Искусственный интеллект будет создавать лекарства

ИИ в медицине: разработка вакцин, диагностика онкологии и создание лекарств

Несмотря на огромный прогресс в медицине за последние десятилетия, в человеческом теле все еще кроется огромное количество загадок. Поэтому задача фармацевтической отрасли — постоянно штурмовать новые рубежи медицинской науки для расширения знаний человечества. Борьба с инфекционными заболеваниями — всего лишь один из многих аспектов этой деятельности, но он имеет огромное значение для здоровья населения и продолжительности жизни людей во всем мире. Генеральный директор Rockwell Automation Геннадий Былов рассказал, как можно ускорить процесс разработки вакцины с помощью ИИ и какие технологии сегодня позволяют бороться с онкологией.

Читайте «Хайтек» в

Острые заболевания, как правило, отличаются от хронических своим стремительным течением. Если выявляется новый штамм заболевания, то его возможная высокая заразность на фоне тесных связей различных сообществ современного мира может быстро привести к экспоненциальному росту случаев, требующих лечения. Все это оказывает огромное давление на правительства и инфраструктуру здравоохранения, поскольку приходится принимать срочные меры по ограничению распространения и организации лечения для восстановления нормальной общественной и хозяйственной жизни.

Фармацевтические компании призваны сыграть в этом важную роль. С помощью искусственного интеллекта (ИИ) и других передовых аналитических технологий они могут ускорить процесс разработки и распространения необходимых методов лечения.

Этапы разработки вакцины

Само по себе ощущение безотлагательности, которое связано с острыми инфекционными заболеваниями, может ускорить процесс получения вакцины. Необходимость немедленных действий объединяет и стимулирует целый ряд структур — от исследователей и клинических специалистов до регулирующих органов и производителей — в стремлении как можно быстрее разработать для медицинских работников эффективное средство лечения.

Однако даже при неустанной и целеустремленной работе этих групп на полный цикл разработки могут уйти годы. До того, как средство будет готово к выходу на рынок, нужно пройти несколько этапов. А именно:

• Исследовательская стадия: проработка тысяч потенциальных формул для отбора вакцин-кандидатов, а также исследование иммунного ответа.

• Доклиническая стадия: лабораторный анализ для определения соответствующих антигенов для выработки концепции и структуры вакцины.

• Клинические испытания: испытание вакцины на тестовых группах с различными характеристиками.

• Проверка соответствия нормативам и сертификация: проверка безопасности вакцины и соблюдения законодательных норм.

• Производство и контроль качества: изготовление лекарственных препаратов для подготовки к массовой вакцинации.

Каждый этап важен для обеспечения эффективности и безопасности производимой вакцины, чтобы своевременно выявить все побочные эффекты и чтобы массовое производство вакцины осуществлялось на постоянной основе до тех пор, пока угроза заболевания не будет сведена к минимуму.

Исторически сложность, регулирование и стоимость каждого из этих этапов замедляли реагирование на возникающие медицинские проблемы. Теперь же благодаря технологиям искусственного интеллекта мы можем оперативно ускорять процесс получения и внедрения новых лекарств.

Каким образом ИИ помогает в этом процессе?

Хотя и нельзя ожидать моментального успеха при решении такой сложной проблемы, как разработка вакцины, мы можем принять меры по преодолению ряда ограничений и узких мест, мешающих выполнению задачи. Достижения в области автоматизации анализа данных и пошаговой визуализации всех этапов поиска вакцины помогают устранить некоторые из этих ограничений, тем самым ускоряя процесс разработки вакцины и упрощая наращивание производства.

Вот некоторые задачи, которые ИИ может решать на каждом из этапов.

Начальные фазы разработки препарата часто включают процесс отбора вакцин-кандидатов, исходя из результатов предыдущих исследований и лечения. Исследователи могут использовать ИИ для обработки обширных библиотек цифровых данных (например, для анализа свойств тысяч фармацевтических соединений при отборе) со значительно большей точностью, чем при ручной обработке.

Так, в марте Белый дом и группа исследовательских институтов и компаний предложили ML-инженерам, работающим с распознаванием текста, проанализировать датасет из 30 тыс. научных публикаций о COVID-19 для обобщения необходимой информации, которая помогла бы разработке вакцины и лекарств. К исследованиям присоединилась DeepMind. Использовав алгоритм, обученный на больших геномных данных, им удалось распознать структуру белков, связанных с вирусом.

Также ИИ может использоваться на этих этапах для секвенирования ДНК на основе данных большого количества людей, что позволяет медикам выполнять тесты на генетическое соответствие и иммунный ответ.

Клиническая разработка и испытания

После нахождения подходящих соединений начинаются испытания в реальных условиях. Разные пациенты будут по-разному реагировать на препарат в зависимости от таких факторов, как возраст и история болезни. Поэтому тесты должны быть комплексными и охватывать даже те маловероятные случаи, когда пациент может плохо воспринимать препарат.

Отрабатывая алгоритмы глубокого обучения, исследователи могут выполнять эти испытания в немыслимом ранее масштабе, еще до физического применения вакцины-кандидата на испытуемых пациентах. Цифровой двойник пациента может значительно облегчить клинические испытания. Поместив цифровой аналог препарата в цифровой аналог организма человека, исследователи смогут увидеть, как взаимодействовал бы препарат с данным организмом. Эти алгоритмы могут использоваться при выявлении и отборе антител для борьбы с инфекционными заболеваниями, резко улучшая показатели скорости и стоимости. Кроме того, для ускорения тестирования можно использовать расширенную аналитику и визуализацию данных о реакции человека на потенциальные вакцины, что позволяет выполнять более сложный анализ и снизить вероятность ошибок.

Производство и контроль качества

После одобрения вакцины регулирующим органом начинается напряженный процесс разработки и поставки лекарства в широкую сеть больниц и клиник. На этом этапе производители препаратов сталкиваются с такими значительными факторами, требующими быстрого принятия решений, как доступный объем производства, качество препарата и оптимальные решения по упаковке.

Сочетая ИИ и технологии, основанные на применении датчиков, производители могут использовать подробные данные для повышения эффективности логистических цепочек. Искусственный интеллект помогает прогнозировать длительность цикла производства конкретного препарата и выстраивать оптимальный план загрузки производственных линий. Кроме того, в задачи ИИ входит определение критичных производственных участков, поиск бракованной продукции, предсказание простоев, поломок оборудования, планирование ремонтов. Благодаря этому можно добиться лучшей оптимизации энергопотребления, сократить ненужные эксплуатационные расходы, устранить дисбаланс между спросом и предложением в процессе производства и снизить риск порчи препаратов при реализации.

Универсальные помощники

ИИ помогает не только в разработке вакцин. Так, например, в период пандемии платформа Botkin.AI использовала ИИ для выявления начальных симптомов пневмонии на снимках легких. Благодаря этому пациенты могли в короткие получить необходимое лечение на самых ранних этапах заболевания и избежать осложнений.

Кроме того, современные технологии широко применяются и в других областях медицины. К примеру, при производстве инсулина необходимо обеспечить высокую точность работы с компонентами, а также идеальную чистоту производственных линий и цехов. Для соответствия всем требованиям компания Biopharmax внедрила интеллектуальные контроллеры, которые в совокупности с рабочими станциями для операторов и распределенными системами управления помогли достичь подробной визуализации производственных процессов. Это позволяет в режиме реального времени четко контролировать все этапы выпуска инсулина и соблюдать высокие критерии санитарных норм и точности.

