Искусственный интеллект (ИИ) все ближе и ближе к радикальной трансформации практики врачей отделений интенсивной терапии (ОИТ). Растет количество публикаций алгоритмов поддержки принятия клинического решения, что покрывают все сферы терапии критических состояний, включая прогнозирование, помощь в диагностике и в терапевтическом менеджменте [1]. С другой стороны, наблюдается явный диссонанс между большим объемом литературы о влиянии этой новой технологии и сегодняшним очень ограниченным ее применением в ежедневной медицинской практике. Как здесь не вспомнить закон Амары, который гласит: — «Мы переоцениваем эффект новой технологии в краткосрочной перспективе и недооцениваем ее эффект в долгосрочной перспективе» [2]. В результате полная замена врачей искусственным интеллектом на сегодня больше фантазия, чем реальность [3]. С другой стороны, упрощение этого вопроса приводит к негативному ответу — ложным надеждам и упущению из вида предстоящих сложных трансформаций. Факт в том, что ИИ несет в себе потенциал для глубоких преобразований нашей клинической практики, но в долгосрочной перспективе это остается недооценённым. Поэтому важно понять, а каким образом изменится роль врачей отделений интенсивной терапии после внедрения ИИ с одновременной срочной разработкой необходимых стратегий адаптации, избегая при этом переоценки или недооценки влияния искусственного интеллекта.
Для оценки влияния ИИ на определенные профессии был предложен «восходящий подход» (a bottom-up approach), заключающийся в сегментации рабочих задач в целях выявления тех из них, что могут или не могут быть поручены ИИ [4]. Первым шагом должен стать список различных ежедневных задач, что сегодня выполняют врачи отделений интенсивной терапии (ОИТ). Этот шаг может быть вдохновлен результатами ранее опубликованных исследований процессов принятия клинического решения в медицине критических состояний [5, 6]. Второй шаг — классификация этих задач согласно двум основополагающим характеристикам: (1) действительно ли эта задача относится к когнитивной (требующей выполнения рассуждений) или к мануальной; и (2) действительно ли эта задача требует описания (разбивания на последовательные шаги в соответствии с предсказуемым алгоритмом) или же эта задача с трудом поддается описанию (непредсказуемость в выполнении алгоритма). Такой подход позволяет создавать двумерную матрицу, что уже была предложена некоторыми авторами в других не медицинских сферах [4, 7]. Основываясь на этом, становится возможным создание матрицы, в которой можно расположить все задачи, выполняемые в отделении интенсивной терапии (Рис. 1).
Таким образом может быть выявлен начальный набор когнитивных задач, некоторые из которых могут быть описаны, к примеру, анализ рентгеновских снимков органов грудной полости [8], в то время как другие являются более непредсказуемыми (и, тем самым, с большим трудом поддающихся описанию), к примеру, принятие решения о продолжении или прекращении поддерживающей жизнь терапии. И наоборот, определенные задачи в большей степени являются мануальными, когда часть из них высоко стандартизирована, к примеру, трансторакальная эхокардиография, в то время как другие можно отнести к неподдающимся описанию, к примеру интубация трахеи (в связи с анатомическими различиями). В рамках этих задач может быть предусмотрено подразделение, включающее решение о выполнении задачи или собственно процедуру, к примеру, интубация или ультразвуковое исследование сердца. Такое подразделение отдает должное человеческому надзору и экспертным знаниям. Как только матрица будет разработана, становится ясным «градиент замещения» искусственным интеллектом. Некоторые задачи (когнитивные и описываемые) могут быть предоставлены для решения ИИ, такие как интерпретация рентгенографии органов грудной клетки. И наоборот, другие практики в меньшей степени подходят для обработки ИИ (в связи с тем, что они мануальные и/или не поддающиеся описанию), к примеру, выражение сочувствия и активное общение с пациентом и членами его семьи. По очевидным причинам, связанным с ответственностью, имеется большая вероятность того, что многие из этих задач будут выполняться в коллаборации человека и машины.
Возможности технологии ИИ эволюционируют, оказывая влияние на большое количество задач, что могут быть решены независимо от человека или с помощью модели человек-машина. Такая матрица, тем самым, предоставляет структуру не только для концептуализации того, что ИИ может достигнуть в ближайшем времени, но и предвидеть потенциальную роль ИИ в медицине критических состояний в долгосрочной перспективе. За пределами возможностей в прогнозировании, эта матрица показывает потенциал ИИ еще и решении этических вопросов. Но это также поднимает вопрос о наличии определенных задач, с которыми может справиться ИИ, но для их решения может быть необходимым обязательный контроль со стороны человека. Недавно обсуждались важные темы, касающиеся прекращения жизни (end-of-life) [9, 10] и, возможно, здесь следует подумать о той роли, что мы можем отвести ИИ технологии. Также явно видна возрастающая потребность в осведомленности и исследованиях последствий взаимодействия человека с машиной, включая сюда риски выгорания и другие проблемы, с которыми встречаются клиницисты в этих постоянно эволюционирующих условиях [11].
