От открытия до ремиссии: как агентный ИИ меняет онкологический континуум

Хотя исследователи и медицинские бригады десятилетиями боролись с раком молочной железы и другими видами онкологических заболеваний, сегодня в том, как организации ведут эту борьбу, происходят подлинные перемены. Я общался с онкологами-исследователями, представителями систем здравоохранения и медико-биологических компаний, и в подавляющем большинстве случаев дискуссия сместилась от вопросов «У нас много данных» и «Как нам организовать наши данные?» к вопросу «Что наши системы могут с ними сделать?»

Онкология генерирует более разнородные и критически важные данные, чем почти любая другая область. Геномные последовательности, патологоанатомические изображения, клинические заметки, записи о страховых выплатах и данные носимых устройств исторически работали против врачей, а не на них, будучи разрозненными по разным системам и требуя много времени для сбора в моменты, когда решения имеют наибольшее значение.

Агентный ИИ — системы, которые рассуждают, планируют и действуют в рамках многоэтапных рабочих процессов — начинает устранять этот разрыв во всем онкологическом континууме, переводя здравоохранение и медико-биологические науки от разрозненных данных к экспериментам с ИИ и, в дальнейшем, к измеримым результатам. В этой статье мы проследим путь от лаборатории до периода выживаемости, выделив организации, которые продвигают эту работу вперед.

Пять этапов, пять давних «узких мест»

Онкологический континуум состоит из пяти взаимосвязанных этапов, каждый из которых имеет давнюю проблему с данными. Команды по поиску и исследованиям полагаются на молекулярные и геномные наборы данных, которые остаются изолированными. Скрининг и ранняя диагностика с трудом объединяют визуализацию, биомаркеры, данные электронных медицинских карт (ЭМК) и семейный анамнез. Диагностика и планирование лечения часто требуют от онкологических консилиумов вручную и неполно собирать профили пациентов. Координация лечения и ухода зависит от мультимодальных реальных данных, разбросанных по разным площадкам и системам. Ремиссия и период выживаемости генерируют доказательства, которые могут на годы отставать от клинических потребностей.

Эти проблемы усугубляют друг друга. Тот же сбой в данных, который замедляет исследования, может помешать нужному пациенту попасть в нужное клиническое исследование. Все пять «узких мест» восходят к одной и той же первопричине: не существует единой основы данных, способной рассуждать в рамках всего континуума.

Что на самом деле означает «агентный» в данном контексте и подход «фундамент прежде всего»

Традиционный ИИ отвечает на вопрос. Агентный ИИ планирует и выполняет действия в несколько этапов без необходимости участия человека для запуска каждого из них.

Однако ИИ эффективен лишь настолько, насколько эффективна база данных, на которой он основан. Данные о раке — это не электронная таблица. Геномные последовательности, патологоанатомические изображения, неструктурированные заметки, записи о страховых выплатах и сигналы носимых устройств сложны и мультимодальны по своей природе. Они содержат ценную информацию, необходимую для улучшения ухода, но только тогда, когда организации могут собирать, объединять и анализировать их вместе. Геномный вариант нуждается в клиническом контексте. Результат визуализации обретает смысл только в сочетании с молекулярными маркерами и историей лечения.

Представьте себе агента, который получает результат секвенирования, сравнивает его с профилями похожих пациентов, определяет открытые клинические исследования, моделирует их осуществимость и готовит резюме для онкологического консилиума — и все это на основе одного события данных. Конвергенция инфраструктуры мультимодальных данных, базовых моделей и управляемых платформ ИИ делает это операционно жизнеспособным.

Но агентные возможности, работающие с регулируемыми данными и рабочими процессами, требуют иного уровня контроля. Управление и безопасность должны быть встроены в вашу агентную стратегию с самого начала, а не добавлены позже, чтобы защитить конфиденциальную медицинскую информацию (PHI) и обеспечить соблюдение отраслевых стандартов, таких как HIPAA. Последствия неверного ответа в клиническом контексте выходят далеко за рамки неверной информационной панели и могут повлиять на исходы лечения пациентов. Это означает, что возможность аудита, контроль доступа, защитные механизмы агентов и четкие правила того, когда оставлять человека в контуре принятия решений, являются критически важными и должны рассматриваться на начальном этапе агентного пути.