Еще одна проблема, справиться с которой помогают цифровые технологии, — долгое ожидание при получении лечения пациентами с раковыми заболеваниями, начиная от обследования и заканчивая терапией. В одной из клиник штата Теннеси (США) посетителям онкологического отделения приходилось ждать обследования по пять часов, а в случае с таким серьезным диагнозом, как рак, время — самый ценный ресурс. Для уменьшения сроков обслуживания медицинская организация интегрировала специализированное ПО. После анализа текущего состояния решение составило рекомендации для различных процедур и процессов: составление оптимального расписания, реорганизация пространства в здании, наём дополнительных кадров на определенные позиции, инвестиции в новое оборудование для анализов. После реализации всех действий время ожидания сократилось на 25%.

Более быстрое лечение в экстренных случаях

Вспышка вирусной инфекции может создать непредвиденные проблемы для тех, кто участвует в управлении общественным здравоохранением, от политиков и органов здравоохранения до врачей и производителей. Если первые могут принимать экстренные меры по выявлению инфекции и локализации выявленных очагов, то вторые часто оказываются под возросшим давлением с требованием быстрого поиска эффективного лечения. Стоит только найти новый эффективный способ разработки вакцин — и как изменится картина лечения выявленных случаев, снизится нагрузка на инфраструктуру здравоохранения и ускорится выздоровление.

Возможности инновационных технологий позволяют участвующим в разработке быстрее работать в сложных обстоятельствах. Такие методы, как глубокое обучение и расширенная визуализация данных, позволяют ученым опираться на весь объем существующих исследований, преодолевая сложности, связанные с поиском подходящих методов лечения новых вирусов. Искусственный интеллект может обрабатывать огромные массивы данных, что позволяет медикам начинать тестирования с наиболее перспективных препаратов. Например, во время поисков лекарств от коронавируса, ИИ подсказал лекарства с индукторами апоптоза — веществами, которые убивают раковые клетки. ИТ приносит пользу в производстве и распространении лекарств там, где производители энергично работают над ускорением внедрения этих лекарств в сложных условиях пандемии.

Искусственный интеллект на ранних этапах разработки лекарственных препаратов

Фарминдустрия достаточно консервативна, поэтому довольно сложно идет на какие-то серьезные изменения. Для того чтобы, например, разработать успешные лекарства, у компании уходит до 3 миллиардов долларов США, а разработка может занимать до 14 лет. При этом далеко не все препараты успешно выходят на рынок.

Консервативность лекарственной отрасли частично объясняется тем, что в ней довольно строгие правила проведения исследований, повышенные требования к эффективности и безопасности молекул, имеется много жестких регуляторных ограничений. Всё это или тормозит, или накладывает ограничения на развитие цифровизации в индустрии.

Однако сегодняшние темпы и масштабы медицинских и научных инноваций, а также растущие объемы информации все-таки трансформируют эту индустрию, и она вынуждена подстраиваться под новые технологии в науке, медицине и IT. Цифровизация приходит в фарму в ответ на увеличение объемов данных и их постоянный рост.

Для чего нужен и как используется искусственный интеллект на ранних этапах разработки лекарственных препаратов? — об этом рассказывает главный эксперт-биолог и научный аналитик компании «Semantic Hub» Анна Палеева.

— Какие драйверы стимулируют фарму к цифровизации?

Анна: Эксперты предсказывают, что к 2025 году в мире будет накоплено 175 Зеттабайт данных. Один Зеттабайт – это секстиллион байт, либо 1 миллион миллионов гигабайт. Это какие-то совершенно невероятные числа, которые совершенно невозможно представить в уме. И эти данные могу включать в себя абсолютно все, в том числе и сведения, важные для медицины:

генетические данные;
данные ДНК;
данные с носимых медицинских устройств, которые используют пациенты;
научная литература и многое другое.

Одновременно увеличиваются вычислительные мощности для анализа такого огромного потока данных. При этом происходит некоторое снижение затрат на вычисления.

Инновации в биомедицине тоже подталкивают фармацевтические компании к развитию.

— Однако обстановка вокруг фарминдустрии все равно довольно сложная?

Анна: С другой стороны, она же и стимулирующая. Если фармкомпании не будут развиваться, цифровизироваться, то, по некоторым оценкам, Deloitte, например, это может привести к снижению прогнозируемой отдачи от инвестиций уже на более поздних стадиях разработки молекул. Поэтому происходит обострение конкуренции между разными компаниями, сокращение времени цикла на исследование и разработку, сокращение времени на рынке из-за истечения сроков действия патентов, снижение пиковых продаж. Немалую роль играет усиление контроля со стороны регулирующих органов.

В итоге сегодня фарминдустрия становится одной их самых динамичных отраслей, что приводит к оптимизации процессов производства лекарственных средств, к эволюции бизнес-моделей и даже к смене различных парадигм.

Одна из новых парадигм – Patient Centricity, то есть ориентация на пациента, предполагает производство лекарств для конкретных пациентов, в том числе в рамках идеи персонализированной медицины. Также меняется взаимодействие с регуляторными органами, с FDA (Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов). Появляются возможности работать с качественными Big Data. Всё это, в итоге, может привести к повышению эффективности производства новых продуктов и снижению затрат.

— Как обычно происходит создание препарата?

Анна: Воронка» создания препарата включает несколько этапов.

На самом раннем этапе поиска молекул у исследователей может быть до десяти тысяч кандидатов, из них на стадии Drug discovery отсеиваются, практически, все. И на стадию доклинических исследований, где молекулы начинают испытываться на in vitro моделях — клеточных культурах или животных — попадает всего около 250 молекул.

На этап клинических испытаний, когда это всё можно пробовать на людях, доходят примерно пять молекул.

Регуляторы, в лучшем случае, одобрят какую-нибудь одну молекулу

Основная задача создания препаратов — сделать их эффективными, безопасными и доступными. За этим следят сами фармкомпании, ученые и регулирующие органы, такие как FDA, и даже пациенты. Это очень долгий процесс, и около 85 % препаратов улетает буквально в помойку, не доходя до стадии выхода на рынок.

— Что ожидают разработчики лекарственных средств от искусственного интеллекта?

Анна: В первую очередь он может помочь сделать весь процесс дешевле, быстрее и эффективнее. Использование искусственного интеллекта может привести к снижению затрат, связанных с поиском и разработкой новых молекул на 70 миллиардов долларов в ближайшие 10 лет, что даст до 40% совокупного среднегодового темпа роста индустрии.

Применение искусственного интеллекта для разработки лекарственных препаратов возможно на всех вышеперечисленных этапах.

На первой стадии, Drug discovery — поиска и разработки ключевой молекулы — основная роль искусственного интеллекта заключается в прогнозировании взаимодействия между молекулами: как будут будущие лекарства взаимодействовать с белками в клетках человека. Также ИИ может использоваться для изучения и понимания механизмов заболевания. Соответственно, в этот период с помощью ИИ происходит поиск новых решений, биомаркеров, выявление и утверждение оптимизации молекул кандидатов, чтобы из 10 000 компаундов можно было быстро и эффективно найти что-то очень полезное.

