Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Buduschee meditsiny smozhet li ii pomogat v prognozirovanii i profilaktike zabol
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Будущее медицины: сможет ли ИИ помогать в прогнозировании и профилактике заболеваний?

Источник: Microsoft Research•20 ноября 2026 г. в 00:11

Будущее медицины: сможет ли ИИ помогать в прогнозировании и профилактике заболеваний?

Запись Блог Будущее медицины: сможет ли ИИ помогать в прогнозировании и профилактике заболеваний? опубликована на сайте Source.

Технический прогресс развивается настолько стремительно, что порой трудно определить завтрашний день, к которому мы стремимся. В подкасте «Очерки грядущего» (The Shape of Things to Come) руководитель Microsoft Research Даг Бергер (Doug Burger) и эксперты из различных дисциплин разбирают самые сложные проблемы в области искусственного интеллекта, с которыми сегодня сталкиваются технологи, разработчики политики, бизнес-лидеры и другие заинтересованные стороны. Цель состоит в том, чтобы сформировать общее понимание, необходимое для построения будущего, в котором переход к ИИ принесет наибольшую пользу.

Главный директор по исследованиям Microsoft Ава Амини (Ava Amini), главный научный сотрудник Microsoft Эрик Хорвиц (Eric Horvitz), а также врач-исследователь и медицинский консультант Microsoft по ИИ Эрик Топол (открывается в новой вкладке) из Scripps Research присоединяются к Бергеру, чтобы обсудить вопрос, имеющий последствия для каждого человека на планете: каким может быть будущее медицины с искусственным интеллектом и что для этого должно произойти в первую очередь?

Опираясь на опыт в области машинного обучения, бионауки и клинической помощи, участники дискуссии исследуют медицинскую диагностику с поддержкой ИИ, нереализованный потенциал использования ИИ в медицинской визуализации, модели всего организма, виртуальные клетки и роль биологических фундаментальных моделей в научных открытиях. Группа также рассматривает причины, по которым многообещающие исследования медленно доходят до пациентов, то, как ИИ может направлять эксперименты и разработку лекарств, а также почему качественные биологические данные и валидация в реальных условиях остаются необходимыми.

Этот эпизод представляет собой основанный на исследованиях разговор о том, на что способен ИИ в сфере здравоохранения сегодня, о проблемах и возможностях, которые еще впереди, и об очертаниях грядущего.

Расшифровка

[МУЗЫКА]

ДАГ БЕРГЕР: Это подкаст Microsoft Research «Очерки грядущего». Я ваш ведущий, Даг Бергер. В этой серии мы отправимся на передний край возможностей искусственного интеллекта, углубимся в фундаментальные основы, постараемся по-настоящему понять их и подумаем о том, как эти возможности изменят мир — к лучшему и к худшему.

Сегодня я пригласил трех экспертов в области биомедицины, работающих на передовой ИИ, биологии и медицины, чтобы узнать, куда движется здравоохранение, куда движется глубокое понимание биологии, какие медицинские достижения нас ожидают и как ИИ изменит будущее здоровья. Эти вопросы действительно важны, потому что они определят облик грядущего.

[МУЗЫКА ЗАТИХАЕТ]

В сегодняшнем подкасте я пригласил трех ведущих исследователей в области медицины, биологии и машинного обучения / ИИ.

Эрик Хорвиц — главный научный сотрудник [главный директор по науке] Microsoft, имеющий степени доктора философии (PhD) и доктора медицины (MD). Как вы провели все эти годы в учебе, я понятия не имею. Я знаю Эрика десятилетиями, и его работа сформировала всю область машинного обучения. Он легенда в сообществе машинного обучения и мой хороший друг.

Эрик Топол — наш второй гость. Он исполнительный вице-президент Scripps Research (открывается в новой вкладке), крупнейшего некоммерческого биомедицинского исследовательского института в Соединенных Штатах. Он опубликовал более 1300 рецензируемых работ. Потрясающе, [СМЕХ] потрясающе продуктивен. Автор четырех книг (открывается в новой вкладке). В общем, потрясающе впечатляющий, плодовитый ученый и врач.

