Медицина сегодня — это и лекарственные препараты, и диагностическое оборудование, и цифровые решения, и финансы в том числе. Современные технологии — ИИ, интернет вещей, большие данные — активно используются в медицине в наше время. Например, компьютерное зрение помогает анализировать данные рентгеновских и томографических исследований, распознавание речи — быстрее создавать медицинские документы и т.д. В их основе лежат алгоритмы искусственного интеллекта.

Медицина, финансы и ИИ

Финансовое направление в любом медицинском учреждении важно так же, как, например, электричество, водоснабжение или поставка дезинфицирующих средств. Оптимизация процессов, защита от мошенничества (антифрод) — эти области требуют детального анализа. Антифрод — это в принципе особая сфера, которой необходимо уделять самое пристальное внимание.

Мошенничество, растраты и злоупотребления в сфере здравоохранения ежегодно ведут к потерям миллиардов, которые можно было бы направить на лечение, уход за пациентами, развитие медицины и другие важные задачи. Необходим контроль затрат, который важен для всех участников процессов — от врачей до пациентов. Цифровые технологии помогают проводить оперативные расследования, выявлять ключевые индикаторы риска в разных ситуациях, а в ряде случаев и предпринимать превентивные меры, предотвращающие противоправные действия. Часть инструментов для этого используют ИИ.

Чем может помочь ИИ

Сегодня ИИ — это способ программирования, радикально отличающийся от традиционного алгоритмического. Так называемый «General AI», способный заменить человеческий мозг в решении творческих задач и даже в их постановке, пока отсутствует, более того, многие ученые сомневаются даже в теоретической возможности его создания на современном технологическом уровне. В большинстве практических применений ИИ специалисты обучают нейросети нужным действиям на тысячах практических примеров и на выходе получают прикладные программы, способные быстро и точно выполнять сложные задачи по обработке данных. Например, сегодня так создают решения для распознавания образов — от человеческих лиц до поражения ковидом легких, от дорожных ситуаций до локаций с полезными ископаемыми.

Принцип действия современного ИИ иллюстрирует недавняя демонстрация, проведенная Nvidia к юбилею культовой игры Packman. Нейросети в процессе обучения показали 50 тыс. часов игрового времени, после анализа которых она создала клон игры Packman. Игра была воссоздана только на основании анализа видео, ИИ не имел доступа ни к базовому коду классической программы, ни к ее алгоритмам. Результатом стал не привычный код, а прошедшая глубокое обучение нейросеть. На обучение нейросети ушло 4 дня, в то время как оригинальный релиз писали 17 месяцев, что показывает радикальный выигрыш в скорости разработки с применением ИИ.

Аналогичным способом нейросети обучают и для других задач. Выбор данных, на которых будет проходить обучение, управление процессом и тестирование результата — задачи специфические, требующие от разработчиков соответствующих знаний и опыта. Иногда в результате отладки и тестирования полученных программ выясняется, что процесс пошел неправильно, и нейросеть приходится переобучать.

От общих трендов к деталям реализации

За концепцией data-driven, лежащей в основе современного развития, стоит повседневная работа аналитиков-практиков, которые обрабатывают огромные массивы данных, для получения ответов на бизнес-значимые вопросы. В каждой вертикально-интегрированной индустрии — в том числе, в медицине — есть своя специфика, которая влияет как на постановку задач, так и на выбор инструментов и их настройку. Например, одна из задач в финансировании медицины — определение истинной стоимости клинических состояний. Это знание позволяет правильно управлять моделями оплаты. Управление рисками — клиническими и финансовыми — другая классическая проблема, в случае с медицинскими учреждениями имеющая свою специфику.

Для спектра задач, находящихся на стыке медицины и финансирования, разработаны специальные решения и созданы многочисленные инструменты. Технологии позволяют аналитикам решать поставленные задачи быстро, а некоторые — даже в автоматическом режиме. Поставщики аналитических программных систем, например, SAS — предлагают продукты, оптимизированные для этого направления. Аналитика клинических данных позволяет получать более полное представление об уходе за пациентом в различных условиях, выявлять важные взаимосвязи событий, прогнозировать появление рисков и управлять ими.

SAS предоставляет продукты с готовыми наборами инструментов, которые можно применять для решения наиболее распространенных задач или после адаптации использовать для более специфических. Одной из групп таких задач является антифрод менеджмент, в ходе анализа данных для которого, в частности, можно обнаружить плохо различимые невооруженным глазом связи между явлениями, структурами или организациями, что позволяет быстрее выявить мошенничество или сговор и разоблачить преступников.

Как это выглядит на практике

Для антифрода нужен анализ происходящего, а для анализа нужно предварительно консолидировать исторические данные из внутренних и внешних источников. Данных будет много и не все они формализованы — их экспортируют из систем претензий, списков наблюдения, заметок третьих лиц, неструктурированного текста и т.д. Получаем классические большие данные, из которых нужно проводить Data Mining для поиска ответов на ряд профильных вопросов.

Выявить подозрительную деятельность быстрее поможет комплексная среда, которая включает преднастроенные инструменты, использующие алгоритмы на основе статистики искусственного интеллекта и анализа текста. Как и в других ситуациях, например, в диагностике и экспертизе. При антифроде вся автоматика, алгоритмы и ИИ лишь помогают человеку, а окончательное решение принимает профильный специалист, который и несет за него ответственность. Встроенный ИИ помогает обнаружить опасность и уведомить о ее появлении, дальше начинается «ручная работа» по дифференциации аномального поведения, в которой участвуют аналитики, менеджмент, правоохранительные органы и др.

Разумеется, профильные продукты — например, решения SAS для медицины — имеют преднастроенные инструменты для соответствующих задач, однако, при внедрении аналитических систем нужна некоторая работа для донастройки разных частей инструментария в зависимости от локальных особенностей: финансовых схем, организационных структур, законодательства и т.д. Эти особенности влияют, например, на создание «фрод-индикаторов», при выявлении которых аналитическая система автоматически поднимает тревогу и запускает соответствующие процессы в EPR- и CRM-системах. Таких индикаторов после внедрения антифрод-системы, как отмечают в SAS, бывает более полусотни, причем значительное количество из них уникальное для конкретного внедрения.

Изменения в инструментах понадобятся и в дальнейшем, так как меняются внешние условия, появляются новые задачи. Кроме того, как и любые инструменты, ИИ-компоненты аналитических систем нуждаются в оптимизации, например, для уменьшения процента ложноположительных результатов, что позволяет повышать скорость и результативность каждого расследования.

Разумеется, настройка нужна и на уровне менеджмента, чтобы усилия аналитиков были сосредоточены на приоритетных направлениях. Также нужно развитие связей с другими направлениями страхового подразделения компании, например, чтобы наработки антифрода актуализировали применяемые схемы скоринга, находили применение для мониторинга эффективности.