Ed Chidsey, præsident for Inovalons Insights Business Unit – Interviewserie

Ed Chidsey, præsident for Inovalons Insights Business Unit, bringer en bred baggrund indenfor finansielle data, analyser og strategisk rådgivning — senest som Senior Vice President i S&P Global Market Intelligence, hvor han ledede en milliarddollars data- og analytics-forretning med 2.000 ansatte, og tidligere som privatøkonomisk rådgiver, bestyrelsesmedlem i PeerNova Inc. og begrænset partner i Mendoza Ventures.

Inovalon er et amerikansk teknologifirma, der leverer cloud-baseret software og data-analyse-løsninger til sundhedssektoren. Gennem sit flagskibstilbud, Inovalon ONE^® Platform, samler og analyserer virksomheden massive, reale kliniske og kravdata — omfattende hundredvis af millioner af liv — for at støtte sundhedsplaner, leverandører, apoteker og livsvæsen-organisationer i forbedring af kliniske resultater, behandlingskvalitet, risikoscoring, betalingsintegritet og operationel effektivitet.

Du har haft en lang karriere, der spænder over S&P Global (SPGI ), IHS Markit og nu Inovalon. Hvad var den enkeltstående mest formative rolle eller oplevelse, der fik dig til at fokusere på realverdensdata (RWD) og analyser i sundhedssektoren, og hvordan har det formet din vision for at lede Insights Business Unit i Inovalon?

Jeg har brugt det meste af min karriere på at bygge, lede og skalerer data- og analytics-forretninger, primært i finansielle tjenester, ofte startende små og drevende betydelig vækst gennem en kombination af organisk og inkorporeret strategier. Efter mere end tre årtier i den finansielle industri nåede jeg et punkt, hvor jeg havde brug for at pause og gensende. Jeg havde været i den verden i lang tid, og selvom jeg elskede arbejdet, havde miljøet begyndt at føles mindre tilfredsstillende. Så i begyndelsen af 2024 besluttede jeg at træde til side.

Det år var utroligt grundlæggende. Jeg tilbragte mere tid med min familie, sluttede mig til en virksomheds- og en non-profit-bestyrer og blev, lidt overraskende, mere involveret i min kirke. Denne drejning gav mig en chance til at fokusere på balance, fællesskab og formål på en måde, jeg ikke havde gjort i lang tid. Ved årets slutning indså jeg, at jeg stadig havde masser af energi og passion for at lede hold og bygge forretninger, men jeg ønskede, at arbejdet skulle føles mere personligt og meningsfuldt.

Da Adam Kansler, CEO i Inovalon, kontaktede mig for at fortælle mig mere om virksomheden, var timingen heldig. Jeg arbejdede tæt sammen med Adam i mange år og har enorm respekt for ham som leder. Han beskrev Inovalon som en førende leverandør af data og løsninger, der giver sundhedsydelser, der arbejder med betalere, leverandører, apoteksorganisationer og livsvæsensvirksomheder, og bemærkede, at virksomheden ledte efter en ny person til at lede dens Insights-forretningsenhed.

Før samtalen med Adam havde jeg ikke rigtig overvejet, at jeg kunne udnytte min baggrund indenfor data og analyser i sundhedssektoren. Imidlertid jo mere jeg lærte, desto mere fik det mening. Sundhedsdata er meget konkrete, fordi de kan have en reel indvirkning på os. Ideen om at anvende den samme analytiske strenghed og skala, jeg havde udviklet i finansielle tjenester, til at forbedre sundhedskvaliteten og -resultaterne, var utroligt tiltrækkende. Det formål er, hvad der bragte mig hertil, og det fortsætter med at forme, hvordan jeg leder Insights-forretningsenheden, hvor vi samler data, teknologi og mennesker for at skabe en målbart forskel på tværs af sundhedsøkosystemet.

Hvordan ser du på Inovalons beslutning om at gøre sin avancerede analyse og primær kilde-RWD tilgængelig på Snowflakes AI Data Cloud, og hvordan vil det ændre den konkurrencemæssige dynamik i sundheds- og livsvæsenssektoren?

