в размере 150 млрд долларов в одних только Соединенных Штатах.
Мы собираемся использовать ряд технологий, чтобы значительно сократить расходы на лечение и улучшить диагностику; в их числе:
• Технологии виртуальной и дополненной реальности. От хирургов, которые носят AR-очки для повышения точности операций на раковых опухолях, позвоночнике и сердце, до использования виртуальной реальности в качестве альтернативного лечения посттравматического стрессового расстройства, стресса и психических расстройств.
• Робототехника. От роботизированной хирургии и компьютер-ассистированной хирургии до дистанционно управляемых роботов-помощников, которые путешествуют по палатам, выдавая лекарства и проверяя пациентов.
• Носимые и проглатываемые датчики. От встроенных в часы носимых датчиков сердечного ритма, которые уже выявляли аномальные состояния сердца и спасали жизни, до проглатываемых датчиков, которые смогут отслеживать артериальное давление, уровень сахара в крови и даже регулировать уровень инсулина, объединяя в режиме реального времени данные о состоянии здоровья с диагностикой ИИ, что будет иметь огромное значение для раннего выявления и снижения стоимости лечения.
• Телемедицина и удаленное управление здоровьем. Согласно исследованию The American Journal of Emergency Medicine [154], перенаправление пациентов из отделений неотложной помощи с помощью телемедицины может сэкономить более 1500 долларов США за посещение. Медицинские приложения, установленные в нашей личной умной экосистеме для определения того, достаточно ли телемедицинской консультации или необходима экстренная госпитализация, значительно повысят эффективность системы.
• ИИ-диагностика. Этот вид диагностики уже используется в различных областях и не уступает по точности специалистам-людям, а вскоре она вырастет и еще сильнее. Анализ 25 диагностических исследований ИИ, проведенный журналом Lancet Digital Health, показал, что машина правильно диагностирует заболевания с той же или большей скоростью, чем специалисты в области здравоохранения. Точность алгоритмов глубокого обучения составила 93 % по сравнению с 91 % у людей.
• Медицинские трикодеры. От муншота Verily, спин-оффа Google, до трикодера DxtER Medical мы наблюдаем рост вычислительных мощностей портативных устройств и улучшение датчиков, приближающий нас к созданию мобильного диагностического девайса. Всё это позволит в любом месте и в любое время отслеживать сотни переменных в состоянии здоровья на основе генома, семейной истории болезни и показаний датчиков в реальном времени.
• 3D-биопечать. К концу этого десятилетия трехмерная биопечать позволит нам заменять органы, реконструировать суставы и, возможно, улучшать функции органов. При помощи 3D-принтера мы уже успешно напечатали мочевой пузырь, пищевод и почки и использовали эту технологию для реконструкции лица. В 2020 году инженеры представили первые полностью напечатанные на 3D-принтере модели сердца для хирургических упражнений, но уже к концу этого десятилетия мы сможем печатать тонкие сети сосудов, необходимые для таких сложных органов, как сердце и печень.
• Нанотехнологии. С 2030 по 2050 год мы будем испытывать и совершенствовать медицинских наноботов, или крошечных микроскопических роботов, которые смогут лечить вас изнутри. Экспериментальные наноботы уже умеют доставлять лекарства узкой направленности в определенную область: например, лекарства от рака к раковому новообразованию или опухоли. К 2050 году наноботы смогут в режиме реального времени восстанавливать клетки, сломанные кости, разорванные мышцы, поврежденные кровеносные сосуды и т. д.
Самой серьезной экономии общих затрат на здравоохранение можно достичь за счет сокращения вариативности лечения и количества рабочих часов врача. В США 30 % общей стоимости лечения ложатся на плечи всего 1 % пациентов [155] при проведении некоторых процедур. Использование искусственного интеллекта в диагностике уже показывает, что глубинное обучение позволяет значительно снизить количество ошибок и лучше, чем 95 % врачей, справляется с диагностикой рака, сердечно-сосудистой визуализацией и даже с такими базовыми задачами, как анализ эхокардиограммы (ЭКГ).
Совместное использование медицинских данных также уменьшит количество ненужных процедур и ложных предположений, поскольку история болезни будет составляться намного точнее. В сочетании с данными по истории генов возможность сужать схемы лечения, опираясь на генетический анализ, а не на симптомы вирусных или бактериальных инфекций, превзойдет все те методы, которые мы используем сегодня. Она станет в разы точнее.
Рисунок 14. Хирурги уже используют дополненную реальность в хирургии позвоночника, сердца и рака (изображение предоставлено: Augmedics xvision™ Spine System)
«Излишние затраты на медицинское обслуживание принимают множество форм. Одна из главных причин – неверные назначения: расходы на лечение, не имеющее клинической ценности, либо отсутствие расходов на профилактику».
– Дэвид Катлер, профессор прикладной экономики Гарвардского университета
Таким образом, к 2030-м годам, осознав потенциал резкой оптимизации сферы здравоохранения, мы, создавая государственные системы управления охраной здоровья, будем ориентироваться на данные и опираться на ИИ. Люди будут жить дольше и здоровее, и в качестве основного метода работы мы перейдем к профилактическому поддержанию здоровья, а не к лечению симптомов и массовому производству лекарств. На смену медицинской страховке придут услуги управления здоровьем по подписке на разные уровни обслуживания, соответствующие данным о вашем геноме и медицинским показаниям.
При текущей модели ожидается, что расходы на охрану здоровья будут ежегодно опережать рост ВВП на 0,8 %. В период с 2000 по 2019 год, до пандемии COVID-19, расходы на здравоохранение в США увеличивались на 5,6 % в год. Сокращение ежегодных государственных расходов – плохой ответ, поскольку данные Национальных институтов здравоохранения (NIH) показывают, что лишь 3,86 % из них составляют государственные административные расходы. Однако технологическая реформа обладает хорошим потенциалом в плане снижения затрат.
К концу 2030-х – началу 2040-х годов в странах с централизованными государственными базами данных о состоянии здоровья затраты на здравоохранение в пересчете на одного гражданина потенциально снизятся вдвое по сравнению с сегодняшним днем. Это произойдет благодаря следующим механизмам.
1. Генная терапия хронических заболеваний (снижение общих ежегодных трат на лечение на 18–30 % [156]).
2. Автоматизация административной нагрузки (экономия 10–15 % [157]).
3. Применение ИИ для повторяющихся задач / диагностики (экономия 20–60 % [158]).
4. Более целенаправленное лечение и персонализированные лекарства (увеличение эффективности на 20–30 %).
5. Улучшение профилактики / раннего лечения (системное снижение затрат на 30–40 % [159]).
6. Снижение количества проблем, связанных с ожирением (450–1,7 трлн долларов США (2018) потенциальной экономии).
7. Усовершенствование лечения хронических заболеваний (сокращение затрат только на Medicare на 20–30 %).
Рисунок 15. Потенциальное снижение национальных расходов на здравоохранение с использованием технологий (источник: собственные данные автора, опирающиеся на исходные данные NIH и ОЭСР, в свете анализа тенденций и потенциальной экономической выгоды ИИ, генной терапии и связанных с ними технологических достижений)
Примечания. (1) Улучшение диагностики за счет использования ИИ, вероятно, сократит как минимум на 20 % или 3,5 % ВВП расходы на здравоохранение в США к 2050 году. (2) Роботизированная автоматизация процессов избавит не менее чем от 80 % административных расходов и снизит их до 40 % к 2050 году, хотя этот момент здесь немного
