Введение
Внедрение технологий искусственного интеллекта (ИИ) в здравоохранении окончательно переросло этап научных экспериментов и пилотных проектов, достигнув стадии созревания и реального практического применения.
Еще буквально 2-3 года назад использование технологий ИИ было скорее нормативно-определенным приоритетом для цифровой трансформации здравоохранения и уделом наиболее активных компаний-разработчиков. Сейчас, как минимум в государственном здравоохранении, ИИ-решения встроены в медицинские информационные системы (МИС) и повсеместно доступны врачам-практикам. Свыше 80 субъектов РФ так или иначе используют различные медицинские изделия с технологиями ИИ (МИ с ИИ) для анализа медицинских изображений и электронных медицинских карт (ЭМК).
Этот результат стал возможен благодаря целому комплексу мероприятий по теме ИИ в медицине, реализованных государством с 2018 г. Основные из них: развитие нормативно-правового регулирования, создание национальных стандартов и совершенствование государственной регистрации медизделий с ИИ. Также ключевым драйвером стали государственные закупки и внедрение ИИ-решений в регионах, запущенные в 2023 г., а затем Федеральный инцидент №11 по мониторингу применения медизделий с технологиями ИИ в субъектах РФ, запущенный осенью 2024 г.
Вместе с этим с точки зрения рынка мы все еще находимся в первичной стадии. Присутствует много направлений, в которых ИИ-продукты или отсутствуют или представлены единичными решениями. Уровень использования ИИ врачами не достиг пока еще 100%, есть целые нозологические ниши и медицинские специальности, в которых ИИ еще не применяется.
Мы считаем, что к 2030 г. российский рынок ИИ для здравоохранения многократно увеличится. При этом произойдет структурное изменение игроков, продуктов и сценариев применения ИИ. ИИ-решения перестанут быть этакими «советчиками» из-за угла и второстепенными но модными продуктами, перейдя к статусу обязательного инструмента практически во всех процессах.
В этой публикации мы постарались выделить наиболее значимые тренды в части того, как будет развиваться сфера искусственного интеллекта для здравоохранения в 2026-2030 гг.
Переход к использованию больших генеративных моделей
- Использование технологий генеративного ИИ, в особенности больших языковых моделей (large language model, LLM) позволяет добавлять новые функциональные возможности в ИИ-решения в разы быстрее и дешевле, чем на основе классических моделей машинного обучения, не говоря уже об экспертных системах.
- Для некоторых типовых задач, например, создание сервиса симптомчекера для предварительной постановки диагноза или сервиса подбора врачебных назначений, включая лекарственную терапию, в эпоху ИИ на основе экспертного подхода требовалось участие сотен врачей-специалистов и несколько лет разработок, что никак не соответствовало инвестиционным ожиданиям и поэтому оставалось уделом скорее академической науки, чем задачей для бизнеса.
- Переход к ИИ на основе данных и технологиям машинного обучения сократил требуемые ресурсы для разработки ИИ-системы до нескольких специалистов по предметной области, а срок разработки – до буквально нескольких месяцев, что в свою очередь стало посильным для стартапов и, фактически, породило бум компаний и прикладных ИИ-решений для здравоохранения.
Однако мы считаем, что этот подход тоже стратегически завершает свое доминирование и будет заменен на создание ИИ-систем на основе гибридного подхода, в котором LLM-модели будут сочетаться с рекомендательными алгоритмами на основе правил и классическими ML-моделями для задач прогнозирования.
Дело в том, что сегодня создание прототипа (PoC) ИИ-продукта на основе LLM требует буквально 1го LLM-инженера и 1го клинициста для контроля качества, а срок создания как MVP-версии может составлять буквально несколько недель, что на порядок быстрее и дешевле, чем аналогичный продукт на основе классического ML.
Скорее при должном уровне стандартизации и использования ИИ в т.ч. не только для функционирования продукта, но и для его разработки и документирования, можно будет сократить срок выпуска MVP-версии вплоть до двух рабочих недель.
