Почему мы выбрали инсульт: проблему хочется решить до того, как станет поздно

Когда мы только начинали искать задачу для своего первого медицинского стартапа, мы не думали именно об инсульте.

Мы перебирали разные направления, обсуждали разные проблемы и пытались найти ту, где технологии действительно могут быть полезны, а не просто красиво звучать в презентации.

В какой-то момент мы начали глубже разбираться в экстренной неврологии. И довольно быстро поняли: здесь есть задачи, где цена времени особенно высока.

Так в нашем проекте появился инсульт.

Ишемический инсульт возникает, когда кровоток к определённому участку головного мозга нарушается, чаще всего из-за закупорки сосуда. В результате мозговая ткань начинает испытывать недостаток кислорода и питательных веществ.

Дальше начинается гонка со временем.

Чем дольше сохраняется нарушение кровоснабжения, тем больше может становиться зона повреждения мозга. Поэтому помощь при остром ишемическом инсульте во многом построена вокруг максимально быстрого распознавания состояния и принятия решения о подходящем лечении.

На практике всё выглядит примерно так: обнаружить → оценить → принять решение → восстановить кровоток.

Но между этими этапами находится конкретный пациент, огромное количество медицинской информации и очень ограниченное время, за которое врачу необходимо принять решение.

Именно здесь начинается интересующая нас проблема.

При ишемическом инсульте одна из главных целей лечения — восстановить кровоток в поражённой области мозга. Для подходящих пациентов это может включать тромболитическую терапию и механическую тромбэктомию.

Но восстановление кровотока не означает, что все риски исчезли.

У части пациентов может развиться геморрагическая трансформация — появление крови в области ишемического повреждения мозга. В тяжёлых случаях это может сопровождаться неврологическим ухудшением и существенно влиять на исход заболевания.

И здесь возникает вопрос, который нас особенно заинтересовал:

Можно ли заранее оценить, насколько высок риск такого осложнения у конкретного пациента?

У врача уже есть большое количество информации: КТ головного мозга, клиническая картина, анамнез, лабораторные показатели, данные медицинской карты, различные шкалы и, конечно, собственный опыт.

Проблема не в отсутствии информации.

Проблема в том, что эту информацию необходимо быстро собрать в единую картину и использовать для принятия решения.

Причём два пациента с похожей картиной на КТ могут иметь совершенно разный клинический контекст. Именно поэтому нам показалось недостаточным рассматривать такую задачу исключительно как анализ медицинского изображения.

Мы не считаем, что искусственный интеллект должен принимать решение вместо врача.

Наоборот, чем больше мы погружались в тему, тем сильнее становилось ощущение, что роль AI здесь должна быть гораздо аккуратнее.

Не «нейросеть решила, что делать», а «нейросеть помогла оценить дополнительный фактор риска».

Это принципиальная разница.

Мы рассматриваем AI как ещё один инструмент, который может помочь врачу работать с большим количеством информации в условиях ограниченного времени. Именно вокруг этой идеи мы начали строить CortexNeo.

КТ — один из ключевых инструментов визуализации при остром инсульте. Но для нас важно не само наличие снимка, а информация, которая может быть в нём скрыта.

Современные методы компьютерного зрения позволяют анализировать медицинские изображения гораздо глубже, чем просто искать заранее определённые признаки.

Но здесь появляется следующий вопрос: а достаточно ли вообще одного изображения?

Мы считаем, что нет.

Врач не оценивает пациента только по КТ. Он сопоставляет изображение с клиническими данными, анамнезом и другими доступными признаками.

Поэтому и в нашем подходе КТ рассматривается вместе с клиническим контекстом пациента.

Не «снимок отдельно» и не «таблица отдельно», а попытка посмотреть на пациента целиком.

На старте нам казалось, что главная техническая задача будет связана именно с моделью.

Какую архитектуру выбрать? Как обучать? Какую метрику использовать? Как добиться хорошего результата?

Но по мере работы стало понятно, что эти вопросы — только часть задачи.

Гораздо раньше возникает другой вопрос:

Насколько качественные данные мы вообще собираемся дать модели?

В медицинском AI нельзя просто собрать несколько тысяч исследований, загрузить их в Python и нажать train.

Нужно понимать, откуда появились данные, насколько корректно сформированы исследования, как определён исход, насколько полная клиническая информация и насколько надёжна разметка.

И если где-то на этом этапе есть систематическая ошибка, модель вполне может научиться воспроизводить её с впечатляющей точностью.

Это одна из вещей, которые мы особенно хорошо поняли за время работы над проектом.

Медицинский AI очень легко представить как историю: загрузили КТ → получили прогноз → врач спас пациента.

В реальности всё гораздо сложнее.

Модель может ошибаться. Данные могут быть неполными. Результат, который хорошо работает на одной выборке, может хуже работать на другой.

Даже хорошая ML-метрика не означает автоматически, что систему можно использовать в клинической практике.

Поэтому между «модель показывает перспективный результат» и «система может применяться в больнице» лежит огромная дистанция.

И мы прекрасно это понимаем.

Мы не ставим перед собой задачу сделать ещё одну нейросеть, которая умеет анализировать медицинские изображения.

Нам интереснее другое — создать инструмент, который сможет использовать доступную информацию о пациенте и помочь врачу оценить риск осложнения именно тогда, когда на полноценный анализ есть считанные минуты.

Это сложная задача.

Мы пока не знаем, насколько хорошо в итоге получится её решить. Но именно это и делает её для нас интересной.

Когда мы выбирали направление, можно было пойти по более простому пути: сделать обычный SaaS, запустить приложение, проверить гипотезу за несколько недель и получить первых пользователей.

С медицинским AI так не получится.

Здесь длиннее путь, выше требования к данным и гораздо больше ответственности за результат.

Но если технология действительно сможет добавить врачу полезную информацию в критический момент — эта работа будет иметь совершенно другой смысл.

Поэтому мы выбрали именно эту проблему.

Не потому, что инсульт — модная тема для AI.

А потому, что здесь есть конкретная задача, которую хочется решить до того, как станет поздно.

Дальше будем постепенно рассказывать, что происходит с CortexNeo уже на уровне разработки: как мы работаем с данными, какие проблемы встречаем и что понимаем по мере движения проекта.