Казахстан переходит к новому этапу цифровизации здравоохранения, объединяя разрозненные медицинские информационные системы в единую цифровую экосистему и внедряя искусственный интеллект. О том, какой эффект это может дать отрасли, в интервью Kazinform рассказал эксперт в области цифровизации Олег Стрельцов. — Сегодня государство говорит об объединении разрозненных медицинских информационных систем и более широком использовании искусственного интеллекта. На Ваш взгляд, в чем главная проблема цифровизации здравоохранения? — Казахстан достаточно далеко продвинулся в цифровизации здравоохранения. У нас уже существует большое количество информационных систем, медицинские организации работают в цифровом формате, накоплены значительные массивы данных. Поэтому сейчас вопрос уже не столько в том, чтобы создать еще одну систему или перевести еще один процесс в электронный формат. Главный вопрос — насколько эффективно мы умеем использовать данные, которые уже собираем. Когда информация распределена между разными системами, а значительная ее часть используется преимущественно для формирования отчетности, мы не получаем полного эффекта от цифровизации. Следующим этапом, на мой взгляд, должен стать переход от цифровизации отдельных процессов к управлению здравоохранением на основе данных. — В чем разница между тем, что есть сейчас, и управлением на основе данных? — Простой пример. У медицинской организации есть данные о закупке лекарств, их движении и остатках, финансировании, материальных запасах, оборудовании, заработной плате и множестве других хозяйственных процессов. В конечном итоге все это превращается в отчетность. Но отчет в основном отвечает на вопрос: что уже произошло? Первичные данные позволяют идти глубже: видеть взаимосвязи, динамику, отклонения и причины происходящего. Возьмем лекарственное средство. За одной позицией стоит целая цепочка: закуп, источник финансирования, поступление на склад, серия и срок годности, дальнейшее движение и списание. Если мы видим только итоговую цифру в отчете — это один уровень информации. Если можем анализировать всю цепочку — совершенно другой. Именно поэтому важно, чтобы цифровизация двигалась от сбора отчетности к работе с первичными данными. — Вы говорите об этом исходя в том числе из собственного опыта работы с медицинскими организациями? — Да. Несколько лет назад мы начали развивать MadiMed — отраслевую систему учета для медицинских организаций. Сегодня с ней работают более 600 государственных медицинских организаций и частных организаций, выполняющих государственный заказ, в разных регионах Казахстана. И именно эта практика позволила увидеть проблему не на уровне теории. Когда работаешь непосредственно с первичным учетом, становится понятно, как много информации ежедневно формируется внутри одной медицинской организации и насколько важно связать данные между собой. В MadiMed, например, в одном контуре ведутся данные по лекарственным средствам, источникам финансирования, товарно-материальным запасам, основным средствам, заработной плате и другим финансово-хозяйственным процессам. При этом система взаимодействует с рядом государственных информационных систем. Но для меня здесь важнее не конкретный программный продукт, а сам принцип: данные должны возникать один раз на уровне первичного учета и дальше использоваться там, где они необходимы, без постоянного повторного сбора одной и той же информации. — Что такой подход может дать? — Возможность видеть систему на разных уровнях. Например, на уровне медицинской организации руководитель получает более полное понимание ресурсов, расходов и текущих процессов. На уровне управления здравоохранения появляется возможность сопоставлять показатели медицинских организаций, видеть динамику и быстрее обнаруживать отклонения. На уровне ФСМС и министерства качественные первичные данные могут использоваться для анализа финансирования, оценки эффективности расходов и совершенствования подходов к тарификации медицинских услуг. Например, сейчас мы участвуем в работе по методологии оценки клинико-затратных групп. И здесь особенно хорошо видно, насколько важна исходная информация. Чем точнее мы понимаем реальную структуру затрат медицинской организации, тем качественнее может быть аналитика, на основании которой принимаются решения. — Сейчас практически любая дискуссия о цифровизации заканчивается искусственным интеллектом. Где