Более того, байесовская модель для диагностики с помощью компьютера быстро становится частью клинической практики и может распространиться на рекомендации по лечению. Информационный ресурс в Сети под названием Modernizing Medicine (Модернизация медицины) включает информацию по более чем 15 млн посещений пациентов и 4000 врачей с лечением и результатами по каждому пациенту⁷². Так что помимо способности IBM Watson к дифференциальной диагностике может быть генерирован список назначений с взвешенной вероятностью и установлено соответствие данных пациента всем остальным в базе данных. (Кстати, специалистам по обработке и анализу данных, которые работают в здравоохранении, не нравится, когда их информационные ресурсы называют базами данных. Вот так-то!) Все это примеры использования искусственного интеллекта для дифференциальной диагностики и лечения в медицине. Но и это еще не предсказания.

Теперь надо убедиться в том, что сбор несметного количества данных не означает, что вы сможете предсказать что-то значительное. К 100-летию со дня рождения Алана Тьюринга в журнале Science был опубликован ряд материалов, включая статью о «доме, полностью оснащенном камерами и аудиооборудованием, [которые] постоянно записывали жизнь ребенка от рождения до трех лет, в результате набралось ~200 000 часов аудио– и видеозаписей, отображающих 85 % жизни ребенка в периоды бодрствования»⁷³. Хорошо, для сбора данных это триумф, но определенно без намерения или даже какой-либо вероятности предсказать болезнь. Это не упражнение и не эксперимент без заданной гипотезы. Точно так же есть много новых полномасштабных проектов по геномному секвенированию, которые охватывают 100 000 людей, – например, совместный проект компаний Geisenger-Regenerson и Human Longevity, Inc., государственная программа Великобритании Genomics England и инициатива Института системной биологии. В то время как эти программы несомненно внесут вклад в науку о геноме, зачисленные в эти программы люди не относятся ни к какому определенному фенотипу и не выдвигается никаких реальных гипотез. Просто считается, что это можно сделать, и этим стоит заниматься, и что в этих данных может оказаться что-то такое, что приведет к созданию нового лекарства. Однако, чтобы предсказать болезнь, нужны определенные гипотезы и очень точные цели, об этом мы поговорим ниже. В противном случае нас собьет с толку низкий показатель отношения сигнал/шум, убаюкает мысль о том, что у нас имеется полная картина данных по всей Вселенной, и введут в заблуждение ложные взаимосвязи.

Еще одно важное соображение состоит в том, что мы стараемся предсказать серьезную болезнь, а не биомаркер. Мы не пытаемся говорить, что у кого-то будет высокий уровень холестерина или аномальные показатели работы печени. В целом эти белковые или генные маркеры обманчивы, в медицинской литературе описано множество кандидатур, но лишь немногие из них когда-либо обследовались в клинике⁷⁴. Дело в том, что, хотя результаты анализов могут быть полезны, чтобы помочь предсказать наступление болезни, прежде чем она начнется, этого мало.

Шаг в освоении больших данных для понимания процесса развития болезни предприняли исследователи из Дании, располагавшие информацией за 15 лет по 6,2 млн граждан страны⁷⁵. Они смогли графически представить многие заболевания в виде так называемых траекторий, чтобы показать, как одна болезнь может в конце концов привести к другой, которая, казалось, никак не связана с первой. Это были временны́е связи без каких-либо установленных причинно-следственных отношений⁷⁵.

Мы же пытаемся предсказывать так, чтобы можно было предотвратить, это главная цель. Если нет оснований для действий, то предсказание становится скорее научным упражнением. Например, много усилий тратится на попытки предсказать, у кого разовьется болезнь Альцгеймера, задолго до того, как начнутся когнитивные нарушения. Бесспорно, это одна из самых важных проблем здравоохранения, которая перед нами стоит, но на сегодняшний день, несмотря на значительные усилия, нет никаких проверенных превентивных стратегий.

