Jeffrey Eyestone, poradce pro Healthcare AI ve společnosti CognitiveScale – Interview Series

Jeffrey Eyestone je poradce pro Healthcare AI ve společnosti CognitiveScale. V této roli spolupracuje s organizacemi zdravotní péče (primárně poskytovateli zdravotní péče, pojišťovnami a technologickými dodavateli) na jejich cestě za umělou inteligencí – od strategických přehledů o tom, jak rozvíjet kompetence a centra excelence v oblasti AI, až po rozvoj AI roadmap a dodávky AI řešení.

Můžete vysvětlit, proč si myslíte, že umělá inteligence je tak důležitá pro zdravotnický průmysl?

Velká množství komplexních, různorodých a rozptýlených dat tvoří základ pro základní klinické, administrativní a finanční procesy, které řídí zdravotní péči. Proto je umělá inteligence nyní základní schopností napříč celou hodnotovou řetězcem zdravotnických informačních technologií. Odborníci, jako jsou lékaři a výzkumníci, dosahují významných zlepšení díky umělé inteligenci – zejména díky podmnožině umělé inteligence, nazývané “augmentovaná inteligence”.

Umělá inteligence ve zdravotnictví je obrovské téma a existuje mnoho cenných použití, od získávání dat až po získání poznatků, od zlepšování nebo automatizace procesů až po lepší zapojení pacientů a poskytování personalizované péče. Klinické výsledky se zlepšují, efektivita povede ke snížení nákladů a existuje mnoho dalších použití, která slibují přinést hodnotu. Současná globální pandemie многих zdravotnických použití umělé inteligence postavila do ostrého světla, kombinuje komunitní a individuální rizika a poznatky s inteligentními zásahy, například – všechna tato použití budou zlepšovat zdravotnické systémy po celém světě, i po překonání COVID-19.

Jak byste definoval augmentovanou inteligenci ve zdravotnickém prostředí?

CognitiveScale se primárně zaměřuje na augmentovanou inteligenci. Některé technologie umělé inteligence, jako je robotická automatizace procesů (RPA) nebo chatboty, se snaží nahradit lidi stroji (většinou). My se zaměřujeme na AI řešení, která pomáhají organizacím zdravotní péče a zaměstnancům pracovat chytřeji a efektivněji. Zaměřujeme se také na kognitivní řešení – pokročilejší podmnožinu umělé inteligence, která má öğrenící nebo zpětnou vazbu – a často je to “lidé v smyčce”, kteří mohou poskytnout zpětnou vazbu pro modely, aby se učily. Existuje mnoho příkladů augmentované inteligence ve zdravotnictví, které začínají přinášet působivé výsledky. Například v radiologii a patologii lékaři zvyšují svou schopnost číst obrázky a dělat diagnózy pomocí modelů strojového učení, což umožňuje dřívější detekci nebo přesnější diagnózy a laboratorní výsledky.

Můžete mluvit o chybách, které jste viděl u startupů a velkých organizací, které implementovaly různé AI strategie?

Stejně jako kognitivní AI řešení se učí a zránou, tak i naše pochopení síly umělé inteligence a pastí. Čas potřebný k přístupu k datům, přípravě dat a následnému tréninku modelů na souboru dat obvykle trval déle, než se původně myslelo. Další chyby se týkají operacionalizace a škálovatelnosti AI řešení – předpokladu, že dobrý model lze snadno nasadit a spravovat napříč ekosystémem zdravotnických informačních technologií, zatímco realita je taková, že mnoho AI modelů zůstává nevyužité. Ale jedna z největších výzev ve zdravotnické AI se týká důvěry: lze modely důvěřovat, jsou-li nespravedlivé, vysvětlitelné a přesné? Četné titulky ukázaly, že AI řešení mohou být nespravedlivé způsobem, který upoutá pozornost regulátorů – nebo mohou být černými skříňkami, které vzbuzují skepsi u poskytovatelů, jejichž inteligenci mají zvýšit. Toto je největší výzva – a chyba – ve zdravotnické AI, kterou jsem viděl v poslední době.

