Сектор здравоохранения генерирует 650 ГБ данных на миллион доходов. Стартапы используют знания, содержащиеся в этих данных, для создания высокоэффективных продуктов следующего поколения. Вот обзор медицинских стартапов на основе ИИ в Индии.

Я познакомился с миром медицинских устройств в 2009–2010 годах, когда пришел клиент с заказом на выход на рынок «умного» стетоскопа. Когда мы посмотрели на устройство, оно выглядит примерно так, как показано на изображении ниже. Умство стетоскопа заключалось в том, что он также мог снимать электрокардиограмму (ЭКГ). Обоснование продукта было довольно новым: более быстрое изменение прогноза за счет исключения нескольких обращений в диагностический центр. Крошечный форм-фактор сделал его подходящим для интенсивного использования в полевых условиях, особенно в отдаленных сельских районах. Продукт казался захватывающим, но были некоторые интересные проблемы:

  • Это все еще не решало проблему последней мили — целевым пользователем продукта был врач общей практики (ВОП), каждый пользователь должен был иметь медицинское образование для интерпретации ЭКГ.
  • Независимо от позиционирования, устройство было альтернативой стандартному аппарату ЭКГ, а это тесное пространство (GE уже была в Индии с экономичным, компактным, доступным 3-канальным аппаратом ЭКГ).
  • Цена была где-то в районе 550–650 долларов (может быть, и немного больше), что в 25–30 раз превышало цену обычного стетоскопа. Врачи общей практики не желали делать какие-либо крупные авансовые инвестиции без четкой рентабельности инвестиций.

Наше исследование показало, что эти проблемы присущи не только этому устройству. Пространство медицинских устройств было в большей степени ориентировано на аппаратное обеспечение; основное внимание уделялось тому, чтобы сделать устройства компактными, портативными и доступными. Крупные компании диктуют инновационную повестку в этой сфере. В этой сфере есть стартапы, которые неплохо зарекомендовали себя, например, Perfint, но они сосредоточены в основном на более дорогом оборудовании.

Но все изменилось в парадигме «программное обеспечение пожирает мир». Интеллектуальный механизм медицинских устройств быстро переместился с аппаратного на программный. Это программное обеспечение могло работать на мобильных телефонах или небольших аппаратных платах, конечно, достижения в области процессорных технологий и облачных технологий послужили катализатором. Внезапно открылось пространство. С программным обеспечением стало легче создавать прототипы, тестировать новую технику и экспериментировать с новыми платформами.

Программное обеспечение поглощает здравоохранение

Я наблюдал, как этот феномен «программное обеспечение поглощает здравоохранение» разыгрывался прямо передо мной, когда я увидел со стороны ринга еще один выход на рынок медицинского устройства. На этот раз разговор был больше о машинном обучении и о том, как алгоритмы могут учиться на большем количестве данных, а программное обеспечение будет улучшаться с каждым циклом данных.

Продукт передо мной был портативным диагностическим прибором для ухода за глазами. Устройство имело камеру высокого разрешения фундус со встроенным программным обеспечением для логического вывода. С изображением глазного дна в качестве входных данных алгоритмы могли обнаруживать аномалии и прогнозировать любое возможное заболевание, например, диабетическую ретинопатию. Было невероятно видеть, на что способно это устройство. Просто с обновлением алгоритма устройство могло обнаруживать больше аномалий/заболеваний. Без апгрейда оборудования! Иногда достаточно мощного смартфона. Переход от аппаратного к программному обеспечению перевернет рынок медицинского оборудования с ног на голову.

По сравнению с интеллектуальным стетоскопом, о котором говорилось ранее, диагностическое устройство для ухода за глазами является одним из ключевых отличительных факторов. Целевым пользователем устройства был медицинский персонал, не являющийся врачом. Неспециалисты могут использовать устройство в полевых условиях и мгновенно получать доступ к результатам. Врач, естественно, получал результаты в режиме реального времени. Что это значит? Вам не нужно мнение врача для каждого сканирования; мнение эксперта можно запросить только в пограничных случаях. Внезапно это значительно увеличивает возможности врача. В странах с развивающейся экономикой, где отношение врачей к населению меньше 1, такой подход демократизирует как доступ, так и оказание высококачественной помощи.

