Ексклюзивне інтерв'ю раднику уряду Лю Юаньлі: у деяких сферах можливості AI-лікаря-універсала не поступаються навичкам лікаря, який пройшов офіційне навчання

Журнал «Ме Жень» | Чжан Хун Редактор «Ме Жень» | Вей Гуаньхун

2025 року 58-річний пацієнт з Ічана, Хубей, за допомогою штучного інтелекту виявив приховану «високо диференційовану аденокарциному слизової» у шлунку. Зі зростанням кількості подібних випадків роль штучного інтелекту в медицині поступово стає очевидною.

Цього року «інтелектуальна економіка» вперше була включена до «Звіту про роботу уряду». Основний план «П’ятнадцятого п’ятирічного плану» передбачає важливий проект «Штучний інтелект+» для покращення добробуту громадян як ключове завдання цифрового Китаю. У серпні 2025 року Державна рада опублікувала «Думки щодо поглибленої реалізації дій «Штучний інтелект+»», у яких закликали досліджувати та поширювати високоякісних помічників з охорони здоров’я, доступних для всіх, впорядковано просувати застосування штучного інтелекту в допоміжній діагностиці, управлінні здоров’ям, медичному страхуванні тощо, значно підвищуючи здатність і ефективність медичних послуг на місцях; відповідні розділи були включені до основного плану «П’ятнадцятого п’ятирічного плану».

З 25 по 29 березня у Пекіні відбувся «Щорічний форум Zhongguancun 2026». Протягом конференції, навколо поточної проникності AI (штучного інтелекту) у медичній сфері, проблем у застосуванні та тих етапів, де AI може бути корисним, журналісти «Щоденної економічної новини» (далі NBD) взяли інтерв’ю у радника Державної ради, професора з управління здоров’ям та політики в Пекінському медичному університеті Лю Юанлі.

“”

Лю Юанлі бере участь у круглом столі на форумі. Фото надано журналістом «Щоденної економічної новини», Чжан Хун.

Чітке визначення, хто платить і як платить, є ключовим питанням розвитку індустрії AI у медицині

NBD**: Яка наразі проникність AI у медичній сфері?**

Лю Юанлі: Наразі ринок все ще демонструє багатогранну конкурентну ситуацію. Продукти AI у медицині головним чином поділяються на to C (для споживачів) і to B (для медичних установ), ключове питання — хто платить і як це відбувається.

На перший погляд, прийнятність якісних продуктів на ринку залежить від готовності споживачів або медичних установ їх використовувати, але ключовими чинниками, що впливають на це, залишаються медичне страхування. Медичне страхування має вирішальний вплив на рішення пацієнтів і медичних установ, особливо на останніх.

Наші медичні установи мають публічний статус, але їх виживання та розвиток значною мірою залежать від доходів від бізнесу, при цьому понад 60% цих доходів надходить з медичного страхування. Тому, якщо продукти AI можуть бути включені до списку медичних витрат, вони матимуть ринкову основу; якщо ні, медичні установи будуть обережно їх оцінювати.

Навіть якщо продукт включено до списку медичних витрат, рівень його ціни та стандарти компенсації залишаються ключовими змінними. Використання будь-якої якісної медичної технології неминуче супроводжується витратами, медичні установи повинні проводити ретельний аналіз витрат і вигод.

В даний час публічні лікарні в нашій країні стикаються з проблемами дисбалансу доходів і витрат, і в цьому контексті лікарні відчувають значний фінансовий тягар. Тому продукти штучного інтелекту повинні довести, що вони здатні забезпечити «ціннісну медицину» — підвищити якість медичних послуг, зменшити ускладнення, покращити прогнози пацієнтів, знижуючи при цьому загальні операційні витрати медичних установ. Незважаючи на те, що якість медичних послуг, контроль витрат і суспільна значущість часто вважаються «неможливим трикутником», якщо не довести, що технології можуть подолати ці труднощі, медичні установи навряд чи ухвалять рішення про їх застосування.

Зараз деякі продукти штучного інтелекту надмірно наголошують на технологічній перевазі та масштабах інвестицій у дослідження і розробки. Однак слід більше зосередитися на їхній комерційній моделі. Якщо відсутнє своєчасне включення до медичного страхування та розумний механізм компенсації витрат, впровадження технологій зіштовхнеться з бар’єрами «останніх кілометрів».