Наконец, Ава Амини — главный директор по исследованиям в Microsoft Research. Она восходящая звезда нашей организации, эксперт на стыке ИИ и точной медицины, а также соруководитель Project Ex Vivo — совместной инициативы Microsoft и Института Броуда, которая сосредоточена на определении, проектировании и таргетировании клеточных состояний при раке.

Большое спасибо всем, что присоединились сегодня. Я думаю, у нас подобрался поистине потрясающий состав участников, за исключением меня самого. И я хотел бы обратиться к своим гостям.

Очевидно, что на стыке биологии, медицины и искусственного интеллекта сейчас происходит колоссальный сдвиг. Мы просто видим, как прорывы происходят со всё возрастающей скоростью. Модели помогают нам открывать структуры и создавать абстракции, которые чрезвычайно полезны для продвижения медицинской науки. Я видел недавние выступления, где ученые, столкнувшиеся с раком, использовали ИИ для разработки лекарств для самих себя. То есть просто невероятно.

И сегодня у меня есть несколько долгосрочных вопросов для обсуждения, возможно, немного провокационных. Но я хотел бы начать с того, что каждый из вас видит происходящим прямо сейчас, скажем так, на стыке медицины, биологии и ИИ.

Я думаю, у каждого из вас уникальная точка зрения. Я пойду по кругу, и я знаю, Эрик, у тебя есть, знаешь ли, обзорная статья в журнале Science (открывается в новой вкладке), которая вызывает большой интерес, так что, может быть, ты мог бы немного рассказать и о ней. Итак, я начну с тебя, а затем передам слово Эрику Тополу и Аве.

ЭРИК ХОРВИЦ: Спасибо, Даг.

Я считаю, что здравоохранение и биомедицинские науки находятся в привилегированном положении, поскольку оцифровка контента — будь то структура белков на протяжении десятилетий, электронные медицинские карты и так далее — делает эти области готовыми к выводам и инновациям на основе ИИ. Поэтому я был чрезвычайно оптимистичен в отношении долгосрочного будущего, а также того, что мы увидим на ранних этапах на переднем крае ИИ в том, что касается биомедицинских наук и здравоохранения.

Просто необычайно видеть то, что произошло всего за последние пять-восемь лет в биомедицинских науках как с дискриминативными, так и с генеративными моделями ИИ. Знаете, прорыв AlphaFold (открывается в новой вкладке) был лишь верхушкой айсберга, и теперь мы наблюдаем настоящий всплеск и волну возможностей в сфере экспериментальных платформ, экспериментального проектирования, интерпретации данных в биомедицинских науках, а также генерации гипотез — я бы сказал, в качестве помощника и компаньона для научных мыслителей и ученых-людей.

В здравоохранении у нас есть исключительная возможность решить долгосрочные проблемы безопасности пациентов, своевременной диагностики и доступности медицинской помощи. И после пары лет интенсивной работы я и мои замечательные коллеги из Microsoft упорно трудились над решением задач здравоохранения, когда речь заходит о применении ИИ и бенчмаркинге — например, задачах медицинской диагностики, — и перенесли это в то, что я бы назвал сфера медицинской когнитивистики, где вместо того, чтобы смотреть на весь случай, переданный системе ИИ, и оценивать показатели точности ее способности диагностировать, например, ту или иную форму дифференциальной диагностики, мы вместо этого ставим систему ИИ на место клинициста.

Вы получаете первоначальный набор симптомов, главную жалобу, некоторую историю болезни, небольшое представление о том, что происходит, когда пациент обращается в амбулаторных условиях, а затем clinician должен задать правильные вопросы и подумать об анализах, сопоставляя ценность информации со стоимостью анализов. Это задача последовательной диагностики. И мы применили ИИ как к компоненту формулирования гипотезы, так и к принятию решений о том, какие следующие лучшие анализы назначить, какие вопросы задать, а также когда вынести диагноз, даже в условиях неопределенности, в качестве окончательного конвергентного диагноза и перейти к делу, например, к терапии. И это показало, я думаю, замечательные способности ряда передовых языковых моделей справляться с этой задачей превосходно.

