The post has been translated automatically. Original language: Russian
Over the past three years, not a week has passed without a headline in the spirit of "AI made a diagnosis more accurate than a doctor." Venture capital funds are pouring billions into medical AI startups. Every second presentation at the MedTech conference begins with the words "our algorithm".
But if we move away from the headlines and look at what is really happening in hospitals, the picture is much more modest.
Where AI really works — and it's not hype, it's a fact
There are several narrow tasks where AI is already showing results that have been confirmed by clinical studies.
Medical image analysis. Recognition of skin cancer from photographs, detection of diabetic retinopathy from fundus images, detection of tumors on mammograms — in these tasks, algorithms show accuracy comparable to an experienced specialist. Google, DeepMind, and Zebra Medical have all published peer—reviewed studies with real data.
Why does he work here? Because the task is clearly defined, there is a lot of data, and the result is amenable to objective verification. These are ideal conditions for machine learning.
Risk prediction. AI models trained on thousands of medical records are able to predict the risk of re-hospitalization, the likelihood of septic shock, and deterioration of the patient's condition in intensive care — before the doctor notices it. Several American hospitals have already integrated such systems into the work of intensive care units.
Processing of unstructured data. Doctors spend up to 35% of their working time filling out documentation. AI is able to turn voice recordings into structured medical reports, extract the necessary information from thousands of pages of medical records, and find patterns in data that humans cannot physically process.
Where hype gets the upper hand over reality
"AI makes a better diagnosis than a doctor" is almost always a context manipulation. Most of these studies compare the algorithm with a single doctor in artificial conditions, on perfectly labeled data, in a narrow task. In a real clinic, a doctor works with incomplete information, contradictory symptoms, and a live patient who says one thing and feels another.
The problem of data distribution. An algorithm trained on data from American clinics may not work well in a Kazakh hospital because the populations are different, the equipment is different, and the protocols are different. This is called data shift, and it is one of the main unsolved problems of medical AI.
Regulatory reality. Getting regulatory approval for an AI diagnostic system is a multi-year process. The FDA has approved several dozen AI devices, but most of them work as an auxiliary tool rather than as an independent diagnostic. The legal responsibility remains with the doctor — and this is not accidental.
The "black box" in medicine. Many powerful models cannot explain why they made this or that decision. This is inconvenient in fintech. In medicine, this is unacceptable. The doctor must understand the logic of the recommendation in order to take responsibility for the decision.
What is really happening in the market
The real trend is not "AI instead of a doctor," but AI as a tool that changes the role of a doctor.
The doctor ceases to be a person who spends time on routine data processing. He becomes the one who interprets the results, makes the final decision and is responsible to the patient.
This is not a degradation of the profession. This is her evolution, the same as when an X—ray or blood test appeared.
The global medical AI market is estimated at about $20 billion in 2024 and is projected to exceed $100 billion by 2030. But most of this money does not go into "replacing a doctor," but into automating routine, improving accuracy in narrow tasks, and working with data.
A conclusion for those who build products in this niche
If you are developing an AI solution for medicine, avoid the two extremes.: Don't promise something that an algorithm can't reliably do, but also don't underestimate real-world tasks where AI is already producing measurable results.
Medicine is not a conservative industry because it is afraid of technology. But because the price of a mistake here is a human life. And that's right.
Последние три года не проходит недели без заголовка в духе «ИИ поставил диагноз точнее врача». Венчурные фонды вливают миллиарды в медицинские AI-стартапы. Каждая вторая презентация на MedTech-конференции начинается со слов «наш алгоритм».
Но если отойти от заголовков и посмотреть на то, что реально происходит в больницах — картина значительно скромнее.
Где ИИ действительно работает — и это не хайп, это факт
Есть несколько узких задач, где ИИ уже сегодня показывает результаты, подтверждённые клиническими исследованиями.
Анализ медицинских изображений. Распознавание рака кожи по фотографии, выявление диабетической ретинопатии по снимкам глазного дна, обнаружение опухолей на маммограммах — в этих задачах алгоритмы показывают точность, сопоставимую с опытным специалистом. Google, DeepMind, Zebra Medical — все опубликовали рецензируемые исследования с реальными данными.
Почему здесь работает? Потому что задача чётко определена, данных много, и результат поддаётся объективной проверке. Это идеальные условия для машинного обучения.
Предсказание рисков. ИИ-модели, обученные на тысячах историй болезни, умеют предсказывать риск повторной госпитализации, вероятность септического шока, ухудшение состояния пациента в реанимации — раньше, чем это замечает врач. Несколько американских больниц уже интегрировали такие системы в работу отделений интенсивной терапии.
Обработка неструктурированных данных. Врачи тратят до 35% рабочего времени на заполнение документации. ИИ умеет превращать голосовые записи в структурированные медицинские заключения, извлекать нужную информацию из тысяч страниц историй болезни, находить паттерны в данных, которые человек физически не успеет обработать.
Где хайп берёт верх над реальностью
«ИИ ставит диагноз лучше врача» — это почти всегда манипуляция контекстом. Большинство таких исследований сравнивают алгоритм с одним врачом в искусственных условиях, на идеально размеченных данных, в узкой задаче. В реальной клинике врач работает с неполной информацией, противоречивыми симптомами и живым пациентом, который говорит одно, а чувствует другое.
Проблема распределения данных. Алгоритм, обученный на данных американских клиник, может работать плохо в казахстанской больнице — потому что популяции разные, оборудование разное, протоколы разные. Это называется data shift, и это одна из главных нерешённых проблем медицинского ИИ.
Регуляторная реальность. Получить одобрение регулятора на AI-систему для диагностики — это многолетний процесс. FDA одобрила несколько десятков AI-устройств, но большинство из них работают как вспомогательный инструмент, а не как самостоятельный диагност. Юридическая ответственность остаётся за врачом — и это не случайно.
«Чёрный ящик» в медицине. Многие мощные модели не могут объяснить, почему они приняли то или иное решение. В финтехе это неудобно. В медицине — неприемлемо. Врач должен понимать логику рекомендации, чтобы взять на себя ответственность за решение.
Что на самом деле происходит на рынке
Реальный тренд не «ИИ вместо врача», а ИИ как инструмент, который меняет роль врача.
Врач перестаёт быть человеком, который тратит время на рутинную обработку данных. Он становится тем, кто интерпретирует результаты, принимает финальное решение и несёт ответственность перед пациентом.
Это не деградация профессии. Это её эволюция — такая же, как когда появился рентген или анализ крови.
Глобальный рынок медицинского ИИ оценивается примерно в $20 млрд в 2024 году и по прогнозам превысит $100 млрд к 2030-му. Но большая часть этих денег идёт не в «замену врача», а в автоматизацию рутины, улучшение точности в узких задачах и работу с данными.
Вывод для тех, кто строит продукты в этой нише
Если вы разрабатываете AI-решение для медицины — избегайте двух крайностей: не обещайте то, что алгоритм не может сделать надёжно, но и не недооценивайте реальные задачи, где ИИ уже даёт измеримый результат.
Медицина — консервативная отрасль не потому что боится технологий. А потому что цена ошибки здесь — человеческая жизнь. И это правильно.
Share
