Jeffrey Eyestone, sundheds- og AI-rådgiver hos CognitiveScale – Interview-serie

Jeffrey Eyestone er sundheds- og AI-rådgiver hos CognitiveScale. I denne rolle arbejder Jeff med sundhedsorganisationer (primært udbydere/sundhedssystemer, betalere og teknologivirksomheder) på deres AI-rejse – fra strategisk indsigt i, hvordan man udvikler AI-kompetencer og centre for excellence til mere taktisk udvikling af AI-vejledninger og levering af AI-løsninger

Kan du diskutere, hvorfor du mener, at AI er så vigtigt for sundhedssektoren? 

Massive mængder komplekse, forskelligartede og distribuerede data danner grundlaget for de underliggende kliniske, administrative og finansielle processer, der driver sundhedssektoren. Så AI er nu en kernefunktion på tværs af hele sundhedsinformationsteknologiens værdikæde. Videnarbejdere som kliniske og forskere oplever betydelige forbedringer fra AI – især “augmenteret intelligens”-undergruppen af AI.

AI i sundhedssektoren er et enormt emne, og der er mange værdifulde brugstilfælde fra dataindsamling til udledning af indsigt, fra forbedring eller automatisering af processer til bedre patientengagement og levering af personlig pleje. Kliniske resultater forbedres, effektiviteten driver omkostningsbesparelser, og der er mange flere brugstilfælde under udvikling, der lover at drive værdi. Den nuværende globale pandemi har sat mange flere sundheds- AI-brugs tilfælde i skarp fokus, kombinerer samfundets og individets risikoscore og indsigt med intelligente interventioner, for eksempel – alt dette vil forbedre sundhedssystemer over hele verden, længe efter vi har overvundet COVID-19.

Hvordan definerer du augmenteret intelligens i en sundhedsindstilling?

CognitiveScale fokuserer primært på augmenteret intelligens. Nogle AI-teknologier som robotisk procesautomatisering (RPA) eller chatbots søger at erstatte mennesker med maskiner (meget af tiden, i hvert fald). Vi fokuserer primært på AI-løsninger, der hjælper sundhedsorganisationer og -personale med at arbejde smartere og mere effektivt.  Vi fokuserer også på kognitive løsninger – den mere avancerede undergruppe af AI, der har en læring- eller feedback-løkke – og ofte er det “mennesker i løkken”, der kan give feedback til modellerne til at lære fra. Der er mange eksempler på augmenteret intelligens i sundhedssektoren, der begynder at levere imponerende resultater. For eksempel i radiologi og patologi, hvor kliniske og patologer forbedrer deres evne til at læse billeder og stille diagnoser med maskinelæringmodeller, hvilket muliggør tidligere opdagelse eller mere præcise diagnoser og laboratorie-resultater.

Du har arbejdet med både startups og store organisationer, der har implementeret forskellige AI-strategier. Hvad er nogle af de almindelige fejl, du har set?

Lige som kognitive AI-løsninger lærer over tid og modnes, så har vores forståelse af AI’s kraft og faldgruber også udviklet sig. Tiden til at få adgang til data – til at forberede data – og derefter til at træne modeller på en census af data har som regel taget længere, end man havde forestillet sig. Andre fejl relaterer sig til operationalisering og skala af AI-løsninger – antag, at en god model kan let deployes og administreres på tværs af et sundheds-IT-økosystem, når virkeligheden er, at mange AI-modeller forbliver ubrugte. Men en af de mest betydelige udfordringer i sundheds-AI relaterer sig til tillid: kan modellerne tillides, er de fordomsfulde, retfærdige, forklarelige og nøjagtige?  Mange overskrifter har vist, at AI-løsninger kan være fordomsfulde på måder, der vil få opmærksomhed fra regulatorer – eller de kan være sorte kasse-løsninger, der vækker skepsis hos de udbydere, hvis intelligens de skal forbedre. Dette er den største udfordring – og fejl – med sundheds-AI, som jeg ser for tiden.

Hvad er dine synspunkter på genetisk profilering?