И, знаете ли, опять же, провели некоторые сравнения с врачами-общепрактикующими специалистами, к которым нужно относиться номинально и с учетом ограничений того, что мы сделали в отношении сравнения, но они все же показывают перспективность методов для помощи клиницистам будущего.

БЕРГЕР: Что ж, поздравляю со статьей. Это действительно большое событие.

Эрик [Топол], переходим к вам. Знаете, вы единственный человек в подкасте, кто не является сотрудником Microsoft [СМЕХ], и поэтому вы видите совсем другую, я думаю, картину, чем ту, которую мы могли бы увидеть с нашей точки зрения, хотя я думаю, что каждый из нас троих в целом видит разные вещи.

Не могли бы вы просто рассказать нам, что вы видите? Например, для кого-то из слушателей, у нас широкая аудитория из самых разных сегментов, а не только эксперты в области ИИ или медицины. Что такого вы видите, что ваш, скажем так, технически подкованный, умный, средний слушатель смог бы вынести из этого?

ЭРИК ТОПОЛ: Да, конечно, Дуг. Я имею в виду, во-первых, я тоже хочу поздравить Эрика и команду Microsoft, потому что это была эпохальная статья в журнале Science. Это был первый случай, когда агентная система обеспечила более точную диагностику не только по сравнению с врачами, но и со многими другими передовыми моделями. Заметно улучшенная точность по сравнению с врачами, почти в два раза, но при меньших затратах. То есть, мы такого раньше не видели. То, что мы видели — это использование ИИ для повышения категории сложности кодирования [upcoding] и потенциального увеличения затрат. Это действительно была первая демонстрация того, что можно получить более высокую точность при меньших затратах. Это вроде как ешь больше, худей меньше [СМЕХ], или «вкуснее», понимаете. В общем, это довольно впечатляющая работа.

Теперь, что я заметил, и это поразительно: мы все сосредоточились на блестящей игрушке генеративного ИИ, что здорово. Прошло уже, знаете ли, четыре года. Но мы почему-то упустили из виду сферу, где он проявил себя еще лучше, а именно фазу изображений, глубокое обучение на медицинских изображениях. Будь то сетчатка, рентгенография грудной клетки, электрокардиограмма, все эти вещи.

И поэтому возникает настоящий парадокс, когда, например, мы не внедряем все то, чему научились из mammography—over a hundred thousand women in a randomized trial (opens in new tab) — или colonoscopy—44 randomized trials (opens in new tab) — и не извлекаем всю заложенную информацию, которую люди не могут увидеть, но которую ИИ может интерпретировать из каждого известного нам типа медицинского изображения. Так что мы упускаем эту возможность.

Почему это важно? Ну, следующий этап развития ИИ — это, полагаю, то, что я назвал бы моделями всего пациента, когда у нас будут, как упомянул Эрик, электронные медицинские карты; у нас будут все изображения, «сырые» изображения и другие уровни данных. Это может быть геномика, протеомика; это может быть экспосома — все эти уровни данных.

Но мы можем получить максимальную отдачу от этого на индивидуальном уровне для прогнозирования заболеваний, того, когда они могут возникнуть, и сценариев «что, если», если мы что-то изменим, чтобы отсрочить или предотвратить заболевание, и используя такие вот замечательные наборы данных, чтобы по-настоящему изменить медицинское обслуживание так, как мы никогда раньше не делали. Так что я воодушевлен этим. Но мы все еще буксуем на месте. Мы не использовали проделанную работу для улучшения ухода за пациентами. Я все еще жду, когда это произойдет. Это, мягко говоря, раздражает.

БЕРГЕР: Прежде чем я перейду к Аве: раз уж вы затронули эту тему, что, по вашему мнению, медицинское сообщество должно делать иначе, чтобы мы не упустили эту возможность? Я имею в виду, что проводится масса исследований, идет большая работа, компании внедряют ИИ. Что упускает сообщество?

ТОПОЛ: Ну, оно упускает внедрение. Все это остается в этих замечательных журналах, проходит рецензирование и содержит впечатляющие данные, особенно эти рандомизированные исследования, которые проводились в реальном мире, и не используется при уходе за пациентами или помощи пациентам.

