«Узок был круг этих революционеров. Страшно далеки они от народа».

В.И. Ленин. Памяти Герцена, - М.: Политиздат, 1980 

«Был выбран сплав висмута со свинцом, поскольку именно для него ожидаемый эффект должен был проявиться наиболее отчётливо». (Другого сплава у нас вообще не было).

«Физики шутят», - М.: «Мир», 1966.

9-10 февраля в онлайн-формате прошла VI Всероссийская конференция по искусственному интеллекту в здравоохранении и системам поддержки принятия врачебных решений.

Почти сорокалетний опыт разработки и применения медицинских СППР позволяет автору сформулировать ряд тезисов под впечатлением прошедшей конференции.

Если говорить о впечатлении в целом, то первое, что обратило на себя внимание, это отсутствие консенсуса в понимании сферы применения ИИ и СППР в медицине. Отсутствие общего дискурса о сфере применения объединяет тематику ИИ с телемедициной, в которой многие годы также явным образом не формулировались не только области, но и цели и задачи применения. Рене Декарт призывал человечество избавляться от заблуждений, точно определяя значение слов. Его призыв кажется мне актуальным, поскольку телемедицина, имеющая, среди многих, одно исчерпывающее определение «от противного», позволяет нам воспользоваться аналогией в отношении ИИ. Аналогия в определении «от противного» позволяет устраивающим всех образом очертить сферу применения ИИ в медицине. Коль скоро телемедицина должна применяться там, где расстояние оказывается критическим фактором, то и системы ИИ должны применяться там, где критическим фактором оказывается интеллект естественный. Такой подход позволяет уложить в общую канву ставшие многочисленными разнородные разработки ИИ, отделив при этом, что называется, овец от козлищ.

Как только мы попробуем взглянуть на любую ИИ-разработку с точки зрения того, в какой задаче, какой дефект естественного интеллекта и в какой части она замещает, нам сразу станет понятна и актуальность, и ожидаемая эффективность такой разработки. Применяемые методы и технологии имеют при этом второстепенное значение. Так, например, ИИ-анализ больших объёмов неструктурированных медицинских текстов ради решения задачи классификации в пространстве из трёх состояний, явным образом не имеет преимущества перед естественным интеллектом медицинского специалиста, и имеет только академическое значение. Однако, тот же анализ текстов, особенно в больших объёмах, оказывается полезен в ситуации необходимости извлечения информации из унаследованных источников, не имеющих альтернативы – например, из архивов медицинских документов. Критическим фактором естественного интеллекта в приведённом примере оказывается низкое быстродействие при решении задач такого вида.

Анализ устной речи с целью распознавания считается классическим приложением ИИ, но актуальность конкретных разработок распознавания речи опять же, определяется правильностью постановки задачи в предметной области. Примером неправильной постановки задачи служат попытки использования системы распознавания речи для ускорения заполнения медицинских документов. В действительности дефект естественного интеллекта в задачах заполнения медицинских документов проявляется не в недостаточной скорости, а в невозможности одновременного получения и ввода данных в ЭМК с помощью одной пары рук. В таких условиях находятся врачи УЗИ, патологоанатомы, и в ряде случаев, эндоскописты. Все прочие медицинские специалисты способны значительно быстрее заполнить формализованный электронный медицинский документ вручную, чем с помощью специально подготовленной устной речи. Это обусловлено тем, что жесты являются эволюционно более ранними навыками коммуникаций по сравнению с членораздельной речью, а значит, тычок пальцем или движение мышью требует меньшего времени, чем подбор и произнесение нужного слова. Не случайно технологии распознавания речи, несмотря на многочисленные попытки, не нашли сколь-либо значимого применения в управлении сложной боевой техникой в реальном времени – даже там, где руки оператора заняты (истребитель). Также не получили признания технологии голосового управления пользовательскими интерфейсами операционных систем.

И кстати, решение ряда других задач распознавания образов в медицине может относиться к полезным применениям ИИ, не имея при этом отношения к СППР. Помимо распознавания речи, такими задачами оказываются распознавание вложений в документы ЭМК и распознавание текста в графических файлах и неструктурированных файлах PDF. Что касается собственно СППР, то всё тот же ранее озвученный принцип определения «от противного» позволяет обосновать актуальность прикладных задач принятия решений, которые не были затронуты в повестке конференции.

