Технологии искусственного интеллекта стали ключевым в цифровой трансформации здравоохранения. ИИ применяется в самых разнообразных задачах, начиная от повышения эффективности диагностики, системах поддержки принятия врачебных решений, извлечения и управления на основе данных и т.д. Одним из таких направлений является стратификация рисков пациентов.
Ключевой проблемой современного здравоохранения является дефицит ресурсов, в первую очередь – финансового обеспечения, но также и кадров. Концепция ценностно-ориентированного здравоохранения направлена на изменения, которые помогли бы более эффективно использовать ограниченные ресурсы. В ее основе - предотвращение или смягчение неблагоприятных исходов для пациентов до их возникновения, что обеспечивает улучшение качества медицинской помощи и снижение затрат. Для этого требуется, чтобы медицинские организации умели эффективно анализировать имеющиеся у них данные с точки зрения оценки рисков развития различных заболеваний и их осложнений у пациентов.
Стратификация рисков играет ключевую роль в координации медицинской помощи и лечении хронических заболеваний, и появление прогнозной аналитики во многом усилило эти процессы.
Ценность оценки и стратификации рисков с помощью ИИ
Аналитики HealthITAnalytics внимательно изучили мировой опыт в этом вопросе и поделились своими выводами.
Национальная ассоциация центров общественного здравоохранения (National Association of Community Health Centers, NACHC) определяет стратификацию рисков как «процесс присвоения пациентам статуса риска с последующим использованием этой информации для направления на лечение и улучшения общего состояния здоровья».
NACHC отмечает, что этот процесс направлен на разделение пациентов на группы в зависимости от сложности и потребностей в медицинской помощи. Для этого медицинские организации должны рассматривать пациентов на индивидуальном и популяционном уровнях, чтобы эффективно идентифицировать их и обеспечить необходимый уровень медицинской помощи для каждой подгруппы.
Присвоение пациенту категории риска - низкий, средний или высокий риск - на индивидуальном уровне является первым шагом в реализации персонализированного плана лечения. Когда пациенты распределены по этим категориям риска на популяционном уровне, модели оказания медицинской помощи могут быть адаптированы к потребностям каждой подгруппы.
Используя различные вмешательства и модели ухода для групп и отдельных пациентов с высоким риском, врачи и организаторы здравоохранения могут улучшить лечение пациентов, их удовлетворенность от получения медицинской помощи и повысить справедливость предоставления мед. услуг, а также способствовать управлению общественным здоровьем и успеху ценностно-ориентированного лечения.
Оценки уровня риска пациентов имеют решающее значение для выявления пациентов или групп населения, которые могут быть подвержены риску неблагоприятных исходов и нуждаются в целенаправленных вмешательствах. Эти оценки разрабатываются путем выявления факторов риска для определенного заболевания. Например, семейный анамнез рака молочной железы считается фактором риска развития рака молочной железы.
Эти факторы риска оцениваются для лучшего понимания того, как каждый из них влияет на индивидуальный риск или взаимодействует с другими факторами, повышающими риск. Эта информация может быть включена в модели оценки риска на основе предиктивной аналитики для стратификации пациентов и популяций. В основе этих инструментов часто лежат передовые технологии искусственного интеллекта, такие как машинное обучение, позволяющие быстро анализировать огромные объемы данных о пациентах.
Несмотря на перспективность этих инструментов, их широкому внедрению и использованию мешает ряд препятствий.
Как это работает
В целом использование ИИ для оценки рисков выглядит следующим образом:
- Врачи осуществляют ведение электронных медицинских карт, в которых содержится детальная информация о здоровье пациента, динамике изменения показателей, анамнез, жалобы, результаты объективных осмотров и обследований и т.д.
- С помощью технологий ИИ возможно извлечение данных из ЭМК и формирование цифровых профилей пациентов, пригодных для машинного анализа.
