Я объяснил пациенту и его жене, что не могу связать результат КТ с клинической картиной и что, возможно, это один из тех случаев, когда одно с другим не связано: имеющее место морфологическое нарушение не имеет никакого отношения к жалобам и объективным симптомам. Утомляемость, скорее всего, не связана с поражением коронарной артерии. Но основное заболевание – идиопатический легочный фиброз – вполне могло вызвать подобную симптоматику именно на фоне сужения правой коронарной артерии. К сожалению, сопутствующее легочное заболевание повышало риск инвазивного вмешательства.

Я дал ему возможность принять решение самостоятельно. Он раздумывал несколько дней, но в конце концов согласился на баллонную ангио пластику и стентирование правой коронарной артерии. Я был очень удивлен этим решением: на протяжении многих лет пациент не только очень неохотно соглашался на инвазивные вмешательства, но и отказывался даже от лекарств. Примечательно, что прилив энергии пациент ощутил срезу после операции. Стент был установлен через лучевую артерию, и поэтому больного отпустили домой уже через несколько часов после вмешательства. Вечером он уже прогулялся по улице, обойдя несколько кварталов, а к концу недели проплывал несколько кругов в бассейне. Пациент сказал мне, что у него прибавилось сил: он уже несколько лет не чувствовал себя настолько хорошо. Это поразительное улучшение способности переносить нагрузку сохранялось и спустя много месяцев.

Примечательно в этой истории то, что компьютерный алгоритм упустил бы эту возможность. При всей пиар-шумихе по поводу искусственного интеллекта, улучшающего качество медицинской помощи, следует отметить: если бы ИИ использовали для оценки перспектив операции у этого больного с учетом всех данных медицинской литературы, то машина пришла бы к заключению, что восстановление проходимости правой коронарной артерии не приведет к устранению утомляемости. Ведь искусственный интеллект может оперировать только представленными данными, но лишен интуиции. Страховые компании, приняв во внимание вывод компьютерного алгоритма, наверняка отказались бы оплачивать инвазивное вмешательство на правой коронарной артерии.

Однако операция принесла больному несомненную и ощутимую пользу. Был ли это плацебо-эффект? Мне это представляется маловероятным: я знал этого пациента много лет, он всегда старался свести к минимуму любые изменения в состоянии своего здоровья – неважно, положительные или отрицательные. Своим характером он немного напоминает Ларри Дэвида[6], старого ворчуна с весьма… умеренным энтузиазмом. Ясно, что он последний человек в мире, на кого подействовало бы плацебо.

Задним числом понятно, что эффект от операции был связан с сопутствующим (точнее, даже основным) легочным заболеванием. Легочный фиброз приводит к повышению давления в легочных артериях, которые доставляют кровь в легкие, где она насыщается кислородом. За перекачивание крови в легкие отвечает правый желудочек сердца; повышение артериального давления в малом круге кровообращения приводит к тому, что правому желудочку приходится работать с большей нагрузкой для того, чтобы преодолеть сопротивление легочных артерий. Эта нагрузка была слишком большой для правого желудочка моего пациента. Стент, установленный в правую коронарную артерию, снабжающую кровью правый желудочек, облегчил его работу и устранил неприятный симптом. Столь сложная взаимосвязь коронарного кровообращения и редкого легочного заболевания не описана в медицинской литературе.

Этот случай напоминает нам, что каждый из нас являет собой уникальный, единственный в своем роде организм, все хитросплетения которого никогда не распутает никакая машина. Кроме того, этот случай подчеркивает важную роль человеческого фактора в медицине: нам, врачам, давно известно, что пациенты знают свой организм, а значит, мы должны прислушиваться к ним. Алгоритмы – это холодные и бесчувственные прогностические инструменты, которые никогда не смогут познать человеческую натуру. Вот что главное: этот пожилой джентльмен чувствовал, что причиной ухудшения его состояния стало сужение правой коронарной артерии, и оказался прав. Я скептически отнесся к перспективам вмешательства, не предполагая, насколько успешным оно окажется, но был счастлив, увидев разительное улучшение.

Искусственный интеллект исподволь, но все глубже проникает в нашу жизнь. Он уже работает на нас и в быту. ИИ заканчивает за нас слова, когда мы печатаем, дает непрошеные рекомендации в поисковиках, предлагает нам музыку, опираясь на нашу историю прослушиваний, отвечает на наши вопросы и даже выключает свет в квартире. Самой идее искусственного интеллекта более 80 лет, а имя он получил в 1950-е, но лишь недавно начали брать в расчет его потенциальное воздействие на здравоохранение. Многообещающей казалась способность искусственного интеллекта обеспечить многосторонний панорамный взгляд на медицинские данные пациента, улучшить качество принимаемых диагностических и лечебных решений, сократить количество ошибок в диагностике и ненужных исследований, помочь в назначении и интерпретации необходимых анализов и инструментальных исследований, рекомендовать лечение. В основе всего этого лежат данные. Мы уже давно вступили в эпоху больших данных; в настоящее время мир ежегодно производит зеттабайты данных (в каждом зеттабайте секстиллион (10²¹) байт – достаточно, чтобы заполнить память приблизительно 1 трлн смартфонов). В медицине к массивам больших данных можно отнести нуклеотидную последовательность полного генома, медицинские изображения высокого разрешения и показатели, постоянно считываемые и передаваемые датчиками, которые закреплены на теле пациента. Данные поступают и поступают в колоссальном объеме, однако мы способны обработать лишь ничтожную их долю. Считается, что в лучшем случае 5 %, не больше. Грубо говоря, у нас было что надеть, но некуда в этом пойти – до недавнего времени. Теперь искусственный интеллект обуздал необозримый конгломерат больших данных и заставил его работать.

Существует множество разновидностей ИИ. Традиционно машинное обучение включает логистическую регрессию, байесовские сети, «метод случайного леса», метод опорных векторов, экспертные системы и множество других инструментов, разработанных для анализа данных. Например, байесовская сеть – это модель, позволяющая оценивать вероятности. Если у меня есть список симптомов, с которыми обратился больной, то такая модель позволяет получить список всех возможных диагнозов с указанием их относительной вероятности. Забавно, что в 1990-е, когда мы составляли деревья решений, чтобы собранные нами данные могли говорить сами за себя (система была рассчитана на «автоанализ», чтобы на выводы не влияли искажения при интерпретации), мы не называли это машинным обучением. Однако теперь этот статистический метод значительно усовершенствован, и к нему относятся с почтением. За последние годы инструментарий ИИ проник в такие важные сетевые модели, как глубокое обучение и стимулированное обучение, оно же обучение с подкреплением (мы подробнее обсудим эти вопросы в главе 4).

Разновидность ИИ, отвечающего за глубокое обучение, приобрела особую значимость после 2012 г., когда была опубликована статья о распознавании образов[7], уже ставшая классической.

Число новых алгоритмов глубокого обучения искусственного интеллекта и публикаций на эту тему возросло лавинообразно (см. рис. 1.1), причем рост способности машин распознавать закономерности в огромных наборах данных носил экспоненциальный характер. Увеличение в 300 тыс. раз вычислительной мощности компьютера в петафлопсах (петафлопс – скорость работы компьютера, равная выполнению квадриллиона (10¹⁵) операций с плавающей запятой в секунду) в течение суток обучения искусственного интеллекта является наглядной иллюстрацией изменений, наступивших после 2012 г. (см. рис. 1.2).