Примечание. Даже в случае офтальмологического диагностического устройства стратегия ценообразования и схема распространения имели решающее значение для успеха. Но эти проблемы были выявлены заранее. Мы обсудим некоторые из этих элементов позже.

В нынешних условиях мы видим, что многие стартапы в области медицинских устройств выдвигают аналогичные мотивы демократизации доступа и предоставления высококачественной помощи. Пробуют свои силы даже такие крупные компании, как Гугл (хотя они могут остановиться на API и не идти по железному пути).

Так где же искусственный интеллект? В основе большинства этих новых программных медицинских устройств лежат алгоритмы контролируемого машинного обучения (в некоторых случаях — глубокого обучения). Исследователи данных используют исторические помеченные данные для обучения функции прогнозирования (алгоритма), и с увеличением количества данных функции прогнозирования становятся точными. Доступ к программным средствам с открытым исходным кодом в области статистического машинного обучения (таким как Scikit-learn) и программным средствам нейронных сетей (таким как Tensorflow, Keras, Pytorch, Mxnet) в сочетании с доступом к публичным а частные наборы данных упростили создание прототипов и экспериментирование.

Примечание. Существует также нечто, называемое неконтролируемым обучением, для которого не требуются размеченные данные. Но этот метод все еще находится в стадии активного исследования, и пройдет несколько лет, прежде чем он созреет и станет массовым.

Картирование ландшафта стартапов с искусственным интеллектом в здравоохранении в Индии

Основываясь на данных Angelist и некоторых других базах данных стартапов, количество стартапов в этом пространстве оценивается в 25.

Отказ от ответственности. Я рассматривал все стартапы в сфере здравоохранения, в которых используется явный подход, ориентированный на ИИ, а также другие, у которых есть заявленная стратегия ИИ и команда, которая ее реализует. В скрытом режиме может быть еще много стартапов, которые я не рассмотрел.

Вместо того, чтобы сегментировать эти стартапы по анатомии человека, я решил разделить их на три цепочки создания стоимости (1) уход, то есть амбулаторное или стационарное лечение (2) лекарства, т. е. открытие, испытания или распространение лекарств (3) финансирование, т. е. страхование. Подход, основанный на цепочке создания стоимости, помогает нам выявлять конкурентные подсегменты и пробелы.

Интересно видеть, что в подсегментах Quantified Self, Outpatient и Diagnostics происходит много действий. Только на диагностический подсегмент приходится 12 (48%) из 25 стартапов искусственного интеллекта в здравоохранении. С точки зрения винтажа, ни одной медицинской компании с искусственным интеллектом не исполнилось более двух лет.

В стационаре почти ничего не происходит, не так много действий в отношении лекарств или страховки. Это жесткие рынки, иногда капиталоемкие и требующие значительных научных исследований и разработок. Такие стартапы, как Logistimo, много работали над оптимизацией поставок лекарств последней мили; на точную настройку алгоритмов и отладку решений уходят годы.

Крупные компании, такие как GE, Siemens, Philips, по-прежнему доминируют на рынке стационарного медицинского оборудования.

Примечание. В дальнейшем я считаю, что больницы имеют больше возможностей для внедрения инноваций в области медицинских устройств на основе ИИ по всей цепочке создания стоимости в сфере здравоохранения. Больницы имеют доступ к большим хранилищам качественных данных. Более того, у них есть все специалисты в этой области. Должны ли больницы работать в одиночку, сотрудничать со стартапами или корпорациями, будет зависеть от стратегии. Но это отличный путь, которым больницы должны активно заниматься.