Искусственный интеллект может участвовать в процессе Drug repurposing, когда уже существующие для определенных заболеваний препараты перепрофилируются для других заболеваний. В перспективе это снизит необходимость проведения испытаний на животных.

ИИ может в будущем привести к существенному сокращению необходимости первой фазы клинических испытаний.

Уже более сорока крупных фармкомпаний активно применяют искусственный интеллект на стадии Drug discovery. Как правило, это коллаборации с небольшими стартапами или с такими глобальными компаниями, как Microsoft, Google, IBM Watson, которые уже предлагают всевозможные разработки с использованием искусственного интеллекта в медицине.

Помимо этих гигантов существуют более 230 AI стартапов, которые применяют искусственный интеллект для нужд фармкомпаний на этапе поиска и разработки (Research and development). Они занимаются перепрофилированием лекарств, изучают взаимодействие между препаратами и их мишенями в клетке, создают огромные базы данных существующей терапии, чтобы фармразработчики могли использовать эту информацию для более быстрого поиска ответов на какие-то вопросы, связанные с исследованиями. Также они берут на себя обработку всевозможных видов так называемых «сырых», т.е. необработанных, данных, которые компании могут использовать для своих нужд в R&D.

— Приведите, пожалуйста, примеры интересных тандемов разработчиков и фармацевтических компаний.

Анна: Следует обратить внимание на компанию Benevolent и ее два продукта: BenevolentBio, BenevolentAI. С ней активно сотрудничают Новартис, АстраЗенека, Янсен. Они разрабатывают систему искусственного интеллекта, который агрегирует информацию из всевозможных биомедицинских баз данных, массивов данных из клинических испытаний в целях подбора терапии на основе уже существующих лекарств для репозиционирования.

Еще одна интересная разработка – игра Foldit. Она была придумана коллективом ученых двух факультетов Вашингтонского университета — Computer Science and Engineering и факультета Biochemistry. Многие из этих разработчиков ранее участвовали в создании другого цифрового продукта — Rosetta. Он известен среди биохимиков как программа, которая занимается подбором третичных структур белка.

Концептуальная схема Foldit — «игра с целью». Согласно парадигме, участники по результату игры помогают в решении проблем, которые не подвластны компьютерам.

Это в каком-то смысле работает, как капча, которую мы видим в Google, когда нас просят выделить светофоры или машинки. Тем самым мы, на самом деле, помогаем Google обучать их нейронные сети по распознаванию образов.

Разработчиками Foldit была сделана ставка на человеческую интуицию. Любой человек, не обязательно с биохимическим образованием, может попробовать поиграть в эту игру, поскручивать белки, как тетрис.

Это не просто подбор всех возможных вариантов, как это бы делала машина, это интеллектуальный мозговой штурм, в результате которого супер-компьютер гораздо быстрее находит параметры для скрутки белка так называемого folding.

Поскольку белки по своему пространственному строению очень сложные, то таких вариантов строения молекулы может быть слишком много. Если размер моделируемого белка большой, то сложность проблемы растёт нелинейно. Поэтому компьютерные алгоритмы здесь могут не справляться, а вот человек с его естественным интеллектом может гораздо быстрее дать правильный ответ. Используя игровую форму, создатели разрабатывают новые алгоритмы поиска, которые можно будет использовать при компьютерном моделировании. Сейчас они сделали новый «пазл», связанный с коронавирусом.

Ещё один замечательный пример — это использование машинного обучения в поиске новых антибиотиков. Результаты этого исследования были напечатаны совсем недавно, в феврале этого года, в журнале Cell.

Одной из глобальных проблем в поисках новых антибиотиков является проблема резистентности бактерий к различным антибиотикам. Более того, с помощью горизонтального переноса генов, бактерии способны очень быстро обмениваться генами резистентности к бактерицидным средствам. Таким образом, они обеспечивают ещё большую защиту от действия существующих антибиотиков.

Большинство антибиотиков, использующихся сейчас для лечения бактериальных инфекций, были обнаружены и получены путем скрининга метаболитов, которые выделяются почвенными микроорганизмами. Часть антибиотиков были получены полусинтетическим методом, посредством навешивания различных химических групп на уже известные антибиотики. Есть небольшое количество антибиотиков, которые были получены полностью синтетически. То есть проблема заключается в том, что при поиске новых антибиотиков выделяются либо похожие антибиотики, которые уже существуют, либо не выделяются вовсе. Синтезировать их, в общем, довольно сложно.

— Почему ситуация с разработкой новых антибиотиков сейчас встала так остро?

Анна: Если текущая ситуация с разработкой новых антибиотиков не поменяется в лучшую сторону, то по пессимистическим прогнозам к 2050 году на долю инфекционных заболеваний может приходиться до 10 миллионов смертей ежегодно. Поэтому коллектив ученых из MIT решил заняться этой проблемой. Они разработали нейронную сеть, которая может скринировать огромные библиотеки уже существующих искусственных органических соединений для поиска у них бактерицидной активности.

Нейронную сеть обучали как на уже существующих молекулах, которые были активны по отношению к известной всем бактерии Escherichia coli, дтак и на моделях выявления потенциальных антибиотиков по химической структуре молекулы. После запуска нейросети на базы Drug Repurposing Hub ими было найдено 99 соединений из этой базы, которые действительно подтвердили свою активность против Escherichia coli, из них 51 соединение прошло проверку на токсичность. Среди этих молекул уже была найдена одна-единственная молекула SU 333 27, ее назвали галицин.

Она по структуре очень близка к ныне существующему антибиотику метронидазолу, а вообще она является ингибитором киназы c-Jun, и она была активна по отношению к большинству самых известных бактерий: Escherichia coli, Mycobacterium tuberculosis, бактерии, вызывающей туберкулёз, бактериям, вызывающим колит (Clostridioides difficile) и другие воспалительные заболевания.

Самое удивительное, что эта молекула – на самом деле препарат, разработанный для лечения людей с диабетом 2 типа, находящийся сейчас на этапе клинических испытаний. То есть, это — пример возможного репозиционирования молекулы на другое показание.

Исследователи изучили механизм действия этой молекулы, также проверили её in vivo на мышах, и она тоже была активна, а зараженные всевозможными бактериями мыши прекрасно выживали при лечении ей. Однако еще предстоит пройти клинические испытания для того, чтобы из найденной молекулы получилось лекарство.

Подход прекрасно демонстрирует всю мощь компьютерного поиска препаратов. Было бы невозможно физически за столь короткое время проверить более 100 м соединений на бактерицидную активность без применения искусственного интеллекта.

Мощь и перспективы искусственного интеллекта в фармацевтической промышленности

Какое будущее у инвестиционного портфеля 60/40?

