Медицина становится математикой

Институт персонализированной кардиологии

Сегодня я руковожу Институтом персонализированной кардиологии Сеченовского университета. Это подразделение на стыке науки и клиники. Мы не просто публикуем идеи: мы разрабатываем решения, доводим их до клинической практики, регистрации, внедрения и реального использования.

Наш фокус сейчас цифровой, но не только. Мы соединяем цифровые данные, искусственный интеллект, омиксные истории, биологию, биохимию и клиническую медицину. Потому что медицина, которая долго была вероятностной наукой, все больше становится математикой. Закономерности, которые ежесекундно происходят в организме, постепенно становятся более явными и более просчитываемыми.

Цифровой двойник пациента

Мы все ближе подходим к идее цифрового двойника человека, цифрового двойника пациента. Пока это не означает, что мы можем полностью воспроизвести организм. Даже одну клетку со всеми процессами внутри мы пока не можем воссоздать целиком. Но отдельные процессы уже можно моделировать, считать, объединять и использовать для диагностики и прогноза.

Сегодня медицина часто опирается на эпидемиологические модели: мы берем большую популяцию, смотрим параметры, считаем риски на горизонте десяти лет и переносим эти закономерности на следующую группу людей. Но это грубая логика по сравнению с тем, куда мы движемся. Будущее — это переход от вероятности к индивидуальной математической модели.

Для полноценного цифрового двойника нужны огромные вычислительные мощности. На обычной инфраструктуре такую супер-модель человека построить невозможно. Поэтому квантовые компьютеры для медицины важны не как красивая футурология, а как потенциальный слой вычислений, без которого многие модели останутся недостижимыми.

ИИ в белом халате

Искусственный интеллект уже пришел в медицину надолго. Мы используем диагностические модели, нейросети, машинное обучение, цифровые решения. Например, можно по простой одноканальной ЭКГ строить предварительный диагностический фильтр, чтобы лучше понимать, кого и как нужно дальше обследовать.

Следующий уровень — медицинские консилиумы агентов, когда несколько моделей между собой решают клиническую задачу, а человек наблюдает, контролирует и принимает ответственность. Это звучит как фантастика, но направление уже развивается. Вопрос не в том, придёт ли ИИ в медицину. Он уже пришел. Вопрос в том, кто будет понимать, где он помогает, а где ошибается.

Когда машина врет

Мы сейчас промежуточное поколение. У нас есть классическое образование, профессиональный кругозор, опыт и понимание предмета. Поэтому мы сравнительно легко видим, когда машина врет. У современных студентов такой базы часто меньше. Они видят уверенный ответ и могут принять его за чистую монету.

Именно поэтому классическое образование не умерло. Оно нужно не для того, чтобы помнить все наизусть. Оно нужно как система распознавания ложного ответа. Если у тебя в голове нет профессионального каркаса, ты не поймешь, что алгоритм галлюцинирует, что данные плохие, что вывод правдоподобен, но неверен.

Можно сказать: алгоритмы станут лучше, датасеты станут чище, галлюцинаций будет меньше. Возможно. Но пока врач, исследователь или инженер отвечает за решение, ему нужна база, которая позволяет проверить машину. В медицине цена ошибки слишком высока.

Наука — игрушка для богатых

Если говорить честно, прикладная наука требует ресурсов. Наука из воздуха не делается. В этом смысле она похожа на игрушку для богатых: богатых стран, богатых университетов, сильных инфраструктур. Если у человека или организации нет базовых ресурсов, заниматься современной прикладной наукой очень трудно.

Но ресурсы — это не только деньги. Нужны лидеры, конкуренция идей, доступ к данным, клиническая база, инженеры, математики, врачи, команды регистрации и внедрения. Прикладная наука должна видеть, где ее результат будет работать. Пока ты не видишь реального применения, строить все в воздухе крайне сложно.

Будущее за медицинскими инженерами

Сегодня особенно ценны люди, которые говорят сразу на двух языках: медицины и математики, клиники и IT, пациента и алгоритма. Таких специалистов очень мало. Были программы двойного образования, где человек получал два диплома и учился семь лет, но до конца доходили единицы. Это штучные люди.

Мы в Сеченовском университете пошли разными путями. С одной стороны, развиваем стажеров-исследователей: студенты со второго курса могут прийти в институт, участвовать в экспериментах, писать статьи, быть частью научной жизни. С другой — инкорпорировали математиков внутрь медицинского университета, привлекали сильные команды, развиваем сетевое взаимодействие с Физтехом, МИСИС, Бауманкой и другими техническими вузами.

Медицинский инженер — это не модное слово. Это человек, который понимает, как мыслит врач, как устроен пациент, как работает модель, как данные превращаются в решение и где это решение должно быть применено.

Команда полного цикла

У нас команда выстроена в продуктовой логике. В большинстве IT-проектов часто есть разделение: одни рождают идею и прототип, другие доводят до продукта, третьи внедряют. У нас иначе: плюс-минус одна команда проходит путь от идеи до регистрационного удостоверения и внедрения.

Это сложно, потому что приходится осваивать огромное количество смежных вещей: патенты, регистрационные досье, методики, базы данных, клинические процессы, технические документы. Но это и мотивирует. Человек, который принес идею, видит, где она в итоге работает и кому помогает.

Путешествия, теннис и перезагрузка мозга

Чтобы не выгореть, нужно разгружать голову. Я много путешествую с друзьями на машине: недавно мы просто сели и поехали в Териберку. Такие поездки дают смену масштаба, воздуха, маршрута, разговоров и помогают выйти из постоянного рабочего напряжения.

Ещё много лет я занимаюсь настольным теннисом. Потом с удивлением узнал, что виды спорта, где перекрестно работают руки и ноги, помогают поддерживать когнитивную функцию. Получилось, что я занимался этим без специального замысла, а потом оказалось — все не просто так.