Так что нет никаких уважительных причин, почему это не продвигается вперед. Есть множество отговорок [СМЕХ], но, знаете ли, медицинское профессиональное сообщество медленно внедряет изменения. Часто существуют финансовые ограничения; наблюдается нежелание инвестировать на уровне систем здравоохранения, потому что, знаете ли, они работают с очень низкой маржинальностью...

БЕРГЕР: Верно.

ТОПОЛ: ...и, знаете ли, они не хотят связываться с тем, в чем не до конца уверены.

Знаете, что примечательно: врачи не требуют этих достижений. Я имею в виду, если я — или пациенты. Если вы женщина, проходящая маммографию, и вам не делают ультрасовременный ИИ, который, как вы знаете, почти никаким женщинам в США не делают, вы бы, наверное, подняли бунт. Или вам приходится платить за такую интерпретацию в очень ограниченной сети. Есть так много вещей, которые люди не получают... которые либо врачи, выступающие за интересы пациентов, либо сами пациенты... возможно, именно это нам и нужно, чтобы сдвинуть дело с мертвой точки.

БЕРГЕР: Я еще вернусь к этому. Это действительно, я считаю, важный момент, потому что он затрагивает экономику системы.

Но, Ава, позвольте мне обратиться к вам. Вы глубоко погружены в это, верно? Вы играете с моделями, работаете с внешними организациями и фактически продвигаете вопросы, связанные с состояниями заболеваний. Так что же вы видите прямо сейчас?

АВА АМИНИ: Да, с моей точки зрения, это находится на пересечении ИИ и биологии. То есть больше сфокусировано на биологических науках, а не на медицине и здравоохранении, но эта перспектива очень дополняет то, о чем упоминали оба Эрика, потому что прямо сейчас мы находимся на этапе крайнего воолушевления, большого оптимизма, большого притока энергии, множества инвестиций. Но когда доходит до дела, реальность снова упирается во внедрение, когда у нас есть энтузиазм по поводу создания предсказательных и генеративных моделей, моделей ИИ для биологии. Но на самом деле вопрос в моем сознании звучит так: что именно они собираются решить? К каким вопросам мы можем их применить? Как мы будем их внедрять? Как они будут приняты учеными-экспериментальщиками и интегрированы в наши рабочие процессы?

И это пробел, который, как мне кажется, сообществу еще предстоит преодолеть. Мы делаем шаги в этом направлении. Например, благодаря нашему сотрудничеству с Broad Institute, где мы стараемся выстроить совместное исследовательское начинание снизу вверх, объединяющее как ИИ-составляющую, так и биологическую. И я думаю, что в следующем фазовом этапе настоящей задачей и проверкой станет то, как именно мы сможем внедрить эти модели и системы осмысленным образом для решения важных проблем.

И второй важный момент, который я вижу и в который искренне верю, тесно связан с концепцией модели всего организма. Он сводится к тому, что биология невероятно сложна, поскольку она по своей природе многоуровнева, верно? У нас есть процессы на уровне молекул, которые затем переходят на уровень отдельных клеток, организующихся в ткани и органные системы, и все эти органные системы функционируют внутри организма удивительно слаженно. Это задача для машинного обучения и вычислений, которую крайне сложно встретить в любой другой области: как именно согласованно интегрировать эти уровни иерархии так, чтобы контекст и информация с самого нижнего молекулярного уровня могли быть осмысленно подняты до инсайтов на уровне пациента или человека.

И из-за этих сложностей открывается масса возможностей для реальных инноваций в области ИИ в том, как мы доставляем данные к этим моделям, как мы представляем данные, какой тип данных нам нужен, в каком объеме и насколько разнообразными они должны быть. Все эти фундаментальные технические вопросы соседствуют с реальными биологическими задачами: предположим, у нас действительно есть модель всего организма. Каков будет список из трех, двух или хотя бы одного наивысшего приоритета, для которых мы развернем такую систему? Или мы занимаемся демократизацией и идем по пути широты применения, а не глубины? Так что по всем этим причинам наступает невероятно захватывающее время для исследований как в вычислительной, так и в биологической областях.

