Медицину, как и многие другие российские отрасли, захлестнула цифровизация. Началась она более десяти лет назад с тотальной компьютеризации клиник, внедрения информационных систем, позволяющих уйти от бумажного документооборота. На следующем этапе у врачей появились информационные помощники — специальные программы, подсказывающие методы проведения диагностики и назначения лечения. Сегодня мы наблюдаем очередной виток развития технологий, связанный с выводом на рынок информационных систем с использованием искусственного интеллекта. Пока эти технологии позволяют решить две задачи: разгрузить врача от рутинной работы, на которую у него нет времени, и сократить число врачебных ошибок путем постановки более точного диагноза или подбора лечения.
Пока рынок продуктов с использованием ИИ в медицине находится в стадии бурного развития стартапов. Большинство компаний, как в мире, так и у нас, создают информационные системы для анализа медицинских изображений — рентгеновских снимков, КТ и МРТ-снимков, маммографии и других. Их предназначение — выявление различного рода патологий с помощью искусственного интеллекта. В России исследовательские эксперименты в этом направлении проходят в целом ряде регионов. Например, в Москве проводится самый крупный эксперимент в области применения ИИ в рентгенологии: десятки компаний сегодня представляют свои продукты по распознаванию заболеваний легких — пневмонии, рака и других.
Но возможности ИИ уже гораздо шире, чем анализ изображений. Одно из очень перспективных направлений — предиктивная аналитика, включающая в себя анализ медицинских текстов и построение прогнозов. Компаний, которые ею занимаются, пока немного даже на мировом рынке, а в нашей стране их единицы. Одна из них — петрозаводская «К-Скай», которая не только создала ИИ-продукт для анализа электронных медицинских карт, но и решила пойти дальше и предложить рынку уникальную систему Webiomed, прогнозирующую с помощью ИИ, возникнет ли у пациента в ближайшее время то или иное заболевание. Под развитие и внедрение этого продукта в медицинскую практику компания недавно привлекла 130 млн рублей от пула частных инвесторов, что фактически является прецедент на этом рынке (до этого финансирование в размере 100 млн рублей от инвесторов получила компания «Интеллоджик», использующая ИИ для анализа результатов маммографии, распознавания рака груди).
«К-Скай» не новичок на рынке информационных технологий. Она была основана Романом Новицким и Александром Гусевым, имеющими за плечами более чем двадцатилетний опыт работы в сфере информационных технологий и цифрового здравоохранения. В 2007 году они создали компанию «Комплексные медицинские информационные системы» (К-МИС), которая за десять лет автоматизировала свыше 25 тыс. рабочих мест врачей более чем в 30 регионах России, Ее портфель включал в себя широкий спектр продуктов — от системы ведения электронной медицинской карты до сервисов записи к врачу и управленческой аналитики. Компания «К-Скай» была создана два года назад для развития технологий искусственного интеллекта в здравоохранении и выхода на глобальный рынок. «Эксперт» поговорил с директором по развитию проекта Webiomed Александром Гусевым о том, чем искусственный интеллект может помочь врачу, каковы его технологические возможности, а также получил признание, что в ближайшей перспективе искусственный интеллект никак не сможет заменить ум и сердце врача.
— Для чего предназначен ваш продукт Webiomed?
— Это информационная система, которую мы учим распознавать болезни и помогать врачу в выборе правильной стратегии профилактики заболеваний.
— Насколько это актуально для нашей системы здравоохранения?
— Сейчас система здравоохранения и работа врача устроены так, чтобы «тушить текущий пожар». Врачу на рутинном приеме из-за недостатка времени чаще всего просто не до оценки рисков и прогнозов состояния пациента в будущем. Сам пациент тоже часто не готов уделить внимание своему будущему и тем более тратить деньги на профилактику заболеваний. Для многих заболеваний отсутствуют алгоритмы, с помощью которых можно оценить неблагоприятные события. То есть в реальном здравоохранении профилактика пока не работает, хотя хорошо известно, что эффективная профилактика может сокращать сердечно-сосудистую заболеваемость до 80 процентов, а онкологическую заболеваемость — до 40 процентов. Но пока мы упускаем эти возможности. Поэтому наша команда врачей и специалистов по искусственному интеллекту создает сервис, который помогает врачу восполнить пробелы в оценке рисков пациента через автоматический анализ его медицинских данных.
