29–30 октября в Тбилиси прошла международная конференция «Искусственный интеллект в здравоохранении и медицине» (AIMCare 2026), организованная в сотрудничестве Альте Университета и Тбилисского государственного медицинского университета при поддержке Национального научного фонда Шота Руставели Грузии.
Мероприятие объединило ведущих исследователей, клиницистов, инженеров, экспертов в области здравоохранения, академический персонал и студентов из 10 стран мира в едином междисциплинарном пространстве, включая Грузию, Великобританию, Германию, Испанию, Францию, Италию, Ирландию, Польшу, Чехию и Иорданию.
Одна из ключевых тем конференции была посвящена реальной клинической ценности искусственного интеллекта. Мы побеседовали с профессором Людвигом Кристианом Хинске, руководителем Института цифровой медицины Университетской клиники Аугсбурга и профессором кафедры управления данными и поддержки принятия клинических решений.
Ваша презентация была посвящена тому, как искусственный интеллект создает реальную ценность в медицине. Сегодня об искусственном интеллекте говорят везде, однако его масштабное внедрение в реальную клиническую практику все еще отстает. По вашему опыту, в чем основная причина этого?
Когда мы только начинали работать в этой сфере, нам казалось, что главная задача — это создание баз данных, обучение алгоритмов и достижение высоких показателей точности. Однако с годами мы поняли, что это лишь первый и самый легкий шаг. Настоящая сложность начинается тогда, когда эту технологию необходимо перенести непосредственно в клинику, в повседневный рабочий процесс врача. Существует огромный разрыв между тысячами успешных алгоритмов, опубликованных в научной литературе, и их реальной интеграцией в клиническую практику.
Менее 20% врачей реально используют инструменты искусственного интеллекта. Главная проблема заключается в том, что продукты часто создаются исключительно ради алгоритмической точности, при этом забывается клинический рабочий процесс. Если система искусственного интеллекта не экономит время клинициста или неудобна в использовании, они просто не станут ее применять.
Еще в 1970-х годах — примерно 50 лет назад — была создана одна из первых систем искусственного интеллекта, MYCIN. В диагностике инфекционных заболеваний ее точность даже превосходила показатели специализированных врачей. Несмотря на это, она так и не прижилась в клинической практике, поскольку не была интегрирована с другими больничными системами, а врачам приходилось вводить данные вручную. Иными словами, архитектура и алгоритмы существовали еще полвека назад, но главным узким местом по сей день остается их практическая интеграция в клинические процессы.
Вы также подчеркнули, что искусственный интеллект — это не просто диагностический инструмент и что он должен поддерживать клиницистов и в других аспектах. Что это означает на практике?
Медицина — это не только алгоритмы, медицина — это человеческие взаимоотношения. Когда пациент болен, ему не нужно, чтобы лечение определял компьютер, — ему нужен врач, который выслушает, проявит эмпатию и подарит надежду. Сегодня врачи — особенно в отделениях интенсивной терапии — проводят от 80 до 90% своего времени у компьютера, заполняя документацию, и лишь 10% — с пациентом. Именно в этом и должна заключаться главная задача искусственного интеллекта: взять на себя административную нагрузку, оптимизировать документирование и предотвратить ошибки, тем самым высвободив время врача для живого общения с пациентом.
Наряду с внедрением в клиниках, одной из самых острых проблем являются этика и предвзятость. Как эта проблема проявляется в медицинских данных?
Это колоссальная проблема. Искусственный интеллект учится на тех данных, которые мы в него закладываем. Даже если мы намеренно скрываем информацию о полу, цвете кожи или этнической принадлежности пациента, искусственный интеллект все равно умудряется вычислять эти признаки по косвенным биомаркерам — таким как кривые артериального давления или рентгенограммы грудной клетки.
В результате искусственный интеллект скрытно впитывает любые культурные предвзятость, которые могут быть присущи нам, поэтому строгая верификация имеет критически важное значение. Если модель не прошла валидацию на разнообразных группах населения, она рискует принимать ошибочные или дискриминационные решения. Вы привели пример, когда дорогостоящие системы искусственного интеллекта на практике оказались неэффективными.
Почему технология работает безупречно с точки зрения алгоритмов, но не улучшает конечный результат лечения пациента?
Это то, что мы называем «дефицитом доказательств» (Evidence Gap). На рынке существуют устройства с искусственным интеллектом, обладающие исключительными техническими параметрами, однако клинические исследования показывают, что их внедрение на самом деле не привело к снижению смертности или осложнений среди пациентов. Например, алгоритм прогнозирования гипотонии (низкого артериального давления) успешно снижал количество эпизодов падения давления, но это никак существенно не повлияло на общий клинический исход для пациента.
Между тем производители вдвое подняли цены на оборудование и датчики. По сути, больница платила в два раза больше за технологию, которая не принесла практически никакой клинической ценности. Поэтому перед покупкой продукта на базе искусственного интеллекта мы должны задать себе вопрос: действительно ли эта технология улучшает здоровье пациента?
Внедрение искусственного интеллекта — это не чисто технологическая задача. Какие главные вызовы вы предвидите для системы здравоохранения с точки зрения масштабирования и финансирования?
Сегодня в медицине происходит переход от эпизодического ухода к непрерывному уходу (Continuous Care). Благодаря современным носимым устройствам и датчикам с искусственным интеллектом уже появилась возможность следить за состоянием пациента не только во время визитов в клинику, но и круглосуточно из дома, превентивно предотвращая осложнения до того, как потребуется госпитализация. Однако это означает, что врач или система отслеживают уже не 100 или 1000 пациентов, а целые регионы — миллионы людей одновременно в режиме непрерывного наблюдения.
Это порождает фундаментальный вопрос: как мы за это платим и как финансировать такую систему? Существующие модели здравоохранения и страхования заточены под традиционный подход — оплату за каждый отдельный клинический визит, а не за непрерывный мониторинг. При непрерывном наблюдении за пациентами в таком масштабе технологические, организационные и финансовые модели должны быть полностью пересмотрены.
Кроме того, модели искусственного интеллекта требуют постоянной валидации и обновления по мере изменения демографических показателей пациентов и клинических процессов. Внедрение искусственного интеллекта — это не разовое событие, это социотехнический процесс, в котором технологии, клиницист и пациент образуют единую экосистему. Это требует обучения медицинского персонала, вовлечения его в процесс понимания того, как и зачем они хотят использовать технологии, а также формирования правильной организационной культуры.
Как следует оценивать истинную клиническую ценность искусственного интеллекта?
Искусственный интеллект обладает огромным потенциалом, но мы не должны доверять ему вслепую. Чтобы искусственный интеллект приносил реальную клиническую ценность, несколько факторов должны совпасть одновременно. Это напоминает математическое умножение, где общая формула выглядит следующим образом: Клиническая ценность = Юзабилити (удобство использования) × Возможность практического применения (Actionability) × Результат. Как и при любом умножении, если хотя бы один компонент в этой формуле равен нулю, общая клиническая ценность также становится равной нулю. Если продукт технически блестящий, но громоздкий для клинициста (юзабилити = 0), или не дает практических клинических рекомендаций (возможность применения = 0), или не меняет исход лечения пациента (результат = 0) — общая клиническая ценность равна нулю.
Нам необходимо перейти от простого создания «красивых алгоритмов» к построению экосистемы искусственного интеллекта, которая экономит время врачей, помогает пациентам и приносит ощутимую пользу системе здравоохранения.