Můžete mluvit o svých názorech na genomické profilování?

Genomické profilování je podmnožinou slibných technologií, které mají poskytnout personalizované poznatky o člověku, obvykle pro účely jeho zdravotní péče (oproti genealogii nebo příležitostným příběhům o sporu o otcovství nebo dokonce zločinech, které využívají tuto technologii). Personalizace je velkým tématem ve zdravotnické AI – jak lépe zapojit pacienty nebo zvýšit inteligenci poskytovatelů pomocí více personalizovaných a cílených poznatků. Pokud genomické profilování může pomoci poskytnout více personalizace, a pokud data a jejich použití jsou důvěryhodná (nespravedlivá, spravedlivá, vysvětlitelná, přesná atd.), pak bude to důležitou součástí personalizované medicíny a základním prvkem hyper-personalizovaných AI řešení, která využívají genetické informace.

Personalizace zdravotní péče parece být vlnou budoucnosti, jakým způsobem si myslíte, že bude mít největší pozitivní dopad?

Ve společnosti CognitiveScale dodáváme personalizovaná, předpovědní a preskriptivní zdravotnická řešení. Některé příklady zahrnují inteligentní zásahy pro manažery péče (klinické použití) a předpověď služebních dotazů (správní/operativní použití). Inteligentní intervenční řešení poskytují personalizované inferenci, předpovědi a rizika (mezi jinými výstupy modelů), které zvyšují práci těch, kteří řídí pacienty prostřednictvím programu péče. Také využíváme tyto schopnosti pro veřejné zdravotnické orgány, poskytovatele a zdravotní plány, které se snaží řídit občany/pacienty/členy prostřednictvím krize COVID-19. Předpovědí služebních dotazů pomáháme zdravotnickým organizacím vědět, kdy člen nebo poskytovatel zavolá ohledně nároků, výhod atd., a jak efektivněji vyřešit to, čímž se sníží náklady a ovlivní spokojenost a udržení. Existuje mnoho dalších zdravotnických AI použití, zaměřených na personalizovaná řešení. Mohli bychom napsat knihu o tomto tématu.

Můžete mluvit o výzvách spojených s agregací dat z různorodých zdrojů, jako jsou EMR, ERP, data pacientů, externí datové zdroje atd. do jednoho soudržného datového systému?

Zdravotnické informační technologie (HCIT) jsou téměř vždy ekosystémem: distribuovanou sítí různorodých systémů. Společný příklad je osobní zdravotní záznam (PHR) – kompletní datový soubor zdravotního záznamu pacienta. I když je velký zdravotnický systém na jednom homogenním nemocničním informačním systému, jejich pacienti budou mít pravděpodobně další poskytovatele, mohou mít pojištění, které je dalším zdrojem dat, a jejich laboratorní a lékárenské údaje mohou být rozloženy napříč několika klinikami a společnostmi. Ačkoli existují standardní transakční sady pro výměnu zdravotnických dat, běžné datové modely pro ukládání klinických dat (a schémat dat členů, pacientů, zákazníků a poskytovatelů), dodavatelé zdravotnických AI řešení často potřebují prokázat, jak mohou svá řešení využít více z nich současně – interní a externí data, datové konektivity a datové schématy. Zjevně, základem zdravotnických AI řešení jsou data. Proto musí být schopnosti agregace dat základní kompetencí každého zdravotnického AI poskytovatele.

Jaké jsou některé z úvah, které jsou potřebné pro stopovatelnost dat?

Stopovatelnost dat je součástí některých větších, naléhavých otázek ve zdravotnické AI. Jednou z nich je otázka, kam jdou klinická data nebo osobní zdravotní informace (PHI) a jak jsou využívány. Tyto otázky se týkají regulačních a právních aspektů zdravotnické datové bezpečnosti a ochrany soukromí. Tyto otázky jsou pak součástí etické a důvěryhodné AI. Etická AI by měla zohledňovat použití dat, ochranu soukromí, regulace a právní aspekty atd., zejména se zaměřením na etické použití dat. Důvěryhodná AI zahrnuje aspekty vysvětlitelnosti a použití dat.

