Ребенку делают инъекцию. Фотография: Kwameghana, Wikimedia Commons (CC BY-SA 4.0 Deed [рус])

Автор: Чуквуди Энтони Околуэ

В 2024 году 28-летний фермер, выращивающий кукурузу в округе Сиайя на западе Кении, обратился в небольшую государственную клинику с жалобами на высокую температуру. Десять лет назад ему пришлось бы ждать несколько дней, а иногда и недель, чтобы получить диагноз: малярия, брюшной тиф или денге. В 2024 году он получил ответ за девяносто секунд. Медицинский работник на месте сделал снимок по методу «толстой капли крови» обычным смартфоном, прикреплённым к портативному микроскопу стоимостью всего 50 долларов. Алгоритм искусственного интеллекта проанализировал фото и с точностью 98,5 % указал на «Plasmodium falciparum ++» — это более точный результат, чем у большинства лабораторных специалистов общего профиля в стране. Фермер вышел из клиники в тот же день с нужным противомалярийным препаратом.

Этот пилотный проект, реализуемый Министерством здравоохранения Кении при технической поддержке стартапа Ubenytics, в настоящее время действует более чем в 420 учреждениях в восьми округах. Первые результаты, опубликованные в журнале The Lancet Digital Health в марте 2025 года, показывают снижение на 31 % количества необоснованных назначений антибиотиков и на 19 % снижение числа тяжёлых осложнений малярии в районах, где был реализован проект.

Важно уточнить терминологию. Хотя термин «искусственный интеллект» широко используется как в академическом, так и в популярном дискурсе, системы, обсуждаемые в этой статье, — это «большие языковые модели» (LLM). То есть, речь идёт не об общем интеллекте, а о моделях, способных на быстрое статистическое распознавание образов и вероятностную генерацию текста на основе значительных объёмов обучающих данных. Там, где это уместно, в статье намеренно используется термин LLM, при этом авторы признают, что ИИ остаётся собирательным термином, под которым часто подразумеваются варианты подобных технологий.

Не только Кения

В Гане (Западная Африка) стартап Chestify AI, появившийся в 2020 году, использует алгоритмы ИИ для помощи врачам в интерпретации рентгеновских снимков грудной клетки и других изображений в медицинских центрах с ограниченными ресурсами. Технологии генерируют визуальные тепловые карты и оценивают отклонения, которые помогают выявлять такие заболевания, как туберкулез и пневмония. Это частично решает проблему нехватки рентгенологов в ряде местных медучреждений и ускоряет диагностику. После того, как система была введена в 25 учреждениях, стартап Chestify сообщил о сокращении времени обработки диагностических данных примерно на 40 %, при этом время ожидания отчётов о результатах визуализации сократилось до трёх часов вместо нескольких дней.

Ранее проведённые под эгидой ВОЗ валидационные исследования систем компьютерной диагностики туберкулёза на основе рентгенографии грудной клетки показали устойчиво высокую эффективность в условиях ограниченных ресурсов. Объединённый показатель чувствительности достигал примерно 94,7 %. Во многих ситуациях системы демонстрировали диагностическую точность, сопоставимую или превосходящую средний уровень диагностики в регионах с нехваткой специалистов-радиологов.

Программа доставки крови с помощью дронов в Руанде теперь использует алгоритмы маршрутизации, что позволило сократить среднее время доставки с 42 минут до 18 минут в труднодоступных районах.

И это не проекты будущего, а современные, уже реализованные программы, получившие экспертную оценку.

Проблема назрела давно, что подтверждается широко известными цифрами: в странах Африки к югу от Сахары проживает 11 процентов населения планеты и сосредоточено 24 процента мирового бремени болезней [pdf, 4,8 МБ]. При этом на регион приходится лишь три процента медицинских работников мира и на здравоохранение тратится менее одного процента мировых расходов. Дефицит узких специалистов ещё более заметен: в Нигерии, к примеру, один патоморфолог приходится примерно на 500 тысяч человек, тогда как среднемировое соотношение — один на 25 тысяч.

Разумеется, ИИ не воплотит волшебным образом больше врачей, но технологии уже миняют ситуацию в регионах с недофинансированнными медицинскими системами.

При поддержке ИИ повышается точность работы неспециалистов. В Уганде лаборатория AI Health Lab Университета Макерере совместно с партнёрами, включая Институт инфекционных заболеваний и NAAMII, применяет инструменты акушерского ультразвука с ИИ. Это позволяет неспециалистам, в том числе общественным медицинским работникам, получать и интерпретировать базовые изображения плода.