Очень важны также время и место предсказания. Я живу в Сан-Диего, где вижу множество любителей серфинга, которые каждый день катаются на волнах в Тихом океане, не думая об акулах. Акулы убивают всего 10 человек в год из 7 млрд жителей планеты, поэтому мы можем сказать, что в среднем риск гибели в результате нападения акулы в Сан-Диего бесконечно мал. Но время от времени опасных акул замечают поблизости от берега. В такие дни редко увидишь кого-то из серфингистов. В том, что касается предсказаний, время и место играют решающую роль.

В предсказании болезней у людей время – это все. Мы можем каждому сказать определенно, что он умрет. Но бессмысленно предрекать: «Вас ожидает смерть, но мы не знаем, через две недели или через два десятка лет». На самом деле это даже хуже, чем бесполезно, потому что, если предсказание правдиво, оно может вызвать у пациента панику из-за отсутствия точного указания времени. Поэтому в попытке предотвратить болезни важны и «кто», и «когда».

Полезная аналогия для успешного медицинского предсказания – это предсказание сбоев в работе реактивных двигателей^{76, 77}. Компании, подобные General Electric, ведут постоянное наблюдение за своими самолетными двигателями. Они используют сложные неуправляемые алгоритмы, искусственный интеллект и многоаспектную аналитику для определения предиктивных предвестников вроде тонкой трещинки, потому что требуется нулевая вероятность сбоя, так как во время каждого рейса рискуют сотни пассажиров. Большинство состояний, таких как инфаркт, приступ астмы, инсульт, аутоиммунная атака, подобны авиакатастрофам, только они происходят в человеческом теле. Мы можем использовать те же вычислительные инструменты. Величайшая разница в том, что медицинский мониторинг спасает набитые людьми самолеты, но только по одному «пассажиру» за раз.

Теперь давайте рассмотрим некоторые болезни, которые, не исключено, можно будет предсказать и предупредить в будущем. Начнем с тех, которые можно отслеживать с помощью датчиков, прикрепляемых к телу, потому что они обеспечивают уникальный поток данных в режиме реального времени от людей, находящихся в группе риска, а информативность и предиктивность метода делают его самым лучшим и самым точным ударом по цели⁷⁸. В первую очередь я обращаюсь к проблемам, решаемым с помощью датчиков, носимых на теле, которые, вероятно, скоро будут широкодоступны, а затем перейду к состояниям, которые будут в основном зависеть от датчиков, вводимых в кровоток. Астматические приступы – одна из главных причин смерти и обращений за неотложной помощью при угрозе жизни у детей, и, безусловно, они подрывают здоровье миллионов взрослых. У каждого астматика свои причины, вызывающие спазм дыхательных путей: у одних это загрязнение окружающей среды, у других – холод, физические нагрузки, цветочная пыльца или другие аллергены. Если задолго до первых признаков затруднения дыхания нам удастся улавливать момент, когда дыхательные мышцы начинают менять тонус, то удастся предупреждать приступы. Вероятно, это достижимо при использовании кластера датчиков, носимых для определения качества воздуха, присутствия в нем цветочной пыльцы, анализа использования ингалятора(-ов) и геолокации, анализа дыхания на присутствие и измерение количества окиси азота, а также измерения функции легких с использованием микрофона смартфона или подходящего подключаемого приложения. Поскольку иммунная функция тесно связана с микробиомом кишечника, пробы и анализ этого «ома» тоже заслуживают изучения. Наряду с этим может осуществляться пассивный мониторинг дыхательного ритма, температуры, насыщения крови кислородом, кровяного давления и скорости сердечных сокращений с помощью устройства в часах или браслета на запястье. Теперь приходит время для персонифицированного машинного обучения, чтобы на основании всех данных человека определить предвестники приступа астмы. После того как выявлены закономерности, остается предупредить человека о необходимости принимать дополнительное лекарство, избегать определенных воздействий или предложить еще какую-то комбинацию. Более того, эта информация становится более ценной, когда она получена от тысяч и сотен тысяч больных – у нас никогда не было возможности проводить подобный мониторинг людей «в естественных условиях». Теперь спусковые механизмы и связи неизбежно будут обнаружены. В конечном счете люди, у которых никогда не было приступа астмы, но находящиеся в группе высокого риска, выявленного на основании геномного секвенирования, наследственности и скрининга иммунной системы, могут использовать этот подход, чтобы этого никогда не случилось.