Запустить сложный продукт на рынке, которого нет: кейс медтех стартапа «Цельс»

Привет, это Никита. В 2017 году мы с ко-фаундерами основали «Цельс». К этому моменту у меня уже был стартап в финтехе, Fscorelab. Выяснилось, что технологии, которые мы использовали в кредитном скоринге, можно применить и в медицине. Но внедрять их в системе здравоохранения оказалось гораздо сложнее и интереснее.

Старт: из финтеха в медтех

С Артемом Капнинским, моим будущим кофаундером, мы познакомились на деловой встрече. Тогда я рассказал ему, что в Fscorelab мы, в числе прочего, распознаем паттерны биометрии. Артем интересовался медицинским направлением. Мы разговорились о конкурсе Kaggle по распознаванию рака легких и поняли, что можем применить наш опыт в медтехе.

Так и появился «Цельс» — медтех стартап, помогающий расшифровывать медицинские снимки с помощью ИИ-технологий. Мы обучаем искусственный интеллект и интегрируем его с информационными системами медучреждений. Проводя диагностику, врачи получают исследования с разметкой и заключением ИИ, что сокращает количество ошибок и ускоряет работу.

Когда мы начинали, в России не было нужного нам рынка. Поэтому на старте мы ориентировались на глобальный рынок ИИ, который оценивали с помощью международной аналитики и обзоров. Уже на тот момент во многих странах медицинский ИИ стремительно развивался, в том числе и в радиологии. Мы понимали, что скоро этот процесс развернется и в России.

Потенциальную емкость будущего российского рынка приблизительно оценить было несложно. Подсчитать количество людей, которые проходят и которым нужно проходить регулярные обследования, учесть статистику о том, сколько процентов онкологии выявляется в рамках таких обследований и т.д.

Одним из самых перспективных направлений оказалась маммография, рентгеновский метод исследования молочных желез. Рак груди — один из самых распространенных, а выживаемость при раннем диагностировании рака — свыше 95%. Если ИИ повысит эффективность работы врачей, то мы быстрее увидим результат.

Еще одна причина — данные. Чтобы обучить медицинский ИИ, нужно много снимков с разметкой важных объектов: например, злокачественных и доброкачественных образований. По маммографии было немного данных с открытой лицензий, которые мы могли использовать для старта.

Мы начали проект с разработки простейшей ИИ-модели, и к работе почти сразу подключилась компания «Калуга Астрал», разработчик ПО для электронной отчетности, где работал Артем. Помимо меня и моего партнера по Fscorelab Евгения Никитина, со-учредителями компании стали два представителя «Астрала». Я занимался маркетингом и пиаром направления, Евгений — разработкой, другие фаундеры взяли на себя финансы, продажи и продвижение в медицинском сообществе. Артем Капнинский впоследствии стал отвечать за коммерцию и развитие бизнеса.

MVP и разработка продукта

Мы начали с MVP — разработки простейшей модели. Мы обучали ИИ на публичных данных с открытой лицензией для тестирования работоспособности наших гипотез. Использовали, в основном, неразмеченные данные. MVP помог нам перейти к следующему этапу — созданию первой версии продукта вместе с врачами.

Подготовительный этап длился около года, потому что, во-первых, мы одни из пионеров индустрии, а во-вторых, работаем в нише с высокими рисками. Цена ошибки — это жизнь и здоровье пациентов. Поэтому прежде чем выстраивать продукт, мы долго и тщательно собирали обратную связь: брали интервью у врачей, показывали им MVP, проводили детальный CustDev, делали Jobs to be done. И уже после оценивали, какие гипотезы стоит использовать: по визуалу, метрикам, работе ИИ.

Первые врачи, с которыми мы познакомились в ходе CustDev, стали нашими первыми разметчиками. Тогда, как и у всех на тот момент, у нас не было большого опыта работы с медицинскими данными, и мы наивно соединяли разметки двух врачей. Сейчас мы используем больше размеченных данных, более сложные алгоритмы работы, учим ИИ решать конфликты мнений.