— Что конкретно представляет собой ваш продукт с технической точки зрения?
— Webiomed — это облачная информационная система, которая размещена в надежном федеральном центре обработки данных. На вход система принимает обезличенную медицинскую карту пациента: врачебные записи, протоколы обследования, заключения ЭКГ, УЗИ, рентгена и так далее. Мы учим искусственный интеллект понимать текст и интерпретировать распознанные данные в зависимости от контекста. Скажем, врач пишет, что пациент курит, такое давление у него, холестерин в динамике. Этого, например, достаточно, чтобы понять, развивается ли в организме атеросклероз. Если мы работаем с лабораторными данными, то очень часто по ним можно автоматически заподозрить сахарный диабет, хроническую почечную недостаточность и многие другие опасные болезни. А врач в силу дефицита времени и порой неосведомленности обо всех аспектах заболеваний может их иногда и пропустить.
— Насколько мне известно, есть огромная проблема с получением достаточного массива медицинских текстов и их унификацией. Их же нужно привести в некий стандартный вид.
— Да, вы на больную мозоль наступили. Мы пытаемся сейчас сотрудничать с разными поставщиками, со всеми, у кого есть ценная медицинская информация — обезличенные карты пациентов. Мы бы могли расти быстрее, приходить в большее количество медицинских организаций, регионов и даже стран, если бы был единый жесткий стандарт формирования и хранения информации, как в любой другой зрелой отрасли. В медицине, к сожалению, каждый разработчик медицинской системы хранит данные в своем формате. И поэтому мы машину учим не просто выявлять разные медицинские сущности, но еще и понимать разные форматы. И в этом наше технологическое ноу-хау.
— На рынке уже много компаний, которые занимаются анализом визуальных медицинских изображений — КТ-снимков, маммографии, рентгеновских снимков. Распознавание текстов — более сложная работа, чем анализ изображений?
— Совершенно верно. Разработок в области анализа медицинских изображений уже очень много, и там тяжелая конкуренция. Упрощенно говоря, с технической точки зрения сегодня любой студент может скачать открытые размеченные наборы медицинских изображений и, используя бесплатные фреймворки, провести машинное обучение и получить модель искусственного интеллекта, умеющую немного «понимать», например, рентгенограмму или КТ легких. С точки зрения развития технологий это замечательно, с точки зрения предпринимателя — плохо, потому что в этой отрасли нужно конкурировать уже с сотней стартапов.
Работа с текстами медицинских записей пока мало проработанная область, во всем мире эта тема развивается медленнее, чем анализ изображений. Вот конкретный пример. Мы полгода учили систему правильно извлекать из записей факт курения. Иногда врач пишет: «Пациент курит». Может написать: «Курение пациент отрицает». Или: «Со слов пациента, не курит уже неделю». Человек легко поймет, в каком случае есть факт курения, а в каком нет. Для машин это сложнее. Поэтому технологически сложно создать надежную и точно работающую систему, умеющую «понимать» текстовые врачебные записи и строить на их основе правильные прогнозы и выводы. В этой отрасли относительно мало конкурентов.
— Но за анализом текстов будущее в применении ИИ?
— Да. Мы внимательно следим за американскими, европейскими публикациями, в них все чаще говорится, что в анализе изображений ИИ вплотную подошел к потолку диагностических возможностей самого изображения. Сегодня точность машинного анализа КТ легкого или маммографии выше, чем у рентгенологов.
Но дело в том, что анализ визуального изображения позволяет только диагностировать существующую проблему: обученный искусственный интеллект, как и человек, видит на снимках отклонения от нормы. Возьмем для примера рак легких. Изменения в легких, характерные для злокачественного заболевания, появятся на снимках только у уже заболевшего человека. И когда пациента привозят в больницу, врач без всякого искусственного интеллекта понимает, что делать. Заниматься профилактикой поздно. Поэтому ценность анализа только изображений с точки зрения предупреждения заболеваний ограничена. А вот комплексная оценка всей медицинской карты пациента, включая тщательный анализ всех врачебных записей и поиск в них скрытых паттернов заболеваний, особенно на бессимптомной или ранней стадии, безумно ценна с прогностической точки зрения.
