Помощь реаниматологу: машинное обучение и искусственный интеллект

– Чем занимаются врачи в отделениях реанимации и почему так важно внедрять инновации в их работу?

– Отделение реанимации и интенсивной терапии (ОРИТ) – это часть лечебного учреждения, где оказывается помощь больным, находящимся в тяжелом состоянии, проводятся мероприятия по реанимации и интенсивной терапии. У медицинского персонала здесь повышенный уровень нагрузки, поскольку врачам нужно контролировать множество разных процессов и при этом уделять максимум внимания каждому пациенту, проводить регулярные осмотры и мониторинг состояния пациентов, отслеживать поступление медикаментов в организм.

Согласно оценкам, ежедневный уход за пациентом ОРИТ в среднем включает в себя 178 процессов, из которых 1,7 связаны с определенной ошибкой. Таким образом, принятие решений является для медперсонала сложным процессом, в котором критически важное значение имеет время.

При этом зачастую рутинные задачи отнимают столько времени и усилий, что на индивидуальный подход к пациенту ресурсов почти не остается. В этих обстоятельствах на выручку приходят решения, которые автоматизируют многие процессы. Именно автоматизация позволяет администрации и руководству больницы всегда быть в курсе полной картины происходящего в отделении, снижать нагрузку на сотрудников клиники и проводить непрерывную оптимизацию медицинских услуг.

– Как автоматизация может улучшить работу отделений реанимации?

– Состояние пациентов в отделениях реанимации отслеживается с помощью многих приборов, которые периодически измеряют частоту сердечных сокращений, ЭКГ, артериальное давление, уровень кислорода в крови и другие параметры. Все эти сигналы крайне необходимы для того, чтобы обнаружить ухудшение состояния пациента, вовремя принять меры и не допустить дальнейшего прогресса заболевания.

Также по этим данным врач может оценить динамику состояния человека, эффективность выбранного плана лечения и при необходимости его скорректировать. Еще совсем недавно сбор и обработка информации лежали на плечах медицинского персонала. Медсестры должны была периодически снимать показания приборов и заносить их в специальную форму. Такая практика имела целый ряд недостатков.

Во-первых, значительная доля рабочего времени квалифицированных сотрудников тратилась на перенос данных с прикроватных мониторов на бумажные носители. Новые технологии делают это без участия человека, предоставляя специалистом уже структурированный материал. Во-вторых, такой подход не позволяет использовать столь важную медицинскую информацию в полной мере. Зачастую сведения хранятся в разрозненном виде, в разных местах, они не всегда бывают оцифрованы. Это затрудняет формирование целостной картины о состоянии пациента.

Автоматический сбор, хранение и отображение жизненных параметров в удобной форме на экране монитора позволяет оперативно получить общее представление о состоянии пациента. 
В-третьих, велика вероятность упустить значимые детали. Ошибки диагностики в ОРИТ встречаются на 50 процентов чаще, чем в других отделениях больницы. Автоматизация освобождает врачей от рутинных задач и предоставляет им возможность уделить больше внимания обдумыванию финальных решений.

Важную роль в правильности оценки состояния пациента и принятии решений играет быстрый доступ к истории болезни пациента. Таким образом, автоматизация рабочего процесса персонала ОРИТ, даже без внедрения систем искусственного интеллекта, способна значительно улучшить условия работы врачей и медицинского персонала, а также повысить качество медицинской помощи.

– Давайте перейдем от автоматизации к более сложному анализу данных. Какое здесь преимущество?

– Очевидное и самое перспективное на данный момент применение собираемых сведений и сигналов – мониторинг состояния пациентов в реальном времени и предсказание рисков развития послеоперационных кровотечений, сепсиса, почечной недостаточности и других негативных явлений. Опытные врачи, используя имеющийся опыт и экспертизу, могут предвидеть побочные эффекты еще до появления характерных симптомов. Кроме того, в распоряжении специалистов имеются специальные шкалы – справочные таблицы, по которым врач может оценить вероятность того или иного осложнения. Что машинное обучение может предложить здесь?

Во-первых, мы можем переложить рутинные процедуры вычисления рисков на электронных помощников. В таких системах данные, собираемые со всех доступных источников (прикроватное оборудование, результаты лабораторных исследований, записи из электронной историй болезни и так далее), будут автоматически анализироваться. В случае ухудшения состояния пациента врач будет моментально проинформирован.