В контексте инноваций фармацевтическая промышленность при использовании больших данных и углубленном анализе получила фундаментальный сдвиг. Искусственный интеллект открывает новые возможности от разработки новых лекарственных средств, до повышения производительности и улучшения результатов всей цепи формирования стоимости, а также создания новых решений и бизнес-моделей

За последние несколько лет использование искусственного интеллекта (ИИ) в фармацевтической и биомедицинской промышленности превратилось из научно-популярной фантастики в научный факт. Фармацевтические и биотехнологические компании все чаще внедряют автоматизированные процессы, которые включают решения на основе данных и используют инструменты прогнозной аналитики. Следующая эволюция этого подхода к расширенной аналитике данных включает в себя ИИ и машинное обучение.
В отличие от образа вселенского поглотителя и угрозы для всей цивилизации, созданного киноиндустрией (к примеру, Стэнли Кубрик в 1968 году снял фантастический фильм с «2001: Космическая одиссея» с технологиями ИИ), искусственный интеллект, используемый в фармацевтике и других отраслях биопромышленности, представляет собой узконаправленный тип машинного интеллекта, предназначенный для решения конкретных задач с использованием автоматизированных алгоритмов.
Цель такого типа технологии ИИ – находить скрытые закономерности и собирать информацию из огромных объемов данных способами, недоступными человеку. Использование ИИ для интеллектуального анализа данных и аналитики уже меняет многие отрасли, в том числе фармацевтику и биотехнологии. Его применение варьируется от открытия лекарств до автоматизации производственных процессов и клинических приложений (таких как создание медицинских изображений и хирургические роботы).

Типы искусственного интеллекта

Большинство решений искусственного интеллекта, используемых сегодня в здравоохранении, основаны на алгоритмах обработки данных, созданных человеком. В этом типе ИИ используется многомерная аналитика данных, подтвержденная прошлыми экспериментальными данными. Он может сочетать, например, результаты лечения на уровне населения с клиническими данными и историей болезни отдельных пациентов, чтобы создавать альтернативы лечения и рекомендовать комбинации препаратов.
Другой уровень искусственного интеллекта – это машинное обучение, основанное на так называемых нейронных сетях, имитирующих работу человеческого мозга, но потенциально способных принимать решения намного быстрее и точнее. В машинном обучении используются алгоритмы, управляемые данными, которые позволяют программным приложениям с высокой точностью прогнозировать результаты без необходимости явного программирования.

Следующий уровень ИИ – это глубокое обучение, которое также основано на нейронных сетях, но включает в себя комбинацию отдельных уровней вычислений вместе с комбинированными сигналами. Глубокое обучение имеет большой потенциал для диагностического использования, так как позволяет точно анализировать изображения (например, фотографии кожных заболеваний или рентгенологические снимки) в сочетании с данными патологии и историческими результатами лечения.

Применение искусственного интеллекта в фармацевтике

Использование искусственного интеллекта в биофармацевтической отрасли неуклонно растет, от открытия лекарств на ранней стадии до назначения вариантов лечения. Прогнозируемый объем рынка к 2024 году достигнет 10 млрд долларов США (включая медицинскую визуализацию на основе искусственного интеллекта, диагностику, персональных помощников ИИ, открытие лекарств и геномику).

Способы применения ИИ в биофармацевтической промышленности сегодня:

Улучшение производственного процесса
При разработке и производстве ИИ предоставляет множество возможностей для улучшения процессов. Искусственный интеллект может выполнять контроль качества, сокращать время проектирования, сокращать отходы материалов, улучшать повторное использование продукции, выполнять профилактическое обслуживание и многое другое.
ИИ можно использовать по-разному, чтобы повысить эффективность производства и сократить количество отходов. Например, процесс, который основан при участии человека для ввода или управления данными, может быть выполнен с помощью ЧПУ (числовое программное управление). Алгоритмы машинного обучения ИИ не только обеспечивают очень точное выполнение задач, но и анализируют процесс, чтобы найти области, в которых его можно оптимизировать. Это приводит к снижению отходов материала, более скорому и стабильному производству и соответствию стандартам качества продукта.

Оптимизация тестового периода лекарств

От разработки новых молекул до определения новых биологических целей ИИ играет роль в идентификации назначения лекарств; открытии целевых, фенотипических и многоцелевых лекарств; перепрофилировании лекарств; распознавании биомаркеров. Ключевым преимуществом для фармацевтических компаний являются возможности искусственного интеллекта для сокращения времени испытания лекарства и получения разрешения выхода на рынок. Это экономит время, средства, что, в конечном итоге, отражается на более низкой стоимости препарата и вариативности выбора лечения.
Например, фармацевтические исследователи могут идентифицировать и проверять новые результаты противораковых препаратов, используя такие данные, как продольные электронные медицинские записи (записи EMR), секвенирование следующего поколения и другие данные, которые используются для создания репрезентативных моделей отдельных пациентов.

Обработка биомедицинских и клинических данных
Возможно, наиболее развитое использование ИИ на сегодняшний день – это алгоритмы, предназначенные для чтения, группировки и интерпретации больших объемов текстовых данных. Это значительно экономит время исследователей отраслей науки о жизни, предоставляя более эффективный способ изучения огромных объемов данных из растущего массива исследовательских публикаций для подтверждения или опровержения гипотезы.
Более того, многие клинические исследования по-прежнему основываются на бумажных дневниках, в которых пациенты записывают время приема лекарства, с какими препаратами они его принимали, и возникающие побочные реакции. ИИ может собирать и интерпретировать все, от рукописных заметок и результатов тестов, до факторов окружающей среды и изображений, полученных при сканировании. Преимущества использования ИИ, таким образом, включают более быстрое исследование и перекрестные ссылки на данные, а также объединение и извлечение результатов в удобные форматы для анализа.
Исследование Cognizant показало, что около 80% клинических испытаний не укладываются в сроки регистрации, а одна треть всех прекращений клинических исследований фазы III происходит из-за сложностей с регистрацией.

Редкие заболевания и индивидуальная медицина

Собирая информацию при сканировании тела, сборе анализов, ИИ различными способами распознает заболевания (к примеру, рак) и даже может упреждать их появление на основе генетических данных. Одним из примеров является IBM Watson for Oncology, который использует медицинскую информацию и историю каждого пациента, чтобы рекомендовать индивидуальный план лечения.
ИИ также используется для разработки персональных препаратов на основе результатов индивидуальных тестов и реакций на те или иные виды лекарств.

Выявление кандидатов на клинические испытания
Помимо помощи в данных клинических испытаний, ИИ может осуществлять поиск пациентов для участия в тестах. Используя расширенную прогностическую аналитику, ИИ может проанализировать генетическую информацию, чтобы определить подходящую популяцию пациентов для исследования и определить оптимальный размер выборки. Некоторые технологии искусственного интеллекта могут читать текст произвольной формы, который пациенты вводят в приложениях для клинических испытаний, а также неструктурированные данные, такие как записи врача и документы приема.
Общеизвестный факт: 86% клинических испытаний не набирают достаточное количество пациентов. Это приводит к замедлению исследований и задержке доступа пациентов к жизненно важным лекарствам.

Прогнозирование результатов лечения

Одно из наиболее эффективных приложений искусственного интеллекта, позволяющего экономить время и средства – это способность подбирать лекарственные препараты для конкретных пациентов, минимизируя время лечения, включающее в себя непереносимость и замену препарата. Модели машинного обучения способны прогнозировать реакцию пациента на возможное лекарственное лечение, выявляя потенциальные взаимосвязи между факторами, которые могут повлиять на результаты, такие как способность организма поглощать соединения, распределение их по организму и метаболизм человека.