— Как вы конкретно обучаете ИИ?
— Первое, чему мы учим машину, — понимать тексты с помощью разметки данных, это так называемые NLP-технологии. Вторая важнейшая задача — создание прогностических математических моделей. Мы накапливаем много разных данных о человеке, таких как анамнез, объективные данные врачебных осмотров, результаты инструментальных и лабораторных обследований и так далее; в нашей базе данных накоплено почти два миллиона обезличенных цифровых двойников. В них есть сведения об обращаемости, о смерти, о госпитализации. Таким образом мы фиксируем «вход и выход»: наблюдаемые параметры человека и дальнейшие события, которые с ним происходили. И используя машинное обучение, мы находим в этом море данных характерные паттерны, которые позволяют машине довольно точно научится предсказывать будущее в относительно однородных группах пациентов.
А третья, ключевая и еще более сложная задача — научить искусственный интеллект давать рекомендации по лечению. На наш взгляд, ИИ с этим пока справляется отвратительно. Мы сами пробовали учить этому машину, смотрели, как это делают другие компании, например IBM. И убедились, что пока редко получается пригодный для применения продукт. Поэтому мы считаем более разумным использовать машинное обучение для создания прогнозных моделей. И если они выявляют какую-то опасную ситуацию в будущем, то рекомендации должны формировать уже привычные и проверенные временем экспертные системы, построенные на базе достоверных клинических рекомендаций и простых решающих правил. Такое сочетание позволяет лучше формировать итоговые рекомендации врачам.
— То есть искусственный интеллект пока не может назначить лечение?
— Нет. Для этого слишком мало исходных данных для машинного обучения, клинические знания пока отсутствуют в достаточной степени формализации. И технологии пока позволяют выделять из текстов факты, но не позволяют машине действительно понимать научные рекомендации и на их основе давать врачам советы по лечению. Это удел будущего.
— Поясните, что такое разметка данных. Вы и ваши коллеги все время говорите, что вы размечаете данные, прежде чем обучать искусственный интеллект.
— Есть разные способы машинного обучения, но самое популярное — это так называемое обучение с учителем. Его суть такова: вы даете машине исходную информацию и правильный ответ. И такой информации должно быть как можно больше. Анализируя ее, машина сама построит правила, при которых разные значения входной информации приводят к правильным результатам. Она создаст так называемую искусственную нейронную сеть — математическую модель, наученную находить ответы на основе передаваемых ей данных. Например, есть ли патология на ЭКГ или рентгенограмме, какое заболевание может быть при указанных симптомах или результатах лабораторной диагностики и так далее. Чтобы научить машину, нужно подготовить эталонные данные. Чем качественнее они будут, тем лучше результат. Например, в изображениях мы берем снимок легких, врач обводит в цифровом снимке какую-то область и говорит, что здесь пневмония, вот эта черная точка — это рак, а вот это — туберкулез. И когда мы разметим тысячу снимков и в снимке будет и область обозначена, и что это означает, отдадим это машине, все следующие снимки она будет узнавать сама. Она научится.
— А в случае текстов это что такое?
— Мы берем текстовую строчку и в ней выделяем слова. Например, вот эта фраза значит, что пациент курит. Вот эта означает артериальное давление. А эта — что у пациента есть одышка. И вот разметили тысячу таких текстов, отдали машине, и дальше она текст понимает сама. Когда нужно создать прогнозную модель, мы решаем похожую задачу. Готовим базу данных, в которую заносятся данные тысячи пациентов, все структурировано. По каждому пациенту мы указываем событие, которое с таким пациентом случилось, например отметку что у пациента случился инфаркт. А у кого-то нет. И на таких данных учим машину делать прогноз, у кого в итоге будет то или иное заболевание в ближайшем будущем.
— Чем на этапе прогноза интеллект будет отличаться от врача?