Во-вторых, машинное обучение позволяет использовать более сложные методики подсчета. Упомянутые шкалы были разработаны так, чтобы врач мог проводить оценки «на лету», не выполняя специальных вычислений. А внедрение машинного обучения позволит использовать более продвинутые математические модели, например, «решающие деревья» (decision tree – семейство моделей машинного обучения) или нейронные сети, а также учитывать большее количество сведений и фактов о состоянии пациента. Переход к таким моделям, оперирующим большими данными, улучшит точность предсказаний.

– Какие еще есть перспективы у этой сферы?

– Другое перспективное направление в этой области – разработка умных помощников, так называемых «систем поддержки принятия решений». Важность этого направления связана сразу с несколькими узкими местами современной медицины. Во-первых, для приобретения практического опыта и развития интуиции врачу-реаниматологу необходимо отработать не один месяц (а, возможно, и не один год) в отделении реанимации. Как быть, если врач еще не обладает нужными навыками? В этом случае нам остается полагаться на его университетские знания и общую эрудицию. А искусственный интеллект может облегчить и ускорить процесс обучения профессионалов, которым еще не достает опыта.

Во-вторых, работа в реанимационных отделениях сопряжена с огромным эмоциональным и интеллектуальным напряжением. Врачи и медицинский персонал могут быть утомлены, что может повлиять на скорость или качество принимаемых решений. Мы можем предложить врачу электронного помощника, который предоставит «второе мнение», то есть независимую оценку состояния пациента и выбранной стратегии лечения. Также у врачей будет возможность воспользоваться шаблонами назначений, при работе с пациентом можно будет обратиться к подсказкам, напоминаниям и предупреждениям о возможных противопоказаниях.

– Какую роль в этом процессе играет стремительная трансформация фармацевтики и общая динамика развития методов терапии?

– Действительно, объем и качество медицинских знаний растут огромными темпами – предлагаются новые лекарства и методики лечения, а прежние знания устаревают и теряют свою актуальность. Как может один человек уследить за всем этим? Здесь также приходят на помощь уже упомянутые системы поддержки принятия решений. Эти электронные помощники станут инструментами врача для анализа поступающей информации и выбора оптимальной стратегии лечения с учетом текущего состояния пациента, его истории болезни, сопутствующих заболеваний и последних достижений доказательной медицины.

Такие решения будут предоставлять врачу не только рекомендации, но и справочные материалы по препаратам, описания схожих клинических случаев и другую полезную и важную информацию. Это способно сократить количество врачебных ошибок и значительно улучшить качество лечения пациентов в отделениях реанимации и интенсивной терапии.

– Мы знаем, что каждый человек обладает уникальными особенностями. Как должен развиваться искусственный интеллект, чтобы ни одна характерная черта не была упущена при обработке и получении результатов?

– Человеческий организм – чрезвычайно сложная биологическая система. Каждый из нас обладает индивидуальными физиологическими особенностями. Поэтому оптимальная стратегия лечения одного человека может не подходить для другого. Как же тогда выработать самый эффективный план лечения с учетом индивидуальных особенностей? Ответом на этот вопрос является интеграция всех имеющихся данных о пациенте. В данный момент мы можем учитывать медицинскую историю, некоторые привычки (например, курение или злоупотребление алкоголем), перенесенные или сопутствующие заболевания, аллергические реакции и несколько других факторов.

Но в будущем мы сможем автоматически собирать и использовать гораздо больше данных: геномный код пациента и его наследственность, образ жизни (пищевые привычки и регулярность занятий спортом), особенности метаболизма и окружающей среды (климат, концентрация вредных веществ). Анализ данных тысяч пациентов позволит выявить новые закономерности в ответных реакциях людей на то или иное лечение и сделает возможным подбор индивидуальных траекторий терапии (так называемая «точная» или «прецизионная» медицина). Одним из главных вызовов на этом пути является безопасность и конфиденциальность медицинских данных, которые должны правильным образом собираться, храниться и использоваться.

– Какие разработки для оснащения палат реанимации и интенсивной терапии имеются сейчас у Philips?

