Анализ данных как конкурентное преимущество в частной медицине

Сериков И.О.  

выпускник группы MBA CIO-48

Школы IT-менеджмента 

РАНХиГС при Президенте РФ

1.      Введение.

Умение переосмыслить свой и чужой опыт, а затем на основе опыта принимать решения заложено в любом человеке природой. Однако гораздо больше способен сделать тот, кто выделит из этого опыта что-то принципиально новое, неочевидное. Такая способность выделяет в истории величайших полководцев, политиков, ученых и изобретателей.

Умение учиться – качество человека, определившее цивилизационный рывок, а вместе с даром переосмысления подарившее на научно-техническую революцию. Научный подход привел нас к описанию окружающего мира достаточно точными моделями, одновременно с этим принеся нам невероятную сложность и многообразие. Также это отразилось в экономической деятельности, заставляя организации сужать сферу приложения своих усилий, но все равно наращивая объемы обрабатываемой информации.

Современные компании накапливают все больше фактов в ходе своей деятельности, причем гораздо более важными становятся взаимосвязи, закономерности между этими фактами. Но вот выделять эти закономерности становится все сложнее, особенно если они неочевидны настолько, что человек не в силах их предположить. Именно в этих закономерностях и кроются знания, способные дать организации принципиально новое видение текущей ситуации и выработать более продуманную и обоснованную стратегию.

Коммерческая медицина сталкивается с теми же проблемами, что и другие участники хозяйственной деятельности. Выделенные знания, помимо конкурентного преимущества коммерческой клиники на рынке, в медицине помогают быстрее и лучше диагностировать заболевания, своевременнее и точнее проводить лечение, что сказывается на самой важной составляющей человеческой жизни – на его здоровье. Создание самообучаемой информационной системы, способной полностью заменить врача сдерживается скорее этическими и юридическими вопросами, нежели технической составляющей.

В данной работе большая амбициозная цель демонстрации возможностей новых методов анализа данных медицинскому центрурешалась путем проведения экспериментального выделения неочевидных правил в информации о пациентах. Полученный результат показывает все возможности DataMining, при этом результат относительно просто достигается и уже имеет практическую ценность для бизнеса.

В ходе выполнения работы было проведено исследование истории возникновения методов анализа информации, разобраны наиболее распорстраненные алгоритмы. Проведен анализ имеющихся на рынке программных решений, разработан план проведения эксперимента, получены результаты.

2.      Анализ данных в коммерческой деятельности предприятия.

Человек, используя данные природой навыки, разработал систему передачи накопленных поколениями знаний своим детям. Со времен общественно закрепленных правил до научных знаний и социальных навыков большого мира эта система стала основой научно-технического рывка. Это случилось благодаря тому, что человек научился выделять «знания» из массива данных и информации.

В 20 веке знания как активы компании вытесняют по значимости материальные ресурсы и основные фонды. Знания становятся основной ценностью компаний, и компании всерьез занимаются выращиванием знаний. Такая возможность была дарована благодаря развитию средств вычислительной техники.

С времен статьи Алана Тьюринга человечество пытается создать искусственный интеллект. Само понятие менялось в своем определении с 50-х годов. Сначала машины «научились» решать определенные задачи быстрее и лучше человека, но это не стало интеллектом. Самообучение, как главный признак интеллекта человека, не было достигнуто. Возврат идеи после некоторого охладевания случился уже в 21 веке, вместе с развитием методов анализа и выделения знаний.  Вычислительные истемы, способные обучаться и улучшать качество своих решений, и методы анализа стали формировать мощный союз. Об искусственном интеллекте снова заговорили, и теперь уже всерьез.

Сначала при помощи теории нечетких множеств стало возможно создавать алгоритмы, работающие в условиях неопределенности и неформально определенной нормы. Процесс принятия решений от вычисления сложных функций пришел к конечному набору инструкций «если…то…». Стало возможно работать с формулировками, присущими человеку. Речь идет о категориях вида «теплая куртка», «дорого для такой плохой машины», «очень хорошая цена для хорошей вещи», когда сложно оценить и записать в машину жесткий числовой критерий. Выяснилось, что конечный набор инструкций позволяет сократить время реакции системы управления на изменения в объекте управления, что нашло применение в сферах от управления производством до алгоритмов формализации нестрогих поисковых запросов.

Благодаря изучению и моделированию работы головного мозга была разработана математическая модель нейрона и систем нейронных сетей. Хотя вспыхнувший в 60 годыинтерес к нейронным сетям терял в амплитуде, в 90 годы 20 века случился триумфальный возврат в науку и бизнес. Интерес к системам поддержки принятия решений на основе нейронных сетей высказывает и медицина.

