В первом квартале 2026 года в Казахстане провели 77 трансплантаций донорских органов, при том, что в листе ожидания находится более 4600 человек. Больше всего казахстанцы нуждаются в пересадке почек, по статистике – 4102 пациента. Похожая проблема нехватки донорских органов есть и в других странах, например, в США. И здесь важно, чтобы система распределения находила баланс между эффективностью и справедливостью. Над этим сейчас активно работает казахстанец Байжан Мукатай. Он уже 5 лет живет в Америке, из которых 1,5 года трудится специалистом по анализу данных в исследовательском центре C-STAR при медицинском кампусе Нью-Йоркского университета.
В интервью Digital Business Байжан рассказал, почему выбрал карьеру в области математического моделирования, как ускорил систему составления экзаменационного расписания в вузе с 8 часов до 8 минут, и почему его алгоритм распределения донорских органов работает эффективнее аналогов.
«Жизнь была как в американском сериале»
– Родился и вырос в Астане, в семье госслужащих. Первые серьезные увлечения появились после поступления в РФМШ, где влюбился в математику и физику. В 8-м классе стал олимпиадником по физике и по 5-6 часов в день проводил за решением задач.
Благодаря олимпиадам и интересу к космосу в 2019 году попал на летнюю программу United Space School при NASA в Хьюстоне. Каждый год туда приглашают около 50 школьников со всего мира для разработки теоретической миссии на Марс. Наша задача была придумать концепцию полета на другую планету, а после сделать презентацию проекта.
Всех участников разделили на 5 команд по 10 человек. Каждая занималась определенным фронтом работ: планированием бюджета, расчетом даты взлета, учетом внешних рисков, разработкой критериев отбора космонавтов и нюансов посадки на Марс. Я решал задачу планирования взлета и посадки, набора первой космической скорости с использованием вращения Земли для выхода на на нашу орбиту, а затем на орбиту Марса.
Во время программы жил в принимающей семье в Хьюстоне, недалеко от Центра Управления Полетами Nasa Johnson Space Center. Меня приняли очень тепло. Жизнь была как в американском сериале: ел хлопья на завтрак, а по выходным ходил на барбекю. Однажды уговорил принимающую семью показать частный исследовательский вуз – Университет Райса, который находился в том же городе. Он меня сразу покорил своей архитектурой, историей и, особенно, программами по физике.
Под впечатлением после поездки в США стал еще активнее готовиться к поступлению в зарубежный вуз, поэтому усиленно учил английский и собирал портфолио. С этим помогали школьные преподаватели и профориентаторы, которые иногда сидели со мной до утра, чтобы подготовить рекомендации, транскрипты, сертификаты и другие материалы для поступления на грант. Благодаря их поддержке написал эссе на 80 страниц для 35 зарубежных вузов. В их числе – Массачусетский технологический институт, Принстон, Гарвард и, конечно же, тот самый Университет Райса.
В результате именно Университет Райса предоставил мне полную финансовую поддержку, которая покрывала все расходы: обучение, проживание, питание, покупку книг и стипендию, которой хватало на перелеты в Казахстан 2 раза в год и личные расходы.
Правда, документы подал на новую специальность Operations Research (OR). Во время подготовки к поступлению открыл для себя это направление, которое изучает различные методы оптимизации и симуляции процессов, чтобы принимать наиболее эффективные решения в сложных системах и бизнес-процессах. Например, в здравоохранении методы OR помогают эффективнее организовать работу больниц: составлять расписание процедур, распределять нагрузку между врачами, управлять количеством коек и правильно использовать ограниченные ресурсы. В результате пациенты получают помощь быстрее и качественнее, а затраты клиник снижаются. Мне понравилась перспектива быть полезным для общества, поэтому решил поступить на специальность Operations Research.