БЕРГЕР: Мы снова и снова возвращаемся к модели всего организма. Поэтому я хочу задать, пожалуй, провокационный вопрос и воспользоваться своей площадкой, чтобы вернуться к своей исторической сфере.

Знаете, как вы все, наверное, знаете, по образованию я архитектор вычислительных систем, то есть строю системы из чипов, программного обеспечения и проводников. И одна из особенностей этой сферы, сферы вычислений, заключается в том, что мы, люди, создали эти невероятно сложные системы — буквально миллиарды схем на чипе размером с почтовую марку. Но мы понимаем в них практически все, потому что создавали их с нуля. Мы создали абстракции, создали правила перехода с одного слоя на другой. Но, конечно, в самом глубоком месте, на стыках транзисторов, происходит запутанный стохастический танец, квантовый танец электростатических сил, и p-n-переходы на самом деле являются стохастическими устройствами, просто мы строим чистые абстракции поверх них.

Как вы думаете, дойдем ли мы когда-нибудь до точки, где биология будет устроена так же? Когда мы будем понимать ее достаточно хорошо, у нас появится иерархия абстракций, мы будем знать, за что отвечает каждый элемент, и сможем указать на любую часть системы со словами: «Вот оно»? Или это всегда будет нечто хаотичное и настолько сложное, что мы просто не сможем это понять?

ХОРВИЦ: Могу ли я, Дуг, сказать, что как только мы запустим глубокую генеративную модель на том самом ясном и точном наборе абстракций, который ты создал за свою карьеру, мы снова вернемся к хаосу, пытаясь понять алгоритмическое поведение, особенно когда оно стохастично? Мне кажется — если продолжить аналогию с многоуровневой динамической системой, человеческим телом, — что здесь будут наблюдаться очень высокие степени сложности, когда дело дойдет до динамики и взаимодействия компонентов на разных уровнях абстракции. И поэтому нам придется продумать способы управления этой сложностью в наших выводах, тестах, исследованиях и сборе данных так, чтобы мы могли — вновь продолжая аналогию — прийти к методологиям интерпретируемости того, что мы видим, и того, во что можем вмешиваться, а также к причинно-следственным моделям и абстракциям, которые помогут нам понять как внутриуровневые, так и межуровневые взаимодействия.

БЕРГЕР: Кажется, это был ответ «нет». [СМЕХ]

ХОРВИЦ: Ну, видишь ли, это было «нет» в том смысле, что мы никогда не поймем детали — критически важные детали — вплоть до точного атомарного уровня, вроде того, с которым ты имел и имеешь дело в архитектуре и проектировании систем. Так что да, я должен был… я мог бы ответить гораздо проще… я мог бы просто сказать «нет».

БЕРГЕР: Нет-нет-нет. [СМЕХ] Я просто… я пытаюсь упростить это для аудитории, понимаешь? Потому что…

ХОРВИЦ: Простите, простите, аудитория. Я пустился в долгие рассуждения.

БЕРГЕР: Я сделал низкоранговое приближение [СМЕХ] для Эрика Хорвица и получил один бит. Извини, что свел тебя к минимуму.

ХОРВИЦ: Это, это полезно.

БЕРГЕР: Есть ли здесь еще какие-нибудь комментарии?

ТОПОЛ: Да, я просто брошу…

БЕРГЕР: Кто-нибудь не согласен?

ТОПОЛ: …пару реплик. Во-первых, как вы знаете, существует огромный интерес к созданию виртуальной клетки…

БЕРГЕР: Да.

ТОПОЛ: …в которой можно было бы проводить любые пертурбации и прогнозировать ее реакцию, что помогло бы как в разработке лекарств, так и в разгадке множества биологических тайн.

Теперь что касается уровня пациента… человека… виртуального человека — здесь мы пока очень слабы. Мы даже близко к этому не подошли — виртуальная клетка еще не скоро появится, но аналогия с виртуальным пациентом… Например, если у вас есть полигенный риск-оценка или даже геномная последовательность, вы можете сказать: «О, у этого человека есть риск развития сердечных заболеваний». Но мы не знаем, проявится ли это в 50 лет или в 90. Знаете, это не слишком помогает.

