Почему искусственный интеллект никогда не заменит врачей

Было проведено небольшое исследование относительно мнения врачей об ИИ в медицине. Результаты показали: 85% опрошенных считают, что ИИ полезен в плане способности быстро анализировать большие объёмы данных, оптимизации организационных моментов, фармакологических исследований и диагностики заболеваний. 76% считают, что будущее за врачами, которые пользуются современными технологиями¹. Например, помогает в работе оборудование с ИИ. Рассмотрим подробнее, какую пользу приносит искусственный интеллект в здравоохранении и почему не стоит опасаться замены врачей машинами?

Как искусственный интеллект помогает в здравоохранении

Искусственный интеллект активно внедряется в медицинскую сферу. Технологии постоянно развиваются и совершенствуются, и использование ИИ в медицине уже сегодня помогает врачам справляться с работой, а пациентам – получать качественную медицинскую помощь где бы они ни находились.

Точная диагностика

ИИ может определить на медицинских изображениях даже небольшие изменения, которые не всегда заметны человеческому глазу. Например, алгоритмы глубокого обучения показали такую же высокую точность определения рака молочной железы, как и опытные радиологи¹⁴. А раннее выявление случаев онкологических патологии позволяет сразу же начать лечение и улучшить результат терапии².

Ещё один пример: по общему анализу крови алгоритм научили определять, здоров ли пациент, имеется ли аллергический ринит или хронические обструктивные болезни лёгких с точностью 87%. Оптимизированный алгоритм с получившимися тестовыми данными может стать базисом для разработки информационный системы по принятию медицинских решений. Практическая значимость заключается в поддержке отдалённых регионов с целью улучшения диагностики³.

Персонализированное лечение

При помощи ИИ обрабатывают данные анализов пациентов с последующей оценкой результатов проводимой терапии. Это помогает разработать самые результативные схемы лечения в зависимости от особенностей пациента. Например, ИИ помог выбрать оптимальный вариант фармакотерапии для пациентов с хронической сердечной недостаточностью⁴.

Также искусственный интеллект в медицине помогает в персонализированном лечении при раке желудка. На основе маркеров и генома можно подобрать самую эффективную схему химиотерапии, при которой увеличивается продолжительность жизни человека⁵.

Анализ больших данных

В медицине уже накопился огромный объём информации от простых анализов крови, рентген-снимков до генетических тестов. Все данные в виде текстов, таблиц, временных рядов, изображений, в том числе и трёхмерных. Их нужно анализировать с целью прогнозирования и постановки диагноза, выбора оптимального лечения – и в этом помогает машинное обучение³. Например, диагностического ассистента AIDA обучали на записях о 30 миллионах визитов пациентов за два года.

Прогнозирование заболеваний

Алгоритмы позволяют анализировать большие объёмы данных. Это даёт врачам ценную информацию и помогает диагностировать, профилактировать и лечить различные заболевания. Одну из лидирующих позиций среди причин смертности во всём мире занимают сердечно-сосудистые болезни. Благодаря глубокому обучению точность прогнозирования кардиопатологий повысилась с 70% до 78,8%. Особенностью машинного обучения стали датасеты локальной популяции. Невысокая точность предсказания сердечных патологий связана с национальными и региональными особенностями населения. В данном случае модель обучили на данных определённой группы полуляции, что способствует повышению точности прогнозирования. Выявление предрасположенности к сердечно-сосудистым заболеваниям пациентов молодого возраста поможет предотвратить или отсрочить развитие патологий⁶.

Предложен новый метод прогнозирования диагнозов, основанный на интеллектуальном анализе результатов лабораторных исследований (общие анализы крови, мочи, цитологические исследования, печеночные пробы и другие обследования в зависимости от патологии) с учётом возраста и пола пациентов. В выборку включили такие нозологии: железодефицитную анемию, сахарный диабет II типа, нарушения обмена углеводов и липидов. Для диагностики этих патологий разработали модель машинного обучения с использованием метода градиентного бустинга. Точность диагностики искусственного интеллекта составила более 89%, а средний показатель прогнозируемости болезни составил 92%. Такой ИИ для врачей позволяет автоматизировать процессы диагностики в медучреждениях⁷.

Важной проблемой и в современном мире является распространение инфекционных болезней. Её решение основано на прогнозировании заболеваемости, чтобы подготовить эффективные профилактические и лечебные мероприятия. В этом помогает методика алгоритмического и аналитического выравнивания временного ряда с последующим определением сезонной вариации. Модель показала точность прогноза заболеваемости свыше 93%, что помогает сохранить санэпидблагополучие и здоровье населения⁸.

