Клиника будущего: применение ИИ уже сегодня

Мобильные приложения для медицинских клиник уже никого не удивляют. Скорее, наоборот — удивляет, когда у клиники приложения нет. А вот искусственный интеллект в медицине пока лишь делает первые шаги. И однако потенциал ИИ огромен! Уже сегодня темпы внедрения ИИ в медицину в два раза опережают средние темпы по другим отраслям.

Сегодня предлагаю посмотреть, как будет выглядеть клиника будущего — клиника, в которой ИИ стал обыденностью. И я вас уверяю: это будущее уже не за горами. Поехали?

Итак, мы входим в клинику. Может быть, не физически, а через мобильное приложение, но так или иначе первый контакт клиента с клиникой состоялся. ИИ-технологии полезны уже здесь.

Использование ИИ в здравоохранении для автоматизации записи пациентов — это первое, что приходит в голову. И не зря, потому что такие системы есть уже сейчас. Согласно отчету NVIDIA, в медицинских организациях системы искусственного интеллекта в медицине используются именно для автоматизации административных задач в 38% случаев.

О чем конкретно речь? Есть три основных направления внедрения ИИ в процессы на ресепшене в клинике:

1. Голосовые ассистенты и чат-боты. Они принимают звонки, отвечают на вопросы клиентов в чате, помогают записаться к врачу. Важно: в отличие от обычного чат-бота, чат-бот на основе LLM гораздо лучше понимает, чего хочет пациент и способен дать более информативный ответ. А при интеграции в CRM — сразу и запишет пациента на прием.
2. Распознавание речи и документов. ИИ помогает облегчить одну из основных нагрузок на администратора клиники. Вместо ручного внесения данных пациентов, администратор может просто отсканировать документ, а интегрированный в базу данных клиники ИИ сам распознает и внесет данные в нужные поля, а затем сформирует необходимые документы.
3. Информационная поддержка. Подключение системы AI+RAG (Retrieval Augmented Generation) помогает администраторам клиники точнее отвечать на запросы клиентов, даже заданные в нечеткой форме. 

Согласно исследованиям экспертов BCG, внедрение ИИ в здравоохранение для снижения нагрузки на персонал способно сократить операционные расходы на 50% в долгосрочной перспективе и на 30% сразу.

Продолжаем наше путешествие. Допустим, пациент записался на прием к врачу через умного помощника в мобильном приложении пациента. Что дальше? Дальше следует непосредственно первичный прием.

Чем здесь помогает использование ИИ?

• сбор анамнеза;
• опрос пациента;
• упрощение заполнения карточек;
• транскрибация общения с пациентом;
• медицинские ИИ-системы для помощи в принятии решений.

Выглядит это так. Еще до приема пациент в приложении описывает в свободной форме свои жалобы ИИ чат-боту. Эта информация попадает к врачу, т.е. уже на первичном приеме врач обладает информацией о ключевых симптомах. Далее ИИ помогает собрать анамнез по пациенту, а также автоматически переводит в структурированный текст все общение пациента с врачом. 

Получается, что врачу не нужно тратить время на ручное заполнение карточки приема — это сделает ИИ. А если вы бывали на приеме у врача, то знаете, что именно документирование всей картины заболевания обычно отнимает больше всего времени. Порой в ущерб качеству осмотра!

Так вот, искусственный интеллект и нейросети помогают врачам делать свою работу лучше. Причем не только в плане документов. Например, Бостонская детская больница внедрила у себя ИИ для помощи врачам в дифференциальной диагностике. Другие специально обученные LLM помогают медсестрам понимать назначения врачей и следовать процедурам и протоколам лечения.

Врач осмотрел пациента и назначил те или иные исследования для дифференциальной диагностики. Доктор уже приглашает следующего пациента, а вот работа ИИ только начинается. Применение AI в медицине для анализа медицинских изображений (рентген, МРТ, КТ, УЗИ) — уже не новость. Решения на базе машинного обучения используются уже 10 лет, если не больше. Однако именно нейросети и LLM, похоже, смогут окончательно поставить точку в этом вопросе.

Нет, речь не идет о полностью автоматическом анализе рентгеновских снимков с помощью ИИ. Решения по-прежнему принимает человек. Однако, исследования показывают, что при помощи обученного ИИ описание снимка выполняется быстрее на 25%, а точность диагноза не страдает. Систематический обзор в журнале Lancet показал, что нейросети демонстрируют высокую точность в диагностическом описании радиологических снимков. При этом отчеты, сгенерированные LLM, показались более понятными не только обычным людям, но и подготовленным специалистам.

Анализ радиологических изображений — это ключевое направление использования ИИ в медицине. LLM успешно описывают снимки МРТ и компьютерной томографии, причем не только отдельные срезы, но и 3D-модель. Есть кейсы успешных применений ИИ для дифференциального диагноза. Система USPilot использует LLM для управления роботизированным УЗИ-сканером.

Еще больше конкретных кейсов применения AI в медицине я приводил ранее в других статьях: писал про цифровизацию медицины и про использование ИИ в медицинских клиниках.

А вот здесь ребята пошли еще дальше. Они разрабатывают мультиагентные системы для обучения ИИ хирургии. Причем не только на информационном уровне, но и на физическом за счет IoT-интеграции в хирургических роботов.