«Заинтересовала сама идея создания и упрощения систем распределения донорских органов»
– На учебе сделал большой упор на различные исследования, благодаря чему успел поработать с пятью профессорами. Обычно идеи для проектов приходили во время разговоров с преподавателями и однокурсниками. Так узнал о проблеме неэффективного составления расписания. В университете училось более 4 000 студентов, которые самостоятельно выбирали курсы. Из-за этого экзамены часто накладывались друг на друга, поэтому учебные дни были перегруженными. Кроме того, сотрудники вуза вручную составляли расписание, и на это уходило около 8 часов каждый семестр. Зацепившись за эту мысль, стал думать, как улучшить ситуацию.
С помощью Python разработал алгоритм, который учитывал все ограничения. Например, чтобы у студента не совпадали два экзамена в одно время. Программа анализировала тысячи возможных вариантов и находила лучший из них. Таким образом время составления расписания сократилось почти в 60 раз – с 8 часов до 8 минут.
В конце второго курса познакомился с работой профессора Сулеймана Керимова по динамическому сопоставлению – это задачи вроде райдшеринга или программ обмена почками. Меня заинтересовала идея создания и упрощения таких систем. К тому времени Сулейман как раз только закончил Стэнфордский университет и устроился работать в бизнес школу Райса.
Написал ему на почту вопросы о работе и академических интересах. Профессор ответил и пригласил на чашку кофе. Во время встречи мы много обсуждали варианты улучшения алгоритма динамического сопоставления (dynamic matching) для программ обмена почками, в которых система подберет совместимых по медицинским показаниям доноров. Сулейман Керимов поделился своими наблюдениями в этом вопросе.
Дело в том, что часто у пациента есть родственник или близкий человек, готовый помочь, но по медицинским причинам орган ему не подходит. При этом у другого больного может быть похожая ситуация – донор есть, но он несовместим. Программы обмена почками объединяют такие пары в одну систему, позволяя донорам из одной семьи помочь пациентам из другой, образуя цепочки и замкнутые циклы трансплантаций. Вдохновившись, напросился на совместную работу.
Все лето после второго курса разбирался в этой теме. Помню, часами читал статьи, воспроизводил алгоритмы из научных работ, писал симуляции, чтобы понять, как такие системы ведут себя на практике, и отправлял результаты наблюдений профессору.
Позже к проекту присоединился профессор прикладной математики Себастьян Перес-Салазар. Вместе исследовали, что произойдет, если объединить несколько систем поиска совместимых доноров и пациентов в одну общую платформу. Нас интересовало, будет ли такая система работать эффективно и поможет ли находить больше подходящих пар для трансплантации.
Это оказалась довольно сложная теоретическая задача. Если рассматривать совместимость органов в одном городе, то сопоставить донора и реципиента не составит труда. Но как только загружаем в алгоритм несколько районов, система давала сбой. Иногда неделями пытались понять, почему так происходит и как заставить работать программу в общих случаях. Приходилось обсуждать много идей, проверять гипотезы и иногда полностью менять направление. К сожалению, проект до конца не довели, так как добились интересных результатов, но их было недостаточно для научной статьи.
Благодаря этому опыту меня порекомендовали в C-STAR (Center for Surgical & Transplant Applied Research) при медицинском кампусе Нью-Йоркского Университета. Здесь прошел летнюю практику в качестве стажера-исследователя по науке о данных и симуляционному моделированию. А после университета получил предложение о работе на должность специалиста по анализу данных. Это стало счастливым билетом, так как потенциал развития в C-STAR огромный. Команда занимается анализом и улучшением систем трансплантации органов, в том числе задачами эффективного распределения крайне дефицитных ресурсов.
«Пересадки почки ждут около 90 тысяч пациентов, тогда как ежегодно проводится всего 27 тысяч трансплантаций»
– Хочу уточнить, что рассказываю о своем опыте, но это не отражает официальных позиций NYU Langone Health. В C-STAR исследования продолжил в том же направлении – занимался алгоритмами распределения органов с пациентами, ведь проблема остается актуальной. В США, когда появляется донорская почка, ее данные сначала загружаются в систему. Дальше она формирует упорядоченный список людей из листа ожидания – кому предложится орган первому, кто будет вторым и так далее.