Первые реакции врачей и недостатки раннего ИИ

Поначалу многие относились к нашей затее скептически. У этого есть несколько причин:

Ко всем новинкам люди относятся с подозрением. Особенно к технологиям, с которыми еще не соприкасались. Электронные дневники, медицинские информационные системы тоже поначалу активно не принимали. Это нормальная практика.

У ранних ИИ было много недостатков. Рынка и правил еще не существовало, была лишь совокупность далеко неидеальных разработок и решений. Например, наша система отмечала все объекты грубыми «коробками», и было много гипердиагностики — выделения объектов, которые не нужны рентгенологу в работе.

Шаг за шагом мы совершенствовали систему: добавляли анализ более специфических патологий, утолщений кожи, текстовые заключения, обучали ИИ определять плотность желез, внедрили элементы изображения злокачественных патологий по квадрантам — более узким зонам груди.

Учили ИИ в целом понимать, что перед ним. Например, бывают случаи, когда при калибровке оборудования что-то сбилось. Чтобы это проверить, приходит человек и ставит для снимка какую-нибудь банку молока. Если наш ИИ определит лапку котика на ее этикетке как патологию, то это испортит репутацию компании и снизит доверие к нам.

По мере совершенствования продукта и подключения новых медицинских направлений мы, как и другие разработчики, из раза в раз публиковали и доносили до государства и врачебного сообщества статистику о росте качества решений. Одновременно с этим мы учились работать с врачами и придумали, как расширять их опыт взаимодействия с технологиями.

Пилотные проекты, трудности с интеграцией и механизм продаж

Когда несколько моделей уже были готовы к тестовому внедрению, мы договаривались с Минздравами, онкодиспансерами и другими мед.учереждениями о запуске пилотных проектов.

Тогда мы узнали много нюансов об организации здравоохранения в России в целом и специфику отрасли ИТ в рентгенологии в частности. Например, что у разных регионов разные:

• оборудование
• его настройки
• типы подключения устройств в учреждении
• исследования: черный фон с белыми начертаниями или наоборот
• подсветка исследований: область интереса занимает разное количество снимка: где-то больше черного, а где-то меньше.
• теги в файлах для анализа, которые меняются из-за типа оборудования.
• PACS-системы — медицинские базы данных. У отдельных учреждений их просто не было.

На самых первых этапах мы под разное оборудование по-разному настраивали модели, но практически сразу стало понятно, что с таким подходом далеко уехать не удастся. Тогда мы стали разрабатывать алгоритм, который бы позволил нам обрабатывать одинаково хорошо исследования с различными настройками.

Теперь мы интегрированы с рядом пак-систем, и тех, у кого они есть, мы подключаем быстро. Для других мы запускаем пилотные проекты с двумя сценариями тестирования:

1. Приложение. Врачи и другие участники тестирования проводят анализ снимка в реальном времени. Если на устройстве есть локальная сеть или шифрование и мы не можем выгрузить данные, то мы подписываем соглашение о неразглашении и делаем ретроспективный тест.
2. Ретроспективный тест. Мы берем на анализ исследования с уже известным диагнозом и проверяем их через наш ИИ. Врачи медучреждения, как незаинтересованные лица, оценивают качество нашей работы и принимают решение о внедрении.

Цель пилотов — в том, чтобы целевая группа врачей поняла, как наша система работает «под капотом», и выработала свои личные сценарии взаимодействия с ИИ.

Пилоты стали прекрасным инструментом продаж — в клиниках они снимают основные барьеры, а региональному госзаказчику помогают понять специфику ИИ-решения и начать подготовку госзакупки. Ведь чтобы ее подготовить, нужно сформировать техническое задание. Несколько некорректных формулировок могут испортить всю заявку. Тогда учреждения останутся ни с чем, и всю процедуру придется делать повторно. Мы пилотируем регионы, чтобы избежать этих ошибок — врачи понимают, как что устроено, что конкретно им нужно, а какие продукты они не хотят вообще.

‍