— Очень хороший вопрос. На сегодняшний день объем медицинских знаний в виде научной литературы, клинических руководств и так далее просто огромен. Есть такой известный факт, что в 2012 году глобально в мире мы преодолели порог, когда каждый день появляется один миллион статей, которые сообщают нам какое-то новое знание. Это никакой врач никогда, ни при каких обстоятельствах, даже если он будет учиться целые сутки, не освоит. Преимущество компьютеризированной системы состоит в том, что она безгранична в способности помнить и знать всю литературу. Она не устает, в отличие от врача. Она не предвзята к данным. Для человека чем больше данных нужно изучить — тем хуже. Для машины ровно наоборот: чем больше мы загружаем в нее информации, тем лучше она учится ее обрабатывать.
— Если врач не может перепроверить решение искусственного интеллекта, то ответственность за решение о диагнозе и лечении переходит искусственному интеллекту?
— Ни в коем случае. Ответственность всегда была и будет еще очень долго оставаться на враче. ИИ совершенно не готов к автономному принятию решений, мы не имеем пока достаточного количества доказательств правильности и эффективности его влияния на клинические результаты. Есть еще много проблем этического и технического плана.
— Как часто врач не может понять решения ИИ?
— Это одна из серьезных проблем, ее еще часто называют «проблемой черного ящика». Дело в том, что особенности глубокого машинного обучения состоят в том, что, давая максимальную точность, оно одновременно дает минимальную интерпретируемость, то есть способность объяснить человеку, почему я, машина, решила так, а не иначе. Если машина дает врачу максимально точный прогноз с минимальным или нулевым объяснением, если врач не понимает логики и объяснения выводов ИИ, в подавляющем большинстве случаев врач отвергнет такую подсказку. И это приводит к тому, что врачи перестают доверять таким прогнозам.
— Может, это потолок для искусственного интеллекта? То, что он не может объяснить свои выводы.
— Это серьезнейший технологический барьер, над ним трудятся ведущие умы в самых передовых исследовательских командах. Мы развивали методы искусственного интеллекта, математические алгоритмы, чтобы бороться за точность. И мы немножко заигрались этим, потому что мы достигли большей точности прогнозов, чем у человека, а о способности человека поверить в итоге такому интеллекту мы не подумали. Поэтому сейчас исследователи возвращаются и ищут новые методы обработки данных, чтобы обеспечить и точность, и интерпретируемость.
— Какую точность прогнозов имеют ваши модели? И к какой точности стремится рынок?
— У нас некоторые модели имеют точность 80 процентов. Хорошо это или плохо — трудно сказать. Когда искусственный интеллект учат выявлять то, что есть сейчас у пациента, например анализировать изображения или жалобы, это не прогностическая задача. Точность людей в анализе такой информации — в среднем — 95 процентов. Точность искусственного интеллекта для реальной клинической практики должна приближаться к этому числу — как минимум 80–85 процентов, иначе теряется смысл применения таких продуктов. И уже есть разработки, которые дают точность выше человека: 97–98 процентов.
В предсказательной аналитике точность не может быть стопроцентной или даже 95-процентной, потому что описание особенностей организма человека не укладываются в сто или даже в тысячу параметров. Надо миллиарды параметров учитывать, чтобы гарантированно предсказать, и все равно всегда будут уникальные пациенты, на которых ни один прогноз не сработает. Поэтому считается, что в прогностических медицинских задачах 80–85 процентов — это уже вполне добротный уровень.
— Каков ваш опыт общения с врачами на эту тему, как они воспринимают эту историю?
— Есть два направления. Первое: когда речь заходит непосредственно о проверке нашей машины, нашего продукта, мы стараемся делать независимую клиническую валидацию. Например, в начале года мы завершили испытание наших моделей по сердечно-сосудистым заболеваниям в НМИЦ кардиологии имени Алмазова. Это один из крупнейших наших научных центров. Мы им предоставили программный продукт, и они на своих данных, на своих методиках проверяли точность. И подтвердили, что да, действительно наши оценки соответствуют заявленным метрикам.