Где агентный ИИ создает реальный эффект

Открытия и исследования

Первое «узкое место» — разрозненные молекулярные и геномные данные — это область, где агентный ИИ демонстрирует первые многообещающие результаты. Уровень неудач при разработке онкологических препаратов постоянно превышает 95%, при этом ежегодно на провальные онкологические исследования тратится от 50 до 60 миллиардов долларов, согласно 2023 study in JAMA Network Open.

Агентные системы могут анализировать геномные, структурные и литературные данные в рамках одной цепочки рассуждений. Они могут выявлять перспективных кандидатов раньше, отмечать вероятные причины неудач еще до лабораторных испытаний и постоянно включать новые данные. Практическим результатом является ускорение пути от гипотезы до жизнеспособного соединения, что дает исследовательским группам больше времени для работы над наиболее перспективными возможностями.

Скрининг и ранняя диагностика

Второе «узкое место» — мультимодальные сигналы, которые никогда не сходятся воедино, — создает глубоко человеческую проблему. После биопсии пациенты могут ждать результатов патологоанатомического исследования от двух до шести недель, а при необходимости молекулярного тестирования биомаркеров или геномного секвенирования задержки становятся еще дольше. В это время они остаются в состоянии неопределенности, не в силах планировать или понять, что будет дальше, не зная, положительный у них результат или отрицательный.

ИИ сжимает части этих рабочих процессов. ИИ-сортировка изображений может сократить время обработки с дней до минут за счет приоритизации критически важных результатов; цифровая патология может преобразовать анализ слайдов, ускоряя ранее ручные рабочие процессы с помощью вычислительной науки. Крупное реальное скрининговое исследование в США показало, что рабочий процесс с поддержкой ИИ позволил выявить 21.6% more breast cancers than standard mammography review.

Агентная возможность заключается в конвергенции: результат визуализации, результат биомаркера, индикатор риска из ЭМК и паттерн семейного анамнеза рассматриваются вместе, заменяя последовательную ручную сборку, которая и создает ожидание. Клинический эффект — более быстрая диагностика. Человеческий эффект — меньше недель в состоянии неопределенности.

Диагностика и планирование лечения

Онкологические консилиумы остаются одними из самых важных и наиболее ручных рабочих процессов в онкологии. Врачи собирают геномные профили, патологические данные, результаты визуализации и истории лечения из разрозненных систем, часто в условиях жесткого ограничения по времени.

Агентная система, запускаемая новым диагностическим результатом, может собрать эти источники, структурировать краткую информацию о пациенте, перекрестно проверить соответствие критериям исследования и предоставить материал до начала консилиума. Это готовит почву для клинического суждения и дает специалистам более полную отправную точку для обсуждения, вместо того чтобы начинать с нуля.

Человеческий эффект здесь реален: меньше времени на ожидание ответов и более быстрое начало лечения.

Координация лечения и ухода

Четвертое «узкое место» — фрагментированные мультимодальные реальные данные — способствует одному из постоянных провалов онкологии: пациенты, которые могли бы получить пользу от клинических исследований, часто так и не попадают в них.

Агентные рабочие процессы могут идентифицировать подходящие когорты практически в режиме реального времени по сложным критериям исследования. Они также могут моделировать осуществимость исследования, сроки набора, возможности площадки и сложность протокола еще до запуска исследования, когда у спонсоров еще есть время действовать. Это переводит операционную деятельность по исследованиям от реактивного набора к проактивному подбору.