При формировании очередности одновременно учитывается множество факторов: насколько срочно пациенту нужна операция, подходит ли ему орган по медицинским показателям, сколько времени он ждет пересадки, как далеко находится донор, а также качество самой почки и вероятность успешной трансплантации. При этом система должна балансировать между эффективностью и справедливостью, чтобы давать равные шансы пациентам из разных групп и не ставить кого-то в заведомо невыгодное положение.
Но, как и у любой системы, здесь также есть свои недостатки. В США в листе ожидания на пересадку почки находятся порядка 90 тысяч пациентов, тогда как ежегодно проводится лишь около 27 тысяч трансплантаций. При этом, по данным национального отчета по трансплантации органов OPTN/SRTR, в 2022 году примерно 26,6 % почек от умерших доноров, полученных для пересадки, в итоге не были использованы. Зачастую из-за консервативных критериев качества, логистических ограничений и несовершенства механизмов распределения.
В рамках исследования работал в группе над моделированием и анализом возможных улучшений алгоритма распределения. Брали существующую систему и аккуратно меняли отдельные параметры. Например, проверяли состояние органа и здоровье пациента, а также прогнозы врачей после пересадки. Цель исследования – понять, можно ли улучшить результаты трансплантаций за счет более точного сопоставления почек с донорами. Каждую версию настроек проверяли с помощью крупных компьютерных симуляций, которые «проигрывали» реальный процесс трансплантаций. Система распределяла десятки тысяч органов между пациентами из листа ожидания и показывала, к каким медицинским и социальным последствиям это приводит. Необходимо было изучить, как альтернативные настройки алгоритма могли бы повлиять на распределение почек и потенциально улучшить долгосрочные результаты трансплантаций, не нарушая при этом принципы справедливости.
Поскольку одна симуляция занимает значительное вычислительное время (от 23 до 25 часов), написал систему, которая автоматически запускала около 10 симуляций параллельно и одновременно управляла ими. Вместо ручного подбора параметров использовал следующий подход: алгоритм начинал с множества разных вариантов настроек, сравнивал их по результатам симуляций, «отбирал» лучшие и на их основе генерировал новые, немного измененные версии. После примерно 200 таких испытаний результаты начали сходиться. Система находила более удачные решения по пересадке, а благодаря алгоритму анализ такого количества симуляций занимал всего до 20 дней, что в 10 раз быстрее.
Пока алгоритм не запущен в работу, потому что в США для этого недостаточно просто изучить вопрос. Внедрение новой технологии – долгий процесс, который может затянуться на годы. Мы с командой C-STAR завершили научную статью по теме динамического распределения органов и сейчас ждем дебюта работы на Американском конгрессе трансплантологов в 2026 году в Бостоне. Это важный шаг на пути к тому, чтобы попытаться внедрить решение в систему, так как там собираются самые топовые специалисты в сфере медицины.
«Сложные технологии нельзя просто «перенести» из одной страны в другую»
– Считаю, что алгоритмы, в разработке которых принимал участие, могут быть очень полезны для Казахстана и Центральной Азии в целом. Трансплантация органов остается сложной областью – как с медицинской, так и с организационной точки зрения. По мере ее развития вопросы прозрачного и эффективного распределения ресурсов будут становиться все более актуальными.
В будущем мне хочется внести вклад в развитие подобных решений в Казахстане и в регионе в целом – уже с опорой на накопленный международный опыт и с учётом местной специфики.
При этом понимаю, что такие сложные технологии нельзя просто «перенести» из одной страны в другую. Они должны учитывать локальные медицинские практики, инфраструктуру, правовое регулирование и социальный контекст. Поэтому в ближайшей перспективе для меня особенно важно продолжать набираться знаний и глубже понимать, как подобные системы распределения органов работают в разных условиях.
Параллельно привлекает предпринимательская среда и стартапы – думаю о том, что смог бы начать развивать какой-нибудь собственный продукт или технологию. Рассматриваю этот путь как важный источник практического опыта, который может быть полезен как в научной деятельности, так и в прикладной работе.