Владимир Воскобоев: искусственный интеллект может сделать медицину более человечной

Патентная гонка

Медицинский рынок ИИ перестал быть нишевым: по данным опросов, около 30% компаний отрасли так или иначе используют соответствующие технологии. Динамика регистрации решений подтверждает этот тренд: только за первое полугодие текущего года зарегистрировано 47 новых медицинских изделий, функционирующих в том числе с помощью технологий ИИ, из них 39 — российского происхождения. Фактически на рынке уже появилась витрина сертифицированных решений, прежде всего в визуальной диагностике. 

Компьютерное зрение показывает высокую точность распознавания опухолей и других патологий по данным МРТ, КТ, УЗИ и рентгенографии, а также используется для анализа лабораторных показателей и массовых скринингов, ускоряя и удешевляя раннее выявление заболеваний. По нашим исследованиям, это самый распространенный сценарий использования: компьютерное зрение применяют 41,2% медицинских организаций, работающих с ИИ. 

На втором месте (33% компаний) — внедрение сервисов интеллектуальной поддержки принятия решений. На третьем (32%) — обработка естественного языка с помощью нейросетей. 

Впрочем, сегодня мало кто внедряет точечные инструменты — на первый план выходят интегративные платформы. Комплексные решения на основе больших языковых моделей охватывают весь путь пациента — от записи на прием до суммаризации выписок и формирования отчетов в ФОМС, поэтому их закономерно называют «цифровыми ассистентами» врача. 

На всех этапах для ИИ находится реальная работа. Он формирует расписание приема врача и регистрирует пациентов. Он открывает возможность голосового заполнения протоколов: врач говорит, IT‑система распознает речь, извлекает значимую информацию и раскладывает ее по полям цифровой медицинской карты в соответствии с утвержденными протоколами. 

При этом нейросеть обучена максимально корректному заполнению документов на основе обширной базы знаний, включающей клинические рекомендации Минздрава РФ, действующие протоколы лечения и стандарты оказания медицинской помощи. Это позволяет не только исключить потенциальные претензии со стороны страховых компаний и регулятора, но и обеспечить соответствие всех медицинских записей актуальным требованиям здравоохранения. По завершении платформа формирует аналитические материалы о работе конкретного врача, а в агрегированном виде — оцифровывает работу всей клиники. 

ИИ в реанимации и операционной

Следующий уровень зрелости ИИ — поддержка специалиста в процессах, где цена ошибки особенно высока. Показательный пример — использование ML‑модели для настройки наркозно‑дыхательных аппаратов в хирургии. В обычной практике врач‑анестезиолог вручную подбирает параметры ИВЛ, учитывая множество факторов, и этот процесс может занимать до 15 минут и повторяться несколько раз за операцию.

Если же проанализировать данные десятков тысяч операций и построить алгоритмическую модель, она сможет выдавать оптимальные параметры для конкретного пациента. Врач сканирует QR‑код из карты, нажимает кнопку «рассчитать» и получает рекомендации в режиме реального времени. Это не отменяет клинического решения, но сокращает время поиска оптимума, снижает риск осложнений и освобождает внимание анестезиолога.

По сути, ИИ становится инструментом по‑настоящему персонализированной медицины. Логичным продолжением этой истории становятся «цифровые двойники» органов, на которых можно оценить результат терапии, алгоритмы прогнозирования риска осложнений, использование VR/AR для обучения врачей и реабилитации пациентов. Фармацевтические компании применяют модели для перебора десятков миллионов молекул, сокращая сроки разработки лекарств на несколько лет и снижая стоимость их вывода на рынок.

Фундаментальные данные

Казалось бы, у технологии есть первоначальный кредит доверия. Бизнес уже смотрит на ИИ как на инструмент управления ресурсами — кадровыми, финансовыми, репутационными. Но быстрому внедрению мешают несколько фундаментальных барьеров. Главный из них — дефицит качественных данных.

Да, в последние годы российские клиники массово перешли на медицинские информационные системы, что обеспечило резкий рост объема электронных записей, протоколов и изображений. Однако значительная часть данных, полученных до 2020 года, осталась неструктурированной, что делает их непригодными для обучения и валидации ИИ‑моделей. В результате главным ограничителем масштабирования медицинского ИИ становится не мощность алгоритмов, а качество и стандартизация данных.

Генеративные модели и большие языковые модели частично снимают это ограничение. Они могут «разобрать» даже сложный врачебный почерк, извлечь информацию из записей, структурировать ее и сопоставить с классификаторами. Так формируются более чистые датасеты для специализированных моделей. Благодаря возможности интеграции через API с существующими медицинскими информационными системами такие решения могут работать с разнородными данными, автоматически структурировать их и приводить к единому стандарту. Более того, LLM-модели способны анализировать неструктурированные текстовые данные, извлекать из них важную информацию и помогать в создании качественных обучающих наборов для других ИИ-систем. В здравоохранении это особенно важно для исторических данных: ИИ превращается в инструмент цифровой «санитарии», который приводит старые архивы в состояние, пригодное для разработки и тестирования новых решений.

В противном случае модели, основанные на ограниченных данных, будут пропускать редкие, но важные случаи или хуже работать на группах пациентов, слабо представленных в исходных массивах.

Еще один барьер в том, что патентная защита ИИ‑моделей нередко конфликтует с требованиями по раскрытию логики медицинских решений, поэтому предложенные нейросетью варианты не всегда прозрачны и понятны врачу и пациенту. Параллельно остаются вопросы: кто отвечает за ошибку — разработчик, врач, медучреждение или страховая; как сохранить баланс между автоматизацией и живым общением; как обеспечить конфиденциальность данных в сложном ландшафте интеграций и облачных сервисов.

Дополнительный риск — нехватка стандартов оценки эффективности и безопасности медицинских ИИ‑систем. Без унифицированных методик испытаний, регулярного аудита и четко описанных сценариев использования даже сильная модель вызывает недоверие и сопротивление профессионального сообщества.

Недостаток знаний при избытке технологий

Реальные кейсы показывают: ИИ постепенно становится третьим участником клинического процесса — наряду с пациентом и врачом, но формально остается вспомогательным инструментом, носителем «второго мнения» или секретарем, а ответственность за решение несет человек с медицинским дипломом.

Это требует от врачей новых компетенций, которые развиваются медленнее, чем внедряются технологии. Сотрудникам клиник нужны цифровая грамотность, понимание принципов работы алгоритмов, умение критически интерпретировать выводы системы и видеть ее ограничения. Иначе возникает риск, что сложные платформы используются в усеченном режиме — как «дорогой диктофон» или продвинутая форма отчетности, потому что пользователям не хватает базы, чтобы работать с ними как с равноправным инструментом.

Если удастся синхронизировать программы обучения и переобучения с темпами внедрения технологий, через пять лет российская медицина может получить иной контур. ИИ‑платформы войдут в ДНК здравоохранения: пациент взаимодействует с клиникой по удобным цифровым каналам, врач работает в насыщенной алгоритмами среде, а регулятор и страховщики видят процессы почти в режиме реального времени.

Экономический эффект такого сценария — рост рынка ИИ‑решений, оптимизация затрат системы здравоохранения и повышение доступности сложной диагностики и лечения. Впрочем, для медицины всегда был важен и гуманитарный эффект: при правильной конфигурации ИИ освобождает главный дефицитный ресурс — время врача. От того, будет ли это время вложено в общение с пациентом, сложную клиническую работу и развитие компетенций, зависит, станет ли новая цифровая медицина действительно человечной, а не просто более автоматизированной версией прежней системы.