ИИ действительно может быть полезен здравоохранению? — Мне кажется, здесь важно не начинать с самого искусственного интеллекта. ИИ — это инструмент. Результат его работы напрямую зависит от качества данных, которые ему доступны. Если данные неполные, дублируются, вводятся вручную в нескольких местах или существуют в несвязанных информационных системах, алгоритм не решит эту проблему автоматически. Поэтому сначала нужен качественный цифровой фундамент: достоверные первичные данные, понятные правила их формирования и интеграция информационных систем. А уже поверх этого можно строить действительно полезные ИИ-инструменты. — Один из наиболее интересных сценариев — работа с рисками. Представьте, что системе доступны данные большого количества медицинских организаций. Алгоритм может сопоставлять организации со схожими параметрами, анализировать динамику расходов, движение лекарственных средств и другие показатели. Если где-то возникает нетипичное отклонение, система может автоматически обратить на него внимание специалиста. Это не означает, что искусственный интеллект должен самостоятельно делать вывод о нарушении. Его задача — обработать огромный массив информации и показать человеку участки, которые требуют дополнительного внимания. Фактически речь идет об ИИ-фильтре и постепенном формировании риск-скоринга. — То есть ИИ может использоваться в том числе для контроля расходов в здравоохранении? — Я бы говорил шире — для повышения качества управления. Контроль сегодня во многом носит ретроспективный характер: сначала происходит операция, затем формируется отчетность, после чего данные анализируются. При наличии качественных первичных данных появляется возможность постепенно переходить от такой модели к предиктивной. Допустим, несколько показателей одновременно начинают отклоняться от нормальной динамики. Само по себе каждое изменение еще ни о чем не говорит. Но их совокупность может указывать на повышенный риск. Алгоритм способен заметить такую комбинацию значительно раньше, чем человек при ручном анализе большого массива информации. Это и есть логика предиктивного аудита: не только находить проблему постфактум, но и заранее видеть факторы риска. — Может ли такая система работать на уровне всего здравоохранения? — Технологически к этому можно двигаться. Но я бы не ставил задачу создать одну огромную систему, которая заменит все существующие решения. Наоборот, правильнее выстраивать архитектуру, в которой разные информационные системы умеют качественно взаимодействовать между собой. Первый уровень — медицинская организация, где возникают достоверные первичные данные. Следующий — аналитика: автоматическая валидация информации, выявление аномалий, риск-скоринг. Далее — уровень принятия решений: управление здравоохранения, ФСМС и другие государственные структуры. В такой модели государству необязательно вручную запрашивать очередную таблицу у каждой медицинской организации. Необходимая аналитика может формироваться на основе уже существующих данных. — Я думаю, что необходимая база уже формируется. И нынешнее внимание государства к объединению медицинских информационных систем — важный шаг. При этом объединение само по себе не должно становиться конечной целью. Можно технически соединить множество систем, но не получить качественного изменения в управлении. Главное — определить, какие данные нам действительно необходимы, насколько они достоверны, как они связаны между собой и какие решения мы хотим принимать на их основе. Наш собственный опыт работы с MadiMed показывает, что значительная часть такого цифрового фундамента уже существует на уровне медицинских организаций. Следующая задача — научиться эффективнее использовать эти данные на уровне всей системы. И только тогда искусственный интеллект перестанет быть просто модным дополнением к цифровизации. Он станет рабочим инструментом, который помогает руководителю, аналитику, аудитору и государству раньше увидеть проблему и принять более точное решение. На мой взгляд, именно в этом и заключается следующий этап цифровизации казахстанского здравоохранения. Отметим, сегодня в Казахстане искусственный интеллект все активнее внедряют в сферу медицинской диагностики. Система централизованных радиологических исследований уже работает в государственных медучреждениях 15 регионов страны и помогает выявлять рак легких и молочной железы на ранних стадиях.