бОльшую производительную мощность и допускают меньше ошибок интерпретации.
По словам Исаака Кохана (Isaac Kohane), декана факультета биомедицинской информатики института Блаватника в медицинской школе Гарварда, модель машинного обучения можно без эпизодов ослабления внимания натренировать на десятках миллионов медицинских карт, содержащих сотни миллиардов данных наблюдений. В то же время клиницист-человек на протяжении всей своей карьеры не в состоянии осмотреть более нескольких десятков тысяч пациентов.
Таким образом, авторы утверждают, что применение машинного обучения может предоставить в распоряжение клиницистов коллективную мудрость миллиардов медицинских решений, миллиардов медицинских карт и миллиардов исходов заболеваний, что позволит им принимать информированные решения при постановке диагноза и подбирать терапию в соответствии с особенностями пациента.
В ситуациях, для которых точность прогноза критична, способность системы машинного обучения выявлять показательные закономерности среди миллионов образцов может наделить врача «суперспособностями».
В 1999 году институт медицины, в настоящее время известный как Национальная академия медицины, опубликовал статью под названием «Человеку свойственно ошибаться» («To Err is Human»). В ней описываются несовершенство присущего человеку механизма принятия решений и ограничения клинических знаний отдельного врача. Последнему пророчили роль усугубляющейся проблемы рядовых врачей, которым приходится синтезировать, интерпретировать и применять постоянно растущую массу биомедицинских данных, генерируемых экспоненциально увеличивающимся количеством новых открытий.
По словам Кохана, нам следует признать и смириться с тем, что практикующий врач физически не в состоянии успевать за появляющимися с огромной скоростью новыми биомедицинскими данными и открытиями. Искусственный интеллект и машинное обучение могут помочь уменьшить количество ошибок или даже устранить их, оптимизировать продуктивность и обеспечить поддержку в принятии клинических решений.
Согласно публикации Института медицины, клинические ошибки делятся на четыре широкие категории:
- Диагностика: неспособность назначить адекватные обследования или интерпретировать их результаты; использование устаревших методов обследования; ошибочный диагноз или несвоевременное выставление правильного диагноза; неспособность действовать в соответствии с результатами обследования.
- Терапия: выбор неоптимальных, устаревших или неподходящих методов терапии; ошибки при проведении терапии; ошибки дозирования препаратов; несвоевременное начало лечения.
- Профилактика: неэффективность профилактического контроля и применения профилактических мер, таких как вакцинация.
- Другие ошибки, связанные, в частности, со сбоями связи или оборудования.
Авторы считают, что машинное обучение потенциально способно снизить частоту многих из этих ошибок и даже полностью устранить некоторые из них.
Должным образом разработанная система может уведомлять клиницистов о выборе неоптимального препарата, исключать ошибки дозирования, а также направлять медицинские карты пациентов с неясными и странными симптомами на рассмотрение экспертам по редким болезням для удаленного консультирования.
Модели машинного обучения обладают наиболее выраженным потенциалом в следующих сферах:
- Прогнозирование – способность идентифицировать закономерности, предсказывающие исход течения заболевания на основании огромного количества ранее зарегистрированных исходов. Например, какое наиболее вероятное течение примет заболевание? Как скоро пациент сможет вернуться к работе? Как быстро будет прогрессировать заболевание пациента?
- Диагностика – способность помогать в идентификации наиболее вероятных диагнозов во время клинических визитов и указывать на возможные будущие диагнозы на основании анамнеза пациента и всего множества результатов более ранних лабораторных анализов, диагностической визуализации и других имеющихся данных. Модели машинного обучения могут использоваться в качестве дополнительного источника информации, побуждающего врачей рассматривать альтернативные состояния или задавать наводящие вопросы. Это может быть наиболее ценно в случаях с высокой диагностической неопределенностью или когда пациенты демонстрируют особенно противоречивые симптомы.
- Терапия: модели машинного обучения можно «обучить» идентифицировать оптимальную терапию для определенного пациента с конкретным заболеванием на основании обширных массивов данных по исходам для пациентов с аналогичным диагнозом.
- Клинический рабочий процесс: машинное обучение может улучшить и упростить существующую систему хранения электронных медицинских карт, значительно затрудняющую работу клиницистов. Повышение эффективности работы и уменьшение количества времени, затрачиваемого на работу с электронными медицинскими картами, позволит врачам уделять больше времени непосредственной работе с пациентом.
- Расширение доступа к консультационным услугам – способность улучшить доступ к медицинскому обслуживанию пациентам, проживающим в удаленных географических зонах или регионах с нехваткой специалистов в области медицины. Такие модели могут предоставлять пациентам информацию о возможностях получения помощи вблизи от дома или предупреждать о появлении симптомов, требующих немедленного внимания или обращения в отделение неотложной помощи.
Искусственный интеллект и машинное обучение не идеальны и не позволят справиться со всеми ошибками в клинической практике.
Модели машинного обучения могут быть хороши настолько, насколько хороши вводимые в них данные. Например, модель машинного обучения для выбора методов терапии может быть хороша настолько, насколько точно методы лечения введены в базу данных, на которой «тренировалась» эта модель.
Авторы отмечают, что наиболее значимым барьером на пути к разработке оптимальных моделей машинного обучения является нехватка клинических данных высокого качества, включающих популяции, отличающиеся по этническим, расовым и другим признакам. Другие сложности имеют скорее техническую природу. Например, современное разделение клинических данных как между, так и внутри учреждений является существенным, хотя и преодолимым препятствием на пути создания надежных моделей машинного обучения. Одним из решений является передача данных в руки пациентов для создания баз данных, контролируемых пациентами.
К другим сложностям относятся различные законодательные требования и правовая политика, а также разнообразие технических платформ, применяемых в здравоохранении, и технических провайдеров, которые могут быть плохо совместимыми между собой, что затрудняет доступ к данным.
Также авторы предупреждают, что одним из нежелательных последствий применения машинного обучения может быть чрезмерное доверие компьютерным алгоритмам и снижение бдительности врачей, что приведет к увеличению количества клинических ошибок.
Одним из методов минимизации таких рисков заключается во введении доверительных интервалов для всех моделей машинного обучения, указывающих клиницистам на предположительную точность модели.
Что еще более важно, все модели должны проходить периодические проверки, так же, как практикующие врачи периодически сдают экзамены для обновления сертификатов соответствия своей сфере деятельности.
При правильной постановке вопроса машинное обучение будет выступать в роли поддержки, повышающей эффективность взаимодействия между врачом и пациентом, а не в роли заменителя врача-человека.
Авторы отмечают, что человеческое отношение и отзывчивость врача, а также его внимательность к мелким деталям и сложности человеческой жизни никогда не утратят актуальность. Поэтому в данном случае речь идет не о конкуренции между компьютером и человеком, а об оптимизации медицинского обслуживания за счет использования возможностей искусственного интеллекта.
Статья Alvin Rajkomar et al. Machine Learning in Medicine опубликована в The New England Journal of Medicine.
Евгения Рябцева, портал «Вечная молодость» http://vechnayamolodost.ru по материалам Harvard Medical School: The Doctor and the Machine.
