Искусственный интеллект в медицине: применение ИИ, примеры и перспективы

ИИ в диагностике использует компьютерное зрение. Модель анализирует рентгеновские снимки, КТ, МРТ и другие медицинские изображения, выделяет подозрительные области — уплотнения, аномальную плотность тканей, отклонения от нормы — и помогает врачу расставить приоритеты: какие исследования стоит посмотреть в первую очередь.

Система не ставит диагноз автоматически. Она предварительно размечает и сортирует поток исследований, а врач проверяет результат и интерпретирует его с учётом полной клинической картины. Технически модель может решать задачу классификации — определять наличие или отсутствие отклонения — либо сегментации, то есть отмечать контур подозрительной области на снимке. Во втором случае врач получает не общий вывод, а конкретный участок изображения для проверки.

На практике такие решения часто используют как второго читающего. Рентгенолог формирует заключение независимо, а модель параллельно предлагает разметку. Если выводы расходятся, снимок пересматривают внимательнее. Решение остаётся за врачом.

Модель также может сравнивать исследования одного пациента в динамике: например, сопоставлять текущий снимок с прошлогодним и отмечать изменения, которые легко пропустить при ручном сравнении. В Казахстане направление уже вышло за пределы экспериментов: решения Cerebra AI и Forus Data помогают врачам работать с потоком МРТ, КТ и рентгеновских снимков.

Качество такой модели зависит от данных, на которых она обучалась. Оборудование разных клиник даёт изображения разного качества, поэтому модель, обученная на данных одного типа аппаратов, может терять точность на снимках с другого оборудования. Перед внедрением в новой клинике её нужно валидировать на локальных данных.

Модель анализирует анамнез, лабораторные показатели, результаты обследований и динамику состояния пациента, чтобы оценить риск заболевания до появления явных симптомов. Основой служат данные электронной медицинской карты, накопленные за годы наблюдения. Для прогноза важен не только разовый показатель, но и траектория его изменения во времени.

Такие модели помогают выделять группы риска. Например, система может обратить внимание врача на пациентов с повышенной вероятностью сердечно-сосудистого события и помочь приоритизировать профилактические мероприятия.

Исследователи Школы медицины Назарбаев Университета применили GPT-4o для анализа обезличенных историй пациентов после инсульта и инфаркта. Модель выявила ключевые факторы риска смертности — возраст, низкий гемоглобин и низкую свёртываемость крови — и формировала медицинские выписки с точностью около 80% по соответствию заключениям врачей.

Похожий подход использует Webiomed — система предиктивной аналитики и управления рисками в здравоохранении. Компания «К-СКАЙ» развернула её как SaaS-приложение на облачной инфраструктуре, чтобы повысить надёжность сервиса и снизить затраты на собственные вычислительные ресурсы.

На практике прогноз риска обычно появляется в медицинской карте как дополнительный сигнал для врача. Он не заменяет клиническую оценку и не должен становиться единственным основанием для решения. Точность прогноза зависит от качества и репрезентативности обучающих данных. Модель, обученная на данных одной возрастной группы или региона, может хуже работать для пациентов с другим профилем. Смещения в исходных данных приводят к смещённым рекомендациям.

Анализ генетических данных помогает выявлять связи между генетическими особенностями пациента и предрасположенностью к заболеваниям. Фармакогеномика позволяет прогнозировать, как человек может отреагировать на определённый препарат, исходя из особенностей метаболизма конкретных веществ.

Практические применения уже есть в онкологии. Генетический профиль опухоли помогает сузить круг потенциально эффективных таргетных препаратов до начала терапии. Это не гарантирует индивидуальную эффективность лечения, но помогает врачу оценить более обоснованный набор вариантов с учётом клинической картины, сопутствующих заболеваний и переносимости терапии.

Модели работают на больших биомедицинских наборах данных, объединяя геномную информацию с клиническими исходами тысяч пациентов. Так они находят закономерности, которые невозможно увидеть при анализе одной истории болезни.

За пределами узких и хорошо изученных сценариев, включая companion-диагностику в онкологии, направление во многом остаётся исследовательским. Отдельного внимания требуют согласие пациента на использование генетических данных, сроки их хранения и условия доступа. Генетическая информация остаётся чувствительной на протяжении всей жизни пациента, поэтому к ней нужен более строгий режим хранения, чем к разовым лабораторным показателям.

Интерпретация генетических данных требует больших референсных выборок. Для многих популяций, включая казахстанскую, масштабных геномных баз пока недостаточно. Это ограничивает точность моделей, обученных преимущественно на данных других популяций.