Оказывается, даже те модели, которые уже созданы и опубликованы, способны дать нам некоторую временную конкретику. Они уже могут раскрасить эту картину. И мы все еще ждем глубоких данных… а пока это лишь электронные медицинские карты и образ жизни, либо электронные медицинские карты и полигенный риск-оценка. У нас еще нет глубоких и долгосрочных данных в большом масштабе. Подождите, пока они у нас появятся. Так что я действительно думаю, что мы придем к более зрелым моделям всего организма раньше, чем к виртуальной клетке. Мы никогда не сможем моделировать все те пертурбации, которые можно осуществить на клеточном уровне, но ведь в организме очень много разных клеток.

БЕРГЕР: Да.

ТОПОЛ: Но еще один момент заключается в том, что нам необходимо выйти за рамки формулировки «вы находитесь в группе риска». У нас есть реальный шанс сделать профилактику реальностью, чего мы никогда по-настоящему не делали в здравоохранении. Так что я считаю это захватывающим шагом вперед, но для воплощения этого в жизнь потребуется огромная работа.

BURGER: В минувшие выходные я был на конференции, посвященной пересечению ИИ и медицины, и там, Эрик, поднималась эта тема: профилактика. И, по-моему, аргумент, который приводили некоторые очень вдумчивые спикеры, заключается в том, что наша экономическая модель здравоохранения фундаментально противоречит профилактической медицине. Система просто не заинтересована в этом. Люди могут выбрать такой подход, но, понимаете, вы идете к врачу, когда заболеваете, больница вас лечит, и, возможно, вам дают какие-то советы. Но у системы нет фундаментального стимула инвестировать в предотвращение будущих проблем, за исключением, пожалуй, вашего терапевта. Вы согласны с этим?

TOPOL: Ну, я бы просто сказал: добро пожаловать в Соединенные Штаты. [СМЕХ] Такова наша модель. Но если вы посмотрите на другие страны, то увидите, что там есть стимулы для поддержания здоровья населения. Огромные экономические стимулы, не говоря уже о снижении нагрузки на здравоохранение. Так что мы находимся в этой странной, уникальной ситуации, где существуют дестимулы из-за всех этих структур, например, годового страхового покрытия. Зачем им заботиться о профилактике заболеваний…

BURGER: Да.

TOPOL: …когда у них такие краткосрочные интересы? И, знаете, структурно все устроено очень плохо для такого сдвига. Но это не значит, что он не произойдет. Возможно, это случится не здесь или только в отдельных организациях, таких как программа Kaiser или некоторые другие, которые больше ориентированы на этот, скажем так, сдвиг.

BURGER: Ава, я хочу вернуться к вам, к исходному вопросу. Итак, цифровые системы — это, по сути, точные абстракции, построенные на стохастическом хаосе. Как вы думаете, сможем ли мы получить точные правила биологии поверх всей этой стохастической неразберихи, даже несмотря на то, что она гораздо сложнее?

AMINI: Я бы почти перевернула этот вопрос с ног на голову. Вместо того чтобы спрашивать: «Сможем ли мы этого достичь?», стоит спросить: «Нужно ли нам это?». И я бы поспорила, что, возможно, нет необходимости в такой полной, знаете, атомарной интерпретируемости, чтобы знать, где находится каждая молекула в клетке в любой момент времени и как она реагирует на это возмущение, и так далее. Я думаю, гораздо важнее подумать о том, какие именно результаты нужны от модели или системы, которая, возможно, является оркестровкой множества моделей, чтобы действительно способствовать открытиям, которые ученый собирается совершить?

И для многих вещей, которые, знаете, актуальны в плане возможности заглянуть на год или два вперед для экспериментальной проверки, я не думаю, что нам нужен такой уровень интерпретируемости. Достигнем ли мы этого — я думаю, мы можем поспорить. Я бы склонилась на сторону Эрика Х., сказав, что, возможно… я не думаю, что мы когда-либо точно придем к этому из-за присущей биологии энтропии и динамики. Но я бы твердо заявила: считаю ли я это необходимым? Нет.

