Масштабирование ИИ в медицине: точность падает на 20% после внедрения

По данным подкаста Healthcare Success, д-р Нина Коттлер (Mosaic Clinical Technologies) фиксирует устойчивое падение точности ИИ-моделей примерно на 20% между предварительной валидацией и реальной эксплуатацией. Разработка модели, по её оценке, — меньшая часть задачи; основной объём работы возникает при деплое.

Radiology Partners: 4 400 радиологов, ~10% визуализации США, четверть миллиарда долларов на ИИ

Нина Коттлер — Chief Medical AI Officer в Mosaic Clinical Technologies, практикующий радиолог и первый наёмный сотрудник Radiology Partners (RP), куда она пришла в 2013 году, когда в компании было два соучредителя. Сейчас в RP более 4 400 радиологов; сама Коттлер говорит, что коллеги называют её «Rad One».

Масштаб группы — основание для всех выводов интервью: RP интерпретирует около 10% всей визуализации, выполняемой в США, и вложила в ИИ примерно четверть миллиарда долларов. Первым внешним инвестором была New Enterprise Associates (NEA) — по словам Коттлер, крупнейший фонд, работающий одновременно в healthcare и технологиях.

Именно потому, что радиология приняла ИИ раньше других специальностей (первые модели — с 2016 года), она стала крупнейшей реальной лабораторией внедрения ИИ в медицине. Ключевой тезис Коттлер: лабораторные результаты и продакшен дают разные наборы знаний, и второй набор получить в академическом центре без массового развёртывания невозможно.

Четыре барьера деплоя, которые недооценивают технологические лидеры

Коттлер прямо отвечает на вопрос, почему внедрять ИИ сложнее, чем строить: среда здравоохранения неоднородна, а модель обязана в неё встроиться. Она выделяет четыре слоя проблем.

1. Инфраструктура. Изображения передаются через PACS (picture, archive and communication system) — технологию, разработанную в 1980–1990-х. Рядом существуют ЭМК, архивы данных и разные справочники наименований; связать их между собой сложно.
2. Интеграция в систему записи. Даже развёрнутый ИИ нужно встроить в рабочий процесс клинициста. По словам Коттлер, большая часть радиологического ИИ до сих пор не интегрирована полностью.
3. Обучение клинициста. ИИ — не просто кнопка в интерфейсе, а клинический инструмент: врача нужно учить, когда ИИ прав, а когда ошибается, и когда его рекомендацию следует отклонить.
4. Масштабирование. Модель, работающая в одной организации, не переносится автоматически в другую: нужна отдельная инженерная работа, чтобы она работала везде.

Коттлер добавляет контекст перегрузки: около 80–85% пациентов, приходящих к врачу с жалобой, получают направление на визуализацию, а объём снимков на одно исследование вырос с примерно 35 изображений для КТ головы до 100–500+. Примерно с 2022 года радиологи перестали успевать за ростом: приоритетом стала пропускная способность, а не качество отчёта.

20% падения точности: что дал мониторинг после развёртывания

Изначально RP валидировала готовые модели вендоров и развёртывала их, если метрики точности на собственных данных выглядели приемлемо. Затем команда начала измерять точность в продакшене и обнаружила стабильный разрыв: около 20% падения между показателями до и после внедрения.

Причины, по Коттлер, лежат вне лаборатории: нештатные клинические случаи (edge cases), некорректная маршрутизация данных, отправка не тех сведений, а иногда и вовсе неработающий ИИ. Ни одну из этих ситуаций нельзя воспроизвести в исследовательской среде — они проявляются только при эксплуатации. Отсюда практический вывод интервью: мониторинг и обратная связь из реальной практики — не опция, а часть архитектуры проекта.

Губернанс ИИ как клиническая дисциплина, а не комплаенс-процедура

Коттлер возражает против модели, при которой губернанс ИИ сводится к комитету из финансистов, юристов и комплаенс-специалистов с бинарным решением «внедряем / не внедряем». По её версии, губернанс — это непрерывный клинический процесс, включающий валидацию модели, обучение врачей, мониторинг и постоянное измерение производительности.

Второй аргумент — жизненный цикл. Сама модель не меняется, но меняются входящие данные: появилась COVID-19, поступил новый сканер с другой картиной изображения. Значит, точность нужно перепроверять регулярно, а не однократно на входе.

Третий элемент — управление изменениями. Коттлер сравнивает работу радиолога с ездой на велосипеде: рутинные операции выполняет базальные ганглии, а лобная доля остаётся свободной для клинического мышления. Любое изменение интерфейса переключает на себя лобную долю — и ресурса на пациента остаётся меньше. Она добавляет, что «правильная» работа с ИИ требует от врача умения отклонять ошибочные подсказки, а это противоречит бессознательному автоматическому доверию к компьютерным системам (тот же эффект, что и у первых водителей, ехавших за GPS в озеро).

Что именно даёт масштаб: капитал, данные, петля обратной связи

Коттлер подчёркивает, что преимущество крупной группы не сводится к деньгам, но деньги — первое условие: инвестиции такого размера для практики на 10 или даже 100 радиологов невозможны.

Коттлер отдельно оговаривает, что уровень техники в здравоохранении скромнее, чем принято думать: это узкий ИИ (narrow AI). Модель, работающая со снимком, отвечает не «кошка» или «собака», а «кровь в головном мозге», «пневмоторакс», «онкология / не онкология» — и та же модель отвечает «не кошка» на втором изображении. Генеративные foundation-модели (Anthropic, OpenAI, Gemini) применяются, но не заменяют узкие классификаторы в клиническом контуре.