Благодаря таким программам медработники начинают выявлять заболевания на ранних стадиях, когда они дешевле и проще поддаются лечению. В 2019 году журнал The Lancet опубликовал клиническое исследование модели глубокого обучения в программе скрининга сетчатки в Замбии, которое показало превосходную и более раннюю диагностическую эффективность по сравнению с экспертами-людьми для диабетической ретинопатии, требующей направления к специалисту, диабетической ретинопатии, угрожающей зрению, и диабетического макулярного отека.

Это уже не теория. Снижение затрат идёт быстрее, чем предполагает большинство политиков и управленцев. Если в 2022 году обучение и запуск высокоэффективной LLM-системы для микроскопии малярии стоили около 180 тысяч долларов, то к концу 2025 года предельная стоимость одного теста при крупномасштабном использовании опустилась ниже 0,30 доллара. Во многих странах это уже дешевле стандартных экспресс-тестов, особенно если учитывать затраты на доставку и поддержание холодовой цепи.

Последствия для здравоохранения в Африке

Во-первых, регулирование должно успевать за развитием технологий. Фармацевтический и токсикологический совет Кении (Pharmacy and Poisons Board) и Национальное агентство Нигерии по контролю за пищевыми продуктами и лекарственными средствами (NAFDAC) за последние 18 месяцев выпустили практико-ориентированные руководства по использованию ИИ в медицине. Это малозаметный, но крайне важный шаг, с которым многие более крупные экономики до сих пор испытывают трудности.

Во-вторых, локальные данные должны оставаться локальными там, где это необходимо. Наиболее точные результаты в диагностике серповидноклеточной анемии, предварительном скрининге рака шейки матки или детской пневмонии у африканских детей выдают ИИ, которые обучаются на африканских наборах данных. Основатели и правительства, настаивающие на резидентстве данных и локальном владении моделями, создают стратегические активы, а не просто инструменты здравоохранения.

В-третьих, модели финансирования должны перейти от постоянных пилотных проектов, финансируемых донорами, к устойчивой интеграции. Руанда и Гана уже встраивают диагностику с использованием ИИ в национальные системы медицинского страхования. Когда услуга оплачивается по цене 1–2 доллара США за тест, а не зависит от грантов, масштабирование происходит мгновенно.

Риски и ограничения LLMS

Хотя крупные языковые модели могут существенно изменить сферу здравоохранения, их использование связано с серьёзными рисками и ограничениями. Одна из самых обсуждаемых проблем — «галлюцинации», когда система уверенно генерирует неверную или вымышленную информацию. В медицинской практике и смежных областях такие ошибки могут привести к серьёзным последствиям: неправильному пониманию медицинских данных, неуместным рекомендациям и утрате доверия к процессу клинического принятия решений.

Эффективность больших языковых моделей напрямую зависит от качества и полноты данных, на которых они обучались. Если в представленных медицинских данных уже есть перекосы — например, недостаточное представительство некоторых групп пациентов, — системы могут не только воспроизводить их, но и усиливать, что ведёт к сомнительным результатам. К тому же эти модели не обладают настоящим пониманием контекста и клиническим мышлением: у них нет намерений, осознанности и ответственности, поэтому на них нельзя полагаться как на самостоятельных акторов, «принимающих решения».

Убедительные масштабные данные о широком вреде пока только накапливаются, но большинство аналитиков сходятся в одном: при работе с моделями необходимы человеческий контроль, тщательная проверка и специальные защитные механизмы. Наиболее разумная роль для таких систем — поддержка принятия решений, а не замена профессионала с клиническим опытом работы.

Кроме того, во многих проектах до сих пор не решены вопросы, связанные с конфиденциальностью данных, безопасностью и соблюдением нормативных требований. Без надёжных механизмов управления интеграция моделей LLM в системы здравоохранения рискует нарушить конфиденциальность пациентов и существующие этические стандарты.

Однако на основе уже достигнутого можно утверждать, что к 2030 году ребёнку, родившемуся в деревне за пределами Кисуму или Кумаси [рус], не нужно будет ехать 200 километров, чтобы проверить, связано ли кожное поражение с онкологическим заболеванием, а кашель — с туберкулёзом. Обученный местный медицинский работник, вооружёный смартфоном стоимостью 120 долларов США и моделью LLM, постоянно обновляемой через 5G, даст ответ за минуты, а не за месяцы.

Речь не о какой-то далёкой сингулярности. В ряде регионов Африки будущее здравоохранения уже стало реальностью — тихо, постепенно и со скоростью, которую наблюдатели в мире всё ещё склонны недооценивать.