Такая концептуальная работа выходит за рамки простого интеллектуального упражнения. Это представляет собой глубокое отражение происходящих трансформаций в основных обязанностях врачей отделений интенсивной терапии. Распределение задач с использованием матрицы может широко варьировать в зависимости от режимов работы интенсивистов в различных странах. Имеются и индивидуальные различия в том, как задачи в матрице классифицируются, и в том, как этот инструмент может помочь клиницистами понять свою роль в новых условиях и, в общем и целом, потенциал ИИ.
Проблема заключается в том, как применить рефлективный подход в условиях, когда эти трансформации произойдут, а мы останемся пассивными наблюдателями. Все это требует от клиницистов вовлечения в эти процессы. Разработка более ясного понимания этих предстоящих трансформаций может помочь в росте осведомленности и обучения профессионалов здравоохранения по использованию ИИ, вооружая их необходимыми навыками для эффективного управления технологией с оптимизацией взаимодействия человек-машина. Принятие ИИ в интенсивной терапии требует адаптации клинической практики, адекватного обучения клиницистов и тщательной валидации алгоритмов. Основными барьерами здесь являются: сопротивление к изменениям, ограничения со стороны регулирующих органов и этические проблемы. В области искусственного интеллекта сложность алгоритмов и необъяснимость может создавать весомые барьеры на пути адаптации этой технологии в клиническую практику, так что технологию ИИ не следует рассматривать наряду с другими технологиями, что пополнили арсенал интенсивной терапии за последние 60 лет. Искусственный интеллект представляет собой реальную смену парадигмы благодаря свой мощности, способности к развитию и имеющегося потенциала в решении широкого круга задач (системы прогнозирования и поддержки клинического решения). Сфера применения ИИ может даже распространиться на решение этических проблем, таких как передача ежедневной информации семьям пациентов ОИТ или при принятии решения об окончании жизни. Все это призывает нас к большему философскому осмыслению взаимосвязей между клиницистами и инструментом, который может отдалить клиницистов от выполнения их ключевых задач.
Не вызывает никаких сомнений, что революция ИИ в самом разгаре. Это определенно может принести пользу пациентам. Такой оригинальный подход, основанный на эволюции построенной вокруг задач матрицы, проливает свет на неизбежность трансформации роли интенсивистов. Настоятельно необходимо уже сейчас понять эти изменения и учиться ими управлять, что позволит нам сохранить контроль над ситуацией с возможностью принятия решений исключительно на усмотрение человека.
References
- Van de Sande D, van Genderen ME, Huiskens J et al (2021) Moving from bytes to bedside: a systematic review on the use of artificial intelligence in the intensive care unit. Intensive Care Med 47:750–760. https:// doi. org/ 10. 1007/ s00134‑ 021‑ 06446‑7
- Ratcliffe S (2016) Oxford essential quotations. In: Oxford Essential Quota‑ tions. Oxford University Press, Oxford
- Dong M, Conway JR, Bonnefon J‑F et al (2024) Fears about artificial intel‑ ligence across 20 countries and six domains of application. Am Psychol. https:// doi. org/ 10. 1037/ amp00 01454
- Susskind D (2020) A world without work: technology, automation, and how we should respond. Metropolitan Books, New York
- Lundgrén‑Laine H, Kontio E, Perttilä J et al (2011) Managing daily inten‑ sive care activities: an observational study concerning ad hoc decision making of charge nurses and intensivists. Crit Care 15:R188. https:// doi. org/ 10. 1186/ cc103 41
- McKenzie MS, Auriemma CL, Olenik J, et al (2015) An observational study of decision making by medical intensivists: critical care medicine 43:1660–1668.https:// doi. org/ 10. 1097/ CCM. 00000 00000 001084
- Lee K ‑F (2018) AI superpowers: China, Silicon Valley, and the New World Order, 1st edition. Harper Business, Boston, Mass. New York NY
- Joskowicz L, Beil M, Sviri S (2025) Artificial intelligence interpretation of chest radiographs in intensive care. ready for prime time? Intensive Care Med 51:154–156. https:// doi. org/ 10. 1007/ s00134‑ 024‑ 07725‑9
- Brender TD (2024) Patients at the end of life? JAMA Intern Med 184(9):1005–1006. https:// doi. org/ 10. 1001/ jamai ntern med. 2024. 2676
- Wernly B, Guidet B, Beil M (2024) The role of artificial intelligence in life ‑ sustaining treatment decisions: current state and future considerations. Intensive Care Med. https:// doi. org/ 10. 1007/ s00134‑ 024‑ 07738‑4
- Liu H, Ding N, Li X et al (2024) Artificial intelligence and radiologist burn‑ out. JAMA Netw Open 7:e2448714. https:// doi. org/ 10. 1001/ jaman etwor
Источник: https://doi.org/10.1007/s00134-025-07923-z
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