Ранее для создания ИИ-систем для здравоохранения нужно было создавать специализированную компанию, накапливать в ней уникальные и дорогостоящие компетенции, а время создания и выхода на первые продажи и реальное использование могло составлять 2-3 года и более.
Теперь, за счет ускорения и удешевления процессов создания ИИ-решений, число различных разработок будет быстро расти. Однако в силу особенностей LLM как технологии, качество и безопасность создаваемых ИИ-продуктов будут пропорционально падать.
До тех пор, пока вокруг ИИ будет сохраняться хайп, отрасль здравоохранения будет одной из самых привлекательных для разработчиков, включая откровенно безответственных спекулянтов, которые будут игнорировать этические требования и стандарты доказательной медицины, предлагая наспех сделанные «на коленке» продукты.
Высокий риск потенциального причинения вреда здоровью из-за т.н. «галлюцинаций» приведет к пониманию что для здравоохранения нужно создавать специально дообученные отраслевые LLM. И именно такие модели должны стать основной для будущих ИИ-решений, в том числе через возможно законодательное ограничение применения LLM общего назначения в продуктах для здравоохранения, например в системах поддержки принятия врачебных решений (СППВР) и цифровых ассистентах для пациентов.
Разработка таких отраслевых LLM потребует, во-первых, тонкой настройки (fine-tuning) на российских медицинских данных, а во-вторых — создания баз знаний на основе RAG (Retrieval-Augmented Generation). Эти меры помогут сократить риски неправильных или даже опасных рекомендаций LLM-решений.
Основываясь на этих прогнозах, мы считаем, что в ближайшее время в России будет создана отраслевая (доменная) LLM модель на основе российских коммерческих LLM или открытых (open source) разработках (например, DeepSeek, Llama, Qwen и т.д.).
Потребуется изменение в регуляторике, которая, с одной стороны, должна разрешить регистрацию ИИ-решений на основе LLM в качестве медицинских изделий и отнести к понятию мед.изделия с подобными ИИ продуктами, предназначенные для пациентов.
С другой стороны, потребуется урегулировать оборот и допуск на рынок России только тех решений, что будут работать на основании одобренной отраслевой российской LLM, размещенной в защищенном ЦОДе на территории РФ.
LLM-решения общего назначения, в особенности американские, а также коммерческие разработки, скорее всего будут ограничены или возможно даже запрещены для применения в сфере здравоохранения.
Переход к использованию ИИ-агентов
Связанный с генеративным ИИ тренд перехода к автономным ИИ-агентам будет развиваться, а затем и доминировать на рынке.
ИИ-агенты, быстро создаваемые в специализированных фреймворках на основе LLM, смогут самостоятельно выполнять сложные многоэтапные задачи, планировать действия и адаптироваться без постоянного контроля человека. Они проникнут во все популярные сценарии применения ИИ, от чат-ботов до «виртуальных коллег», интегрированных в бизнес-процессы, например для автоматического фонового анализа записей в электронных медкартах и подсказках врачам об опасных находках.
Также ИИ-агенты будут активно применяться в персонализированных цифровых ассистентах для пациентов, включая дистанционный мониторинг пациентов с хроническими заболеваниями, помогая им формировать понятные и правильные рекомендации по обследованию, лечению, образу жизни и т.д.
Этот технологический тренд сможет вызвать существенное возрождение некоторых, кажется, застывших в своем развитии, смежных секторах цифрового здравоохранения. Например, телемедицина – где реального роста использования и популярности так и не удается добиться, т.к. современная телемедицинская помощь основана на обязательном участии врача-консультанта. Цифровая трансформация этого правила путем замены, хотя бы частичной, телемедицинских консультаций «Пациент» - «Врач» на «Пациент» - «ИИ-агент» может дать существенный прирост рынку за счет снижения стоимости таких консультаций.
Переход к автономному ИИ, ориентированному на сокращение затрат
Ключевыми вызовами здравоохранения являются постоянный финансовый и кадровый дефициты. Представляется, что несмотря на социальную политику государства и усилия регулятора по теме кадровой проблемы, эти вызовы будут не просто сохраняться, но могут и усугубиться.