Виртуальный ассистент может отвечать на частые вопросы, собирать предварительную информацию о жалобах перед приёмом, записывать пациента к нужному специалисту и напоминать о визите или приёме препаратов. Первичный триаж, то есть сортировка обращений по срочности на основе описанных симптомов, уменьшает нагрузку на колл-центр и помогает быстрее направить пациента к нужному врачу.

Информация, собранная до визита, может сразу попасть в медицинскую карту. Тогда врач начинает приём с уточняющих вопросов, а не с повторного сбора базовых жалоб.

Автоматический триаж не является диагностикой. При потенциально опасных симптомах — острой боли в груди, признаках инсульта или затруднённом дыхании — система должна направить пользователя к врачу или в экстренную службу, а не оценивать тяжесть состояния самостоятельно. Порог такой эскалации должен быть консервативным: лучше лишний раз рекомендовать срочную медицинскую помощь, чем пропустить экстренный случай.

Для Казахстана важно, чтобы ассистент одинаково корректно работал на русском и казахском языках. Пациент описывает симптомы на привычном языке, а ошибка на этапе распознавания может исказить последующую маршрутизацию.

Эффект таких систем измеряют долей обращений, закрытых без участия регистратуры, и скоростью записи к подходящему специалисту. Качество триажа зависит от того, насколько точно человек способен описать своё состояние. Тревожность, неполное описание симптомов и языковой барьер могут искажать входные данные для модели.

NLP-модели извлекают структурированные данные из свободного медицинского текста: врачебных заключений, выписок и протоколов осмотра. Они классифицируют документы и помогают быстро находить нужную информацию в истории болезни вместо ручного просмотра десятков страниц.

Отдельные сценарии включают автоматическое резюмирование длинной истории болезни для врача, который впервые видит пациента, и распознавание речи для голосового ввода заключения во время осмотра. Это уменьшает объём ручного набора текста после приёма.

OCR и NLP выполняют разные функции. OCR распознаёт текст на изображении, например на отсканированном рукописном бланке. NLP работает уже с извлечённым текстом: определяет смысл, структуру и связи между терминами. Распознавание рукописных документов нельзя считать универсально надёжным сценарием. Точность OCR зависит от почерка, качества скана и стандартизации формы. Ошибка на этом этапе искажает всё, что будет делать NLP-модель дальше.

Ещё одно практическое применение — помощь в кодировании диагнозов и процедур по медицинским классификаторам. Модель предлагает подходящий код по тексту заключения, а врач или медицинский статистик подтверждает либо корректирует выбор. Это ускоряет подготовку отчётности и сохраняет контроль над точностью кодирования.

Эффективность измеряют долей документов, обработанных без ручной коррекции, и временем, которое врач тратит на поиск информации в истории болезни.

На ранних этапах разработки лекарств модели используют для виртуального скрининга. Вместо синтеза и тестирования тысяч молекул в лаборатории алгоритмы прогнозируют свойства соединений: растворимость, токсичность и способность связываться с конкретной биологической мишенью. Затем исследователи отбирают наиболее перспективные кандидаты для дальнейшей проверки.

ИИ применяют и на этапе поиска мишени — белка или биологического процесса, воздействие на который потенциально позволяет лечить заболевание. После выбора мишени модели помогают подобрать молекулы, которые могут с ней взаимодействовать. Ещё один сценарий — анализ научной литературы: система обрабатывает большие массивы публикаций и ищет связи между молекулами, мишенями и заболеваниями, которые трудно заметить вручную.

Моделирование взаимодействия молекулы с белком позволяет заранее отсеивать неперспективные варианты и не тратить на них лабораторные ресурсы. Наибольший выигрыш достигается на ранней стадии, когда число потенциальных соединений особенно велико.

Однако модели не заменяют лабораторные исследования и клинические испытания. Компьютерный прогноз остаётся гипотезой, которую нужно подтвердить в лаборатории, а затем проверить в клинических исследованиях и провести через регуляторные процедуры до выхода препарата на рынок.

Качество прогнозов зависит от данных об уже известных соединениях. Для принципиально новых классов молекул, не похожих на изученные ранее, модели работают менее надёжно.

При удалённом мониторинге модель анализирует показатели, которые поступают от пациента: данные с медицинских устройств и ответы на вопросы виртуального осмотра. Система выявляет отклонения, требующие внимания врача до планового визита.

Такой подход особенно полезен пациентам с хроническими заболеваниями. Им не нужно регулярно приезжать в клинику только ради контроля показателей, которые можно передавать удалённо. Система также приоритизирует обращения: пациент с резким отклонением получает внимание раньше, чем человек с плановым контрольным визитом.

Перед консультацией сервис может подготовить для врача краткую сводку: динамику показателей и изменения с прошлого визита. Это позволяет перейти к содержательному разговору, а не собирать базовую информацию заново.

