ENG

Перейти в Дзен
Мнение, Технологии

Как большие данные помогут жить дольше

Александр Шаповалов — коммерческий директор ИТ-компании «ТехЛАБ»

На конференции World Conference of Science Journalists 2017 Атул Батт, ученый Калифорнийского университета, занимающийся вопросами здравоохранения, назвал архивы биомедицинской информации, долгие годы собираемой в разных концах мира, «новой почвой, которая ожидает семян». Клинические данные долгое время «пылились на полках», и только недавно медицинские организации открыли их истинный потенциал для диагностики заболеваний, алгоритмизации лечения пациентов и планирования лекарственного обеспечения. Это оказалось началом радикальных изменений системы здравоохранения.

С повышением интереса к анализу и использованию данных о пациентах вырос и спрос на специализированные ИТ-решения по обработке: далеко не любая аналитическая система справится с задачей из-за специфики медицинской отрасли и принятых в ней стандартов работы с информацией. В итоге в 2017 году агентство Market and Markets оценило глобальный рынок анализа данных в сфере медицины и здравоохранения в 9 млрд долларов США, прогнозируя его рост на 27% ежегодно в ближайшие пять лет — невероятная цифра для недавно зародившегося сегмента.

Рынок формируют технологии, нацеленные на обработку в режиме реального времени огромных массивов клинических биомедицинских данных, новейших научных исследований по различным методам диагностики и терапии, выступлений ведущих мировых экспертов и других сведений, которые помогут врачам лечить лучше, а пациентам — бояться меньше.

Что большие данные могут дать медицине

Применение аналитических решений в медицине — огромное «непаханое поле», которое только начинают осваивать и культивировать крупные исследовательские и клинические центры, больницы и клиники, учреждения здравоохранения и технологические стартапы. Но уже сейчас есть задачи, которые «умные» технологии решают лучше человека.

Прежде всего это весь пул задач, связанных с диагностикой и назначением терапии и лекарственных препаратов пациентам с тяжелыми заболеваниями. Машины могут эффективно и почти в режиме реального времени обрабатывать весь набор данных о пациенте, включая ранее поставленные диагнозы, все параметры, которые описывают его заболевание на разных стадиях, противопоказания к применению каких-то препаратов. А затем сравнивать конкретный случай с клиническими практиками и другими схожими кейсами, информация о которых накоплена в системе, и предлагать оптимальный путь лечения пациента. Естественно, алгоритм не может самостоятельно ставить диагнозы или назначать лечение — регулятором такая возможность не предусмотрена. Да и в голове опытного врача обычно содержится такой уникальный набор знаний и умений, который машине не повторить. Но зато она вполне может стать «умным помощником», особенно для начинающих врачей, которые не уверены в выборе методологии лечения.

Системы, которые могут прогнозировать и выдавать рекомендации, относятся к классу систем поддержки принятия врачебных решений (СППВР). В целом большинство СППВР представляет собой программные решения, которые позволяют автоматически обрабатывать набор входящих данных о пациенте, регистрировать его в базах данных медучреждений и даже, по итогам анализа больших массивов информации о пациентах и успешных медицинских практиках, оптимизировать ход лечения.

Казалось бы, все просто. Однако на деле под этим обширным понятием скрываются самые различные ИТ-решения, отличающиеся и по выполняемым задачам, и по их технической реализации. Например, такие системы могут представлять собой интеллектуальные алгоритмы для обработки данных с применением технологий прогнозной аналитики и машинного обучения, которые ищут скрытые закономерности в данных, в том числе неструктурированных, и моделируют различные сценарии «что, если».

Или же — огромную базу данных, в которую заложены медицинские стандарты и клинические рекомендации к лечению пациентов с определенными диагнозами, а также сведения об эффектах и побочных действиях лекарственных препаратов. В таком случае система подсказывает врачу, как ему лечить, исходя из рекомендованных алгоритмов терапии для конкретных заболеваний, а также из информации о несовместимости компонентов назначаемых препаратов и побочных заболеваний пациентов. Например, методы химиотерапии при онкологии плохо сочетаются с тяжелыми поражениями функций почек и печени, а также серьезными сердечно-сосудистыми заболеваниями.

Следим за Эбола и экономим время врачей

Помимо поддержки врачей, технологии обработки данных помогают и руководителям от медицины, позволяя прогнозировать динамику, потенциальное число пациентов в том или ином медучреждении. Очень часто больницы и клиники сталкиваются с проблемой нехватки лекарственного обеспечения в конце года. Проблема в том, что закупки лекарств производятся заранее, по заявкам, которые формируют медорганизации на основании прогноза о количестве пациентов с конкретным диагнозом на будущий год. Если прогноз оказался неточным, препаратов на всех не хватит. Цифровые технологии помогают избежать такой ситуации: заложенные в них алгоритмы позволяют не только учесть каждого пациента на настоящий момент, но и проанализировать динамику распространения заболевания за последние несколько лет, географию «вспышек» (в случае инфекционных болезней) и на основании этого анализа сделать гораздо более точный прогноз.

Есть и другие способы оптимизации поставок медикаментов на базе аналитических технологий. Один из примеров — использование ЮНИСЕФ системы сбора данных Edutrack, которая собирает данные с мобильных устройств в режиме реального времени. Так, ИТ-решение помогло обеспечить школы в Сьерра-Леоне нужным количеством гигиенического оборудования, проанализировав информацию о посещаемости учителей и учащихся.