Jeg ville betragte det mere som en strategisk beslutning om at møde kunder, hvor de er, snarere end at ændre den konkurrencemæssige dynamik. For mig var det afgørende, at vi sikrer, at kunderne har adgang til vores data og ressourcer på de platforme, hvor de ønsker at forbruge dem på en mere moderne, smidig og tilgængelig måde. Med dette vidste vi, at flere og flere af vores kunder migrerede til platforme som Snowflake, så det var vigtigt for os at møde dem der, hvor de ønskede at forbruge vores data.

Hvad adskiller Inovalons RWD-tilbud, såsom MORE²-registret, fra andre realverdensdata-platforme i forhold til kvalitet, dybde, aktualitet eller skala?

Det, der adskiller vores RWD-tilbud, herunder MORE²-registret, er vores primærkilde-data. Vi indsamler disse data direkte fra forskellige enheder på tværs af sundhedsøkosystemet, såsom sundhedsbetalere eller -leverandører, og det giver os en helhedsorienteret visning af patienternes sundhedsrejser, hvilket tillader os at udlede indsigt, der understøtter beslutningstagning på tværs af sundhedsøkosystemet.

Mens bredde af de data, vi har, alene er en bemærkelsesværdig differentiator, er historien og konsistensen bag disse data virkelig bemærkelsesværdig. Gennem vores partnerskab med Snowflake er vores kunder nu i stand til sikker og hurtig adgang til vores longitudinelle datasæt af stor skala, højkvalitets RWD, en kapacitet, der traditionelt har været skjult af fragmenterede systemer og komplekse manuelle data-indtagelsesprocesser. For livsvæsens- og biotekvirksomheder er det særligt vigtigt at have tillid til, at deres partner vil levere data, der er konsistent og pålidelig til beslutningstagning, hvilket er absolut kritisk for patienterne, de tjener. Denne grundlæggelse er hjørnestenen i vores RWD-tilbud, som vi fortsætter med at udvide i omfang og typer af indsigt, vi kan generere.

Hvad er de primære tekniske eller governance-udfordringer i at koble eller integrere datasæt fra forskellige kilder for at opbygge omfattende realverdensbevis?

Det begynder med at genkende grundlaget for vores data, som kommer tilbage til interaktioner mellem en patient og deres leverandør, apotek og betaler. Ofte er disse interaktioner personlige og stammer fra betydningsfulde kontaktpunkter i deres egen pleje. Dette gør det kritisk, at vi er en pålidelig vogter af vores data, og det kræver, at vi har en stærk governance omkring dette data. Vi tager denne ansvar meget alvorligt i Inovalon, især når det kommer til, hvordan RWD fødes ind i realverdensbevisprocesser. Hvordan vi vælger at administrere, beskytte og bruge vores data definerer vores troværdighed og den tillid, vi har med vores partnere på tværs af økosystemet.

En af de største udfordringer, vi står overfor, er at balancere data-brug og privatliv. Hvis fokus er udelukkende på privatliv, mister man evnen til fuldt ud at analysere og udtrække værdi fra dataene. Imidlertid, hvis fokus er kun på analyse, risikerer man at falde kort i forhold til sine etiske eller regulatoriske forpligtelser over for patienter og familier. Denne svære balance er ikke kun en teknisk udfordring, men en governance-udfordring. Vi må konstant overveje, hvad vi kan gøre, hvad vi bør gøre, og hvad vi ikke kan gøre for at beskytte de data, vi har, samtidig med at vi maksimerer deres værdi og indvirkning på det bredere sundhedsøkosystem.

Set fra et teknisk perspektiv er en anden stor udfordring koblingen. Uanset hvor dyb eller bredt et enkelt datasæt er, er det aldrig nok i sig selv. Evnen til at kobler datasæt fra multiple kilder er kritisk, og vi prioriterer dette hver dag gennem vores arbejde med forskellige partnere.