Jste poradcem ve společnosti CognitiveScale, můžete vysvětlit, co CognitiveScale dělá a jak jim poradíte?

CognitiveScale je poskytovatelem softwaru pro umělou inteligenci, který pomáhá organizacím budovat, operacionalizovat a škálovat kognitivní AI řešení; realizovat hodnotu AI napříč jejich organizacemi; a spravovat důvěru. Ve zdravotnictví pracujeme pro některé z největších pojišťoven a poskytovatelů zdravotní péče v zemi, na širokém spektru AI použití, včetně nedávné práce v oblastech, jako jsou inteligentní zásahy související s pandemií COVID-19 a jak tato řešení budou poté zlepšovat péči, zkušenosti se službami a další, až budeme moci překonat tuto krizi. Jako náš hlavní odborník na zdravotnictví pomáhám klientům a partnerům strategicky v oblastech, jako je budování robustních AI roadmap, a takticky v oblastech, jako je realizace hodnoty a optimalizace. Také pomáhám v oblastech, jako je vývoj produktů (zdravotnické funkce a schopnosti naší platformy, například) a thought leadership s zaměřením na nejvyšší-hodnotová zdravotnická AI řešení (vzhledem k velikosti příležitosti).

Můžete definovat největší problémy s tím, jak AI někdy funguje jako černá skříňka, a potenciální řešení pro zdravotnický průmysl?

Jako jsem již zmínil, důvěryhodná, etická AI je velkou výzvou – a důvěra je většinou způsobena “černou skříňkou” problémem: nedostatkem vysvětlitelnosti nebo viditelnosti a skepsí vůči otázkám, jako je nespravedlivost, spravedlivost, přesnost a robustnost. Ve společnosti CognitiveScale naše řešení Certiai specificky řeší tuto výzvu a pomáhá klientům s AI Trust Index a jeho součástmi (každá se svým skóre a poznatky): nespravedlivost, spravedlivost, vysvětlitelnost, robustnost a přesnost. Ve zdravotnictví jsme měli příklady nespravedlivých modelů nebo skepticismu lékařů vůči výstupu modelu kvůli nedostatku transparentnosti nebo vysvětlitelnosti. Existují také regulační požadavky na ochranu soukromí a použití dat a použití modelů pro dodání spravedlivých nebo nespravedlivých výsledků – a tyto se dostaly do novin. Pracujeme s mnoha technologickými a manažerskými organizacemi na vývoji důvěryhodných způsobů, jak poskytnout viditelnost a zlepšit důvěru v “černou skříňkovou” AI řešení.

Můžete mluvit o tom, jak můžeme snížit předčasné nasycení ER pomocí prediktivní AI?

Vyhnání se ER je vlastně podmnožinou optimalizace péče a personalizované zdravotní péče – správná péče ve správný čas. To může zahrnovat i nouzovou péči, ale často tomu tak není. Nedávná krize COVID-19 ukazuje užitečný příklad, kde optimalizace péče. Například správná péče pro pacienta s vysokým rizikem v komunitě s vysokým rizikem může zahrnovat kontakt s lékařem, přístup k testovacímu centru nebo v některých případech nouzovou péči. Pacienti, členové, poskytovatelé a pojišťovny všichni chtějí správnou úroveň péče ve správný čas v této krizi, takže kombinace AI řešení pomáhá dodávat poznatky, jako jsou komunitní a pacientské rizika, analýza šíření, předpovědi hospitalizace a personalizovaná doporučení pro konkrétní lidi, mezi jinými řešeními. Hodnotíme výkon našich řešení pro péči podle několika výkonových metrik, jako je zlepšení výsledků, včetně vyhnání se ER, když je to vhodné.

Děkuji vám za rozhovor, čtenáři, kteří si chtějí dozvědět více, mohou navštívit CognitiveScale.