Новые боги. Как онлайн-платформы манипулируют нашим выбором и что вернет нам свободу - Кристиан Монтаг

Этот эпизод из моей жизни, возможно, как раз и объясняет секрет успеха Кремниевой долины. Яркие профессионалы из самых разных областей знаний живут и работают бок о бок на небольшом пространстве. В сочетании с соответствующей инвестиционной культурой это порождает эффект синергии. К тому же многие идеи запускают в работу мгновенно, что приводит к появлению креативных и новаторских проектов. Приложение Discovery, безусловно, относится к их числу. Похоже, со мной согласен Джефф Безос: он уже инвестировал десятки миллионов в Mindstrong Health. Но я узнал об этом позже, из пресс-релиза [359]. А мой знакомый Пол уже успел уйти из Mindstrong. В Кремниевой долине все меняется очень быстро. Тем не менее я убежден, что нам в Германии срочно нужно перенимать эту культуру, если мы хотим выстоять, существуя между США и Китаем [360].

Цифровое фенотипирование в медицине?

Цифровое фенотипирование используется и за пределами психологии и психиатрии для более глубокого изучения нейродегенеративных заболеваний – болезни Паркинсона [361] и деменции [362] – и при (ранней) диагностике болезни Альцгеймера [363]. Когда нынешние поколения пользователей смартфонов достигнут пожилого возраста, было бы, конечно, очень интересно отслеживать снижение словарного запаса при помощи интеллектуального анализа текста. Мне кажется, это важная исследовательская задача, поскольку у пациентов с деменцией нередко наблюдаются проблемы с речью [364].

Кроме того, можно было бы получить дополнительные сведения о снижении когнитивных способностей у пациентов с деменцией с помощью специальных тестов на смартфоне – например, встроить короткую когнитивную задачу при входе в систему вместо «смахивания» экрана или ввода пароля. При 50 проверках смартфона в день это дало бы 18 250 единиц данных в год (365 дней × 50 входов) [365], которые отображали бы изменения в процессах мозга с течением времени. Серьезный объем, учитывая, что обычно подобные тесты когнитивных функций проводятся лишь несколько раз в год на приеме у врача. Поэтому смартфоны могут иметь большой потенциал для совершенствования ранней диагностики деменции.

Электронная медицинская карта: за и против

Я совершил экскурс в мир клинической психологии и психиатрии, чтобы обозначить в этой главе положительные стороны исследований цифрового фенотипирования. Как видно из большинства тем, затронутых в «Новых богах», у бизнес-модели данных Кремниевой долины много побочных эффектов. Однако мне кажется, что правильное использование цифрового фенотипирования может помочь улучшить нашу систему здравоохранения (при условии решения проблем, связанных с защитой данных пользователей). На этом фоне особенно актуальными кажутся дискуссии об электронной (цифровой) карте пациента (ePA) в Германии. Федеральный министр здравоохранения Йенс Шпан [366] хочет обеспечить централизованный сбор информации о пациентах в цифровой форме на основании закона о цифровом здравоохранении (DVG), чтобы в будущем эти данные стали доступны ученым. Кстати, с 2023 года можно будет передавать свои данные исследователям на добровольной основе [367]. Электронная медицинская карта может быть весьма удобна как врачам, так и пациентам – в случае, если у пациента будет централизованный доступ ко всем своим данным и возможность решать, какую информацию он хочет передать тому или иному лицу. Наконец, могли бы стать нормой электронные рецепты. На мой взгляд, было бы интересно поднять дискуссию о цифровой карте пациента на новый уровень: а что, если отмечать в ней результаты анализа цифровых следов (с согласия пациента)? Это предоставит лечащим врачам и психотерапевтам гораздо более широкую информационную базу для лечения заболеваний.

При этом, как ни относись к идее электронной медицинской карты, граждане должны в полной мере осознавать последствия такого нововведения. Думаю, в этой главе ясно показано, что уже сейчас из цифровых следов можно извлечь информацию, которая выходит за рамки стандартного врачебного заключения.

В некоторых странах, кстати, цифровая карта пациента существует уже давно. Один из лидеров в Европе – Эстония [368]. Более 20 % населения страны даже согласились предоставить биообразцы, поэтому в цифровых медкартах многих эстонцев уже присутствуют и генетические показатели. Недавно я был в Тарту на защите докторской диссертации, и мне представилась возможность посетить их центр базы биоданных (Эстонский центр генома) [369]. Тарту – уютный студенческий город с большим креативным цифровым кластером, расположенный в двух часах езды к югу от Таллина. База биоданных была создана прежде всего для совершенствования исследований в области персонализированной медицины. А главная цель персонализированной медицины – адаптировать и усовершенствовать лечение пациентов, в частности с учетом информации из их генома. Только представьте, какой массив данных можно будет собрать, если объединить биомаркеры сотен тысяч людей с данными из электронной медицинской карты, а затем и с цифровыми следами из «интернета вещей».

Однако нельзя забывать о возможных злоупотреблениях. Следует однозначно прояснить, что данные электронной карты нельзя использовать в некоторых сферах жизни общества, например при выдаче страховых полисов. К слову, это касается не только медицинских заключений, непосредственно зафиксированных в цифровой карте пациента, но и, как мне кажется, психологических профилей, которые уже сегодня можно составить на основе многочисленных аккаунтов в социальных сетях. Тем не менее если мы в Германии долго будем отказываться от введения электронных медицинских карт и/или создания масштабной базы данных в сфере здравоохранения, то это, как мне кажется, отрицательно скажется на исследовательской деятельности в нашей стране.

Мусор на входе – мусор на выходе?

В начале июля 2019 года мы с моей рабочей группой решили на пару дней отправиться на ежегодные научные каникулы. Там мы могли в расслабленной атмосфере доделать все, на что в будничной суете не хватало времени, и обсудить важные вопросы. Мы расположились в Ой-Миттельберге в районе Алльгой. Наш небольшой ретрит был посвящен стремительному развитию технологий в сфере искусственного интеллекта. Несомненно, мы вступаем в эру, когда машинное обучение будет в значительной степени влиять на различные сферы нашей жизни. Машинное обучение – один из основных методов работы искусственного интеллекта, который необходимо освоить всем ученым и IT-специалистам, так как его потенциал безусловно огромен.

Объясню на примере, как работает один из вариантов машинного обучения [370]. Допустим, компьютер должен распознавать, на каких томографических снимках есть опухоль, а на каких нет. Сначала в компьютер загружается обучающий набор изображений с информацией о диагнозах. Если было загружено достаточное количество достоверно классифицированных изображений, машина может научиться самостоятельно определять закономерности, причем ориентируясь на мелкие детали, которые ускользают от человеческого глаза. После того как компьютер изучит