Til sidst er der en struktureret udfordring med, at sundhedsøkosystemet er højst fragmenteret. For en kunde at få adgang til alle de data, de har brug for, kræver det ofte at trække fra multiple datasæt og kobler data på tværs af forskellige plejepunkter, med mange mellemled på tværs. I forhold til industrier som finansielle tjenester ligger sundhedssektoren år, hvis ikke årtier, bagud i forhold til data-integration og -interoperabilitet. Imidlertid er dette også en massiv mulighed for Inovalon. Hvis vi kan fortsætte med at fremme, hvordan data kobles, gjort tilgængeligt og kreativt brugt, kan vi levere langt mere innovative analyser og løsninger, der ultimativt gavner patienterne.

Hvordan balancerer du privatliv, regulatorisk overholdelse og innovation, når du implementerer AI-modeller på følsomme sundhedsdata?

Måden, jeg tænker om AI på, er, at det ultimativt handler om at erstatte eller forbedre, hvad der teoretisk kan gøres i dag, blot hurtigere, smartere og mere avanceret. Når en kunde ønsker at implementere en AI-model oven på vores data, er det noget, vi må omfavne. Som med enhver brug af vores data er der vilkår og betingelser, der definerer, hvad en kunde kan og ikke kan gøre. Disse er baseret på vores egne oprindelige tilladelser, begrænsninger og gældende regler. Denne ramme ændrer ikke i AI-verdenen, og vi må være facilitatorer. Vi kan ikke være bange for det. Vi må omfavne det ansvarligt for, at AI kan fremme sundhedsøkosystemet, fordi det har potentialet til at gavne sundhedsøkosystemet enormt.

AI kræver både historiske data til at bygge modellerne og fortsat data til at vedligeholde dem. Set fra vores perspektiv som data-udbyder er det en stærk position, fordi når en model er bygget på vores data, bliver den endnu mere integreret. Vi må tilgangse hver model, som vi ville enhver kundebrugs-case, og sikre, at det er korrekt licenseret og styret. Den mere følsomme del af AI, især i sundhedssektoren, er at sikre, at der altid er et menneske i løkken, når pleje leveres. Det er et meget større emne, og noget, mange mennesker debatterer.

Set fra et RWD-perspektiv er vi stadig i de tidlige faser. AI har endnu ikke leveret mange banebrydende resultater i sundhedssektoren, især når man fokuserer på RWD-anvendelser. Vi udforsker en række muligheder, herunder maskinlæringsbaseret udtræk fra kliniske noter, som er en mere grundlæggende anvendelse af AI. Ud over dette ser vi på AI-anvendelse i kliniske prøveanvendelser og sygdomsudvikling og forudsigelighed. Vi er ved begyndelsen af denne rejse, men potentialet er enormt. I Inovalon fokuserer vi på at sikre, at vi har de højeste kvalitetsdata, der kan bruges i forbindelse med AI ansvarligt, med stærk governance og menneskelig oversigt, samtidig med at vi forbereder os på at skalerer dets indvirkning, når teknologien og økosystemet modnes.

Fra dine samtaler med kunder, hvad er de mest almindelige bekymringer om at adoptere AI og RWD-drevne analyser i sundhedssektoren, og hvordan responderer du på dem?

De mest almindelige bekymringer, jeg hører, er datakvalitet og tilladelser til at udnytte vores data til at træne deres egne AI-modeller. For datakvalitet med AI gælder “skrald ind, skrald ud” rigtigt. Hvis datakvaliteten er dårlig, hvilket betyder, at dataene ikke er rene eller måske ikke er nok data, så bliver outputtet heller ikke meget værdifuldt. Vore kunder forventer konsistente, nøjagtige og pålidelige data. Givet de enorme mængder, vi administrerer, var en af mine første prioriteringer at sikre datakvalitet på tværs af brættet. Vi har arbejdet hårdt for at rense, fjerne duplikater, standardisere og levere dataene downstream. At tage ejerskab af datakvaliteten hjælper også med at forbedre konsistens og pålidelighed på tværs af vores datasæt, hvilket tillader os at levere mere inden for vores traditionelle data-analyse-tilbud, såvel som analyser baseret på AI.