- Используя модели машинного обучения, алгоритмы на основе инженерии знаний, а также уже имеющиеся в медицинской науке шкалы оценки рисков, ИИ-система способа в полностью автоматическом режиме проанализировать цифровой профиль и сформировать прогноз – как будет изменятся состояние здоровья пациента, какие негативные события и с какой вероятностью могут возникнуть в ближайшем будущем. Например, есть ли вероятность появления нового заболевания, ухудшение существующего заболевания? Возможно, у пациента появится опасное осложнение, требующее госпитализации? Возможно, есть высокая вероятность смерти пациента от каких-то причин?
- Полученные прогнозы анализируется в комплексном режиме и с учетом выявленных вероятностей и тяжести прогнозируемых событий осуществляется отнесение пациента к той или иной группе риска. Формируется итоговая оценка рисков пациента, которая может быть доступна как врачу через систему поддержки принятия врачебных решений (СППВР), так и различным руководителям через систему управленческой аналитики.
Проблемы и ограничения
Рост применения ИИ в здравоохранении сопровождается постоянно меняющимися преимуществами и недостатками. Понимание потенциальных "подводных камней" этих технологий и способов их устранения имеет решающее значение для обеспечения положительного влияния этих инструментов на качество лечения и его результаты.
Энтузиазм вокруг использования ИИ в здравоохранении вызван идеей о том, что эта технология поможет медицинским специалистам, особенно при применении в системах поддержки принятия врачебных решений (СППВР). Инструменты стратификации риска чрезвычайно ценны для СППВР, поскольку они предоставляют детализированную информацию о рисках пациента и помогают персонализировать лечение.
Однако внедрение ИИ может усугубить проблемы инструментов СППВР, в том числе тех, которые опираются на предиктивную аналитику и стратификацию рисков.
После кибератаки на Change Healthcare в начале 2024 утечки данных и угрозы программ-вымогателей по-прежнему остаются актуальными для участников системы здравоохранения. Использование искусственного интеллекта в этом секторе создает множество проблем, связанных с безопасностью и конфиденциальностью, поскольку нормативные акты и отраслевые стандарты отстают от стремительного развития технологии.
Change Healthcare - поставщик технологий для здравоохранения, предлагающий решения по управлению доходным циклом, управлению платежами и обмену медицинской информацией. Компания управляет крупнейшим в США обменом финансовой и административной информацией. 21 февраля 2024 года компания подверглась кибератаке, которая помешала выплатам врачам на платформе. Многие медицинские учреждения заявили, что в результате сбоя они потеряли значительные доходы - до 100 миллионов долларов в день, что грозило многим из них неплатежеспособностью. Компания заплатила хакерам-вымогателям выкуп в 22 миллиона долларов США с целью защиты данных пациентов, но украденные данные пациентов все равно оказались в теневом интернете.
ИИ - главная мишень для злоумышленников, поскольку медицинские организации по-прежнему сосредоточены на разработке стратегий защиты от более традиционных кибератак, а новые технологии часто не имеют устоявшихся лучших практик для их безопасного и надежного использования на ранних этапах.
В 2022 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (U.S. Food and Drug Administration, FDA) опубликовало руководство , в котором рекомендовало регулировать некоторые инструменты ИИ - например, используемые для прогнозирования рисков для пациентов - как медицинские изделия, в рамках надзора за СППВР.
В 2023 FDA выпустило дополнительный проект руководства, в котором предлагается научно-обоснованный подход к быстрой модификации и улучшению медицинских изделий с использованием ИИ и машинного обучения в ответ на новые данные.
В настоящее время FDA уделяет первостепенное внимание сотрудничеству с другими ведомствами для разработки будущих нормативных актов, позволяющих уравновесить инновации в области ИИ в здравоохранении с защитой здоровья населения. Однако, пока неясно, как будущие нормативные акты могут повлиять на конфиденциальность и безопасность.
Эти опасения возникают наряду с вопросами о взаимодействии инструментов ИИ и справедливостью в оказании медицинской помощи, безопасностью пациентов и предвзятостью автоматизации. Многие также отмечают, что феномен "черного ящика" в медицинском ИИ является серьезным препятствием для использования этих инструментов, поскольку незнание того, как алгоритм генерирует свои результаты, может подорвать доверие пациентов и медицинских организаций.
