Алгоритм прогнозирования смерти

В дальнейшем улучшение технологий, использующих глубокое обучение, может оказать позитивное влияние на работу специалистов в области паллиативной терапии в 1700 американских клиниках, что составляет 60% от их общего числа.

В США насчитывается всего лишь 6600 сертифицированных специалистов в области паллиативной терапии, или один специалист на тысячу двести больных, находящихся под наблюдением. Ситуация требует серьезного повышения эффективности без ущерба для качества предоставляемой помощи. Меньше половины пациентов, госпитализированных для получения паллиативной медицинской помощи, в действительности получают ее. Между тем 80% всех пациентов, находящихся на грани смерти, хотели бы умереть дома, но удается это немногим — 60% пациентов умирают в больницах.

Необходимо точно прогнозировать предполагаемое время смерти: это чрезвычайно важно, ведь от прогноза зависит, смогут ли пациенты, которые хотят умереть дома, исполнить свое желание. Врачи, как мы знаем, не очень успешны в своих прогнозах. На протяжении многих лет для предсказания смерти пациента врачи и медсестры использовали так называемый «вопрос о неожиданности». Они вспоминали состояние пациента и спрашивали себя: «Удивлюсь ли я, если он умрет в течение ближайших двенадцати месяцев?» Систематический обзор двадцати шести медицинских журналов, содержащих прогнозы времени смерти пациентов, показал, что их средняя точность была меньше 75%, при этом наблюдался широкий разброс в точности предсказаний.

Вместе со свой командой Ананд Авати, ученый в области информационных технологий из Стэнфорда, представил алгоритм глубокого обучения, работающий с электронными медицинскими картами для прогнозирования времени смерти. Может показаться, что статья под названием «Совершенствование паллиативной медицинской терапии посредством технологии глубокого обучения» говорит совершенно о другом, но не спешите с выводами: речь в ней ведется именно о создании алгоритма, вычисляющего дату смерти пациента. В 2009 году общество серьезно обеспокоилось, когда Сара Пейлин во время дебатов о федеральном законодательстве в области здравоохранения впервые использовала термин «death panels» — «комитеты смерти». (Термин использован для критики предложения президента Обамы по реформе здравоохранения, в рамках которой молодые люди обладали приоритетом перед пожилыми на получение медицинской помощи и высокотехнологичных медицинских протезов. — прим. Newочём.) Но в то время этот вопрос неизбежно затрагивал врачей.

Сегодня же мы говорим о машинах. Восемнадцатислойная нейронная сеть, обучающаяся на основе медицинских карт почти 160 тысяч пациентов, смогла с поразительной точностью предсказать время смерти 40 тысяч гипотетических больных. Алгоритм обращал внимание на те показатели, которыми пренебрегали врачи: например, на число рентгеновских снимков в медицинской карте, в том числе снимков спины или мочевыделительной системы. Статистическая точность этого метода сравнима с прогнозированием, основанном на возрасте человека. Результаты оказались впечатляющими: более 90% людей, жизнь которых, согласно прогнозам, должна была закончиться в течение последующих 3-12 месяцев, действительно скончались. Такая же точность наблюдалась и с теми, кто должен был прожить дольше года. Примечательно, что для обучения алгоритма использовали данные двухсот тысяч пациентов. Причем такой точности результатов удалось достичь, используя только лишь структурированные данные из электронных записей, такие как возраст, срок госпитализации пациента, какое лечение он проходил и какие снимки делал. Алгоритм не использовал результаты лабораторных анализов, не рассматривал гистопатологические заключения или расшифровки рентгеновских снимков, не говоря уже о результатах комплексных диагностических исследований каждого конкретного пациента, включая его психологическое состояние, желание жить, походку, кистевую силу и многие другие параметры, связанные с продолжительностью жизни. Представьте, насколько бы возросла точность прогнозов, если бы алгоритмы анализировали все эти данные!