HORVITZ: Да, Даг, существует огромный запас прочности между тем, чего вы требуете от точности системного архитектора или архитектора оборудования, и тем, что мы можем сделать, чтобы принести невероятную пользу пациентам в условиях неопределенности, стохастичности и гораздо более глубокого понимания причинно-следственных связей… на всех уровнях понимания физиологии человека.

AMINI: Именно так. Знаете, какой уровень этого нам нужен, чтобы способствовать открытиям или обеспечить лучшие вмешательства, методы лечения или профилактические меры, верно? Знаете, я не думаю, что для этого строго необходима такая тонкая точность.

BURGER: Да, я определенно не думаю, что вам нужен такой уровень понимания, чтобы делать очень, очень полезные и важные вещи. Но я думаю, что вы двое только что очень хорошо выразили мысль: «Даг, ты слишком предвзят из-за своих 30 лет в этой области, [СМЕХ] отойди в сторону и перестань пытаться применять свои уроки к биологии», что я считаю справедливым замечанием. Это не значит, что я так и сделаю, но я услышал ваш отзыв.

TOPOL: Это сложный вопрос для разбора, Даг, потому что здесь так много разных аспектов. Например, использование «умных» систем записи (ambient scribes), чтобы сократить время, которое врачи и клиницисты тратят на заполнение данных, что начинает по-настоящему набирать обороты по всей территории США, и те, кто часто ими пользуется, действительно, знаете, получают вознаграждение за экономию времени, проводимого за клавиатурой…

BURGER: Верно.

← Все статьи

О чём эта статья

Ещё в разделе «Разработка ПО»

Все →
Доставка в Черную пятницу: руководство для электронной коммерции
Shipstation

Доставка в Черную пятницу: руководство для электронной коммерции

Управление возвратами без проблем: 5 брендов, превративших возвраты в выручку
Shipstation

Управление возвратами без проблем: 5 брендов, превративших возвраты в выручку

Как создавать и продавать товары со сплошной запечаткой (2026)
Shopify

Как создавать и продавать товары со сплошной запечаткой (2026)

Сравнение 3PL и дропшиппинга для интернет-магазинов (2026)
Shopify

Сравнение 3PL и дропшиппинга для интернет-магазинов (2026)

Как создать покупательские персоны для интернет-магазина, которые помогут принимать лучшие решения
Woocommerce

Как создать покупательские персоны для интернет-магазина, которые помогут принимать лучшие решения

Red Hat OpenShift 5 теперь доступна на Azure Red Hat OpenShift
Red Hat

Red Hat OpenShift 5 теперь доступна на Azure Red Hat OpenShift

Ещё от Microsoft

Ignite 2026: Создание экосистемы передовых технологий
Microsoft

Ignite 2026: Создание экосистемы передовых технологий

Генеральный директор Microsoft Сатья Наделла назвал сбой в Outlook «идеальным штормом». Вот что пошло не такПресса
Microsoft

Генеральный директор Microsoft Сатья Наделла назвал сбой в Outlook «идеальным штормом». Вот что пошло не так

Генеральный директор Microsoft Сатья Наделла сохраняет уверенность в Nvidia после ухода ХуангаПресса
Microsoft

Генеральный директор Microsoft Сатья Наделла сохраняет уверенность в Nvidia после ухода Хуанга

Почему Microsoft инвестирует в переработку редкоземельных металлов, лежащих в основе современных технологий
Microsoft

Почему Microsoft инвестирует в переработку редкоземельных металлов, лежащих в основе современных технологий

Кибератаки становятся быстрее. Вот как Microsoft дает отпор
Microsoft

Кибератаки становятся быстрее. Вот как Microsoft дает отпор

Microsoft представила 7 ИИ-моделей для программирования, редактирования изображений, работы с голосом и многого другого
Microsoft

Microsoft представила 7 ИИ-моделей для программирования, редактирования изображений, работы с голосом и многого другого