Як Нейронні Мережі Можуть Використовуватись в Охороні Здоров'я?

Ринок штучного інтелекту в охороні здоров'я оцінили у 8,23 мільярда доларів у 2020 році і, за прогнозами, він сягне 194,4 мільярда доларів до 2030 року, збільшившись у середньому на 38,1% з 2021 по 2030 рік. Водночас головним драйвером зростання ринку стануть штучні нейронні мережі, оскільки саме завдяки їм цифровий "розум" може настільки швидко й ефективно навчатися. У цій статті ми розповімо, як саме штучні нейронні мережі сьогодні використовують у медицині.

Роботизована хірургія

Хірургічні процедури вимагають глибоких знань у медицині, високої точності, здатності адаптуватися до мінливих обставин і постійної уваги протягом тривалого періоду часу. Хоча навчені хірурги, як правило, володіють усіма цими якостями, але вони всього лише звичайні люди, а тому можуть помилятися, особливо якщо у них щільний графік. Згідно з дослідженнями Johns Hopkins University, тільки в США хірургічні помилки відбуваються понад 4000 разів на рік. Наприклад, щонайменше

39 разів на тиждень хірург залишає всередині пацієнтів сторонні предмети, понад 20 разів на тиждень хірурги проводять не ту операцію або оперують не той орган.

Роботизована хірургія може згладити цю проблему. Зокрема, ШІ на базі нейронних мереж можна використовувати для моделювання та планування операції, оцінки навичок хірурга і спрощення хірургічних завдань. Також роботи з механічними руками можуть самостійно проводити хірургічні процедури, що прискорить і здешевить такі послуги, а також зробить високопрофесійну хірургію більш поширеною - крутий хірург навряд чи захоче жити в бідних районах Африки або Азії, тоді як робота-хірурга можна розмістити в будь-якому приміщенні з електрикою.

І все це не просто слова: галузь роботизованої хірургії вже зараз оцінюють у 40 млрд доларів, і вона показує чудові результати:

• Штучні нейронні мережі аналізують дані з передопераційних медичних карт, щоб направляти інструмент хірурга під час операції, а це скорочує перебування пацієнта в лікарні на 21% і більше.
• Дослідження, в якому взяли участь 379 ортопедичних пацієнтів, показало, що роботизована процедура на базі нейромережі призвела до вп'ятеро меншої кількості ускладнень, порівнюючи з хірургами, які працювали поодинці.
• Кардіохірургам допомагає мініатюрний робот Heartlander. Він входить у невеликий розріз на грудях для виконання стабільного і локалізованого зондування, картування і лікування на всій поверхні серця. Його використання зменшує шкоду для пацієнта, якщо необхідний доступ до серця.
• Автономний робот-хірург Smart Tissue (STAR) самостійно виконав складне завдання на м'яких тканинах свині (повторне з'єднання двох кінців кишківника), показавши значно кращі результати, ніж люди-хірурги.

Візуалізаційна діагностика

Під візуалізацією в медицині мають на увазі процес створення візуальних уявлень внутрішніх структур тіла для клінічного аналізу та медичного втручання, а також візуального представлення функцій деяких органів або тканин. Візуалізація дає змогу поліпшити діагностику під час використання рентгена, комп'ютерної томографії, мамографії, МРТ, ПЕТ, УЗД та інших процедур.

Медична спільнота вже давно усвідомила, що візуалізація здатна значно підвищити ймовірність виявлення захворювань. Ось тільки часто навіть натреноване людське око лікаря не може розпізнати дрібні деталі на зображеннях. Крім того, також не варто забувати про проблему із "замилюванням" очей: дослідники з Harvard University додали зображення горили на рентгенівські знімки і показали їх лікарям - 83% ренгенологів не помітили зображення горили на рентгенівських знімках.

Згорткові нейронні мережі (CNN) чудово підходять для медичної візуалізації. За словами вчених зі Стенфордського університету, CNN розробляються з розрахунком на те, що вони будуть обробляти зображення, а отже, їх можна використовувати в медицині, наприклад для аналізу результатів МРТ або рентгенівських знімків. Причому CNN часто перевершують точність людей. Для прикладу, у професійних дерматологів точність виявлення меланоми становить від 65% до 85%. Натомість такі рішення, як TensorFlow, scikit-learn або keras, показують точність на рівні від 87% до 95%.