Биомаркеры-прогнозисты
Разработка биомаркеров – важная задача не только в контексте медицинской диагностики, но и для процесса открытия и разработки лекарств. Например, прогнозирующие биомаркеры используются для выявления потенциальных респондентов на молекулярную таргетную терапию до того, как лекарство будет испытано на людях. В этом процессе ИИ использует модели биомаркеров, которые «обучены» использованию больших данных.

Перепрофилирование лекарств
Для фармацевтических компаний с ограниченным бюджетом перепрофилирование лекарств обещает стать одной из самых непосредственных областей, в которых технологии на основе ИИ могут принести большую пользу. Переназначение ранее известных препаратов или лекарств-кандидатов на поздних стадиях в новые терапевтические области является желаемой стратегией для многих биофармацевтических компаний, поскольку это представляет наименьший риск токсичности, побочных эффектов при испытаниях на людях и меньшие затраты на исследования и разработки.

Приверженность к лечению и дозировка

Обеспечение соблюдения протокола исследования лекарственных средств добровольными участниками клинических исследований – огромная проблема для фармацевтических компаний. Если пациенты, участвующие в исследовании препарата, не соблюдают правила испытания, они должны быть либо исключены из исследования, либо рискуют исказить результаты исследования. Одним из важных факторов успешного испытания является то, чтобы участники принимали необходимую дозу исследуемого препарата в предписанное время. Вот почему так важно иметь способ обеспечить соблюдение режима приема лекарств. И благодаря удаленному мониторингу, и алгоритмам оценки результатов испытаний ИИ может отличить «хорошие яблоки от гнилых».

Переход к искусственному интеллекту – будущее фармацевтики
Хотя возможности использования ИИ в фармацевтических и биотехнологических разработках очевидны, фактический переход к внедрению таких технологий может быть медленным. Во-первых, традиционные процессы разработки и открытия лекарств требуют постепенной адаптации. Во-вторых, сам процесс «обучения» открытия новых лекарств может занять больше времени, чем в других отраслях.
Например, когда социальные сети помечают вашу фотографию с помощью ИИ, они сразу же получают от вас обратную связь о том, верны ли результаты, что позволяет ИИ быстрей учиться. С открытием лекарств обратная связь о новой молекуле, как потенциального кандидата на лекарство, может занять месяцы или годы.
Тем не менее, нельзя отрицать, что ИИ станет следующим большим достижением в фармацевтической отрасли, и те компании, которые адаптируют и внедряют новые процессы, будут иметь стратегическое преимущество. Хорошая точка для начала – использование существующих технологий для анализа данных, основанных на многомерной и прогнозной аналитике.
Узнать, как передовые фармацевтические компании используют искусственный интеллект и расширенную аналитику данных в рамках своего процесса цифровой трансформации, вы можете в следующих материалах. Подписывайтесь на нас и следите за новостями прорывных компаний и технологий во всем мире с нами. Мы готовим для вас информацию об акциях фармкомпаний, с которыми вы сможете повысить доходность своего инвестиционного портфеля в 2021 году.

Искусственный интеллект в фармацевтике

Краткое содержание:

В отличие от образа вселенского поглотителя и угрозы для всей цивилизации, созданного киноиндустрией (к примеру, Стэнли Кубрик в 1968 году снял фантастический фильм с «2001: Космическая одиссея» с технологиями ИИ), искусственный интеллект, используемый в фармацевтике и других отраслях биопромышленности, представляет собой узконаправленный тип машинного интеллекта, предназначенный для решения конкретных задач с использованием автоматизированных алгоритмов.

Цель такого типа технологии ИИ – находить скрытые закономерности и собирать информацию из огромных объемов данных способами, недоступными человеку. Использование ИИ для интеллектуального анализа данных и аналитики уже меняет многие отрасли, в том числе фармацевтику и биотехнологии. Его применение варьируется от открытия лекарств до автоматизации производственных процессов и клинических приложений (таких как создание медицинских изображений и хирургические роботы).

Типы искусственного интеллекта

Другой уровень искусственного интеллекта – это машинное обучение, основанное на так называемых нейронных сетях, имитирующих работу человеческого мозга, но потенциально способных принимать решения намного быстрее и точнее. В машинном обучении используются алгоритмы, управляемые данными, которые позволяют программным приложениям с высокой точностью прогнозировать результаты без необходимости явного программирования.

Применение искусственного интеллекта в фармацевтике

Способы применения ИИ в биофармацевтической промышленности сегодня

Улучшение производственного процесса

При разработке и производстве ИИ предоставляет множество возможностей для улучшения процессов. Искусственный интеллект может выполнять контроль качества, сокращать время проектирования, сокращать отходы материалов, улучшать повторное использование продукции, выполнять профилактическое обслуживание и многое другое.

ИИ можно использовать по-разному, чтобы повысить эффективность производства и сократить количество отходов. Например, процесс, который основан при участии человека для ввода или управления данными, может быть выполнен с помощью ЧПУ (числовое программное управление). Алгоритмы машинного обучения ИИ не только обеспечивают очень точное выполнение задач, но и анализируют процесс, чтобы найти области, в которых его можно оптимизировать. Это приводит к снижению отходов материала, более скорому и стабильному производству и соответствию стандартам качества продукта.

Оптимизация тестового периода лекарств

Например, фармацевтические исследователи могут идентифицировать и проверять новые результаты противораковых препаратов, используя такие данные, как продольные электронные медицинские записи (записи EMR), секвенирование следующего поколения и другие данные, которые используются для создания репрезентативных моделей отдельных пациентов.

Обработка биомедицинских и клинических данных

Возможно, наиболее развитое использование ИИ на сегодняшний день – это алгоритмы, предназначенные для чтения, группировки и интерпретации больших объемов текстовых данных. Это значительно экономит время исследователей отраслей науки о жизни, предоставляя более эффективный способ изучения огромных объемов данных из растущего массива исследовательских публикаций для подтверждения или опровержения гипотезы.

Более того, многие клинические исследования по-прежнему основываются на бумажных дневниках, в которых пациенты записывают время приема лекарства, с какими препаратами они его принимали, и возникающие побочные реакции. ИИ может собирать и интерпретировать все, от рукописных заметок и результатов тестов, до факторов окружающей среды и изображений, полученных при сканировании. Преимущества использования ИИ, таким образом, включают более быстрое исследование и перекрестные ссылки на данные, а также объединение и извлечение результатов в удобные форматы для анализа.

Исследование Cognizant показало, что около 80% клинических испытаний не укладываются в сроки регистрации, а одна треть всех прекращений клинических исследований фазы III происходит из-за сложностей с регистрацией.

Редкие заболевания и индивидуальная медицина

ИИ также используется для разработки персональных препаратов на основе результатов индивидуальных тестов и реакций на те или иные виды лекарств.

Выявление кандидатов на клинические испытания

Помимо помощи в данных клинических испытаний, ИИ может осуществлять поиск пациентов для участия в тестах. Используя расширенную прогностическую аналитику, ИИ может проанализировать генетическую информацию, чтобы определить подходящую популяцию пациентов для исследования и определить оптимальный размер выборки. Некоторые технологии искусственного интеллекта могут читать текст произвольной формы, который пациенты вводят в приложениях для клинических испытаний, а также неструктурированные данные, такие как записи врача и документы приема.