Ремиссия и период выживаемости

Последнее «узкое место» — формирование доказательной базы, которое отстает от клинических потребностей, — затрагивает регуляторов, плательщиков, системы здравоохранения и пациентов. Агентные рабочие процессы позволяют непрерывно структурировать данные из реальной клинической практики, полученные из записей о лечении, сообщений о нежелательных явлениях и сигналов о долгосрочной выживаемости, превращая формирование доказательной базы из ретроспективного разового упражнения в проактивный непрерывный процесс, масштабируемый как продукт. Эти же рабочие процессы могут отслеживать сигналы приверженности лечению, такие как модели повторного получения рецептов, симптомы, о которых сообщают пациенты, и пропущенные визиты, выявляя пациентов с риском прекращения долгосрочной терапии, например эндокринного лечения, где раннее вмешательство может существенно повлиять на показатели рецидивов.

Эта работа позволяет сократить путь от лечения до получения инсайтов с лет до месяцев, в зависимости от доступности данных, дизайна исследования и управления. Это также замыкает цикл: данные из реальной клинической практики и модели приверженности лечению, полученные в период наблюдения за выжившими пациентами, могут лечь в основу следующей программы открытий, дизайна испытаний и стратегии лечения, одновременно помогая снизить риск рецидива у пациентов, продолжающих получать помощь.

Организации, внедряющие ИИ в здравоохранение

AstraZeneca

Используя Snowflake Cortex AI, компания AstraZeneca сообщила о значительном ускорении создания продуктов на основе данных, сократив время разработки с шести месяцев силами 16 инженеров до всего четырех дней силами двух человек. Повышение эффективности привело к созданию более 118 продуктов на основе данных, что высвободило тысячи часов продуктивности и обеспечило более 10 миллионов долларов экономии. Важно отметить, что эти достижения способствуют инновациям на базе ИИ, таким как рентгенография грудной клетки с поддержкой ИИ, которые призваны улучшить раннее выявление заболеваний легких и в некоторых случаях связаны с повышением уровня выживаемости до 90%. Благодаря оптимизации процессов обработки данных в масштабе, AstraZeneca имеет все возможности для стимулирования дальнейших инноваций и улучшения результатов лечения пациентов в секторе медико-биологических наук.

Zelis Healthcare

Zelis Healthcare демонстрирует следующий шаг: переход от единой основы к производственным агентам. Zelis перенесла всю свою базу данных в Snowflake и теперь получает данные практически в режиме реального времени из более чем 40 источников через Snowflake Openflow. Имея такую основу, команда развернула более 20 производственных агентов, создавая прототипы агентов за один день и переводя их в полноценную эксплуатацию через два дня, что обеспечивает получение ответов практически в реальном времени и снижает нагрузку на основную команду по работе с данными. Лакшман Пиндикур, старший директор по разработке данных (Zelis Data Cloud) в Zelis Healthcare, описывает основу этого прогресса: «Мы можем быстро расширять возможности наших пользователей с помощью Snowflake CoWork, используя Openflow как наш основной инструмент для сбора всех данных в Snowflake, а Horizon Catalog — для обеспечения безопасности и управления корпоративного уровня».

Более широкая закономерность важнее, чем любая отдельная реализация. Исследовательские организации объединяют клинические, геномные и визуализационные данные. Поставщики медицинских услуг связывают историю лечения с проведением испытаний. Команды, занимающиеся сбором данных из реальной клинической практики и исследованиями в области экономики здравоохранения и результатов (HEOR), объединяют данные страховых выплат, электронных медицинских карт (EHR), реестров и данные, генерируемые пациентами, чтобы быстрее находить ответы на вопросы. Агентный ИИ дает этим организациям способ координировать работу между системами, сохраняя при этом контроль экспертов над принимаемыми решениями.

Работа уже идет

Технология в абстрактном виде менее важна, чем то, что организации делают с ней прямо сейчас: превращают агентный ИИ из эксперимента в измеримый рост и эффективность на протяжении всего пути борьбы с раком. Они делают это, связывая разрозненные доказательства, поддерживая исследователей, улучшая планирование испытаний и предоставляя клиницистам более полное представление о пути каждого пациента.

Чтобы узнать, как организации добиваются прогресса в этой области, прочитайте о том, как Национальный институт рака (NCI) модернизировал свою корпоративную платформу данных, чтобы получить большую гибкость, повысить прозрачность затрат и поддержать будущие инновации.