Зачем фармотрасли большие данные и есть ли риски при работе с ними?
Цифровизация фармотрасли и здравоохранения продолжается: документы и межведомственное взаимодействие переходят в электронный формат, а ИИ широко применяется в диагностике, создании молекул и клинических исследованиях. Но корректная работа таких решений невозможна без больших массивов данных. Здесь возникает сразу несколько вопросов: какая именно информация нужна и для чего, как следует обращаться с конфиденциальными данными и какие меры предпринять для предотвращения утечек из информационных систем. Рассмотрим стратегии, применяемые представителями бизнеса и государства для решения этих задач.
От бумажных документов к электронному обмену
Главный источник данных сегодня — система межведомственного электронного взаимодействия (СМЭВ). В ней госорганы и организации оперативно обмениваются данными, а заявители могут подать документы для получения услуг без очного обращения в нужное ведомство. Сергей Сергиенко, директор департамента развития технологий работы с данными Министерства цифрового развития, связи и массовых коммуникаций РФ, поясняет, что система обеспечивает обмен информацией между ведомствами из следующих систем:
- Система нормативно-справочной информации — включает около 15 тыс. справочников, классификаторов и реестров и обеспечивает сопоставимость сведений.
- Национальная система управления данными — здесь представлены все государственные данные в информационных системах и витринах.
В 2024 году ведомство плотно занялось контролем качества данных: на Госуслугах информация в системе не всегда валидна и сопоставима. Поэтому была разработана специальная технология, позволяющая объективно контролировать данные в источниках. Кроме того, сегодня формируется реестр API (программных интерфейсов), ведется работа над системой обработки обезличенных данных и создается единая платформа ИИ с доверенными российскими поставщиками ИИ-решений.
Всем участникам межведомственного взаимодействия Минцифры бесплатно предоставляет типовое программное обеспечение. Подключение к СМЭВ требует специального доступа и оборудования, но такие меры предосторожности защищают от утечек.
Спрос на ИИ-технологии и их возможные риски
Сегодня в системе здравоохранения ИИ-сервисы цифр анализируют электронные медицинские карты, данные лучевой диагностики и некоторых инструментальных исследований.
По словам Игоря Шулькина, руководителя Центра развития искусственного интеллекта «Центрального научно-исследовательского института организации и информатизации здравоохранения», ИИ-решения для здравоохранения создаются в рамках отраслевого заказа. Он включает важные задачи, которые требуется реализовать в ближайшее время. Как правило, от постановки задачи разработчику до появления первого прототипа проходит не менее года, но по мере совершенствования технологической базы сроки будут сокращаться.
Когда ИИ-технология только попадает в отраслевой заказ, можно спрогнозировать ее эффективность и сравнить с затратами на внедрение. Некоторые эффекты оцениваются быстро: снижение нагрузки на персонал, наладка маршрутизации пациентов, повышение производительности, приемлемая стоимость применения технологии. Другие эффекты видны лишь в перспективе, но от этого они не менее важны: влияние на показатели смертности, инвалидизации и качества жизни, а также совокупные расходы на создание и поддержку ИИ-технологии.
«Центральный научно-исследовательский институт организации и информатизации здравоохранения» Минздрава РФ предусматривает единую методологию развития ИИ — приоритетные направления, реестр задач и решений, типовые требования и методические рекомендации по внедрению и оценке эффективности. Кроме того, учреждение проверяет предлагаемые ИИ-решения и анализирует лучшие мировые практики в этой области.
Игорь Шулькин предупреждает: дальнейшее развитие ИИ требует изменений регуляторики, поскольку старые законы не учитывают новую технологию. Также необходимо создать специальную систему валидации и управления рисками для ИИ: модели ведут себя иначе, чем люди, поэтому и риски у них другие. Помимо этого, нужны новые критерии и прозрачность для системы оценки и контроля ИИ-технологий. Есть и другие барьеры: прежний технологический контур системы здравоохранения или конкретной медорганизации может нуждаться в адаптации под ИИ-решение, а при интеграции данных в новый сервис не исключены сложности. Кроме того, персонал придется обучить работе с ИИ, что также требует времени и ресурсов.
Чем большие данные помогут фармкомпаниям?
Любой фармпроизводитель хочет выводить на рынок перспективные препараты и получать прибыль. Вероятность успеха зависит от многих факторов, и один из них — выпуск инновационных лекарств, влияющих на распространение не только заболевания, для которого они предназначены, но и сопутствующих патологий. Например, когда в гражданский оборот вышли аналоги глюкагоноподобного пептида-1 (ГПП-1), применяющиеся против ожирения и сахарного диабета, уменьшилось не только число людей с избыточным весом, но и страдающих гипертонией. У фармпроизводителей возникает вопрос: целесообразно ли с экономической точки зрения разрабатывать новые лекарства от повышенного давления, если ГПП-1 косвенно повлияли на его нормализацию у большого числа пациентов?
Определить востребованные препараты для системы здравоохранения поможет анализ динамики заболеваемости по различным нозологиям. Однако пока фармкомпании не имеют доступа к такой информации. Роман Драй, директор R&D-подразделения ООО «Герофарм», считает, что необходимо разработать общий контур данных для Минздрава и фармпроизводителей. Тогда компании смогут на основе этой информации построить модель и спрогнозировать, чем будут болеть люди через заданный промежуток времени. Кроме того, важен доступ к обезличенным данным пациентов: работа с ними поможет понять, как препараты влияют на коморбидные патологии и как они ведут себя при полипрагмазии. Также можно найти новые показания у существующих лекарств, не проводя долгосрочные рандомизированные клинические исследования. Компании смогут создавать платформы виртуальных пациентов на основании первичных данных для проведения клинических исследований, а еще данные пригодятся для обучения лабораторных моделей — сейчас они учатся на общедоступной информации без учета отрицательных эффектов.
По материалам конференции «Фармрынок сегодня: цифровая стратегия фармкомпании в контуре здравоохранения»