Чем успешнее будут отраслевые усилия по росту ожидаемой продолжительности жизни, тем больше в структуре населения будут преобладать пациенты пожилого возраста, которые, с одной стороны, будут все больше и больше нуждаться в медицинской помощи, визитах к врачу, лекарствах и наблюдении. А с другой стороны, будут существенно ограничены в своих возможностях доступа к платной медицине, а значит – будут обращаться в государственные медорганизации.
Эти макро-тренды будут обеспечивать все возрастающий спрос на бесплатную медицинскую помощь, особенно в первичном звене здравоохранения. Для ответа на запрос роста государственных расходов и увеличения численности врачей и медсестер потребуются принципиально новые подходы к организации здравоохранения на основе, в том числе, цифровой трансформации и ИИ.
Поэтому уже сейчас и безусловно в будущем от ИИ-решений главным образом будет требоваться сокращение затрат и потребности в кадрах.
Однако текущие ИИ-продукты никак не соответствуют этим потребностям, более того – довольно часто они фактически усиливают кадровую проблему и затраты, а не снижают их.
Дело в том, что исторически ИИ-решения для медицины создавались исходя из технических возможностей и доступности данных для машинного обучения, а не из ключевых отраслевых потребностей. Поэтому порядка 70-80% всех зарегистрированных медизделий с ИИ практически во всех странах мира, и у нас в РФ также, приходится на анализ медицинских изображений, особенно лучевую диагностику. В этой области рынок уже сейчас является «перегретым», тут присутствует много почти неотличимых друг от друга продуктов.
Все эти решения разработчики предлагают врачам как «второе мнение». Это означает, что никаких структурных изменений затрат и потребности в кадрах не происходит. Медицинская помощь как оказывалась по старым принципам, так и оказывается. Врач как принимал пациента и нес ответственность за анализ данных, поставленный диагноз и назначенное лечение, так и продолжает это делать. ИИ лишь дополнительно перепроверяет полученные данные и дает рекомендации, но не сокращает, по большому счету, потребность во врачах и тем более никак не снимает ответственность за возможные врачебные ошибки.
Существующий акцент на применении ИИ для анализа изображений и электронных медкарт лишь закрепляет эту проблему, т. к. современные ИИ-систем выявляют высокорисковых пациентов или случаи ранней патологии, что в конечном счете требует дополнительные ресурсы на обследование и лечение найденных пациентов.
Все это вместе взятое приводит нас к выводу, что, по сути, то, как мы применяем сейчас ИИ в лечебно-диагностических процессах, на самом деле не сокращает нагрузку на систему здравоохранения. Более того, само внедрение ИИ-решений строго говоря требует дополнительные затраты на покупку продуктов и оплату их технического сопровождения, интеграцию с существующими МИС, обучение пользователей и надзор за эффективностью и безопасностью.
Таким образом, в настоящее время мы видим разрыв между потребностью системы здравоохранения в сокращении затрат и кадрах и тем результатом, который ИИ-продукты на самом деле способны дать.
Эта серьезная проблема. И, на наш взгляд, она может быть разрешена только одним способом – мы должны передать часть функций / нагрузки в рамках оказания медицинской помощи с врачей (и медсестер) на плечи ИИ. А это, в свою очередь, означает что мы должны начинать применять автономные ИИ-агенты.
Только такой пересмотр сценариев применения ИИ-технологий создаст выраженную для организаторов здравоохранения ценность, за которую они готовы будут увеличивать затраты на ИИ-решения и менять регуляторику так, чтобы перейти от заградительного характера к мотивационному.
Мы считаем, что спрос на экономию финансов и кадров, а также рост конкуренции и технологическое развитие ИИ заставят разработчиков пересматривать свои подходы к тому, как можно применять ИИ, а также к формам оплаты за ИИ-решения. В будущем ИИ должен не создавать дополнительные затраты, а сокращать их – либо за счет более дешевых лечебно-диагностических процессов, либо за счет исключения ненужных или необоснованных затрат.