– Компания Philips вкладывает значительные ресурсы в научно-исследовательскую работу по направлению использования машинного обучения в отделениях реанимации. К примеру, информационно-аналитическая система Philips IntelliSpace Critical Care & Anesthesia (ICCA) позволяет автоматизировать сбор, хранение и анализ данных, тем самым облегчая работу медицинского персонала. Важной особенностью этой системы является совместимость с оборудованием большинства производителей медицинских аппаратов.

Уже несколько лет система ICCA успешно работает в нескольких крупных медицинских центрах нашей страны. Так, в России одним из первых лечебных учреждений, руководство которого применило современные технологии для повышения уровня оказания медицинской помощи в ОРИТ, стал Федеральный центр сердечно-сосудистой хирургии в Астрахани.

– Как изменилась работа специалистов отделения ОРИТ в клинике в Астрахани?

– Раньше врачам центра приходилось тратить на записи назначений и результатов мониторинга гораздо больше времени, чем на работу непосредственно с пациентами. Информация постоянно переписывалась из карты в карту – данные должны были фиксироваться разными специалистами. Кроме того, при переводе пациента в другое отделение все записи снова приходилось переносить вручную. Часть информации терялась, появлялись неточности – все это приводило к увеличению времени, которое специалисты затрачивали на повседневные задачи, а также к ошибкам и к снижению финансовых показателей клиники.

Руководство центра искало подход, который помог бы в целом улучшить качество медицинской помощи. Для этого следовало повысить точность работы, увеличить время, которое врач мог бы уделить каждому пациенту, снизить вероятность врачебной ошибки. Ответом на эти вызовы стала цифровизация и внедрение нашей инновационной системы.

– Как сейчас функционирует отделение? Удалось ли оптимизировать процессы?

– Теперь данные о пациентах, находящихся в ОРИТ, доступны специалистам клиники в цифровом удобном формате. Решение используют все сотрудники отделения, от младшего медицинского персонала до заведующего. Огромный массив работы, который ранее выполнялся врачами вручную, стал автоматизированным. ICCA сохраняет дозировки лекарств и назначения всех специалистов.

Система подключена к прикроватному оборудованию, она структурирует всю информацию с мониторов, ИВЛ, НДА, перфузоров и другого оборудования различных производителей. Медсестрам больше не приходится ежечасно заполнять карты, и теперь они могут уделять больше времени каждому пациенту. Врачи могут быть уверены в точности показателей, когда принимают жизненно важные решения.

– А есть ли в планах внедрить подобную систему в других клиниках России?

– Врачи отмечают, что переход на цифровую систему в ОРИТ Федерального центра сердечно-сосудистой хирургии в Астрахани действительно положительно повлиял на эффективность работы всей клиники. Сейчас специалисты центра делятся опытом с коллегами из ведущих университетов северо-запада, Санкт-Петербурга, Новосибирска, Сколково. Они убеждены, что автоматизация процессов необходима для улучшения качества медицинской помощи по всей стране, и мы согласны, что в медицинских центрах, особенно там, где наблюдается повышенный пациентопоток, без цифрового помощника трудно обойтись.

– А над какими проектами работают сейчас специалисты лабораторий Philips?

– В научно-исследовательских лабораториях компании Philips активно ведется разработка алгоритмов искусственного интеллекта и систем поддержки принятия решений специально для помощи врачам-реаниматологам. Эти исследования ведутся в тесном сотрудничестве с ведущими научными центрами по всеми миру. Вполне возможно, что через несколько лет такие системы будут внедрены во многие клиники разных стран, что позволит улучшить качество и скорость оказания медицинской помощи в отделениях реанимации.

– С какими трудностями сталкиваются исследователи при создании систем искусственного интеллекта для отделений реанимации и интенсивной терапии?

– Пожалуй, можно выделить несколько основных проблем, с которыми мы сталкиваемся при разработке систем искусственного интеллекта для отделений реанимации и интенсивной терапии. Большинство из них являются общими и для других технологий машинного обучения, внедряемых в медицину. Так, одна из главных проблем — малое количество данных, доступных разработчикам систем искусственного интеллекта (развитие подобных систем неразрывно связано с количеством доступной информации). К примеру, взрывной рост числа изображений, создаваемых человечеством, был одним из тригерров развития систем компьютерного зрения.