Еще одна технология поиска решений, подсмотренная у природы, породила генетические алгоритмы. В случае поиска решений в высокой неопределенности, изменчивости и агрессивности сложно придумать что-то лучше эволюции. Используя способы изменения набора признаков у поколений, а также проверку живучести этих признаков перешли к модели итеративного поиска решений методом скрещивания хороших решений с предыдущих итераций и случайного изменения некоторых параметров в решении. Такие алгоритмы не гарантируют нахождения оптимума, но вполне способны на поиск действительно хороших решений.

Для поиска неочевидных зависимостей между различными по природе данным были разработаны целые наборы методов, включившие в себя все достижения развития анализа данных.  Процесс подготовки данных, их анализа и выделения в них знаний, включающий целый набор алгоритмов и методов,  получил название DataMining. В него входят, в частности, и ассоциативные правила – метод, выбранный для проведения эксперимента в рамках данной работы. Важно, что в DataMiningпостоянно входят новые и получают развитие старые методы выделения знаний. DataMiningпризван выделять неочевидные, слабо уловимые зависимости, которые при этом составляют особую ценность для бизнеса, позволяя в силу неочевидности нащупать потенциал для принципиального конкурентного преимущества

Развитие технологии блокчейн открывает новые горизонты как использования, так и анализа данных. Опираясь на  децентрализованность, полноту и развитые средства обезличивания, блокчейн способен предоставить возможности разработать информационные системы, в которых надежно защищенные знания будут при этом доступны всем. Убежден, что вслед за вниманием к криптовалютам придет интерес и к построению децентрализованных, самообучаемых систем, способных принципиально изменить мир.

3.      Данные в коммерческой медицине.

Коммерческая медицина представляет собой предприятие, генерирующее прибыль, при этом работающее в сфере, очень чувствительной к вопросам этики, а также находящейся в зоне высокого внимания регулятора. И если касательно медицины возможно опираться на международные стандарты и положения, то в сервисной составляющей своей работы клиники конкурируют жестче и далеко не всегда чистоплотно.  Высокие издержки, требования к оснащенности и уровню медицинскихспециалистов делают рынок заставляют клиники бороться за высокую утилизацию оборудования и врачей.  Некоторые занимаются необоснованными назначениями, другие идут на поводу у пациентов, натурально оформляя гомеопатические рецепты, поддерживая отказ от вакцинации, травяные настои и другие красивые, но совсем не медицинские предписания. Зрелые клиники борются в сервисной части медицинских услуг, формируя у пациента высокую удовлетворённость и склоняя его к возврату в клинику. Такой подход формирует высокие требования к маркетингу в сфере коммерческой медицины, что и обуславливает интерес к DataMining. Дополнительной спецификой является интерес к данным со стороны фармакологических компаний, но в возможности передавать им данные клинки ограничены тем, что очень строгие требования к защите данные предъявляет государство в лице регуляторов.

4.      Выделение знаний в базе данных коммерческой клиники (эксперимент).

Для проведения эксперимента была выбрана клиника, состоящая из нескольких центров под одним брендом и администрируемая одной управляющей компанией.  Поскольку DataMiningне исходит из какой-то гипотезы или чьего-то ожидания от анализа, работа по выделению знаний велась с самостоятельно сформированной выборкой по пациентам с некоторыми признакам.

Сначала, с учетом объективных ограничений было выбрано программное решение российской компании BaseGroupLabs–программа анализа Deductor. Автору удалось получить лицензионную версию ПО на время проведения эксперимента. Дополнительно заметим, что в условиях дефицита фундаментальной литературы по DataMiningкомпания BaseGroupсерьезную работу по созданию глубокой методической базы, доступной вместе с их продуктами.

Данные были сегментированы, в них выделено некоторое подмножество признаков, касающиеся пациентов. Методом ассоциативных правил были выделены как слабые, так и значительные, близкие к очевидным, зависимости между признаками.  Результат эксперимента, помимо демонстрационной части, сразу же дал очень полезные сведения, позволившие скорректировать маркетинговую стратегию.

Результаты:

Для себя автор выделил следующие практические результаты написания работы:

1.      Технические руководители (CTO, CIO) для поддержания проактивной позиции могут обратиться к методам DataMiningкак гарантированному источнику новых конкурентных преимуществ в компании.

2.                  В медицинской сфере DataMiningобладает потенциалом как для анализа закономерностей поведения пациентов, так и как источник информации для систем искусственного интеллекта, способных поддерживать докторов в их решениях.

3.                  В клинике, проводившей эксперимент, было принято стратегическое решение по формированию аналитического отдела, ведущего выделение знаний методом DataMiningна постоянной основе.

4.                  В компании, ведущей разработку медицинской информационной системы, было принято стратегическое решение о проектирование модуля глубокой аналитики, а после него – модуля поддержки принятия решений врачом.

5.                  Для себя автор приобрел практики организации и управления подразделением, ведущем разработку программного обеспечения в части DataMining.