Аналогичное изменение должно произойти в части кадров: ИИ-продукты должны брать на себя часть функций и нагрузки на врачей и медсестер, позволяя оказывать постепенно возрастающий объем медицинских услуг за счет автономного ИИ, а не медработников. Это, безусловно, будет тормозиться дилеммой ответственности за возможные ИИ-ошибки, но спрос на такое изменение все равно будет высоким.
Переход к автономным ИИ-агентам мы видим сразу в нескольких направлениях:
- Диагностические референс-центры с описанием исследований ИИ-агентами. В случае выполнения какого-либо исследования (лучевая диагностика, ЭКГ и тд) его результаты отправляются не врачу, а автономному ИИ-агенту, который в случае нормы самостоятельно формирует и подписывает протокол исследования в электронной медкарте. Если же ИИ-агент обнаруживает какие-либо признаки патологии, то только такое исследование, с уже предварительно созданным описанием, отправляется врачу-диагносту. Причем важно сразу же переходить к централизованным моделям размещения таких врачей в референс-центрах. В итоге такая цифровая трансформация диагностической службы позволит существенно, в разы сократить затраты на диагностику, поскольку тариф за расшифровку результатов для ИИ-агента должен быть заметно ниже, чем тариф врача.
- Цифровая профилактика. В настоящее время существенная часть чекапов и профилактических медицинских осмотров выполняются для, фактически, здоровых пациентов. Данные таких случаев можно проанализировать автономными ИИ-агентами, которые уже сейчас делают анализ точнее и, главное, более персонализировано. Если ИИ-агент уверен, что в полученных результатах профилактического осмотра нет признаков патологических процессов, то он может сформировать оценку и рекомендации самостоятельно, без привлечения врача. Стоимость такого анализа может быть в 2-3 раза ниже, чем это сделает врач-человек. А время расшифровки может быть существенно сокращено.
- Дистанционный мониторинг и диспансерное наблюдение. Бум носимых устройств, их возможности по непрерывному считыванию большого количества характеризующих здоровье данных, является еще одним перспективным направлением для применения автономного ИИ. Анализ потока таких данных в сочетании с извлечением знаний из электронных медкарт и персональным профилированием пациента позволяет непрерывно и без участия медработников осуществлять анализ здоровья и предсказание возможных осложнений. Такой мониторинг может стать более дешевым и эффективным аналогом привычного сегодня диспансерного наблюдения, причем востребованного не только организаторами здравоохранения, но и самими пациентами.
Централизация решений и переход к ИИ-платформам
Сегодня большинство существующих решений являются фактически нишевыми продуктами с точки зрения функций. Отдельно – ИИ-решения для анализа изображений, и то не всех – а лишь какой-то их части, например лучевой диагностики. Отдельно – ИИ-решения для оценки рисков, отдельно – для соблюдения клинических рекомендаций, отдельно – для подбора лекарственной терапии и т.д.
По мере развития LLM-продуктов и агентного ИИ, число предлагаемых разработчиками решений будет только возрастать. Довольно быстро отрасль окажется в ситуации, когда заказчики не смогут уже больше закупать и использовать нишевые продукты просто в силу того, что затраты и длительность их встраивания в существующие информационные системы будут неприемлемо высокими.
Уже в ближайшее время, как это было ранее с МИС, возникнет спрос на интеграцию различных модальностей и отдельных ИИ-продуктов в общее платформенное решение.
При этом тренд на централизацию будет развиваться сразу в 2х уровнях.
- Первый из них — это интеграция на уровне инфраструктуры, поскольку для отдельных ИИ-решений в обязательном порядке потребуется обмен как полученными для анализа данными, так и результатами работы. Например, ИИ-агенты для анализа изображений будут нуждаться в извлечении данных из ЭМК и, соответственно, получении результатов такого извлечения и интерпретации от СППВР для ЭМК. Одновременно с этим передача находок от ИИ-агентов для анализа изображений в СППВР и управленческую аналитику будет давать дополнительную ценность этим продуктам. Такой обмен в защищенном и высокопроизводительном варианте будет возможен только при условии размещения всех продуктов в едином ЦОДе. Если же продукты будут использовать LLM, то такой ЦОД с комплексом специализированных чипов станет просто неизбежным.