Почему ИИ не заменит врача

Достижения ИИ уже огромны, но он не способен заменить человека. ИИ – инструмент в руках человека, который становится надежным помощником. А врач – это профессионал с множеством необходимых для работы качеств, знаний и навыков.

Эмпатия

Машина не способна к сочувствию и пониманию человека. Именно врачи дают пациентам не только медицинскую, но и эмоциональную поддержку. Человеческое взаимодействие, доверительное пространство между доктором и больным напрямую влияет на желание придерживаться рекомендаций по лечению⁹.

Клиническое мышление

ИИ ориентирован на помощь в потоковых и рутинных задачах, чтобы облегчить диагностику, например, чтением КТ, МРТ, ЭКГ. Немаловажную роль играет клиническое мышление врача, которое формируется ещё в студенческие годы. Мышление доктора основано не только на знаниях о механизмах болезней, но и на опыте различных клинических случаев. ИИ выдаёт только то, что в него загрузили. А человек может не только механически определиться с диагнозом и лечением пациента, но и учесть тонкие детали и взаимосвязи, особенно в сложных случаях¹⁰.

Когнитивные способности

Тот, у кого есть клинический опыт, прекрасно понимает, что далеко не все случаи у пациентов являются такими, какими их описывают в учебниках. У ИИ нет фундаментальных знаний и реального понимания, какие процессы происходят в организме. Машина не направит пациента на необходимые лабораторные и инструментальные обследования, чтобы окончательно определиться с диагнозом¹¹. Это особенно актуально в случае редких (орфанных) заболеваний, когда требуется нестандартный подход. Хотя работа и в этом направлении ведётся уже 20 лет, для достижения успеха необходимо сотрудничество на международном уровне¹².

Постановка диагноза и назначение лечения

Искусственный интеллект для врачей – помощник, который не утверждает окончательный диагноз и не лечит пациентов. Он всего лишь работает на больших объёмах данных и чётко выполняет свои задачи. Диагностика и лечение требуют творческого подхода и клинического мышления, которыми не обладают алгоритмы робота. Каждый человек индивидуален, нуждается в личном внимании доктора. Например, заключение по УЗИ не является окончательным диагнозом, а только одним из составляющих в процессе поиска патологии. Так же и результат, полученный от устройства с ИИ, не является гарантом принятия врачебных решений¹.

Рабочие места для врачей благодаря ИИ

В процессе разработки сервисов на основе искусственного интеллекта напрямую участвуют врачи. Они отбирают и подготавливают данные, формулируют медицинские задачи.

Например, для создания медицинских проектов с искусственным интеллектом привлекаются доктора следующих специальностей:

• Радиологи – интерпретируют рентген-снимки, КТ, МРТ, помогая создавать алгоритмы для выявления различных аномалий.
• Неврологи – помогают в создании сервисов для диагностики неврологических болезней, в том числе и по результатам МРТ.
• Онкологи – участвуют в разработке алгоритмов, которые на основе генетического анализа рекомендуют наиболее эффективную терапию новообразований.
• Кардиологи – принимают участие в создании систем, которые на основании обследований (ЭКГ и других) предсказывают вероятность появления сердечно-сосудистой патологии в будущем.
• Эндокринологи – участвуют в ИИ-проектах, которые направлены на мониторинг и коррекцию терапии сахарного диабета и других метаболических нарушений.
• Врачи лабораторной диагностики – для создания ИИ-решений для интерпретации анализов.
• Терапевты, врачи общей практики – привлекаются в ИИ-проекты для первичной диагностики, мониторинга здоровья, лечения хронических патологий.

Таким образом, ИИ для медиков не только не может заменить докторов, но и создаёт новые рабочие места.