Общеизвестный факт: 86% клинических испытаний не набирают достаточное количество пациентов. Это приводит к замедлению исследований и задержке доступа пациентов к жизненно важным лекарствам.

Прогнозирование результатов лечения

Биомаркеры-прогнозисты

Разработка биомаркеров – важная задача не только в контексте медицинской диагностики, но и для процесса открытия и разработки лекарств. Например, прогнозирующие биомаркеры используются для выявления потенциальных респондентов на молекулярную таргетную терапию до того, как лекарство будет испытано на людях. В этом процессе ИИ использует модели биомаркеров, которые «обучены» использованию больших данных.

Перепрофилирование лекарств

Для фармацевтических компаний с ограниченным бюджетом перепрофилирование лекарств обещает стать одной из самых непосредственных областей, в которых технологии на основе ИИ могут принести большую пользу. Переназначение ранее известных препаратов или лекарств-кандидатов на поздних стадиях в новые терапевтические области является желаемой стратегией для многих биофармацевтических компаний, поскольку это представляет наименьший риск токсичности, побочных эффектов при испытаниях на людях и меньшие затраты на исследования и разработки.

Приверженность к лечению и дозировка

Переход к искусственному интеллекту – будущее фармацевтики

Хотя возможности использования ИИ в фармацевтических и биотехнологических разработках очевидны, фактический переход к внедрению таких технологий может быть медленным. Во-первых, традиционные процессы разработки и открытия лекарств требуют постепенной адаптации. Во-вторых, сам процесс «обучения» открытия новых лекарств может занять больше времени, чем в других отраслях.

Например, когда социальные сети помечают вашу фотографию с помощью ИИ, они сразу же получают от вас обратную связь о том, верны ли результаты, что позволяет ИИ быстрей учиться. С открытием лекарств обратная связь о новой молекуле, как потенциального кандидата на лекарство, может занять месяцы или годы.

Тем не менее, нельзя отрицать, что ИИ станет следующим большим достижением в фармацевтической отрасли, и те компании, которые адаптируют и внедряют новые процессы, будут иметь стратегическое преимущество. Хорошая точка для начала – использование существующих технологий для анализа данных, основанных на многомерной и прогнозной аналитике.

Искусственный интеллект в медицине: как ожидания не совпали с реальностью

Об эксперте: Никита Николаев, операционный директор Celsus.

«Умные» медицинские продукты разрабатывают практически все лидирующие ИТ-корпорации. Всего, по данным исследовательской компании Venture Scanner, такие разработки ведут более 2 тыс. компаний по всему миру. Искусственный интеллект (ИИ) — одна из самых многообещающих технологий в медтехе. ИИ-сервисы могут:

повысить точность диагностики;

автоматизировать работу врача;

подобрать оптимальный метод лечения;

создавать новые лекарства и т.д.

Пожалуй, самым крупным и наиболее обсуждаемым проектом по применению ИИ в медицине является американская корпорация IBM и ее когнитивная система IBM Watson, которая помогает ставить точный диагноз и находить эффективный способ лечения для каждого пациента. Не так давно Microsoft запустила программу AI for Health, в рамках которой инвестирует $40 млн в технологии искусственного интеллекта для сферы здравоохранения.

Перспективное направление применения ИИ — анализ медицинских снимков (рентгенография, МРТ, УЗИ и др.). Систему обучают определять различные заболеваний и патологии. В этом направлении технологии достигли очевидных успехов и потому уже сейчас постепенно внедряются в клиническую практику.

В России порядка десяти компаний ведут подобные разработки, в их числе и мы — искусственный интеллект «Цельс». На данный момент система уже умеет анализировать маммограммы и флюорограммы, ведется разработка решений для КТ и морфологии. Но мы видим развитие продукта и в других направления функциональной диагностики.

Обучение нейросети: отсутствие датасетов и универсального оборудования

Как известно, для обучения нейросети нужны наборы данных (датасеты). К сожалению, в сфере диагностической медицины все еще очень мало качественных, верифицированных, полных датасетов, еще меньше из них — публично доступных. Без сбора собственных датасетов и их разметки получится сделать разве что MVP (минимально жизнеспособный продукт. — РБК Тренды), но никак не качественный продукт, готовый к эксплуатации.

Здесь не обойтись без сотрудничества с медицинскими учреждениями и профильными специалистами. В «Цельсе» разметкой каждого снимка занимаются сразу несколько рентгенологов, в случае расхождений снимки отдаются на дополнительное исследование.

Еще одна техническая сложность связана с тем, что в медицинских учреждениях встречается разное оборудование. Изображения с разных рентгеновских аппаратов могут визуально сильно различаться. Если нейронная сеть не обучалась на таких снимках, нет ничего удивительного в том, что она «проваливается» и ничего не детектирует. Самое простое, на первый взгляд, решение — нужно собрать всевозможные виды снимков со всех аппаратов со всеми настройками, разметить их и обучить систему. Минусы? Долго и дорого. Однако и это не панацея, к тому же требует сбора всех существующих в мире типов снимков, что кажется невыполнимой задачей.

Лучшим решением будет использование универсального препроцессинга, то есть специальной обработки данных перед их подачей в нейронную сеть. В процедуру препроцессинга могут входить автоматические изменения контрастности и яркости, всевозможные статистические нормализации и удаления лишних частей изображения (артефактов). Нашей команде после месяцев экспериментов удалось создать универсальный препроцессинг для рентгеновских изображений, который приводит практически любые вводные изображения к единообразному виду. Это позволяет нейронной сети корректно их обрабатывать.

Еще одна особенность связана со спецификой deep learning (глубокого обучения. — РБК Тренды) и актуальна для многих команд разработки на рынке медтеха. Медицинские нейронные сети чаще всего «тяжелые», каждый эксперимент над моделью длится продолжительное время и требует огромных вычислительных ресурсов, а значит и дорогостоящей техники. У «Цельс» есть собственный сервер, на котором можно параллелить четыре эксперимента, а также cloud-инфраструктура, с помощью которой мы можем увеличить число экспериментов в случае необходимости. К слову, и качественных специалистов машинного обучения пока не так много, к тому же они весьма дороги.

Доверие инвесторов и медицинского сообщества

К медтех-стартапам определенно есть интерес, но инвесторы и фонды сейчас придерживаются очень осмотрительной стратегии в отношении медтеха, осознавая сложность входа на этот рынок.

В медтехе довольно длинный цикл выхода компаний на самоокупаемость, связанный в том числе с необходимостью проведения сложной и долгой процедуры регистрации медицинского изделия.

К тому же последние два года по рынку пронеслась череда крупных банкротств и мошенничеств, которые не могли остаться без внимания. Самый примечательный кейс — «мыльный пузырь» Theranos. Их технология анализа крови оценивалась в $9 млрд. Не менее громкий кейс связан с банкротством Jawbone — производителем носимой электроники и фитнес-трекеров. В компанию проинвестировали более €1 млрд ряд респектабельных инвестиционных фондов, таких как Sequoia и Khosla Ventures.