При цьому вони працюють набагато швидше за людей, без обідніх перерв і вихідних: дослідники з Медичної школи Маунт-Синай Ікан розробили нейронну мережу здатну діагностувати важливі неврологічні стани, такі як інсульт і крововилив у мозок, у 150 разів швидше, аніж люди-радіологи.

Ось ще кілька прикладів медичної візуалізації за допомогою нейромереж:

• У 2019 році дослідники використовували згорткову нейронну мережу, побудовану на архітектурах ResNet50 і InceptionV3, для аналізу наборів медичних зображень і дерматоскопії. Це рішення забезпечило той самий рівень точності, що й професійні люди-діагности.
• Один з інструментів раннього виявлення раку молочної залози, розроблений Х'юстонським медичним науково-дослідним інститутом, інтерпретує мамограми з точністю 99% і надає діагностичну інформацію в 30 разів швидше, ніж людина.
• Група китайських дослідників розробила систему нейромереж для аналізу рентгенологічних знімків на предмет ранніх ознак пневмонії, викликаної COVID-19. Цей інструмент економить лікарям до 40% часу під час діагностики, що дає їм змогу швидше виявляти, ізолювати та лікувати заразних пацієнтів.
• Наукова група з Іспанії розробила алгоритм глибокого навчання на основі нейронної мережі для підвищення роздільної здатності МРТ. Він допомагає виявити складні патології, пов'язані з мозком, включно з раком, порушеннями мовлення та фізичними травмами.
• Facebook AI (зараз Meta) і NYU Langone Health розробили ШІ під назвою fastMRI. Він пропонує новий підхід до створення зображень МРТ, що прискорює процес сканування в 4 рази. Коли такі зображення були надані радіологам, вони не могли відрізнити традиційне сканування від сканування, створеного за допомогою fastMRI.

Віртуальні помічники по догляду

Ще одна річ, з якою нейронні мережі можуть допомогти, - це взаємодія з пацієнтами в таких речах, як запити пацієнтів, управління конфіденційною медичною інформацією пацієнтів, призначення зустрічі з лікарями, надсилання звіту про аналізи, нагадування про візити в медичні установи та інше. Якщо передати ці завдання ШІ, це дасть змогу щорічно економити 20 млрд дол. тільки на американському ринку охорони здоров'я.

Такі віртуальні помічники медсестри, як Care Angel, здатні проводити першу зустріч, організовувати візит до лікарні, частково вести медичні записи, повідомляти про результати аналізів і навіть проводити перевірку стану здоров'я за допомогою голосу. Інший приклад подібного рішення - Sensely. Цей віртуальний помічник являє собою інтерактивний додаток, створений з метою оптимізації медичного робочого процесу, автоматизації рутинних процесів, зниження витрат на моніторинг лікування пацієнтів. Дослідження показують, що використання Sensely дає змогу знизити трудовитрати на моніторинг пацієнтів на 66% у порівнянні зі звичайною процедурою.

Робочий процес і адміністративні завдання

Опитування The New England Journal of Medicine (NEJM) серед британських лікарів показало, що понад 80% респондентів вважають вигорання лікарів проблемою у своїй організації. При цьому половина з цих респондентів повідомили, що "розвантаження адміністративних завдань" може повністю або частково вирішити цю проблему, дозволивши лікарям проводити більше часу з пацієнтами, а також витрачати більше часу на професійний розвиток. Найбільше скарг щодо необхідності ведення Електронних медичних карт (EHR) пацієнтів, які використовують безліч лікарень у всьому світі.

Штучний інтелект на базі нейронних мереж може взяти на себе значну частину рутинної канцелярської роботи із заповнення документів і звітів, завдяки чому вдасться заощадити до 18 млрд дол в охороні здоров'я. Наприклад, алгоритм для транскрипції голосу в текст може допомогти заповнювати EHR, призначати аналізи, виписувати ліки, робити нотатки та інші речі за допомогою голосу під час огляду пацієнта.