Алгоритм прогнозирования смерти предвещает серьезные изменения в области оказания паллиативной медицинской помощи. Уже появились компании, серьезно заинтересованные в совершенствовании вышеописанных методов. CareSkore — одна из них. Однако прогнозирование того, умрет ли человек в больнице, лишь часть работы, которую могут делать нейросети, используя данные электронных медицинских карт. Команда Google в сотрудничестве с тремя академическими медицинскими центрами использовала данные более 216 тысяч госпитализаций 114 тысяч пациентов и более 47 миллиардов единиц данных для прогнозирования с помощью нейросети. Нейросеть предсказывала время смерти пациента, продолжительность его пребывания в больнице, вероятность повторной госпитализации и дату окончательной выписки. В большинстве случаев точность прогнозов была хорошей или весьма удовлетворительной. Немецкая команда разработчиков использовала глубокое обучение для анализа данных 44 тысяч пациентов, чтобы с предельной точностью предсказать смерть в больнице, отказ почек и геморрагические осложнения после операций.

DeepMind AI работают совместно с Министерством по делам ветеранов США, чтобы предсказать результат лечения 700 тысяч ветеранов. ИИ также использовался для прогнозирования того, выживет ли пациент после трансплантации сердца, а также для увеличения точности генетической диагностики с помощью комбинирования информации с электронных медицинских карт и результатов секвенирования ДНК. Конечно, математическое моделирование и логистическая регрессия уже применялись для работы с подобными данными, но использование машинного и глубокого обучения в сочетании с огромными объемами данных привело к значительному повышению точности прогнозирования.

Возможный спектр применения данных технологий очень широк. Как отметил врач и писатель Сиддхартха Мукерджи: «Я не могу избавиться от небольшого внутреннего дискомфорта, когда думаю о том, что компьютерный алгоритм может понять мораль лучше, чем большинство людей». Очевидно, алгоритмы могут помочь пациентам и их лечащим врачами принимать решения, связанные как с оказанием паллиативной помощи, так и с лечением, цель которого — полное выздоровление. Они также могут повысить эффективность использования отделений интенсивной терапии, реанимаций и аппаратов искусственной вентиляции легких. Сходным образом, использование данных прогнозирования страховыми компаниями для возмещения расходов может стать серьезной проблемой.

Возвращаясь к истории моего тестя, его серьезные проблемы с печенью, о которых долгое время никто не знал, могли бы быть спрогнозированы на основе результатов лабораторных анализов, которые он сдавал во время госпитализации. Уже тогда они показывали критически низкий уровень калия в крови. Алгоритмы искусственного интеллекта смогли бы выявить настоящую причину его недуга, которая и по сей день остается неизвестной. История о том, как жизнь моего тестя подходила к концу, также наводит на мысль, что существуют факторы, которые никогда не сможет усвоить ни один алгоритм. Врачи учитывали результаты лабораторных анализов, печеночную недостаточность, возраст и иммунологическую толерантность организма моего тестя, а потому пришли к выводу, что он больше не проснется и, вероятно, умрет в течении нескольких дней. В конечном итоге, алгоритм был бы точен, если бы спрогнозировал, что моему тестю не удастся пережить эту госпитализацию.

Но подобные прогнозы не говорят, что делать, пока пациенты все еще живы. Когда мы размышляем обо всем, что связано с жизнью и смертью человека, трудно думать о машинах и алгоритмах — этого попросту недостаточно. Несмотря на все прогнозы врачей, он вернулся к жизни и смог отметить свой день рождения вместе со своей большой семьей: мы делились воспоминаниями, смеялись и дарили друг другу любовь. Я понятия не имею, помогли ли ему исцеляющие прикосновения близких, хотя мои жена и дочь уверены, что это имело свое воздействие. Но, если бы в тот момент мы отказались от всяких попыток продлить его жизнь, он бы упустил шанс увидеть свою семью, попрощаться со всеми ее членами, выразить свои глубокие чувства. У нас нет алгоритма, который определит, важно ли это.

Эрик Тополь (Eric Topol), Wired