Однако значительный положительный потенциал ИИ в здравоохранении побуждает исследователей и системы здравоохранения искать пути преодоления этих проблем и совершенствования этих инструментов в различных сферах применения.
Примеры использования ИИ для стратификации риска
Как и в случае с любым новым инструментом в здравоохранении, определение и тестирование перспективных сценариев использования является трамплином для будущих достижений и инноваций. Стратификация рисков теоретически ценна для различных специальностей и областей здравоохранения, а ИИ может еще больше повысить ее полезность.
Как уже упоминалось выше, оценка рисков и предиктивная аналитика являются основными инструментами аналитики для управления общественным здоровьем. Однако, стратификация риска также полезна для стратегий информирования пациентов для их привлечения.
Конечно, определение риска пациента полезно для управления лечением, но даже самые лучшие стратегии будут бесполезны, если пациенты высокого риска не будут сами активно участвовать в лечении.
Отмечая пациентов с высоким риском, медицинские организации не только получают информацию, позволяющую корректировать планы лечения, но и могут персонализировать подходы к вовлечению пациентов. Процесс стратификации риска позволяет врачам лучше понять потребности пациента, особенно если в ходе стратификации выясняется, что социальные детерминанты здоровья (Social determinants of health, SDOH) или другие немедицинские факторы повышают риск неблагоприятного исхода для пациента.
Эта информация позволяет медицинским организациям проактивно управлять рисками и предлагать пациентам необходимые дополнительные услуги, усиливая тем самым профилактику заболеваемости. Стратификация риска также полезна при лечении как острых, так и хронических заболеваний.
Исследовательская группа из Медицинской школы Калифорнийского университета в Сан-Диего в январском номере журнала npj Digital Medicine за 2024 год продемонстрировала, что модель глубокого обучения, внедренная в отделениях неотложной помощи, может точно предсказать сепсис и снизить смертность.Инструмент, известный как COMPOSER, был развернут в отделениях неотложной помощи Медицинского центра Калифорнийского университета в Сан-Диего и медицинских центров Джейкобс и Хиллкрест в декабре 2022 года. Когда исследователи сравнили результаты лечения пациентов до и после внедрения модели, они обнаружили, что инструмент снизил смертность от сепсиса на 17%.
Аналогичное исследование, опубликованное недавно в журнале JAMA Oncology, показало, что инструменты машинного обучения могут точно прогнозировать незапланированную госпитализацию пациентов, проходящих сочетанную химиолучевую терапию, используя данные о состоянии здоровья пациентов, полученные с помощью носимых устройств.
В клинике Mount Sinai активно разрабатываются прогнозы на основе машинного обучения для определения риска развития сердечно-сосудистых заболеваний у пациентов с апноэ сна.
В сфере поведенческого и психического здоровья многие усилия по стратификации риска направлены на предотвращение самоубийств.
В этом месяце ученые Kaiser Permanente опубликовали в журнале JAMA Psychiatry исследование, в котором подробно описали, как модель машинного обучения может помочь спрогнозировать попытки самоубийства среди пациентов, записанных на прием в амбулаторную психиатрическую клинику. Исследователи отметили, что выявление пациентов высокого риска, - необходимое, но сложное дело, поскольку таких людей необходимо выявлять на ранней стадии, чтобы противостоять тому, что многие прекращают психиатрическое лечение после нескольких приемов, а записи о тех, кто только что обратился за помощью, слишком скудны, чтобы врачи могли точно оценить риск. Модель решает эту проблему, опираясь на информацию, полученную на приемах, и информацию о попытках самоубийства для прогнозирования вероятности самоповреждения и самоубийства в течение 90 дней после обращения за психиатрической помощью.
В настоящее время активно изучаются и внедряются другие сценарии использования стратификации риска на основе ИИ. Потенциал этих технологий, вероятно, будет расти по мере развития инструментов и определения участниками системы здравоохранения способов эффективного устранения их недостатков с течением времени.