Огромное количество электронных книг и статей на самые разнообразные темы, написанные на разных языках, позволили продвинуться в обработке естественных языков и создать автоматические переводчики, такие как, например, Google Translate. 
Колоссальный массив аудиозаписей (музыки, речи) позволил реализовать новые проекты и разработать голосовых помощников. То есть накопление достаточного объема данных является обязательным условием развития систем искусственного интеллекта. Электронные помощники для врачей в отделениях реанимации не являются исключением.

Для их создания также необходимы гигантские объемы информации. В отличие от картинок или видео, данные из отделения реанимации не могут быть просто так выложены в сеть для общего доступа. Они должны быть собраны из множества различных источников (анамнез, данные с прикроватных мониторов, истории назначений медицинских препаратов, результаты лабораторных исследований), приведены к единому формату и анонимизированы. Долгое время такие данные были практически недоступны для большинства специалистов в области машинного обучения, что во многом затрудняло прогресс в области создания подобных инновационных технологий.

– Как удалось справиться с этой задачей и получить данные?

– Чтобы стимулировать развитие этой области искусственного интеллекта, компания Philips и лаборатория вычислительной физиологии Массачусетсткого Технологического Института в 2018 году создали общедоступный датасет (от английского data set – набор данных) eICU Collaborative Research Database, предназначенный для разработчиков систем ИИ. Этот датасет был собран в 2015–2016 годах в 208 медицинских учреждениях США и содержит информацию о более чем 200 тысячах случаев пребывания пациентов в ОРИТ.

С момента публикации этой базы данных прошло чуть меньше двух лет, и уже сейчас она становится стандартом, с помощью которого исследователи сравнивают качество разрабатываемых моделей. Разработка и сбор таких наборов данных сами по себе являются огромным вкладом в науку и приводят к демократизации процесса внедрения и улучшения возможностей ИИ. Если для проведения современных исследований по физике или астрономии необходимо дорогостоящее оборудование, доступное только в лучших исследовательских центрах, то для разработки ИИ нужен лишь персональный компьютер с доступом к интернету, где будет возможность найти нужные датасеты.

Проблема передачи персональных данных пациентов между учреждениями может быть решена c помощью подхода, который называется «распределенные вычисления с сохранением конфиденциальности» (так называемое federated learning). Идея этого подхода состоит в том, чтобы заменить обучение системы ИИ в одном исследовательском центре, куда необходимо прислать данные, на параллельное обучение одной модели во множестве мест, которые не обмениваются информацией между собой. То есть вместо того, чтобы собирать сведения из разных клиник, разбросанных по региону или даже по всему миру, и аггрегировать их в одном месте, мы рассылаем множество копий одной модели в несколько центров.

Каждая копия обучается независимо, и при этом данные не покидают пределы медицинского учреждения – так сохраняются конфиденциальность и безопасность информации пациентов. Затем все обученные модели собираются, и на их основе уже создается конечная версия алгоритма. Такой подход обладает целым рядом преимуществ и считается одним из перспективных направлений развития ИИ в медицине. В лабораториях компании Philips это направление активно исследуется и апробируется.

– Какие еще проблемы есть в этой области?

– Другая трудность заключается в непрозрачности решений и рекомендаций, которые выдает ИИ. Если вы спросите врача, почему он принял то или иное решение, то он сможет объяснить вам ход своих мыслей. Даже если он считает, что это было чисто интуитивное решение, то скорее всего оно было подкреплено его знаниями и опытом, которыми он оперирует на бессознательном уровне. Если доктор выбрал не оптимальное лечение, то есть возможность обсудить ход его мыслей с коллегами, уточнить второе мнение и найти ошибочные суждения.

В отличие от врачей, системы искусственного интеллекта и электронные помощники зачастую являются «черными ящиками». Мы не можем заглянуть в них и с полной уверенностью сказать, почему была выдана та или иная рекомендация. Такая непрозрачность в принятии решений и непонимание механизмов работы электронных помощников настораживает как врачей, так и специалистов по искусственному интеллекту. Не исключено, что конкретное решение ошибочно, но мы не можем понять почему.