Искусственный интеллект в рентгенологии: кто и как за него заплатит?

В последние годы мы всё чаще слышим об использовании технологий искусственного интеллекта (ИИ) в рентгенологии. Однако финансирование таких разработок крайне редко осуществляется в форме процедур прямых закупок. В этой статье расскажем об основных методах финансирования ИИ-решений, которые существуют в России и за рубежом.

Начнём с того, что повышение качества медицинских услуг и уровня цифровизации медицины в целом – одна из приоритетных задач для систем здравоохранения многих стран мира.

Применение решений на базе ИИ значительно повышает эффективность работы радиологических служб – как с точки зрения снижения рабочей нагрузки на врачей, так и с точки зрения выявляемости патологий (в том числе на ранних стадиях). На сегодняшний день существует уже множество примеров из клинической практики, подтверждающих этот эффект. Вот лишь несколько проектов, которые провела наша компания:

Если кратко подвести итоги этих проектов, можно выделить несколько значимых эффектов от применения ИИ в работе отделений лучевой диагностики: это снижение нагрузки на врача (почти на треть сократилось время на анализ исследований) и подстраховка от ошибок (зафиксированы случаи, когда ИИ обнаруживал признаки патологий, незаметные для глаза рентгенолога).

Финансирование внедрения таких решений в клиническую практику – нетривиальная задача не только для российской системы здравоохранения, но и для всех стран. Существует ряд схем финансирования, обладающих своими уникальными особенностями, преимуществами и ограничениями.

Безусловно, финансирование в рамках целевых программ – один из основных инструментов поддержки и развития новых отраслей. Наиболее известной такой программой в России является московский эксперимент по внедрению сервисов компьютерного зрения в работу отделений лучевой диагностики. Организаторы эксперимента создают прозрачную конкурентную среду для разработчиков и осуществляют постоянный контроль качества ИИ-решений.

За период с 2020 по 2022 год на финансирование эксперимента было выделено 900 млн рублей. На конец 2022 года более 50 сервисов, участвующих в эксперименте, обработали более 7 млн исследований.

Похожие практики работают и за рубежом. Один из примечательных проектов с целевым финансированием осуществляется в Великобритании NHS AI Lab – лабораторией искусственного интеллекта Национальной службы здравоохранения. В рамках проекта, запущенного в 2019 году, 9 компаний получили финансирование на общую сумму 16 млн фунтов. Отмечается, что медицинской помощью в рамках этого проекта получили уже более 300 тысяч пациентов.

В отличие от московского эксперимента, проект NHS имеет более широкий охват сервисов (не только радиология), другую модель финансирования и акселерации разработок. Если в московском эксперименте оплата производится на основе целевого финансирования за конкретный объемобъём обработанных исследований, то в случае с проектом NHS финансирование осуществляется выделенным компаниям по результатам отбора и эффективности их проектов.

Похожие модели реализованы и в ряде других стран, имеющих национальные стратегии развития ИИ – как, например, в Сингапуре. А в Китайской Народной Республике прогнозируют рост ВВП на 1.7 млрд долларов за счёт внедрения ИИ в радиологии.

Если предыдущая модель финансирования ставит целью формирование благоприятной среды для появления компаний-разработчиков ИИ, их технологический рост и достижение определённого уровня зрелости, то следующая модель финансирования направлена на повышение уровня тиражирования таких технологий и формирование рынка.

В России финансирование большей части диагностического медицинского оборудования, лекарственных препаратов и медицинских услуг производится за счёт средств Фонда Обязательного Медицинского Страхования (ОМС).

В конце 2022 года состоялся первый прецедент покупки ИИ-решения для анализа маммографических исследований. А уже зимой 2023 года заместитель министра здравоохранения Павел Пугачев сообщил ТАСС, что Минздравом России принимаются меры по ускорению внедрения ИИ-технологий. В течение 2023 года каждый регион должен будет внедрить не менее одного ИИ-решения в государственных медицинских организациях, а в 2024 году – не менее трёх ИИ-решений.

По-другому функционирующие, но преследующие те же самые цели механики есть и в других странах. Для примера рассмотрим систему финансирования медицинских услуг США.

На этой схеме нас интересует третий столбец – Inpatient Prospective Payment System (IPPS), проспективная система тарифов на лечение в стационаре. Столбец, в свою очередь, включает в себя Diagnosis Related Groups (DRG) и New Technology Add-on Payment (NTAP).

DRG – система уже сложившихся и устоявшихся диагностических технологий.

NTAP – система финансирования для медорганизаций, использующих системы на базе новых технологий, которые должны соответствовать нескольким критериям.

Суммарно NTAP позволяет медицинскому учреждению, использующему такую технологию, покрывать до 65% затрат на её использование. Чтобы подключиться к такой системе, процедуру одобрения и проверки должно пройти как само решение (в нашем случае ИИ-система), так и медицинское учреждение.

В сентябре 2020 года впервые финансирование по NTAP-схеме было одобрено для ИИ-сервиса от компании VIZ. AI в США. Уже спустя несколько месяцев к такой схеме финансирования подключились ещё несколько игроков – RapidAI, AIdoc, и Avicenna.

Последним в сегодняшнем списке, но не последним по значимости является проведение продаж перспективных разработок на базе ИИ посредством их внедрения в комплексную инфраструктуру медицинских интеграторов и платформ – когда продажи производятся с помощью их ресурсов, охватов и компетенций. Специфика данного сегмента состоит в том, что подобные платформы позволяют полностью покрывать потребность клиента (медицинского учреждения) в медицинских IT-сервисах и услугах.

Например, для решения рентгенологических задач клиника может выбрать одну из PACS-систем (в интеграции с одной из медицинских информационных систем) и выбрать из ряда подключенных «искусственных интеллектов» от разных разработчиков по разным модальностям тот, который ей больше нравится или больше подходит для решения её задач. Таким образом получается некий медицинский «конструктор лего», который позволяет создать максимально подходящую для себя связку IT-решений.

Примерами таких игроков за рубежом могут служить Nuance, Sectra Medical и TeraRecon. В России же рынок медицинских платформ и системной интеграции на данный момент всё ещё формируется. Развитие таких разработок ведётся, но технологически зрелые решения на момент написания статьи всё ещё отсутствуют.

Вопрос выбора модели финансирования искусственного интеллекта не является новым. Страны решают его по-разному, принимая во внимание свою специфику, свои возможности и ограничения.

Однако основные модели финансирования, так или иначе, являются общими, равно как и сама цель – стимулировать развитие перспективных несформированных отраслей, предоставляя целевое финансирование. Это, в свою очередь, должно переводить их в «рыночное русло» и в конечном итоге способствовать значимому социальному и экономическому эффекту от применения ИИ.