В отчете, который в прошлом году опубликовала лондонская венчурная фирма MMC, говорится, что почти половина всех европейских стартапов, которые позиционируют себя как связанные с искусственным интеллектом, на самом деле не используют эту технологию.

Раздутый хайп вокруг ИИ оправданно вызывает скепсис и в медицинском сообществе. Не прибавляет доверия и то, что многие решения создаются в отрыве от понимания рабочего процесса врача. Разработчики не имеют ни медицинского образования, ни опыта взаимодействия с медицинскими организациями.

Вариант решения — сотрудничество с врачами в рамках пилотных проектов в медицинских учреждениях. Это позволяет наладить контакт с медиками — они размечают снимки по заранее утвержденным правилам, проводят тесты системы, дают оперативную обратную связь и консультируют разработчиков.

Отдельной головной болью для медицинских учреждений является сравнение разных систем от компаний-конкурентов, ведь любые метрики сильно зависят от данных, на которых система тестировалась, от процента пациентов с патологией от общего числа исследований, препроцессинга и других факторов. Поэтому любые заявления компаний о беспрецедентной точности их моделей стоит воспринимать со здоровой долей скепсиса — нет никаких гарантий, что на новых данных точность не упадет.

Для решения этой проблемы необходимо создавать золотые датасеты, на которых можно будет корректно и справедливо сравнивать конкурирующие сервисы. В этом направлении уже ведется работа, в том числе и в России. К примеру, московский Центр диагностики и телемедицины активно способствует созданию этих «золотых датасетов» в направлениях маммографии, компьютерной томографии легких, флюорографии.

Правовые аспекты и стандартизация

Специфика российского здравоохранения, как и ряда других стран, состоит в том, что оно по большей части государственное. Коммерческими клиниками представлена лишь небольшая часть рынка. Этот факт должен учитываться компаниями, так как государственная система здравоохранения подразумевает финансирование по системе тендеров и/или грантов.

Для использования технологии в реальной клинической практике требуется регистрационное удостоверение медицинского изделия. Задача усложняется тем, что в законодательстве (по крайней мере, российском) до сих пор не существует определенных стандартов, регламентирующих работу медицинских ИИ-сервисов. Это касается и подготовки датасетов, и проведения клинических и технических испытаний сервисов, и стандарта по интеграции этих сервисов в бизнес-процессы медицинских учреждений.

Но ситуация меняется в лучшую сторону, и этому способствует государство. Правительство запустило Национальную программу «Цифровая экономика», одним из приоритетных направлений которой является цифровизация здравоохранения. Проводится масштабный эксперимент Департамента здравоохранения города Москвы по использованию ИИ-сервисов в работе отделений лучевой диагностики. Результаты проекта станут основой для национальных стандартов, регламентирующих применение ИИ в клинической медицине.

Несмотря на наличие большого количества новых и специфических проблем, при правильном подходе ИИ-сервисы уже сейчас могут позитивно влиять на нашу жизнь и здоровье. При условии тесного взаимодействия разработчиков и медицинского сообщества мы уже в ближайшее время услышим о настоящих историях успеха.

Подписывайтесь на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.

При пожаре в петербургской больнице погибли пять человек

В Санкт-Петербурге после пожара в больнице Святого Георгия, унесшего жизни пяти пациентов, возбудили уголовное дело о причинении смерти по неосторожности двум и более лицам. В середине марта учреждение было перепрофилировано под прием пациентов с коронавирусной инфекцией. По предварительным данным, причиной пожара стало возгорание одного из аппаратов искусственной вентиляции легких, большинство погибших пациентов также были подключены к ИВЛ. Напомним, что аналогичное ЧП несколько дней назад случилось в 50-й клинической больнице Москвы, тогда погибла одна пациентка. Тем временем в некоторых регионах приостановили ввод в эксплуатацию аппаратов ИВЛ производства екатеринбургского Уральского приборостроительного завода, поставившего приборы и в больницу Святого Георгия, в других усилен контроль за их работой.

Сообщение о пожаре в больнице Святого Георгия на Северном проспекте поступило в экстренные службы города во вторник в 6:23. Пожару почти сразу присвоили второй повышенный номер сложности из-за особого статуса объекта и опасности распространения огня. Уже через полчаса возгорание было локализовано на площади 10 кв. м. Полностью последствия пожара были ликвидированы к 9:40.

ЧП произошло на шестом этаже, где располагается реанимационное отделение.

В результате пожара погибли пять человек. По данным силовых структур, жертвами стали четверо мужчин и одна женщина. Все они были подключены к аппаратам ИВЛ. Самому старшему было 67 лет, возраст остальных — от 59 до 61 года.

Он был произведен на Уральском приборостроительном заводе. В марте гендиректор предприятия Булат Гайнутдинов заявлял, что на протяжении трех последних месяцев АО «Уральский приборостроительный завод» (УПЗ; входит в структуру «Ростеха») выпускает по десять аппаратов ИВЛ в день. По его словам, аппараты УПЗ поступают в больницы по всей России, а также за границу. До 50% произведенных аппаратов ИВЛ предприятие поставляет на экспорт. В основном это страны Европы, Азии и ближнего зарубежья. УПЗ — один из трех производителей аппаратов искусственной вентиляции легких, рекомендуемых для использования в лечебных учреждениях России. Еще два также расположены в Екатеринбурге: ООО «Тритон-Электроникс» и АО «Производственное объединение ”Уральский оптико-механический завод”».

Фото: Коммерсантъ / Александр Коряков купить фото

В АО УПЗ подтвердили, что аппараты ИВЛ производства завода в рамках контракта поставлялись в Петербург. «Официальными данными о том, какие аппараты были установлены в зоне возгорания, мы не располагаем»,— сообщили в УПЗ, отказавшись от подробных комментариев. Отметим, что, по данным ТАСС, аппарат искусственной вентиляции легких, ставший причиной пожара в 50-й больнице им. С. И. Спасокукоцкого в Москве 9 мая (тогда погибла одна пациентка), был также произведен на УПЗ.

В концерне «Радиоэлектронные технологии»(КРЭТ) “Ъ” подтвердили, что аппараты ИВЛ под маркой «Авента» поставлялись в медучреждения Москвы и Санкт-Петербурга, где произошли возгорания, и добавили, что сейчас в компании разбираются в ситуации.

« Какими бы ни были причины, произошедшее стало трагедией для нас всех. Рассматриваются ряд версий, связанных как с состоянием сетей, инженерной инфраструктуры лечебных учреждений, с медицинским оборудованием, так и с соблюдением мер пожарной безопасности»,— пояснили в концерне КРЭТ.

Тем временем в некоторых регионах приостановили ввод в эксплуатацию аппаратов ИВЛ производства УПЗ. Об этом, в частности, сообщили власти Ленинградской области, куда 6 мая поступили десять таких приборов. «Однако по решению комитета по здравоохранению в связи с трагическими событиями в больнице Святого Георгия в Петербурге ввод в эксплуатацию данных аппаратов был приостановлен. Решение об их использовании будет принято после окончания расследования причин пожара»,— сообщили в пресс-службе областного правительства. Приостановлено использование аппаратов и в самом Санкт-Петербурге. Об этом сказал вице-губернатор города Олег Эргашев. «Делать скоропалительные выводы об этих аппаратах ИВЛ пока преждевременно, но по моему поручению в настоящий момент эти аппараты пока не будут использоваться»,— отметил он в эфире телеканала «Санкт-Петербург» и добавил, что по поручению министра здравоохранения Михаила Мурашко в Северную столицу приедут специалисты уральского завода, которые оценят техническое состояние оборудования из последних поставок. Кроме того, врио губернатора Севастополя Михаил Развожаев заявил, что российские аппараты искусственной вентиляции легких, которые недавно получил город, не будут использоваться до завершения расследования случаев возгорания. А в Саратовской области, по сообщению местных властей, дежурным сменам медиков поручено усилить контроль за работой аппаратов ИВЛ.