Одним із прикладів таких рішень є Olive - платформа на базі ШІ, що автоматизує кілька адміністративних процесів, як-от перевірка правомірності необґрунтованих медичних вимог, передача необхідних медичних даних відповідним медичним працівникам тощо. Olive легко інтегрується з наявними медичними програмними інструментами.

Аналогічні послуги надає K2 Process Automation. Ця платформа використовує штучний інтелект для оптимізації управління медичними закладами та їхнім персоналом. Зокрема, ШІ K2 може автоматично оновлювати дані в картці пацієнта, опрацьовувати запити пацієнтів, надсилаючи їм сповіщення під час отримання результатів аналізів, реєструвати дзвінки та зберігати інформацію відповідним чином.

Прогнозування спалахів інфекційних захворювань

Наприкінці грудня 2021 року платформа BlueDot передбачила спалах коронавірусу в Китаї. Штучний інтелект BlueDot, вивчивши новини 65 мовами, розмови людей у соцмережах і дані про захворювання, повідомив про спалах нової інфекції, схожої на грип, на тиждень раніше, ніж це зробила Всесвітня організація охорони здоров'я (ВООЗ). І це не перший такий випадок. До цього BlueDot передбачив спалах вірусу Зіка у Флориді 2016 року, за шість місяців до того, як це сталося. Ще раніше BlueDot передбачив спалах лихоманки Ебола у 2014 році та її поширення за межами Африки.

Ще один стартап, який показав свою здатність передбачати спалахи інфекційних захворювань, це Metabiota. За словами видання TechCrunch, ця платформа допомогла зупинити поширення лихоманки Ебола в Сьєрра-Леоне.

Створення ліків і нових методів лікування

У 2015 році під час спалаху вірусу Ебола в Західній Африці американська фармацевтична компанія Atomwise, що використовує можливості штучного інтелекту, у партнерстві з IBM провела скринінг з'єднань, здатних зв'язуватися з глікопротеїном, що запобігає проникненню Еболи в клітини всередині організму. Цей аналіз нейронна мережа Atomwise провела менш ніж за день, хоча зазвичай цей процес займає місяці і навіть роки.

Це був перший раз, коли ШІ настільки сильно прискорив процес розробки ліків. Мине ще 5 років, і в США схвалять перші ліки, майже повністю створені ШІ, - препарат DSP-1181 для лікування обсесивно-компульсивного розладу. Цей препарат створили в компанії Exscientia, і за словами її керівництва, на це пішло всього 12 місяців.

Але і цей строк не межа. У Insilico Medicin заявляють, що їхній ШІ GENTRL, здатний створювати нові ліки проти певних патологій всього за 3 тижні. Ще близько 25 днів піде на вибір найкращого варіанту і його тестування. Таким чином, на створення ліків за допомогою GENTRL потрібно всього 46 днів.

Однак найамбітнішим проектом у цьому напрямку є Deep Genomics. Ця компанія розробляє ШІ під назвою Project Saturn для відкриття нових методів усунення наслідків генетичних мутацій. Deep Genomics вже оцінив 69 млрд молекул олігонуклеотидів порівняно з 1 млн мішеней in silico для створення бібліотеки з 1000 з'єднань, які експериментально підтверджені для маніпулювання клітинною біологією за призначенням.

Персоналізована медицина

Ще одна ресурсомістка галузь в охороні здоров'я, де можуть бути корисними штучні нейронні мережі, - це персоналізована медицина. Річ у тім, що кожен випадок лікування унікальний, оскільки кожна людина має унікальний імунітет, медичну історію і поточний стан здоров'я. І все це потрібно враховувати для максимальної ефективності лікування. Ось тільки лікар, по-перше, не завжди може побачити всі нюанси стану пацієнта, а по-друге, лікар не володіє належною компетенцією для ухвалення комплексного рішення з побудови максимально-ефективного плану лікування з урахуванням усіх цих нюансів - для цього потрібно володіти найглибшими пізнаннями в усіх галузях медицини, що вкрай нереально.

Зате це під силу штучному інтелекту. Він здатний вивчити і проаналізувати величезні обсяги даних і ухвалити рішення, яке буде враховувати всі наявні дані як про стан пацієнта, так і варіанти його лікування. Поки що таких проектів не багато (вони надто складні і потребують величезних обсягів якісних медичних даних). Але перші успіхи в цьому напрямку вже є: ШІ Merative від IBM (раніше називався Watson Oncology) розроблений саме для вирішення таких завдань.