Так, естественный интеллект врача плохо справляется с той частью контроля качества медицинской помощи, которую можно назвать первичной и вторичной профилактикой штрафов и невыплат со стороны органов ОМС. Решения о штрафах и невыплатах по ОМС выносятся на основании дефектов медицинской документации, имеющих формальные признаки с низкой выявляемостью со стороны авторов документов и внутренних специалистов по контролю качества. Выявляемость штрафоопасных дефектов обратно пропорциональна объёму порождаемых медицинских документов в единицу времени. Автоматизированный, а иногда и автоматический угрозометрический скрининг большого объёма медицинских документов демонстрирует тем большую эффективность, чем выше уровень формализации документов. Экономическая же целесообразность соответствующей системы ИИ легко определяется по отношению её совокупной стоимости к сумме снижения штрафных санкций за выбранный период. Например, достижение снижения суммы санкций на 2 млн. руб. в год позволяет одной медицинской организации потратить 7-8 млн. руб. на экспертную систему, исходя из десятилетнего жизненного цикла последней. Требуемый функционал такой системы отличается от многочисленных существующих вариантов программного контроля качества медицинских документов по заполняемости избранных полей. Автоматизированная система профилактики потерь по ОМС призвана отрабатывать в процессе формирования медицинского документа, а не после него. Поэтому, в отличие от алгоритмических систем контроля полноты содержимого, она неизбежно использует обширную базу знаний и собственную машину вывода заключений; возможно, даже совокупность многих баз знаний по смежным специальностям в сочетании с методами нечёткой логики. Применение ИНС для скрининга финансовой безопасности медицинских документов напрашивается, но на практике нецелесообразно ввиду практической невозможности глубокого обучения большого количества сетей даже для документов одного вида.

Другой обширной областью неэффективности естественного интеллекта оказывается принятие решений в условиях необходимости нелинейной оптимизации лечебно-диагностического процесса по разным критериям, например, клиническому, финансовому, временному, критерию качества жизни пациента. Особенностью соответствующих СППР является невозможность ограничиваться каким-то одним методом представления знаний, т.е. такие системы по определению могут быть только гибридными. Например, системы оптимизации лечения онкологических, тяжёлых системных заболеваний, и тяжёлых хронических заболеваний, течение которых сопровождается внезапными угрожающими жизни обострениями, должны как минимум включать базу знаний на основе токсикокинетических моделей, базу правил причинно-временных зависимостей, правила балльных и комитетных оценок, цепи Маркова с дискретным временем и правилами смены медленных и быстрых компонентов системы, а возможно, ещё и различные декларативные модели качества жизни пациента с соответствующими междисциплинарными интерфейсами. При этом интеграция СППР в подсистему ведения ЭМК может потребовать собственного набора продвинутых методов, граничащих, пересекающихся, или являющихся методами ИИ. Пока же в заявленных на конференции реализациях и имплементациях СППР преобладают решения, сформированные не от цели применения, а, скорее, от доступного авторам метода. Такой подход оправдан на этапе НИР, но при создании промышленных образцов никуда не уйти от взаимодействия с внешними коллективами разработчиков, в том числе теми, которые по умолчанию могут восприниматься, как конкуренты. Слишком сложна и обширна медицинская информатика, слишком много разнообразия сливается в единство конкретных работающих решений, и слишком узок круг отечественных разработчиков, которые, как правило, знают друг друга не просто по именам, но и в лицо.

Серьёзным вызовом для естественного интеллекта оказывается сколь-либо точное предсказание состояние пациента под влиянием предстоящих действий или бездействия врача. Соответствующее предсказание – важная часть оптимизация лечебно-диагностического процесса во всех сложных случаях, однако возможностей человеческого мозга, даже принадлежащего врачу, обычно хватает не более, чем на 2 шага вперёд. При этом предполагается, что клиническая тактика должна быть индивидуальной, а значит, индивидуальным должен быть и прогноз. Таким образом, значительный комплекс задач ППР смыкается с тем, о чём сейчас модно говорить, как о персонализированной медицине. Не случайно Gartner Inc. относит возможности по проведению врача по цепочке оптимальных действий к 6-му поколению МИС. Однако индивидуальная оптимизация тактики подразумевает использование в СППР полных, адекватных и целостных системных моделей каждого пациента, к тому же во взаимодействии с многообразной внешней средой. Индивидуальные модели пациента такого уровня не существуют, и современный уровень науки и технологий не позволяет говорить о возможности их создания хотя бы в среднесрочной перспективе. Тем не менее, в практике ППР возможно квазиперсональное моделирование пациента, когда в действительности используется стандартная (часто – статистическая, а не системная) модель из некоторого конечного множества моделей. Для использования квазиперсональной модели первым этапом производится решение задачи классификации о принадлежности текущего пациента к одному из множеств стандартных пациентов, для которых построена статистическая модель. В данной парадигме в настоящее время успешно решается целый ряд задач оптимизации лечебно-диагностической тактики и в целом разработана методология построения квазивиртуальных моделей пациента. К сожалению приходится констатировать, что доложенные на конференции разработки по данному направлению ведутся почти с нуля, что ещё раз ставит проблему кооперации в нашем нелёгком деле.