Диагностика доминирует в сфере искусственного интеллекта в здравоохранении в Индии

Диагностика — это наиболее часто используемая услуга в цепочке создания ценности ухода. Мы все прошли через это в какой-то момент; врач рекомендует несколько анализов, прежде чем остановиться на пути лечения. Но это также вещь, которая отнимает много времени. Почему так? Поскольку весь процесс выполняется вручную, на каждом уровне присутствует человек. Таким образом, пропускная способность диагностического центра зависит от эффективности его рабочей силы. В некоторых случаях используемые методы также могут быть медленными, например, химический анализ крови/мочи.

Время выполнения теста имеет решающее значение, поэтому любая технология, которая может ускорить этот процесс, является благом. Вот почему мы видим много действий в космосе. Так зачем ИИ в космосе? Ну, потому что каждый диагностический отчет — это прогноз! Сводная информация о жизненно важных параметрах (относительно нормальных уровней) укажет на потенциальное болезненное состояние. Прогнозы на основе данных — это область применения ИИ.

Примечание. Большинство стартапов в сфере здравоохранения — это аппаратные стартапы. С быстрым развитием сенсорных технологий мы наблюдаем, что многие стартапы экспериментируют с неинвазивными методами тестирования, заменяя старые, болезненные, инвазивные. Дополнительным преимуществом неинвазивности является то, что любой может использовать его с ограниченной подготовкой. Таким образом, вы часто увидите стартапы с шаблоном ИИ + неинвазивный + меньший форм-фактор в области диагностики.

Благоприятная динамика спроса и предложения и медленные игроки делают этот рынок идеальным для стартапов. Но есть еще несколько причин, почему мне кажется, что диагностических стартапов больше:

  • Мобильные телефоны стали мощными компьютерами и камерами и работают как высококлассное устройство для сбора данных. Конечно, есть желание использовать его в медицинских целях.
  • Хранение данных стало дешевле, что побуждает всех оцифровывать и хранить каждую точку данных.
  • Высокоскоростные вычисления, например, GPU доступны по более низкой цене.
  • Растущее разнообразие надежных датчиков, которые заменяют традиционные химические методы.
  • Одобрение регулирующих органов для неинвазивных медицинских устройств менее обременительно, чем для инвазивных.
  • Сосредоточьтесь на дизайне пользовательского интерфейса, который позволяет даже менее квалифицированному персоналу работать с устройством.

Мы просто царапаем поверхность; от этого подсегмента ожидают многого. Когда новые устройства достигнут уровня золотого стандарта, они заменят традиционные подходы.

Размеченные наборы данных — топливо для диагностического двигателя

Данные — это новая нефть — широко распространенное клише в мире больших данных. С появлением машинного обучения пресловутая нефть перешла к размеченным данным. Обучение с учителем является наиболее предпочтительной парадигмой в машинном обучении. Алгоритмы в этом подходе требуют значительного количества помеченных или аннотированных наборов исторических данных в качестве входных данных. Вы можете выбрать любой хорошо финансируемый продукт ИИ, чтобы подтвердить эту тенденцию. Так что теперь помеченные данные теперь считаются «новой новой» нефтью.

В области искусственного интеллекта в здравоохранении (фактически во всех продуктах искусственного интеллекта) алгоритмы являются товаром, а доступ к размеченным данным или владение ими является ключевым отличием. Стартапы, располагающие собственными данными или наладившие прочные партнерские отношения с данными, создадут более широкие рвы. Возьмите пример Sigtuple, компания потратила значительные ресурсы на налаживание партнерских отношений с диагностическими лабораториями, и вы можете прочитать об этом подробнее здесь.

Все охотятся за помеченными наборами данных. Общедоступные наборы данных, такие как UCI, являются хорошей отправной точкой для экспериментов, но доступ к закрытым данным необходим для построения устойчивого бизнеса.