Второй этап — это проверка в условиях реальной клинической практики. Для этого мы реализуем проекты совместно с различными российскими регионами: Ямал, Кировская область, Карелия. Мы с регионами подписали соглашения, по которым новые версии программных продуктов могут быть интегрированы в региональную информационную систему. И когда врач работает со своей электронной картой, ему наш сервис искусственного интеллекта выводит подсказки. И мы, как на фокус-группах, смотрим, как реагируют врачи на новые функции, на наши прогнозы. Когда мы начинали, это было в конце 2018-го — начале 2019 года, все были уверены, что у врача будет отторжение подобного рода систем. Но мы организовали обучающий семинар, приезжали в регион, собирали врачей, рассказывали, что это никакой ни терминатор из научной фантастики, обычная программа. Мы их заинтересовали. И видели, что даже пожилым врачам было интересно работать с искусственным интеллектом, особенно когда мы находили интересные клинические случаи, а они их потом перепроверяли и оказывалось, что наша система выдавала правильные прогнозы.
— Что принципиально нового может внести искусственный интеллект в медицинскую практику? Может он как-то помочь в лечении тяжелых хронических заболеваний?
— В медицине при анализе хронических заболеваний много лет применяются так называемые шкалы. Например, при оценке врачами сердечно-сосудистых заболеваний (ССЗ) в мире применяется порядка 40 разных шкал. У нас в России применяется европейская шкала SCORE. Назначение этих шкал — ранжировать пациентов на группы риска в зависимости от вероятности развития осложнений и смерти. Проблема в том, что эти оценки очень грубые. У нас в стране порядка 1,3 миллиона пациентов с ССЗ, а шкала SCORE делит пациентов всего на четыре группы. И получается, что группа очень высокого риска, которой нужно препараты назначать, вызывать пациентов в поликлинику, постоянно контролировать — это сотни тысяч пациентов в год. Огромное количество больных.
Суть наших алгоритмов в том, что мы делаем более глубокий анализ. Мы четко говорим, что из этих сотен тысяч есть десятки, сотни пациентов, у которых есть риск смертельного события в ближайшее время, и ими надо срочно заниматься. Эти инструменты позволяют в условиях жесточайшего дефицита ресурсов, денег и времени врачей за счет более глубокой предикции не упустить тех, у кого трагическое событие может наступить в ближайшее время, и лишний раз не тревожить тех, у кого его пока не предвидится.
— Ваш продукт работает с большим набором параметров, чем уже существующие шкалы?
— Отличия два. Первое: как правило, все шкалы предназначены для пациентов с определенным заболеванием или определенной группы. Например, шкала SCORE предназначена только для здоровых пациентов в возрасте от 40 до 65 лет. Первый ее минус — она популяционная, она не персональная, она принимает на вход всего пять параметров, а значит, точность оценки для конкретного пациента низкая, в ней нет учета его персональных особенностей. Но, самое главное, она работает в узкой группе. Для пациентов, которые перенесли инфаркт или инсульт, ее использовать нельзя: она для них не предназначена.
Второй минус: есть такое понятие «коморбидность» — когда у пациентов несколько заболеваний одного патогенеза. Сегодня практически везде медики признают, что пациентов с монозаболеванием, то есть страдающих каким-то одним заболеванием, нет. Как правило, пациенты коморбидны. Например, ССЗ и сахарный диабет как осложнение. Или заболевание глаз — ретинопатия при сахарном диабете. Коморбидные пациенты — самые несохранные, и если ими не заниматься, то они часто погибают. А особенность развития хронических заболеваний состоит в том, что пациент касается системы здравоохранения часто в момент манифеста — когда заболевание начинает бурно протекать: инфаркт, инсульт, гипертонический криз. В этот момент его практически не лечат от основного заболевания, его просто спасают от смерти.
Так вот, искусственный интеллект, в отличие от шкал, может учитывать коморбидность. И он может персонально указать на пациентов с тяжелыми коморбидными течениями заболеваний. Это позволяет назначать более точное лечение. Будет или не будет человек соблюдать — это вопрос, но хотя бы медицинские специалисты будут знать об этом.
