Барьеры на пути цифровой трансформации

Огра­ни­чен доступ к уже собран­ной меди­цин­ской инфор­ма­ции, а регу­ли­ро­ва­ние обра­бот­ки обез­ли­чен­ных дан­ных тре­бу­ет дора­бот­ки. Для улуч­ше­ния ситу­а­ции экс­перт пред­ло­жи­ла сле­ду­ю­щие меры: вве­де­ние еди­но­го стан­дар­ти­зи­ро­ван­но­го фор­ма­та хра­не­ния меди­цин­ских дан­ных (напри­мер, на базе ГОСТ), обя­за­тель­ное при­ме­не­ние совре­мен­ных стан­дар­тов обме­на инфор­ма­ци­ей (FHIR) все­ми участ­ни­ка­ми систе­мы здра­во­охра­не­ния, созда­ние регла­мен­та и инстру­мен­тов для предо­став­ле­ния досту­па к накоп­лен­ным дан­ным, вклю­чая дан­ные из Еди­ной госу­дар­ствен­ной инфор­ма­ци­он­ной систе­мы здра­во­охра­не­ния (ЕГИСЗ), в иссле­до­ва­тель­ских и ИИ-целях, а так­же уточ­не­ние пра­во­во­го ста­ту­са дата-посред­ни­ков в меди­цин­ской сфере.

В све­те изме­не­ний, каса­ю­щих­ся обме­на пер­со­наль­ной инфор­ма­ци­ей, юрист Ната­лия Спи­цы­на про­ана­ли­зи­ро­ва­ла послед­ние тре­бо­ва­ния зако­но­да­тель­ства. Теперь согла­сие на обра­бот­ку пер­со­наль­ных дан­ных долж­но оформ­лять­ся отдель­но от иных доку­мен­тов, кото­рые под­пи­сы­ва­ет субъ­ект (ч.1 ст.9 ФЗ «О пер­со­наль­ных дан­ных»). В пору­че­нии на обра­бот­ку долж­ны быть закреп­ле­ны обя­за­тель­ства обра­бот­чи­ка: соблю­де­ние тре­бо­ва­ний о лока­ли­за­ции дан­ных, транс­гра­нич­ных пере­да­чах и обес­пе­че­нии без­опас­но­сти, выпол­не­ние пред­пи­са­ний опе­ра­то­ра по бло­ки­ров­ке и уда­ле­нию дан­ных по запро­сам паци­ен­тов. Согла­ше­ние о пере­да­че пер­со­наль­ных дан­ных долж­но содер­жать чёт­кие поло­же­ния о ста­ту­се сто­рон как само­сто­я­тель­ных опе­ра­то­ров, ответ­ствен­ные за нали­чие осно­ва­ний для пере­да­чи и инфор­ми­ро­ва­ние субъ­ек­тов, а так­же пра­ви­ла реак­ции на утеч­ки и воз­ме­ще­ние убыт­ков в слу­чае ответ­ствен­но­сти обработчика.

Алек­сандр Соло­дов­ни­ков, доцент кафед­ры био­хи­мии меди­цин­ско­го инсти­ту­та РУДН, выде­лил глав­ные тех­ни­че­ские про­бле­мы при­ме­не­ния ИИ при рабо­те с дан­ны­ми из реаль­ной кли­ни­че­ской прак­ти­ки. По его сло­вам, до 80% инфор­ма­ции в элек­трон­ных меди­цин­ских кар­тах (ЭМК) оста­ют­ся неструк­ту­ри­ро­ван­ны­ми: это запи­си вра­чей, отче­ты, диа­гно­сти­че­ские изоб­ра­же­ния, хра­ня­щи­е­ся в фор­ма­те, затруд­ня­ю­щем ана­лиз. Осо­бен­но ост­ро этот вопрос сто­ит в онко­ло­гии, где важ­ней­шие дан­ные нахо­дят­ся в тек­сто­вых доку­мен­тах с мно­го­чис­лен­ны­ми вари­а­ци­я­ми пред­став­ле­ния инфор­ма­ции. Напри­мер, око­ло тыся­чи вари­ан­тов отра­же­ния уров­ня гли­ки­ро­ван­но­го гемо­гло­би­на встре­ча­ют­ся в одном набо­ре дан­ных. Такая раз­роз­нен­ность созда­ет зна­чи­тель­ные труд­но­сти для обра­бот­ки и анализа.

Чело­ве­че­ские воз­мож­но­сти по обра­бот­ке таких объ­е­мов инфор­ма­ции огра­ни­че­ны, поэто­му при­ме­ня­ют­ся циф­ро­вые моде­ли. Сре­ди них выде­ля­ют­ся NLP-моде­ли (обра­бот­ка есте­ствен­но­го язы­ка), исполь­зу­е­мые для авто­ма­ти­че­ско­го извле­че­ния фак­тов из кли­ни­че­ских тек­стов: диа­гно­зы, даты уста­нов­ле­ния, назна­чен­ные пре­па­ра­ты с дози­ров­ка­ми, резуль­та­ты диа­гно­стик авто­ма­ти­че­ски зано­сят­ся в базу дан­ных. Кро­ме того, широ­кое при­ме­не­ние нахо­дят мето­ды машин­но­го обу­че­ния (ML), кото­рые выяв­ля­ют скры­тые свя­зи и созда­ют про­гноз­ные моде­ли в кли­ни­ке. Совре­мен­ные боль­шие язы­ко­вые моде­ли (LLM) так­же демон­стри­ру­ют пер­спек­ти­вы — они спо­соб­ны ана­ли­зи­ро­вать тыся­чи запи­сей и выяв­лять момен­ты про­грес­си­ро­ва­ния болез­ни, как это было про­де­мон­стри­ро­ва­но при иссле­до­ва­нии четыр­на­дца­ти видов рака. В резуль­та­те полу­чи­лось сопо­ста­вить пока­за­те­ли выжи­ва­е­мо­сти, рас­счи­тан­ные LLM, с тра­ди­ци­он­ны­ми «руч­ны­ми» рас­че­та­ми, что сви­де­тель­ству­ет о высо­кой точ­но­сти таких систем.

Экс­перт под­черк­нул важ­ность уча­стия спе­ци­а­ли­стов в про­цес­се исполь­зо­ва­ния ИИ. Люди зани­ма­ют­ся обу­че­ни­ем и вали­да­ци­ей моде­лей: они иссле­ду­ют выво­ды, выяв­ля­ют ошиб­ки и отме­ча­ют нюан­сы, ока­зы­вая кри­ти­че­скую под­держ­ку. Кон­троль­ные выбор­ки раз­ме­ча­ют­ся вруч­ную, что помо­га­ет повы­сить досто­вер­ность резуль­та­тов и систе­му в целом.