В отличие от других вариантов использования, таких как мода и розничная торговля, создание помеченных наборов данных для здравоохранения обходится довольно дорого. Вам нужны специалисты, врачи, чтобы тратить время на создание этих данных. Ни один из этих ресурсов не является дешевым.

В нынешних условиях инновации возглавляют технологические стартапы, но в ближайшем будущем я ожидаю, что больницы будут лидировать. У больниц есть кладезь данных и рабочая сила для создания помеченных наборов данных. Все, что нужно больницам, — это хорошая стратегия искусственного интеллекта для обработки некоторых из этих данных для улучшения оказания медицинской помощи. Некоторые из этих продуктов также могут быть выпущены на рынок. В космосе будет много активности.

Примечание. Вот еще одна идея для стартапа — решение, позволяющее больницам анонимизировать данные и сделать их доступными в виде API. Больницы могут либо сами использовать API, либо сотрудничать со стартапами. Это похоже на то, как банки делятся своим SDK с финтех-компаниями.

Нам все еще нужен человек в цикле

Врачи делают прогнозы относительно типа заболевания и пути лечения на основе симптомов и считывания жизненно важных параметров из диагностического отчета. Любая ошибка в диагностике или неправильное лечение могут привести к плачевным результатам.

Когда врачи используют диагностические отчеты, созданные ИИ, важно, чтобы отчеты были очень точными. Большинство устройств с искусственным интеллектом всегда имеют элемент «человек в контуре» для обеспечения точности. например, в случае анализа крови это будет патологоанатом. Ожидается, что с каждой итерацией (притоком новых данных) ошибки будут постепенно уменьшаться, и в какой-то момент нам может не понадобиться человек в цикле.

Часто эта более высокая точность достигается за счет интерпретируемости, то есть мы не можем полностью объяснить причину предсказания. Этот компромисс иногда ограничивает использование моделей машинного обучения в критически важных случаях использования в здравоохранении. Для ИИ в здравоохранении важна способность понимать, проверять, редактировать и доверять обученной машинной модели.

В течение следующих нескольких лет будет проводиться гораздо больше исследований, и мы можем увидеть, как этот компромисс исчезает. До тех пор у нас будут работать модели «человек в цикле».

Незаконченные дела

Я хочу закрыть этот пост, рассказав немного о модели получения дохода, ценообразовании и распределении.

Мы видели, как многие отличные продукты терпели неудачу из-за того, что основатели недооценивали сложность модели получения дохода, ценообразования и трио распределения. В подкасте a16z есть отличные идеи на эту тему.

Я резюмирую некоторые тенденции, которые я заметил в ландшафте искусственного интеллекта в здравоохранении, я напишу об этом более подробно, возможно, в следующем посте.

  • Модель Razor-Razorblade — лучше работает для крупных компаний с налаженным каналом сбыта. У стартапов могут появиться новые постоянные клиенты, но может быть сложно сохранить и обслуживать расходные материалы по более низкой цене.
  • Модель App Store — это разновидность модели «бритва-лезвие», в которой аппаратное обеспечение продается со скидкой, но последующее обновление программного обеспечения или приложения оплачивается. С хорошо спроектированным оборудованием это может творить чудеса
  • Модель API — взимает плату за доступ к API и работает с установленными игроками для производства устройства. В этом случае стартап может работать на API и перекладывать аппаратный риск на партнера
  • Финансирование является важным аспектом дистрибуции, который часто игнорируется. EMI работает везде, поэтому правильные финансовые партнеры имеют ключевое значение.
  • Связь с корпоративной компанией для расширения охвата дистрибуции. Мы видели несколько случаев, но результаты весьма неоднозначны. Создать канал сбыта с нуля сложно, и требуется время, чтобы завоевать доверие по всей цепочке создания стоимости.

Я уверен, что будут более инновационные модели доходов, подходы к дистрибуции. Будет хорошо поделиться и поучиться у других успешных моделей.

Итак, ИИ берет верх над здравоохранением или диагностикой? Ну заметьте еще. Предстоит долгий путь.