Для удалённых регионов Казахстана, где до профильного специалиста может быть несколько часов пути, особенно важны приоритизация обращений и поддержка решений для фельдшеров и врачей общей практики.

Телемедицинские сервисы должны защищать каналы передачи медицинских данных. Информация о состоянии здоровья передаётся удалённо, поэтому необходимы шифрование и контроль доступа, как и для данных внутри клиники. Дополнительно возникают риски перехвата данных и перебоев связи в отдалённых районах.

Точность удалённого мониторинга зависит не только от модели, но и от качества и калибровки устройства у пациента. Нестабильное интернет-соединение может задержать передачу критичных показателей именно в тот момент, когда скорость реакции наиболее важна.

Роботизированные хирургические системы дают хирургу более точный контроль над движениями инструмента. Они фильтруют тремор и масштабируют движения, что особенно важно в малоинвазивной и лапароскопической хирургии, когда инструмент вводится через небольшой разрез.

Такие системы могут использовать компьютерное зрение для визуальной поддержки во время операции, включая увеличенное трёхмерное изображение операционного поля. Они также помогают планировать вмешательство по предоперационным изображениям пациента и заранее размечать анатомические ориентиры.

Современные хирургические роботы, применяемые в клинической практике, не проводят операции самостоятельно. Это инструмент, которым управляет хирург через консоль. Специалист выполняет каждое движение и сохраняет ответственность за клинические решения и исход операции.

Роботизированная хирургия требует дорогостоящего оборудования и длительной подготовки команды. Поэтому она менее доступна, чем программные AI-инструменты. Диагностическую модель можно развернуть в облачной среде за несколько недель, тогда как внедрение хирургической роботизированной системы требует капитальных вложений и опыта, который команда накапливает годами. Горизонт окупаемости здесь обычно длиннее, чем у систем анализа снимков или предиктивной аналитики.

Носимые устройства непрерывно собирают данные о пульсе, физической активности, сне, сатурации и других показателях. В отличие от единичного визита к врачу, такой мониторинг показывает динамику состояния пациента.

Модель может выявлять устойчивое повышение пульса в покое, эпизоды нарушения сердечного ритма, снижение сатурации и другие отклонения, которые могут указывать на ухудшение состояния. Это особенно полезно для пациентов с хроническими заболеваниями и пожилых людей, у которых падение или резкое ухудшение самочувствия может остаться незамеченным до следующего планового визита.

Если система обнаруживает значимое отклонение, она уведомляет медицинский персонал. Врач может отреагировать до того, как состояние пациента потребует экстренной госпитализации. Для пожилых пациентов, живущих отдельно от родственников, такой мониторинг создаёт дополнительный уровень наблюдения без постоянного присутствия сиделки или медработника.

Один из примеров — выявление эпизодов апноэ сна по данным носимого датчика. Такой подход позволяет провести первичный скрининг без обязательного направления в лабораторию сна и снижает барьер для пациента, который мог бы годами игнорировать проблему.

Качество и медицинская пригодность данных зависят от конкретного устройства. Потребительский фитнес-трекер и сертифицированный медицинский монитор отличаются точностью и частотой измерений. Модель, рассчитанная на данные медицинского устройства, может давать ложные срабатывания или пропускать важные отклонения, если получает данные от менее точного потребительского гаджета.

ИИ применяют не только в работе с пациентами, но и для повышения операционной эффективности медицинских организаций. Модели прогнозируют загрузку коек, помогают заранее планировать выписки и госпитализации, а также оценивают нагрузку на диагностическое оборудование. Это позволяет выстраивать очередь на исследования и планировать профилактическое обслуживание до того, как неисправность приведёт к простою.

Планирование расписания персонала на основе прогноза потока пациентов помогает уменьшить простой медработников в часы низкой загрузки и очереди в пиковые периоды. Прогнозирование загрузки операционных позволяет эффективнее распределять хирургов и оборудование между плановыми и экстренными случаями.

Управление потоками пациентов — от регистратуры до выписки — использует ту же логику прогнозирования, что и логистические системы в других отраслях. Однако цена ошибки здесь выше: перегрузку отделения реанимации нельзя компенсировать так же, как избыток товара на складе.

Эффект измеряют средним временем ожидания по видам исследований, загрузкой коечного фонда и долей простоя дорогостоящего оборудования, которая напрямую влияет на срок его окупаемости. Модели хорошо работают на стабильном потоке пациентов, но требуют ручной корректировки при структурных изменениях: открытии нового отделения, запуске массовой программы диспансеризации или вспышке сезонного заболевания. В таких условиях исторические данные могут плохо предсказывать текущую нагрузку.