Что ИИ уже меняет для пациентов — и что изменит дальше

Согласно интервью, ценность даёт не совпадение выводов ИИ и врача, а ситуации, когда ИИ выявляет другой реальный набор находок. Тогда суммарный отчёт «клиницист + ИИ» становится точнее: больше выявленных опухолей, кровоизлияний, инсультов.

• Триаж. ИИ просматривает весь список исследований и поднимает в очереди снимок с критической находкой — например, КТ головы амбулаторного пациента с кровоизлиянием, который иначе ждал бы отчёта недели.
• Контекст из ЭМК. Модель собирает и суммирует предыдущие исследования и отдаёт врачу сжатую картину в точке принятия решения.
• ambient AI. Записывает разговор с пациентом и формирует черновик заключения, снимая с врача ввод текста.

Перспектива, которую описывает Коттлер: по маммограмме без видимой патологии ИИ оценивает трёхлетний риск развития рака груди; при аневризме аорты одинакового размера помогает определить, у кого она будет расти, — то есть изображение становится предиктивным инструментом. В пределе она ожидает отказа от части биопсий в пользу визуальной оценки. Формулировка самой Коттлер — «медицина 3.0»: визуализация становится более персонализированной, предиктивной и превентивной.

Отдельная экономическая рамка: в США возмещения за ИИ нет. Коттлер ведёт обсуждения с членами Конгресса и планирует разговор с CMS и настаивает, что оплачивать нужно не «выход ИИ», а корректное применение ИИ — врачебный надзор, губернанс и контроль безопасности.

Применимость для РФ

Переносится напрямую методическая часть: тезис «деплой сложнее разработки», обязательная валидация перед внедрением и мониторинг после, губернанс как непрерывный клинический процесс с участием врачей, управление изменениями и обучение клиницистов распознаванию ошибок ИИ. Радиология и здесь остаётся самым реалистичным пилотом — узкий ИИ на изображениях, триаж очереди исследований при дефиците рентгенологов.

Не переносится из-за регуляторики. В США обмен клиническими данными опирается на HIPAA; в РФ эквивалента нет, действует 152-ФЗ: данные о здоровье — специальная категория, требуется локализация персональных данных и корректное поручение на обработку, что ограничивает схемы с зарубежными foundation-моделями и облаками. Медицинские ИИ-решения в РФ регистрируются как медицинские изделия (Росздравнадзор), а не по процедуре FDA, — путь к рынку другой. Отдельно действует ст. 24 ФЗ-38 «О рекламе»: продвижение медуслуг и методов ограничено, поэтому коммуникация о ИИ-сервисах не может обещать гарантированный клинический результат.

Не переносится из-за инфраструктуры и экономики. Разрозненные PACS, РИС и лабораторные системы в стационарах, интеграция с ЕГИСЗ — та же проблема, что описана Коттлер, но с меньшей степенью стандартизации данных. Возмещения за ИИ в ОМС нет, как нет его и в США: экономика проекта строится на инвестициях и на эффекте от высвобожденной пропускной способности, а не на отдельной выручке за ИИ.

Читайте также

• Тестирование ИИ в больницах: менее половины клиник имеют выделенную среду — как больницы тестируют ИИ до и после запуска
• Испытательный срок для ИИ-агента: 70% пилотов в здравоохранении не доходят до эксплуатации — испытательный срок: почему пилоты не доходят до эксплуатации
• Индекс готовности к ИИ в медицине 2026: внедрение растёт быстрее управления — внедрение ИИ обгоняет готовность клиник им управлять
• Питчьте стек: готовность клиники к внедрению медтеха — готовность ИТ-стека клиники как условие успешного внедрения
• Агентный ИИ в клиниках: 95% пилотов не дают ROI, работает последовательность из четырёх шагов — агентный ИИ: как не попасть в 95% неокупившихся пилотов
• Внедрение ИИ в клинике: начать с проблемы, а не с алгоритма — внедрение ИИ начинается с проблемы, а не с алгоритма

FAQ

Q: Что такое ИИ-губернанс в медицине простыми словами? A: Это не разовый комитет «внедряем или нет», а постоянный клинический процесс: валидация модели, обучение врачей, мониторинг точности и её перепроверка при изменении данных или оборудования.

Q: Почему точность ИИ падает после внедрения? A: По данным Коттлер — примерно на 20% между валидацией и продакшеном, потому что в эксплуатации появляются edge cases, сбои маршрутизации данных и нетипичные условия, которые невозможно воспроизвести в лаборатории.

Q: Нужен ли в клинике автономный ИИ, работающий без врача? A: Нет. Коттлер подчёркивает, что автономного ИИ в медицине почти нет: ответственность за человека несёт человек, а не инструмент, и ИИ пока недостаточно надёжен для клинических решений.

Q: Чем узкий ИИ в радиологии отличается от ChatGPT? A: Узкий ИИ решает задачу классификации («есть кровоизлияние / нет»), а не ведёт диалог. Это state of the art в клинической визуализации, в том числе из-за требований регулятора.

Q: Сколько нужно инвестировать в ИИ клинике? A: Коттлер называет для RP порядка четверти миллиарда долларов и оговаривает, что для практики на 10–100 врачей такой бюджет невозможен — основной объём средств уходит не на модель, а на инфраструктуру интеграции.

Q: Заменит ли ИИ радиологов? A: Нет. Коттлер оппонирует прогнозу Джеффри Хинтона 2016 года о ненужности радиологов: дефицит специалистов сохраняется, а максимальную ценность даёт связка «врач + ИИ», где ИИ выявляет другой набор находок.

Источник: Healthcare Success, 2026