Итак, первичный осмотр и инструментальная диагностика выполнены. Теперь нужно лечить. И здесь тоже намечается огромный прорыв, о котором я писал еще в 2024 году. Речь, конечно, о персонализированной медицине. Тогда это был лишь тренд, сегодня — реальность, благодаря ИИ.

Скажем, ML-система, натренированная на 15 тысячах медицинских записей онкологических пациентов, делала вероятностный прогноз результата лечения, исходя из персональных особенностей пациентов, получаемого лечения, специфических онкомаркеров и предыдущего анамнеза. Достоверность высокая (C-index > 0.75), т.е. модель сделала верный и обоснованный конкретными факторами прогноз в 75% случаев.

А вот проект Sona — ИИ-система на базе LLM+RAG, которая делает персонализированные назначения на основе загруженной информации. Общение идет в формате привычного чата и доступно не только специалистам с медицинской подготовкой, но и самим пациентам. По данным исследований, система корректно проводит диагностику и правильно назначает лечение с учетом персональных особенностей пациента.

Здесь китайские ученые сформировали целый пайплайн персонализированной диагностики на основе мультимодальных LLM. Точность предсказаний агентской системы составляет 78%, а специфичность — 90%. Врачи, проверявшие результаты, подтвердили, что план лечения, составленный ИИ, соответствует клиническим рекомендациям в 97% случаев. А вот еще аналогичная предиктивная система, помогающая врачу подобрать лечение, на которое у пациента с максимальной вероятностью будет положительный ответ.

Многое из описанного уже доступно на коммерческой основе или в виде стартапов. Просто перечислю:

• Superpower. Медицинский стартап персонализированной диагностики. С помощью ИИ система анализирует больше 100 показателей и формирует персональный профиль пациента с указанием возможных рисков, особенностей лечения и профилактики.
• Tempus. Комплексное медицинское решение на базе ИИ. В числе прочего предлагает сформировать индивидуальный профиль лечения на основе анализа десятков биомаркеров. 
• Sophia Genetics. Здесь используется комбинация AI/ML и LLM для поиска таргетированного лечения различных редких заболеваний на основе генетического анализа пациента.

Рынок подобный стартапов огромный. В России, насколько я могу судить, поле пока непаханное. Если задумываетесь о создании подобной системы, обратитесь в Siberian.pro. У нас большой опыт реализации различных цифровых систем в медицине. С кейсами можно ознакомиться здесь.

Что если пациент не имеет возможности посетить клинику лично? На помощь приходит телемедицина, а вместе с ней — искусственный интеллект.

Простейший пример телемедицины — это мобильное приложение для самодиагностики или чекапа. В этом случае пациент заполняет некоторый опросник, указывает свои симптомы и состояния, и получает в ответ рекомендации специалиста.

Следующий этап использования ИИ в удаленной медицине — это чат-боты. Но не простые, а обученные на реальных медицинских записях, истории назначений и диагнозах. Для этого нужно развернуть RAG-систему и подключить ее к контексту языковой модели. Примерами таких решений можно назвать Counsel Health, Doximity и Limbic.ai. Пациент начинает диалог с чат-ботом и получает сначала первичную консультацию ИИ, а затем может продолжить общение с реальным врачом.

Важной составляющей телемедицины являются носимые устройства, например, кардиомониторы и глюкометры. Интеграция таких устройств с мобильным приложением пациента, а также с системами ЕМИАС позволяет врачу получать актуальные данные о здоровье пациента, где бы последний ни находился.

Мы уже побывали на ресепшене клиники, посетили кабинеты врачей, диагностические кабинеты и лабораторию. Осталось заглянуть в кабинет главврача. Потому что использование ИИ в сфере здравоохранения часто начинается именно здесь.

Многие административные процессы в медицинском учреждении можно упростить и автоматизировать с помощью искусственного интеллекта и нейросетей:

• кадровые вопросы — согласование отпусков, составление расписания и т.д.;
• документооборот;
• контроль медицинской документации;
• работа с закупками препаратов;
• аналитика финансовых потоков и загруженности клиники;
• аудит назначений врачей на предмет соответствия клиническим рекомендациям.

Примером такой системы может служить ИИ-ассистент руководителя клиники, который мы разработали для одного клиента. Внедрение такого ассистента позволило резко сократить рутинную нагрузку на врача, в то время как качество проверок документов выросло.

Действительно: зачем тратить три часа времени на ручную проверку, если обученная LLM способна сделать то же самое за 15 минут? И это реальный практический результат! Кейс здесь, если интересно.

Я начал описывать клинику будущего, но в результате получилось, что почти все инновации уже активно реализуются и внедряются на практике. Это настоящее.

Безусловно, необходимо учитывать особенности современного ИИ: склонность к галлюцинациям, ограниченные размеры контекста, стоимость токенов, зависимость выводов от данных обучения. Однако опыт Siberian.pro доказывает — проблемы решаемы. А бизнес-результат оказывается ощутимым практически сразу после внедрения ИИ-решения.

Даже если прямо сейчас ИИ не вылечит все наши болезни, то он точно способен избавить от рутины, значительно облегчить труд врачей, и снизить операционные расходы клиник. А это уже отличный результат!

Рассматриваете разработку собственного медицинского ИИ? Или хотите реализовать иное медтех-решение? Обратитесь в Siberian.pro! Просто напишите нам и расскажите о вашем проекте.