В ходе конференции отчётливо проступила до сих пор нерешённая проблема внедрения СППР. Это отсутствие постоянных источников формализованных данных для баз знаний, OLAP и BigData. Приходится констатировать, что пока в отечественном здравоохранении нет тотального перехода на ЭДО и использования ЭМК уровня CDA3, причём с быстрым вводом клинических данных, нельзя говорить о повсеместности СППР, и тем более, их интеграции в МИС и АРМы врача. Кстати, задача ускоренного ведения документов ЭМК в формализованном виде сама по себе требует использования эргономических решений при вводе данных, имплементация которых выходит далеко за рамки традиционного форматно-логического контроля. Быстрый, массивный и единообразный ввод в экранные формы медицинских документов может быть только интеллектуальным, и реализуем только в условиях работы ЭС специального назначения, обеспечивающей корректную семантику создаваемого документа и непротиворечивость вносимых данных. Оптимизированные динамические формы ввода в документы ЭМК должны зависеть от диагностической гипотезы, с которой работает врач в ходе оформления истории болезни, что достигается применением базы знаний в виде перевёрнутого дерева решений, в корне которого оказывается предварительный диагноз, а в листьях – допустимые и необходимые значения ввода в медицинский документ. Описываемые задачи медицинского ИИ составляют отдельный большой пласт, не затронутый на проведённой конференции. Впрочем, инициация дискуссии на эту тему требует как минимум, самостоятельного обзора.

Теперь позвольте обобщить как изложенные, так и оставшиеся впечатления от конференции в виде короткого набора тезисов.

• Дискуссии об актуальности, качестве и перспективности разработок можно вести после достижения консенсуса о содержании, роли и сфере применения медицинского ИИ. Для достижения консенсуса сферы применения и актуальности ИИ предложен метод «от противного», ранее зарекомендовавший себя в определении телемедицины.
• ИИ в обработке голоса, неструктурированных текстов можно и нужно применять в основном в отношении ретроспективных неструктурированных данных
• Современные требования к зрелости ЭМК предполагают «full clinical decision support», а значит, тесную интеграцию разных СППР по всем направлениям лечебно-диагностического процесса. Очевидно, что с технической точки зрения загнать много разных СППР в одну МИС практически невозможно. Из этого следует, что разные виды СППР разных производителей нужно выносить в сервисы интернет, а сами СППР должны безусловно поддерживать отраслевые стандарты интероперабельности.
• Часто упоминалась возможность обращения СППР к клиническим рекомендациям и стандартам. Это неплохо, но стоит понимать, что КР и КС на сегодня это эмпирические модели лечебно-диагностического процесса, не отвечающие критериям целостности, полноты и непротиворечивости. По сути, они представляют собой те самые экспертные мнения, которые сама доказательная медицина помещает на нижний уровень достоверности. Поэтому стоит говорить не о следовании СППР клинрекам, а о возможностях использовать клинреки для наполнения баз знаний СППР в качестве одного из экспертных источников.
• Также обращает на себя внимание не вполне оправданный крен в сторону искусственных нейронных сетей. На сегодня большая часть задач СППР лежит в клинической сфере и имеет известные способы решения.
• Учитывая нынешнее количество разработок по СППР и ИИ, пора подумать о средствах автоматизации разработок систем. По меньшей мере, это программные средства автоматизации настроек баз знаний, баз правил, ИНС. На сегодня мне неизвестны также внедрённые в практику средства автоматизации работы с генетическими алгоритмами для настройки ИНС.
• Поскольку известные средства автоматизации построения моделей, баз знаний, сами весьма похожи на экспертные системы, следует включать их в обсуждаемую сферу применения медицинского ИИ.

В заключение хочется уподобиться видеоблогерам, и сказать – а что думаете вы о предложенном подходе к определению сферы применения медицинского ИИ? Пишите комментарии, ставьте лайки, дизлайки, подписывайтесь, чтобы быть в курсе новых публикаций. И, конечно, вступайте в ряды экспертов НАМИ.