Как подход на основе ИИ помог технологическому предпринимателю победить редкий вид рака

Когда у Конно Кристоу, предпринимателя, уделяющего особое внимание оптимизации здоровья, диагностировали агрессивную форму неходжкинской лимфомы, он отказался полагаться на случай в вопросе своего выживания. Относясь к своей борьбе за жизнь как к высокорискованному стартапу, он использовал данные с носимых устройств и возможности LLM, чтобы ориентироваться в сложной системе здравоохранения.

Выживание на основе данных перед лицом редкого заболевания

Диагноз Кристоу был статистической аномалией: опухоль размером 11x11x8 сантиметров за грудиной, вызванная случайной генетической мутацией. Для заболевания, которым страдает лишь один из 420 000 человек, стандартного медицинского протокола часто было недостаточно для обеспечения необходимого ему уровня точности. Получив диаметрально противоположные рекомендации по лечению от двух специалистов — один предлагал режим с вероятностью успеха 60%, а другой — агрессивный путь с вероятностью 85% — Кристоу обратился к агрегации данных.

Он не ограничился вторым мнением; он собрал двенадцать. Рассматривая свое выздоровление как «марафон спринтов», он использовал носимое устройство Whoop для прогнозирования сбоев в работе иммунной системы и вел тщательный журнал симптомов с помощью голосовой транскрипции. Такой детальный сбор данных позволил ему контролировать сон, питание и психологическую устойчивость с той же строгостью, с которой он масштабировал свои компании.

Использование LLM для преодоления пробелов в медицинских знаниях

Самым важным поворотным моментом в путешествии Кристоу стало использование Claude — LLM, разработанной компанией Anthropic. Хотя медицинские эксперты, такие как Даниэль Биттерман из Mass General Brigham, предупреждают, что чат-боты общего назначения еще не прошли валидацию для постановки персонализированных диагнозов, Кристоу нашел им применение иначе: с помощью ИИ он научился задавать более точные вопросы.

При редкой форме лимфомы онколог-человек может столкнуться с конкретным клиническим случаем лишь раз в год. Напротив, LLM «впитала» в себя огромный массив мировой медицинской литературы. Кристоу загружал в модель результаты анализов крови, данные сканирования, показатели с носимых устройств и записи из журнала, превращая необработанные данные в практически значимые выводы, которые помогали ему вести диалог с ведущими мировыми специалистами.

Избежание ненужного лечения благодаря распознаванию паттернов с помощью ИИ

Истинная мощь ИИ проявилась во время последнего ПЭТ-сканирования (PET scan) Кристоу, результаты которого оказались неоднозначными. Его онколог предложил перейти ко второй линии терапии, которая включала потенциально опасную лучевую терапию в области сердца и легких.

Однако Кристоу обнаружил критически важную статистику: уровень ложноположительных результатов ПЭТ-сканирования в конце лечения при его конкретном состоянии может достигать 60%. Он загрузил данные своих ПЭТ-сканов и МРТ (MRI) в Claude, и модель указала на специфический клинический феномен: «реактивный тимус» (thymus rebound). Модель предположила, что у пациентов моложе 40 лет реактивированная вилочковая железа может имитировать активную стадию заболевания на снимках. ИИ оценил вероятность такого объяснения примерно в 90%. После получения дополнительного экспертного подтверждения диагноз был подтвержден: рак отступил, и ненужной лучевой терапии удалось избежать.

Будущее персонализированной защиты интересов пациентов

История Кристоу подчеркивает зарождающийся тренд на «защиту интересов пациентов с помощью ИИ» (patient-led AI advocacy). По мере того как LLM становятся все более совершенными, граница между клинической экспертизой и анализом данных, проводимым самим пациентом, стирается. Для разработчиков и основателей бизнеса это представляет собой колоссальную возможность на стыке MedTech и Generative AI: создание инструментов, которые не заменяют врачей, а расширяют возможности пациентов по преодолению ограничений медицинской системы.

Основные выводы

• Принятие решений на основе данных: Кристоу подошел к своему медицинскому пути как к задаче из области науки о данных, используя носимые устройства и тщательное ведение записей для контроля своего физического и психического состояния.
• ИИ как уровень рассуждений: Вместо того чтобы использовать LLM для постановки прямого диагноза, он использовал Claude для синтеза сложных данных и формулирования глубоких вопросов для своей медицинской команды.
• Снижение риска медицинских ошибок: ИИ помог выявить феномен «реактивного тимуса», что предотвратило ненужную и инвазивную лучевую терапию, доказав ценность ИИ в обнаружении упущенных клинических паттернов.