Медицинские инструменты на платформах, предназначенных для обработки естественного языка или распознавания, также позволяют экономить время врачей на расшифровку медицинских снимков, генетического профиля или результатов лабораторных тестов, биопсии, электрокардиографии — и заполнение отчетных форм по итогам. Медработники могут избавиться от выполнения рутинных операций и сосредоточиться на своих основных задачах по постановке диагноза и назначению лечения.

Наконец, обработка больших данных просто необходима для анализа и прогнозирования скорости распространения смертельно опасных вирусных заболеваний. Во время недавнего кризиса, связанного с вирусом Эбола, аналитические платформы и приложения использовались для обмена информацией в режиме реального времени о вспышках эпидемии. В Европе подобную роль выполняет система эпидемиологического надзора Influenzanet, которая использует информацию, поступающую от людей, обнаруживших у себя симптомы гриппа, а также, с недавнего времени, сальмонеллеза, кишечной палочки, лихорадки Зика. ИТ-инструмент может быть использован, например, чтобы понять, где выше вероятность вспышки заболевания.

Все описанные технологии, будь то решения для распознавания снимков или рекомендательные сервисы, элементы искусственного интеллекта или алгоритмы работы с большими данными, не конкурируют между собой. Они — на одной стороне баррикады борьбы с заболеваниями, и в идеальном мире «аналитической медицины» будущего такие медицинские системы разного действия начнут обмениваться данными между собой.

Но не все так радужно, как кажется

Правда, несмотря на все, казалось бы, очевидные преимущества новых технологий для обработки клинических данных, есть ряд проблем, которые до сих пор приходится решать инноваторам от медицины.

Проблема 1: Использование персональных данных. Один из главных психологических и нормативно-правовых барьеров, который встает перед разработчиками медицинских систем, — сохранение персональных данных пациентов.

Прежде всего, стоит отметить: большая часть систем, которые мы описываем в этой статье, накапливает только клинические данные, то есть обезличенную информацию о пациенте. Чтобы расшифровать снимок или помочь врачу при назначении терапии, системе совсем не обязательно знать имя пациента или состояние его банковского счета. Сами персональные данные располагаются в медицинских организациях или ЦОДах в защищенных сетях.

Тем не менее так или иначе медицинские системы используют данные о пациентах при их регистрации или маршрутизации (передаче данных о здоровье пациента из одной клиники в другую). Поэтому вопросы кибербезопасности стоят перед разработчиками остро. На сегодняшний день в сфере медицины и здравоохранения используются преимущественно классические средства криптографической защиты: ключи шифрования, хеширование. Однако в будущем, когда цифровая медицина охватит жизнь каждого человека, отрасль одной из первых будет тестировать все новинки ИБ-рынка: от квантового шифрования до распределенных реестров (блокчейна).

Проблема 2: Точность выборки. «Большие данные» — все еще «черный ящик» для большинства специалистов не только здравоохранения, но даже ИТ. Крайне сложно судить о качестве этого большого объема информации. Одной из основных проблем является ошибка выборки: разработчики и пользователи задаются вопросом, не будут ли какие-либо проблемы выборки, которые неизбежно присутствуют, увеличиваться с помощью все большего набора данных?

В медицине это осложняется тем, что даже малейшая ошибка может привести к летальному исходу. Поэтому при выборе эталонных параметров нужно учитывать два самых важных: качество и контекст. В противном случае медицинские данные из «волшебной палочки» способны превратиться в инструмент массового поражения. Поэтому большинство разработчиков работает бок о бок с врачами при разработке ИТ-решений: специалисты годами проверяют каждый внесенный в систему параметр или выданную ею рекомендацию, прежде чем та попадает в медучреждения.

Проблема 3: Недоверие к технологиям. Наконец, одна из самых тяжелых проблем, которую приходится решать разработчикам, — недоверие со стороны врачей к новым технологиям. Медицина — с одной стороны, прорывная, а с другой, весьма консервативная отрасль. Статистика и математика часто проигрывают «врачебной интуиции» и годами проверенным научным аксиомам. Многие врачи считают, что «годами наработанную экспертизу» не заменит какая-то машина. И это естественно: врачи не могут быть заменены алгоритмами; а вот их навыки и скорость принятия решений измениться способны. Машины уже зарекомендовали себя лучше людей в том, что касается скорости обработки гигантских объемов информации. Теперь разработчикам придется доказать это врачебной аудитории, самим же медикам — адаптироваться к новым реалиям и использовать поддержку технологий для оптимизации своей работы.

Тем не менее эти барьеры, хотя и тормозят совершенствование технологий для медицины, все же не останавливают его. 40% ИТ-директоров медучреждений планируют сделать запуск корпоративных аналитических платформ здравоохранения приоритетом в 2018 году, показал опрос, проведенный Колледжем менеджеров по управлению информацией о здравоохранении (CHIME). Поэтому можно говорить о том, что в 3-5-летней перспективе мы увидим зарождение цифровой аналитической медицины.

Следите за нашими новостями в удобном формате
Перейти в Дзен

Предыдущая статьяСледующая статья