И еще один момент. Используемые сегодня шкалы разрабатывались не на нашей популяции. Скажем, для составления шкалы SCORE анализировались данные по здоровью очень смешанного национального состава. А мы ее применяем где-то в Удмуртии или в Якутии — там вообще другой геном, другая национальность. Наша система ИИ учится на российских данных, более того, когда мы приходим в регион, калибруем систему, проверяем точность на местных клинических данных. Мы фиксировали, что районы проживания, этнос, экология, окружающая среда и прочее действительно меняют веса факторов риска и их влияния на прогноз.
— Сердечно-сосудистые заболевания — это первое направление, которое вы взяли для обучения ИИ?
— Да, мы начали свою работу с ССЗ. Сначала мы обучали систему прогнозировать инфаркты, инсульты и ишемическую болезнь сердца. Сейчас учим анализировать артериальную гипертензию, хроническую сердечную недостаточность. Мы все новые заболевания в ИИ добавляем, чтобы он учился их в целом понимать и более точно давать интерпретацию.
Дальше мы работаем уже над выявлением и прогнозом заболеваний легких, гинекологических заболеваний. И уже будем готовить к выходу на рынок наш новый продукт — оценку наркологических рисков.
— Ваши продукты нацелены на помощь первичному звену медицинской помощи?
— Первое время мы занимались только поликлиниками, но сейчас, по мере развития проектов, с учетом того, что мы привлекли инвестиции в проект, мы планируем делать отдельную модель для условий стационара. Там другие события конечные у пациентов и чаще всего другие входные факторы.
— Как вы думаете, врачи не поглупеют от того, что начнут использовать ИИ-системы? Не будет деградации квалификации врачей? Или они, наоборот, обучатся и продвинутся?
— Это очень глубокий вопрос. Когда я слышу радикальные заявления: врачи точно поглупеют или, наоборот, искусственный интеллект никому не угрожает, он совершенно безобидный, — это все неправда.
Если мы остановимся в развитии продукта там, где мы просто забираем у врача рутину и не влезаем в ту область, где искусственный интеллект может иметь высокую опасность усугубить судьбу пациента, риски минимальны.
Но соблазн высок. Мы, например, проводили эксперимент, сделали маленькую программу, которая формировала диагноз гипертонической болезни. Гипертоническая болезнь — одна из распространенных, но не так просто сформировать полноценный диагноз, потому что нужно указать стадию заболевания, развитие заболевания и какие органы поражает гипертоническая болезнь. Часто врачи неправильно формируют диагноз, а неправильный диагноз — это ошибки в медикаментозной терапии, потому что определенные препараты назначаются только на определенной стадии. Нельзя всем подряд назначать одно и то же и в одной и той же дозе. Мы сделали программу, достаточно быстро и стали ее пилотировать. Врачи очень хорошо ее воспринимали, мы почувствовали, что можем, оказывается, ставить диагнозы. Мы даже какое-то время в это верили. Но в определенный момент выявили, что у нас была ошибка в программе. И когда мы пошли к врачам говорить: смотрите, вы-то куда смотрели? А нам врачи говорят: я даже не смотрел, что она мне вывела. Это же компьютер, он не может ошибиться. Я просто всем это назначал.
Эта история стала для нас ушатом холодной воды. Мы действительно в определенный момент были технооптимистами, думали, нам море по колено, прогресс не остановить, наши технологии заменят врача. Но когда нас немного потыкали нашими ошибками, мы остыли. Понятно, что, если бы не было нашей программы, может, и больше было ошибок. Но это были бы человеческие ошибки. А так возникает этическая проблема. Мы начали немного тормозиться в своем исследовании, больше уделяя времени не разработке продукта, а его валидациям. Мы очень активно привлекаем различных медицинских экспертов к участию в разработке системы. Мы даем продукт попробовать бесплатно. Мы внимательно отслеживаем, где наши ошибки.
— Получается, что врач все равно должен думать сам и принимать решение сам.
— Да, на данный момент мы как компания официально заявляем, что мы даем совет и врачу, и пациенту. Но в юридических документах и в окошечке, которое мы выводим на экран компьютера, мы обращаем внимание, что окончательное решение за человеком, за врачом.