- Вторая централизация произойдет на уровне продуктов и интеграции с МИС и пациентскими приложениями. Разработчики соответствующих ИТ-систем будут просто не в силах обеспечивать интеграцию и обмен данным с десятками разрозненных ИИ-решений. Они выберут путь централизации – будут обеспечивать интеграцию с каким-то наиболее крупным разработчиком, который в свою очередь возьмет под свое «крыло» нишевые ИИ-продукты.
Таким образом, произойдет консолидация рынка. Тот крупный игрок, который вложится не в создание все новых и новых специализированных ИИ-сервисов, а в их интеграцию друг с другом, а также с крупнейшими цифровыми решениями для пациентов и МИС, фактически возьмет ИИ-рынок под контроль.
Переход к мультимодальным решениями
Еще одной важной особенностью существующих сегодня ИИ-решений является их мономодальная природа. Часть компаний специализируется на анализе изображений, часть на анализе электронных медкарт и тд. Однако уже в целом стало понятным, что дальнейший рост как точности работы ИИ-продуктов, так и их ценности для заказчиков и пользователей, будет ограничен из-за такой специализации.
Невозможно бесконечно увеличивать точность выявления патологий на снимках, если ИИ-модель не имеет доступа к анамнезу, уже поставленным диагнозам и истории обращений пациента за медицинской помощью – но всех этих данных нет в DICOM-файлах. Они есть только в медицинских записях в ЭМК.
Аналогичная проблема имеется и для ИИ-продуктов для электронных медкарт, например – невозможно постоянно повышать точность прогностики развития онкологических заболеваний без знаний о канцерогенах или образе жизни пациента. Но этих данных нет в медицинских документах, их можно «вытащить» только из пациентских приложений или даже иных ИИ, вообще не имеющих отношения к здравоохранению – например, баз данных предприятий.
Эти ограничения создают стратегический выраженный спрос на разработку комплексных мультимодальных продуктов, интегрирующих анализ различных источников данных.
Самое перспективное – это соединение анализа медицинских изображений с извлечением данных из ЭМК, подключение данных носимых устройств и пациентских приложений. В более дальней перспективе – подключение сложных источников, таких как социальные сети, данные о покупках пациентов и продуктовых предпочтениях, образе жизни, условиям окружающей среды и т.д.
Смещение продуктов от специализированных разработчиков к крупным технологическим корпорациям
Спрос на комплексные централизованные и мультимодальные решения, переход к генеративному ИИ, особенно к отраслевым LLM и автономным ИИ-агентам, потребует огромных финансовых затрат для дообучения моделей и их эксплуатации в специализированных защищенных ЦОДах. Это, в свою очередь, потребует соответствующие электрические мощности, дорогостоящие GPU для дообучения и эксплуатации генеративного ИИ.
Все это дорого, такие затраты не смогут быть обеспечены небольшими технологическими стартапами, которые в настоящее время поставляют примерно 80% ИИ-продуктов для здравоохранения.
Это означает, что на рынке постепенно будет происходит переток ИИ-решений от стартапов в технологические гиганты.
В США уже сейчас OpenAI, Anthropic, Google и даже отстающая по всем ИИ-фронтам Apple – разрабатывают специализированные платформенные ИИ-решения для здравоохранения, вкладывая колоссальные инфраструктурные и финансовые ресурсы. Представляется, что в России, пусть с некоторой задержкой, но будет реализован тот же самый тренд.
Специализированные стартапы не смогут выиграть в ИИ-гонке. Инерционно развиваясь в парадигме моно-продуктового подхода или присутствия в узкой рыночной нише, они будут вынуждены конкурировать не с такими же как они небольшими частными разработчиками, а с крупными техногигантами, а значит стратегически проигрывать им и, в итоге, постепенно уходить с рынка.