В свою очередь, вице-премьер РФ Татьяна Голикова сообщила, что дала поручения Минздраву и Росздравнадзору поспособствовать расследованию причин возникновения пожаров в медучреждениях в Москве и Санкт-Петербурге, где проходили лечение пациенты с новой коронавирусной инфекцией.

Фото: Александр Коряков, Коммерсантъ

В ГСУ СКР по Санкт-Петербургу по этому факту возбудили уголовное дело по ч. 3 ст. 109 УК РФ (причинение смерти по неосторожности). По данным пресс-службы ведомства, сейчас на месте проводятся первоначальные следственные действия. По делу уже назначен ряд экспертиз, в частности пожарно-техническая. Начальник городского главка МЧС Алексей Аникин сообщил журналистам, что переводить пациентов в другие больницы не планируется. Стационар полностью возобновил прием больных к вечеру.

По словам губернатора города Александра Беглова, большего количества жертв удалось избежать благодаря действиям врачей и медсестер отделения: они немедленно приступили к эвакуации пациентов на другие этажи и в другие отделения, а также успели отключить в отделении электропитание и подачу кислорода, что предотвратило более серьезные последствия, указывают в пресс-службе главы Санкт-Петербурга.

Фото: Александр Коряков, Коммерсантъ

Больница Святого Георгия одной из первых в городе была перепрофилирована для приема пациентов с COVID-19 и подозрением на него. Первых больных с внебольничными пневмониями и гриппом она начала принимать 16 марта. Вице-губернатор Олег Эргашев заявлял, что для этих целей во всем учреждении обустроят 580 коек, 36 реанимационных, а также 189 доступных аппаратов искусственной вентиляции легких. Однако через две недели больницу закрыли на карантин из-за заражения одного из сотрудников. Прием пациентов с коронавирусом она возобновила 15 апреля.

Марина Царева, Санкт-Петербург; Николай Яблонский, Екатеринбург

Три пациента с коронавирусом погибли после возгорания ИВЛ в Рязани

Автор фото, Alexander Rymin/TASS

Пожарная машина на территории клинической больницы им. Семашко, где ночью произошел пожар в реанимации

Три пациента погибли в результате ночного пожара в реанимационном отделении областной клинической больницы им. Семашко в Рязани, еще восемь человек пострадали. Предположительно, произошло возгорание аппарата ИВЛ, как и в мае прошлого года в Москве и Петербурге.

Как сообщили в МЧС, пожар произошел в процедурном кабинете реанимационного отделения, где находились пациенты с Covid-19. Сигнал о возгорании поступил примерно в 3:30.

Площадь возгорания составила всего 15 квадратных метров, и пожар был быстро потушен (по данным МЧС, в 4:17). Пациенты погибли от дыма.

“У всех погибших отравление продуктами горения”, – сказали Интерфаксу в администрации больницы.

Пострадавшие также получили отравление различной степени тяжести. Среди пострадавших – две медсестры.

В чем причина

Есть несколько версий пожара, связанных с аппаратом искусственной вентиляции легких (ИВЛ).

Причиной, по предварительным данным, могло стать воспламенение проводки, рассказывали утром Интерфаксу в больнице. “Большая нагрузка аппаратов ИВЛ, проводка не выдержала, загорелась”, – сказал собеседник агентства.

“Сейчас изучается одна из версий, что к пожару могло привести возгорание ИВЛ. Ему предшествовала вспышка”, – сказал в свою очередь ТАСС источник в экстренных службах. “Основная причина – возгорание аппарата ИВЛ, подключенного к пациенту”, – сообщил источник РИА Новости.

Позже губернатор Рязанской области Николай Любимов подтвердил в эфире телеканала “Россия-24”: “Произошло возгорание аппарата ИВЛ, медсестра сначала пыталась его потушить, вторая медсестра подключилась”. По его словам, погиб пациент из палаты, в которой произошло возгорание, и двое тяжелых пациентов на ИВЛ из других палат.

Следственный комитет России (СКР) пока заявляет, что рассматриваются различные версии причин пожара: “Однозначно говорить о причинах произошедшего можно будет после проведения ряда экспертиз”.

По данным источника Интерфакса, рассматриваются и другие версии: неисправное медицинское оборудование и системы жизнеобеспечения, а также неосторожное обращение с огнем кем-то из пациентов или персонала. Собеседники ТАСС и РИА Новости также допустили, что в одной из палат могло произойти короткое замыкание.

Это не первый пожар, связанный с нагрузкой на ИВЛ. В мае прошлого года несколько пациентов с коронавирусом погибли при пожарах в Москве и Петербурге. После этого приостанавливалась эксплуатация ИВЛ марки “Авента-М”. Росздравнадзор тогда не выявил прямой связи между нарушениями при производстве аппаратов ИВЛ и их возгоранием.

Областная больница им. Семашко в 2019 году заказывала ремонт американского аппарата ИВЛ iVent201, а в 2020 году туда были поставлены два китайских аппарата ИВЛ Boaray 5000D, пишет РИА Новости со ссылкой данные портала госзакупок.

В России приостановили обращение ИВЛ, два из которых загорелись в больницах
Пожар в коронавирусной больнице в Петербурге: опять мог загореться аппарат ИВЛ
Один человек погиб при пожаре в московской больнице им. Спасокукоцкого

Куда дели больных

Была проведена эвакуация всего здания рязанской больницы. Из 43 эвакуированных пациентов, по данным Интерфакса, 34 болеют коронавирусной инфекцией.

Больных Covid-19, находившихся в реанимационном отделении, распределили по “красным зонам” других больниц, заявил пресс-секретарь губернатора Рязанской области Денис Арапов.

“Через пять минут буквально прибыли пожарные, машины скорой помощи. Всех пациентов – 10 человек из отделения реанимации, и со второго этажа 26 пациентов – тоже быстро эвакуировали”, – рассказал сам губернатор в эфире “России-24”.

Системы противопожарной защиты сработали в штатном режиме, утверждают в региональном управлении МЧС. “Все они сработали, как надо. Системы же пожаротушения на подобных объектах не предусмотрены”, – сказал Интерфаксу представитель управления.

По его словам, тушение пожара осложняло сильное задымление на 1-м этаже, а также конструктивные особенности здания, при этом пожарные не допустили распространения огня на остальное здание.

Возбуждено уголовное дело по факту гибели трех человек по ч.3 ст.109 УК РФ (причинение смерти по неосторожности). Будут проверены “своевременность проведения эвакуационных мероприятий” и “соответствие уровня обеспечения противопожарной безопасности” установленным нормам, говорится в сообщении регионального управления СКР.