— Какова правовая основа этой истории? Правильно ли я понимаю, что сейчас программное обеспечение у нас включено в систему медицинских изделий и нужно проходить клинические испытания, чтобы продукт сертифицировать?
— Законодательная норма следующая: если программное обеспечение создает риск причинении вреда здоровью пациента, то это программное обеспечение является таким же медицинским изделием, как диагностическое оборудование. Глубокое заблуждение, что программное обеспечение вреда причинить не может. Правильно говорить, что программное обеспечение не может причинить прямой вред. Но оно может дать неправильную информацию врачу, врач может этой информации поверить, сделать неправильное назначение и убить пациента. Поэтому системы искусственного интеллекта, которое что-то говорят врачу, — это медицинские изделия.
Американская FDA рассматривает программное обеспечение, в том числе с искусственным интеллектом, как медицинское изделие и требует его регистрации. В Европе вы не можете продавать программное обеспечение, которое что-то меняет для врача, без получения так называемой CE Mark, то есть без прохождения процедуры сертификации. Поэтому сама норма во всем мире есть, и она правильная. У нас проблема состоит в том, что наша система регистрации немного old school и поэтому сама процедура очень длительная. Наша система искусственного интеллекта — первая, которая была зарегистрирована в России, на регистрацию ушло больше года.
— Как много компаний у нас занимается проектами развития технологий искусственного интеллекта в медицине?
— Двадцать-тридцать компаний.
— А какова экономика этой истории? Ваша экономика и экономика клиники в случае применения вашей системы?
— Тут все не так радужно. В Америке и в Европе уже есть рынок искусственного интеллекта. Два-три года назад это было несколько сотен миллионов долларов, сейчас уже порядка двух миллиардов, а к 2023–2035 году я думаю, мы придем где-то к девяти-десяти миллиардам.
В России рынка искусственного интеллекта с тиражируемыми подтвержденными продажами или понятным спросом нет. Те компании, которые умудряются получать выручку, в том числе наша, — герои, потому что пока это можно делать нерыночными методами — где-то на обаянии, где-то на интересе, где-то через гранты.
Мы сейчас готовы на очень гибкие условия и проверяем разные гипотезы, как лучше монетизировать разработки. Думаю, вы прекрасно понимаете: если мы не показываем выручку, мы не получаем дальнейшие инвестиции. А без инвестиций мы не создаем продукт. Я общаюсь с коллегами в других ИИ-компаниях, у всех примерно такая же история. И поэтому мы активно участвуем в работе ассоциации разработчиков и пользователей искусственного интеллекта в здравоохранении «Национальная база медицинских знаний». От лица ассоциации мы ведем дискуссию с Министерством здравоохранения и другими органами власти, призывая разрабатывать отдельный федеральный проект по искусственному интеллекту в сфере здравоохранения. Мы считаем, что нужно выделить условно небольшие по сравнению с миром, но какие-то реальные средства медицинским организациям, чтобы они могли направить их на пилотирование и постепенное внедрение ИИ-инструментов. И тогда мы ответим на вторую часть вашего вопроса: где экономика. Без экспериментов, без проверки бизнес-гипотезы и реальных подтверждений, просто делясь галлюцинациями разработчиков о том, что мы чего-то экономим нашим медучреждениям, мы вряд ли чего-то добьемся.
— Вы чуть ли не единственный стартап, который смог привлечь инвестиции в свой проект. Кто стал вашим инвестором и о какой сумме инвестиций идет речь?
— В России всего две компании, которые привлекли венчурное финансирование исключительно на продукт искусственного интеллекта для здравоохранения. Мы и компания «Интеллоджик» с ее проектом Botkin.AI по созданию системы ИИ для анализа маммографии, распознавания рака груди. Они в прошлом году привлекли 100 миллионов рублей. Этим летом мы стали второй компанией, привлекли больше 130 миллионов от группы частных инвесторов.
— Чего вы ждете от инвесторов помимо денег?