Боротьба з шахрайством

Ще одна важлива проблема в охороні здоров'я - це шахрайство. Контрафактні ліки, шахрайство зі страховкою, а також неякісні, незаконні та завідомо неефективні медичні послуги завдають галузі не менше шкоди, ніж фальшиві та неякісні клінічні дослідження. Тільки в США, за консервативними оцінками, шахрайство у сфері охорони здоров'я коштує країні приблизно 68 млрд дол на рік, що становить 3% від витрат усієї країни на охорону здоров'я.

З цією проблемою також може впоратися штучний інтелект на базі нейронних мереж. Приміром, у медичної компанії Aetna є близько 350 моделей нейронних мереж для гарантування безпеки та захисту від шахрайства. У Highmark Inc теж є свій NN для боротьби з шахрайством, і за словами представників компанії, їх продукт на базі нейронних мереж уже допоміг компанії заощадити 245 млн дол.

Корегування поведінки

Як часто ви пропускали час прийому ліків, забували або ігнорували профілактичний огляд у лікаря? Опитування показують, що це дуже поширена проблема і лікарі майже ніяк не можуть на неї вплинути. Ба більше, настанови та критика поведінки пацієнтів з боку лікарів тільки поглиблюють проблему, оскільки пацієнти починають соромитися своїх хвороб і просто перестають ходити в лікарню.

Натомість із цим можуть допомогти різні ґаджети та застосунки, що корегують поведінку людей. Найочевидніший приклад - це фітнес-браслети та смарт-годинники, які допомагають встановити цілі (наприклад, пройти 4 кілометри на день) і відстежують їхнє виконання, а також нагадують про профілактичні обстеження та необхідність фізичної активності. Складніші застосунки, такі як Somatix, відстежують повсякденну діяльність пацієнта і вказують на його звички та рутину, щоб він міг зосередитися на позбавленні від них і вилікуватися.

Також не варто забувати про різноманітні додатки для усунення поганих і створення хороших звичок. Вони створюють потрібний пацієнтові "зовнішній контроль", який часто є ефективнішим мотиватором, ніж поради лікарів, прохання або навіть погрози родичів. При цьому такі додатки особливо ефективні, якщо вони використовують елементи гейміфікації - використання ігрових практик (нагород, досягнень, заохочень, рівнів, зростання облікового запису) в неігровому контексті.

Збір та аналіз даних

Остання в нашому списку, але не менш значуща проблема - це збір та аналіз якісних медичних даних. І це не тільки збір анамнезу пацієнта, а й різні супутні дані, починаючи з того, де працює пацієнт і як часто він ходить до спортзалу, і закінчуючи тим, які фільми він дивиться та яку їжу їсть, - в ідеалі все це також потрібно враховувати під час побудови плану лікування.

Проблема в тому, що збирати такі дані дуже складно і затратно. Люди не захочуть звітувати про кожну покупку, пробіжку або перегляд фільму жахів. Але це можуть робити платформи на базі штучного інтелекту. Якщо таке рішення інтегрувати зі смартфоном, смарт-годинником, холодильником, онлайн-банкінгом та іншими джерелами, то штучний інтелект збере таку статистику для кожного пацієнта - автоматично і з дотриманням конфіденційності.

Прикладів подібних рішень багато. Наприклад, гаджет від Current Health зі штучним інтелектом для медичного моніторингу стану людини. Цей переносний пристрій одним із перших отримав схвалення Food and Drug Administration США (FDA) для використання в домашніх умовах. Гаджет може вимірювати пульс, дихання, насичення киснем, температуру і рухливість пацієнтів, щоб надати ці дані лікареві, який дасть рекомендації пацієнту.

Більш популярний приклад - смарт-годинник Apple Watch, який, крім можливостей Current Health, також може знімати електрокардіограми (ЕКГ) і надсилати повідомлення в найближчу лікарню, родичам або друзям, якщо годинник фіксує падіння або нерегулярний серцевий ритм - ці функції врятували життя не одній людині.