Отже, за умов ринкової економіки, ключем до просування якісних медичних технологій є створення та вдосконалення механізму платежів, чітке визначення, хто платить і як це відбувається. Це є основним питанням, яке потрібно вирішити в розвитку індустрії AI у медицині.

У певних сферах можливості AI загального лікаря не поступаються лікарям, які пройшли формальне навчання

NBD**: Раніше з’являлися новини про те, що лікарі використовують штучний інтелект для допомоги в діагностиці та виявляють уражені ділянки в зображеннях пацієнтів. Як ви вважаєте, у яких аспектах AI може краще проявити себе в медицині?**

Лю Юанлі: Це безумовно. Постійна ітерація та оптимізація медичного штучного інтелекту в основному залежать від двох складових: бази знань і бази даних. В усіх аспектах, що стосуються знань, особливо в публічно опублікованій медичній інформації, можливості AI вже значно перевищують можливості окремих лікарів. Чи то популяризація здорових знань, чи звичайні захворювання та їх лікування — після введення симптомів і базових показників, AI може швидко дати оцінку. Простими словами, сьогоднішні можливості AI загального лікаря у звичайних захворюваннях та епідеміях вже не поступаються лікарям, які пройшли формальне навчання.

Але якщо йдеться про мультимодальні дані, наприклад, поєднання клінічних результатів, зображень та історії хвороби пацієнта для діагностики складних захворювань, можливості AI наразі все ще мають помітні недоліки.

Проте є кілька моментів, на які варто звернути увагу. По-перше, незважаючи на численні недоліки, найбільшою особливістю розвитку штучного інтелекту є надзвичайно швидка ітерація. Якщо є достатня обчислювальна потужність і поєднання з високоякісною базою знань та реальними даними для навчання, технологія буде продовжувати вдосконалюватися, потенціал є досить значним. По-друге, цей потенціал не може бути реалізований пасивно, нам слід активно брати участь.

Тому я вважаю, що медичні продукти штучного інтелекту в певному сенсі повинні розглядатися як суспільні продукти — створені якісні технології можуть швидко принести користь всім людям. Якість продукту тісно пов’язана з готовністю кожного пацієнта, лікаря та експерта ділитися клінічним досвідом і реальними даними. Чим досвідченіший експерт, тим більше відповідальності він має за обмін досвідом і внесок даних, щоб сприяти оптимізації цього суспільного продукту. Потенціал, відповідальність і місія повинні зливатися в одне.

На основі цього, у розробці великих моделей штучного інтелекту в медицині слід створити альянс з управління даними в сфері охорони здоров’я, щоб сприяти обміну даними та співпраці в інноваціях. Британський UK Biobank (Біобанк Великої Британії) вже надав людству понад тридцять нових мішеней, Китай також має можливість створити свій власний China Biobank (Біобанк Китаю).

Крім того, слід сприяти створенню глобального альянсу. По-перше, спільно розробляти моделі, по-друге, що ще важливіше, створити наукову та авторитетну систему оцінювання — не тільки враховувати думки китайських експертів, але й об’єднати професійні судження експертів з інших країн, щоб забезпечити високу якість продуктів, що випускаються.

Сприяти використанню даних, отриманих під час первинних діагностичних процедур, для навчання великих моделей

NBD**: Спочатку потрібно використовувати, щоб мати дані; щоб використовувати, потрібно спочатку довести їхню цінність; а щоб продукт мав цінність, спочатку потрібні дані. Чи є тут суперечність?**

Лю Юанлі: Це називається «достовірний простір даних» у сфері охорони здоров’я, відповідні документи можна знайти у Державному управлінні даних. Його основний механізм включає кілька аспектів: по-перше, потрібно чітко визначити права на дані, по-друге, потрібно створити мотивацію для всіх сторін ділитися цінністю даних, а в основі лежить робота з управління даними. Усі власники даних мають спочатку впорядкувати свої дані, забезпечити їхню достовірність, надійність і придатність, а також бути готовими до участі в обміні, і за цінність, створену завдяки обміну, вони також повинні отримувати відповідну винагороду, щоб стимулювати мотивацію до обміну.

Конкретно, у процесі клінічного лікування генерується велика кількість даних, ці дані вже виконали первинні діагностичні завдання, їх можна піддати подальшій обробці для підвищення якості та структурованості, що дозволить безпосередньо використовувати їх для навчання великих моделей. Таким чином, управління даними є першим кроком, використання — другим, а розподіл цінності — наступним етапом.