— Мы около года искали инвесторов. Прошли по всем фондам, интересный опыт накопили. Мы искали инвестора в первую очередь не с точки зрения денег, а с точки зрения менторства. Наша совместная цель, наша амбиция в том, что мы искренне хотим выйти на международный рынок. Наша команда в России, на мой взгляд, достигла всего, чего только хотела, дальше только международный рынок. Для того чтобы это осуществить, важнее не столько деньги, сколько опыт, потому что ошибки будут очень дороги. У наших инвесторов есть опыт вывода компаний на международный рынок. Основной их интерес — играть вдолгую, так как рынок только зарождается. Те, кто сейчас готов играть вдолгую, готовы рискнуть деньгами, могут через пять-десять лет получить очень дорогую компанию, которую потом, за счет зрелости конкуренции, будет получить уже сложнее.
— Почему вы говорите, что вы в России всего достигли? Вы создали продукт, но о каком-то его тотальном внедрении речи ведь не идет пока?
— Это я не про Webiomed говорю, это я про предыдущие продукты. Мы двадцать лет на рынке, мы выводили на рынок различные информационные медицинские системы, системы ведения электронных медицинских карт, мы автоматизировали целые регионы, в нашем портфеле куча всего, тысячи пользователей работает на наших информационных системах.
— Что у вас за команда? Из кого она состоит?
— Это в первую очередь — и по количеству людей и по затратам — врачи, эксперты по разным заболеваниям. Вторая составляющая — специалисты по данным и машинному обучению. Айтишников, которые занимаются разработкой программного обеспечения, меньше. И большая служба — аналитики, проектные менеджеры, те, кто во внешнем мире работает, с клиентами, с организациями.
— Можно ли выделить в этой вашей структуре какое-то ключевое звено?
— Врачи. Мы убедились, что нельзя просто прийти в медцентр и взять на работу крутого доктора. Нам нужны врачи, имеющие навык, опыт и желание работать с технологическим сектором, изучать базовые термины и явления в искусственном интеллекте. Это, условно, врачи-кибернетики.
— Я обратила внимание, что очень много компаний, подобных вашей, появляется в российских регионах. Не только Москва и Питер.
— Провинция даже фору даст москвичам, потому что мозги и наука есть, а стоимость жизни и затраты существенно ниже. А сделать стартап в искусственном интеллекте очень дорого. Поэтому и получается, что региональные компании конкурируют на равных, они агрессивные, борются и стараются.
— Как далеко ушли ваши западные коллеги — американские, европейские? Или все равны на мировом рынке?
— Нет, мы не равны. Тут я пессимист. Я считаю, что у нас в стране можно развивать эти стартапы. Но в России тридцать команд, в Америке три тысячи, а в Европе девятьсот. У нас хорошо если несколько сотен миллионов рублей привлекли инвестиций, а венчурный рынок искусственного интеллекта в Америке — несколько миллиардов. У нас личные данные государство с какой-то паранойей пытается беречь, при этом они продаются в интернете за три копейки, а разработчикам их не дают. А на Западе созданы за много лет биобанки, там есть размеченные датасеты. Там стартапу, который привлек венчурные инвестиции, создаются условия для развития. Поэтому по объективным данным, таким как количество публикаций, капитализация компаний, Россия сильно отстает. Например, по количеству публикаций в области искусственного интеллекта в медицине Россия на 27-м месте из 30 стран. Объема выручки у нас и процента от их выручки нет. Нам нужно два-три года, чтобы догнать страны, которые сильнее всего продвинулись: Великобританию, Китай и Америку.
— Чтобы продвинуться, нужен капитал и быстрое нормативное внедрение ИИ в здравоохранение?
— Нужна комплексная работа сразу по нескольким направлениям. Недостаточно просто продекларировать, что давайте внедрять искусственный интеллект. Нужно реально стимулировать пилотные проекты и внедрение ИИ в регионах и медицинских организациях. Активно совершенствовать нормативно-правовое регулирование. Стимулировать научные исследования и образование. Создавать и делать открытыми качественные наборы обезличенных медицинских данных, чтобы усиливать конкуренцию. У нас в ассоциации «Национальная база медицинских знаний» любят повторять: «Большой прилив поднимет все лодки». Нужен такой прилив по всем фронтам.
