Как ИИ изменит работу врачей и улучшит медицину в целом
Вопросы о внедрении ИИ в различных отраслях промышленности возникают довольно часто. Это связано с оптимизацией и замещением рабочей силы. Медицинская отрасль в особенности подвержена быстрым изменениям, особенно в области машинного обучения. Уже есть опыт применения ИИ в больницах или аналогичных учреждениях, причем эффективный — от администрирования до безопасности и обработки данных. Ходят слухи и опасения, что при дальнейшем развитии машинное обучение и роботизированные системы попросту лишат работы врачей и другого медицинского персонала. Эта, пока что ничем не обоснованная проблема, часто раздувается в СМИ, поэтому давайте посмотрим на нее с разных точек зрения, и попробуем сделать определенные выводы.
Проблемы, с которыми врачи сталкиваются ежедневно
Я — бывший врач и слежу за деятельностью многих практикующих врачей, и сделал выводы, что наша роль станет менее сфокусирована на анализе, и это связано с возрастающей ролью машинного обучения. Это довольно неплохо: каждый врач скажет вам, что высокая нагрузка мешает сосредоточиться на важных аспектах, таких как знакомство с пациентом как с личностью, а не просто как с “неким существом” с проблемами, которые необходимо решить. Индустрия здравоохранения и роль врача важны для анализа данных, но куда важнее оказание заботы. И разумеется, очень важной частью взаимодействия является интерпретация информации для определения потребностей пациента. Многие текущие обязанности врача-терапевта могут быть автоматизированы. Просто представьте работу доктора в вашей местной больнице — и вы поймете, как много времени они проводят, копаясь в диагностической информации, изучая результаты анализа крови, глядя на рентген, МРТ, пытаясь найти причинно-следственную связь проблем у человека в его истории болезни. Они принимают порой трудное решение в спешке, в условиях риска и неопределенности.
Заглядывая в будущее, скажем, на 5 лет вперед, этот процесс может быть автоматизирован с помощью гибридной технологии блокчейна, машинного обучения и анализа больших данных (статистики). Речь о надежном хранении и перемещении данных — независимо от их местоположения — и использования ИИ для анализа этой базы данных. Здравоохранение не будет иметь границ: ход информации будет свободнее, однако контроль будет присутствовать, чтобы пациент понимал, для чего используются его данные.
Компания, с которой я сотрудничаю, активно работает над тем, чтобы затраты на здравоохранение были более сбалансированы благодаря машинному обучению. Это позволит пациентам выбирать место для лечения, которое соответствует их бюджету, независимо от того, где они живут. Другой стартап, с которым я работаю, также невероятно амбициозен — они хотят создать целую индустрию, которая объединяет профилактическую медицину, здоровье и фитнес, психическое здоровье, страховую индустрию и социальные сети посредством машинного обучения. Их генеральный директор часто говорит: «Чтобы люди были здоровы, нужно, чтобы они двигались или делали упражнения так, чтобы это приносило пользу, а не так, как об этом говорят их коллеги или знакомые в социальных сетях. Мы будем принимать решения на полученных данных, чтобы снижать нагрузку на системы общественного здравоохранения».
Кто лидирует в разработке и реализации технологий на практике?
Хорошим примером является подразделение Google DeepMind, которое одно время сотрудничало с больницей Святого Томаса в Лондоне, в области анализа медицинских записей и создания алгоритмов. Целью было разработать удобный способ обработки информации о записях пациентов и ее перемещения по различным подразделениям больницы. В будущем это поможет быстро предоставлять данные и решать, какого метода лучше всего придерживаться, чтобы лечить этих людей. DeepMind широко известен как лидер в области глубинного обучения. Их исследования по созданию нейронных машин Тьюринга и других программ, направленных на создание реплик кратковременной памяти человека бесценны. Они могут эффективно анализировать данные пациентов, чтобы дать оценку и прогноз — что может произойти с конкретным человеком в ближайшие 5-10-15-20 лет.
Еще один замечательный пример — проект из Индии, который использует ИИ для автоматизации диагностики. Эти парни — настоящие энтузиасты в области машинного обучения, и они сосредоточились на доступности технологии. Они хотят помочь врачам в оптимизации получения результатов анализа крови людей. Они взяли машинное обучение и робототехнику и интегрировали их в вещи, которые уже давно используются в лабораториях — микроскопы, мобильные телефоны и т. д. Смартфон фотографирует то, на что смотрит микроскоп, а самим микроскопом управляет робот. Система анализирует то, что видит на фотографиях, с помощью алгоритма машинного обучения, чтобы помочь врачу определить диагноз. Подобно DeepMind, который может точно определить причину заболевания с точностью в 99%, эта система может определить подгруппу болезни, и затем автоматически сообщит об этом врачу. Такие технологии значительно улучшают жизнь многопрофильной бригады здравоохранения, и уж точно никак не снижают роль врача.
Так неужели мы уже там, в светлом будущем? Однозначно, «нет» — есть много комплексных проблем, которые нужно решить, много моральных и этических препятствий, например, демократический контроль над использованием персональных данных. Кроме того, мы должны рассмотреть масштабные социальные последствия этой технологии. Является ли правильным тот путь, по которому мы, как человеческая раса, идем? Достигнем ли мы на самом деле результатов работы над искусственным интеллектом вовремя, чтобы предотвратить возникающие бедствия, связанные с изменением климата, политическими беспорядками и финансовым дисбалансом? Я хочу верить, что будущее будет светлым — если мы сосредоточимся на работе организаций, возглавляемых учеными, которые стремятся улучшить жизнь людей