Источники

1. Orlova, I., Akopyan, Z., Plisyuk, A. et al. Opinion research among Russian Physicians on the application of technologies using artificial intelligence in the field of medicine and health care. BMC Health Serv Res 23, 749 (2023). https://bmchealthservres.biomedcentral.com/articles/10.1186/s12913-023-09493-6

2. Fan, Kun & Wen, Shibo & Deng, Zhuofu. (2019). Deep Learning for Detecting Breast Cancer Metastases on WSI. 10.1007/978-981-13-8566-7_13. https://www.researchgate.net/publication/333635752_Deep_Learning_for_Detecting_Breast_Cancer_Metastases_on_WSI

3. Kazakov, O & Averchenkov, A & Kulagina, Natalia. (2019). Machine learning in the analysis of medical data. Journal of Physics: Conference Series. 1210. 012061. 10.1088/1742-6596/1210/1/012061. https://www.researchgate.net/publication/332861209_Machine_learning_in_the_analysis_of_medical_data

4. Осипова О. А., Концевая А. В., Демко В. В., Гостева Е. В., Комисов А. А., Кузуб А. А., Сердюкова А. В., Брижанева А. С., Шепель Р. Н., Драпкина О. М. Использование элементов искусственного интеллекта в прогнозирующей модели персонализированного подхода к выбору фармакотерапии у больных хронической сердечной недостаточностью с умеренно низкой фракцией выброса ишемического генеза. Кардиоваскулярная терапия и профилактика. 2023;22(7):3619. doi:10.15829/1728-8800- 2023-3619. EDN XLOMXO https://cardiovascular.elpub.ru/jour/article/view/3619/2786

5. Yamada, Yasuhide. (2024). Artificial intelligence for personalized therapy. Chinese clinical oncology. 13. 10.21037/cco-24-66. https://www.researchgate.net/publication/382521401_Artificial_intelligence_for_personalized_therapy

6. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний (1 «Комплексные медицинские информационные системы», г. Петрозаводск, Россия; 2 «К-Скай», г. Петрозаводск, Россия; 3ФГБОУ ВО ПетрГУ, г. Петрозаводск, Россия). Врач и информационные технологии, (3), 41-47. УДК 002.53 https://webiomed.ru/media/publications_files/perspektivy-ispolzovaniia-metodov-mashinnogo-obucheniia-dlia-predskaz_fulv37y.pd

7. Сахибгареева М. В., and Заозерский А. Ю. "Разработка системы прогнозирования диагнозов заболеваний на основе искусственного интеллекта" Вестник Российского государственного медицинского университета, no. 6, 2017, pp. 42-46. https://vestnik.rsmu.press/files/issues/vestnik.rsmu.press/2017/6/2017-6-7_ru.pdf?lang=ru

8. С. А. Тарасова. "Прогнозирование временного ряда инфекционной заболеваемости" Программные продукты и системы, vol. 32, no. 2, 2019, pp. 337-342. doi:10.15827/0236-235X.126.337-342. УДК 519.246.8+51-76 https://swsys.ru/files/2019-2/337-342.pdf

9. Berry, Philip. (2003). From Detached Concern to Empathy: Humanizing Medical Practice. BMJ Clinical Research. 53. 10.1176/appi.ps.53.5.641-a. https://www.researchgate.net/publication/24954427_From_Detached_Concern_to_Empathy_Humanizing_Medical_Practice

10. Trans Am Clin Climatol Assoc. 2024:134:133-145. CLINICAL REASONING AND ARTIFICIAL INTELLIGENCE: CAN AI REALLY THINK? Richard M Schwartzstein 1 Affiliations Expand PMID: 39135584 PMCID: PMC11316886 https://pubmed.ncbi.nlm.nih.gov/39135584/

11. Шадеркин И.А. Слабые стороны искусственного интеллекта в медицине. Российский журнал телемедицины и электронного здравоохранения 2021;7(2):50-52; https://doi.org/10.29188/2712-9217-2021-7-2-50-52https://jtelemed.ru/article/slabye-storony-iskusstvennogo-intellekta-v-medicine

12. Ou, P., Wen, R., Shi, L. et al. Artificial intelligence empowering rare diseases: a bibliometric perspective over the last two decades. Orphanet J Rare Dis 19, 345 (2024). https://doi.org/10.1186/s13023-024-03352-1 https://doi.org/10.1186/s13023-024-03352-1

13. Alekseeva, M.G. , Zubov, A.I. & Novikov, M.Yu. (2022). Artificial intelligence in medicine. International Research Journal, 7(121). https://doi.org/10.23670/IRJ.2022.121.7.038.

14. Haibe-Kains, B., Adam, G.A., Hosny, A. et al. Transparency and reproducibility in artificial intelligence. Nature 586, E14–E16 (2020).https://doi.org/10.1038/s41586-020-2766-y>https://doi.org/10.1038/s41586-020-2766-y