В 2015 году группа ученых опубликовала необычное исследование относительно точности диагностики рака. Для оценки риска рака груди 16 тестерам были предоставлены мониторы с сенсорным экраном, и их попросили отсортировать изображения тканей груди. Образцы патологии были получены от женщин, ткань груди которых была взята путем биопсии, тонко нарезана и окрашена химическими веществами, чтобы выделить кровеносные сосуды и молочные протоки красным, пурпурным и синим цветом. Чтобы определить, скрывается ли рак среди клеток, все, что нужно было сделать тестировщику, - это изучить узор на изображении. Они были задействованы сразу после короткого периода обучения, что дало впечатляющие результаты. Согласно их независимым оценкам, 85 процентов выборок были классифицированы правильно. Однако затем они заметили кое-что интересное. Уровень точности увеличился до 99 процентов, когда они собрали ответы всех тестировщиков и объединили свои голоса. В этом исследовании по-настоящему выдающимися были не навыки тестировщиков, а их личность. Эти отважные спасатели не были ни онкологами, ни патологами, ни медсестрами. Они даже не были студентами-медиками. Это были голуби.

Даже ученые, стоявшие за исследованием, не предлагали заменить врачей голубей - насколько я понимаю, их работа пока безопасна. Тем не менее, эксперимент действительно показывает, что обнаружение закономерностей не является уникальным навыком человека. Если голубь может справиться с этим, почему алгоритм не может этого сделать?

На протяжении всей современной медицины поиск закономерностей в данных играл важную роль в определении ее истории и практики. Наблюдения, эксперименты и анализ данных были основополагающими в борьбе с этой болезнью примерно 2500 лет, начиная с создания Гиппократом школы медицины в Древней Греции. Он был отцом современной медицины, заслужив титул «отца современной медицины» за создание отчетов и наблюдений как науки. В наших научных знаниях, возможно, было много неверных поворотов на протяжении истории, но прогресс достигается каждый раз, когда мы распознаем закономерности, классифицируем симптомы и прогнозируем, что ждет конкретного пациента в будущем.

История медицины полна примеров. Например, в Китае 15 века целители обнаружили, что они могут делать прививки от оспы. В конечном итоге им удалось снизить уровень смертности от этой болезни в десять раз, используя схему, обнаруженную после столетий экспериментов. Все, что им нужно было сделать, это найти кого-нибудь, у кого болезнь легкая, взять с них струпья, высушить их, раздавить и высыпать в нос здоровому человеку. В XIX веке, когда медицинские методы становились все более научными, работа врачей все больше была связана с поиском закономерностей в данных. Игнац Земмельвейс, венгерский врач, был одним из врачей, которые в 1840-х годах обнаружили нечто поразительное в отношении показателей смертности в родильных домах. В ходе родов у женщин, помещенных в отделения под наблюдением врача, вероятность развития сепсиса в пять раз выше, чем у матерей, родивших ребенка от акушерок. Кроме того, данные раскрыли причину: врачи вскрывали трупы, а затем немедленно оказывали медицинскую помощь беременным женщинам, не вымыв предварительно руки. Сегодня врачи всего мира переживают подобные невзгоды, которые имели место в Китае в 15 веке и в Европе в 19 веке. Не только при обследовании болезней среди населения в целом, но и при оказании первичной медицинской помощи. Эта кость сломана или нет? Можно ли считать эту головную боль нормальной или она может означать что-то более серьезное? Можно ли вылечить этот нарыв антибиотиками? Распознавание образов, классификация и прогнозирование - все это части одной и той же проблемы. Алгоритмы такого рода проблем лучше всего решают.

К сожалению, выяснить, как различать эти неоднозначные категории, чрезвычайно сложно. Когда дело доходит до диагноза определенного образца, могут возникать разногласия даже между опытными патологоанатомами. Чтобы определить, насколько сильно разошлись мнения врачей, 115 патологов попросили оценить 72 биопсии ткани молочной железы, которые были признаны содержащими доброкачественные аномалии (категория в середине спектра). Как бы тревожно это ни звучало, только 48% патологоанатомов поставили одинаковый диагноз. Когда ваши шансы поставить диагноз уменьшаются до 50–50, это почти как подбрасывать монетку. Перед лицом таких высоких ставок точность является наиболее важным фактором. Может ли алгоритм работать лучше?

Представьте, например, что у вас особенно неприятный кашель, и обратитесь к врачу. Скорее всего, вы поправитесь самостоятельно, но если бы о вас позаботился аппарат, он, возможно, захотел бы сделать рентген и анализ крови, чтобы быть уверенным. Кроме того, вам, вероятно, дали бы антибиотики, если бы вы попросили. Даже если можно было избежать всего нескольких дней ваших страданий, алгоритм может решить, что рецепт того стоит, если он был рассчитан исключительно на здоровье и комфорт пациента. Тем не менее, если машина предназначена для обслуживания всего населения, устойчивость к антибиотикам обязательно будет приниматься во внимание. Алгоритм будет давать вам наркотики только тогда, когда вы находитесь в непосредственной опасности, а не когда вам временно неудобно. Кроме того, такой алгоритм может учитывать напрасную трату ресурсов или длинные списки ожидания и, таким образом, не отправлять вас на дальнейшие тесты, если вы не продемонстрируете другие симптомы чего-то более серьезного. При определении того, кому должна быть сделана трансплантация органа, машина, работающая от имени всего населения, может уделять первоочередное внимание спасению как можно большего количества жизней. Аппарат, который руководствуется исключительно вашими интересами, может составить другой план лечения.

Нет сомнений в том, что в медицинской системе меньше напряжения, потому что все работают над одной целью - вылечить пациента. Тем не менее, даже здесь есть небольшие различия в целях каждой партии. Новый алгоритм всегда будет проводить различие между конфиденциальностью и общественным благом, индивидуализмом и защитой населения, а также различными проблемами и приоритетами, независимо от того, на какой аспект жизни он влияет. Даже если в конечном итоге явным призом будет лучшее здравоохранение для всех, трудно найти выход через сложный клубок стимулов. В случае со скрытыми стимулами все еще сложнее.

Часто алгоритмы преувеличивают, чтобы скрыть риски. В этих случаях вы должны спросить себя, во что вам говорят верить и кому выгодно, если вы примете это убеждение.

В конце концов, диапазон охвата алгоритма может быть ограничен нами. Некоторые вещи не нужно анализировать и рассчитывать. Это мнение вполне может относиться к ситуациям, выходящим за рамки обычной жизни. Возможно, не потому, что сами алгоритмы не пробовали. Но потому что - просто возможно - есть некоторые вещи, недоступные для понимания бесстрастной машины. Производительность алгоритма чувствительна. Специфика - это человеческая черта. Нашей целью должно быть использование их сильных сторон.

И алгоритмы, и человеческий мозг имеют дополнительные возможности, которые пересекаются, пересекаются и контрастируют во многих отношениях. Следовательно, мы должны проявлять осторожность, чтобы не представить ни одного человека как хорошего или плохого по своей сути. Нам нужно всегда помнить об их реальных последствиях, когда мы формулируем планы по достижению эффективного и этичного будущего. В конце концов, алгоритмы могли бы усилить нашу человечность, а не разрушить ее, если бы мы хотели, чтобы они это сделали.

Алгоритмы усиливают или разрушают нашу человечность?