Den anden overvejelse handler om, hvordan vores data kan bruges til at understøtte AI-modeludvikling. Som en data-dreven organisation er det vigtigt, at vi tænkeligt tillader disse nye anvendelser. Givet den hurtige udvikling i data- og AI-landskabet har vi tilpasset vores tilgang til at tillade dette på en ansvarlig måde, understøttet af stærk governance, klare vilkår og definerede sikkerhedsforanstaltninger. Denne udvikling giver vores kunder mulighed for at innovere med tillid til AI, samtidig med at vi sikrer ansvarlig, overholdende og etisk data-praksis.

Hvordan måler du succes eller ROI for kunder, der adopterer din platform og analyser, og hvilke metrikker er de mest bekymrede om?

Vi måler succes ved de reelle indvirkninger, vores platform og analyser har på vores kunders operationelle og kliniske resultater. Dette kan omfatte en række succesmål, afhængigt af kunden, som forbedring af CMS Star-ratings i Medicare Advantage, optimering af risikotilpasning eller generering af handlebare realverdensbevis for livsvæsensvirksomheder. Den fælles tråd er, at indsigt må være tidlig, troværdig og handlebar.

For metrikker fokuserer kunder, afhængigt af hvor de befinder sig på sundhedsøkosystemet, på aspekter som kvalitetsforbedringer, reducering af huller i pleje, bedre overholdelse af behandlingsprotokoller eller målbare omkostnings- eller udnyttelsesgevinster. Kunder realiserer ROI, når vores analyser hjælper dem med at træffe informerede beslutninger, der forbedrer patientresultater, operationel effektivitet og/eller strategisk præstation.

Set fem år frem, hvordan forventer du, at AI og RWD vil udvikle sig i sundheds- og livsvæsenssektoren, og hvad ser du som den næste front?

På fem år kan sundhedssektoren se ud, som ingen af os genkender i dag, men det er umuligt at forudsige, hvor hurtigt industrien vil udvikle sig. Den eneste sikkerhed er, at det vil være transformerende. Mens innovationens tempo er ekstraordinært, forbliver fremgangen begrænset af fragmentering på tværs af sundhedsøkosystemet, der spænder fra laboratorier, apoteker og elektroniske patientjournaler, hvor få organisationer er i stand til at virkelig kobler disse datakilder på en meningsfuld måde.

Mens det kan være en begrænsende faktor, hvis data kan kobles og longitudinelt oprettes på en normaliseret og standardiseret måde, så tror jeg, at alt er muligt. AI vil mere og mere underbygge alt fra klinisk beslutningsstøtte til, hvordan livsvæsensorganisationer tilgår kliniske prøve-design og -gennemførelse. I de næste fem år vil vi se mere automatisering, forbedret brug af prædikative analyser og øget kobling, der giver organisationer adgang til de indsigt, de har brug for i realtid, alt sammen med potentialet til at transformere patienternes plejerejser og sundhedsoperationer som helhed.

For organisationer, der lige er begyndt at udforske integration af AI med realverdensdata, hvad er de tre råd, du ville give?

Først og fremmest fokuser på data og sikr, at du konstant vurderer datakvaliteten. Anden, udnyt den mentale kraft i din medarbejderbase. Sandheden er, at de bedste ideer kan komme fra enhver niveau i organisationen, især yngre generationer, der er begyndt at arbejde med data, AI og teknologi. Ledere skal finde måder at udnytte ideerne og innovationerne, der er dybt inde i organisationen, og skabe en platform for disse perspektiver til at blive hørt og høstet. Tredje, ansæt de rette mennesker. Uden de rette mennesker og tekniske talenter vil innovation på tempo, skabe værdi og fastholde konkurrenceevne være næsten umuligt.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Inovalon.