Genetisk profilering er en undergruppe af lovende teknologier designet til at levere personlig indsigt i en person, som regel til formålet med deres sundhed (i modsætning til slægtsforskning, eller vi ser historier om faderskabsstridigheder eller endda kriminalundersøgelser, der udnytter denne teknologi).  Personliggørelse er et stort emne i sundheds-AI-brugs tilfælde – hvordan man bedre engagerer patienter eller forbedrer udbydernes intelligens med mere personlige og rettede indsigt. I den udstrækning, som genetisk profilering kan hjælpe med at levere mere personliggørelse. Og, så længe data og brug af det er tillidssværdigt (ufordomt, retfærdigt, forklarelighed, nøjagtighed osv.), så vil det være en vigtig komponent i personlig medicin – og en grundlæggende del af hyper-personlige AI-løsninger, der udnytter genetisk information.

Personliggørelse af sundhedssektoren synes at være fremtiden, på hvilke måder ser du, at dette har den mest positive indvirkning?

Hos CognitiveScale leverer vi personlige, prædiktive og præskriptive sundheds-løsninger. Et par eksempler inkluderer intelligente interventioner til plejeledere (klinisk brugs tilfælde) og forudsigelse af serviceforespørgsler (administrativ/operationel brugs tilfælde). Intelligente interventionsløsninger leverer personlige slutninger, forudsigelser og risikoscore (iblandt andre modeloutput) til at forbedre arbejdet med patienter gennem et plejelederprogram. Vi udnytter også disse kapaciteter for offentlige sundhedsmyndigheder, udbydere og sundhedsplaner, der forsøger at styre borgere/patienter/mænd gennem COVID-19-krisen. Ved at forudsige serviceforespørgsler hjælper vi sundhedsorganisationer med at vide, hvornår en medlem eller udbyder ringer omkring krav, fordelinger osv., den specifikke grund til opkaldet og hvordan man mere effektivt kan løse det, hvilket driver omkostningsbesparelser og påvirker tilfredshed og fastholdelse. Der er mange flere sundheds-AI-brugs tilfælde fokuseret på personlige løsninger. Vi kunne skrive en bog om dette emne alene.

Kan du tale om udfordringerne ved at samle data fra forskellige kilder, såsom EMR, ERPs, patientdata, eksterne datakilder osv., i ét sammenhængende datasystem?

Sundhedsinformationsteknologi (HCIT) er næsten altid et økosystem: et distribueret netværk af forskellige systemer. Et almindeligt eksempel er den personlige sundhedsjournal (PHR) – den komplette datasæt af en patients medicinske journal. Selv når et stort sundhedssystem er på ét homogent hospitalinformationssystem, vil deres patienter sandsynligvis have andre behandlere, de kan have forsikring, der er en anden datakilde, og deres laboratorie- og apotekdata kan meget vel være spredt over flere klinikker og virksomheder.  Selv om der er standardtransaktionssæt for sundhedsdataudveksling, fælles datamodeller for klinisk data (og medlem, patient, kunde og udbyderdataschemata), skal sundheds-AI-løsningsudbydere ofte kunne demonstrere, hvordan løsninger kan udnytte flere af disse på én gang – interne og eksterne data, dataforbindelse og dataschemata. Det er åbenlyst, at grundlaget for sundheds-AI-løsninger er data. Så dataaggregationskapaciteter skal være en kernekompetence for enhver sundheds-AI-udbyder.

Hvad er nogle af overvejelserne, der er nødvendige med data-sporing?

Data-sporing er en komponent af nogle større, presserende problemer i sundheds-AI. For det første er data-sporing en af flere problemer relateret til privatliv, dataanvendelse og dataudveksling. For eksempel, hvor går klinisk data eller personlige sundhedsoplysninger (PHI), og hvordan anvendes de? Disse problemer relaterer sig til regulatoriske og juridiske aspekter af sundhedsdata-sikkerhed og -privatliv. Disse problemer er en undergruppe af etisk og tillidssværdig AI. Etisk AI skal tage hensyn til dataanvendelse, privatliv, reguleringer og juridiske aspekter osv., specifikt for at håndtere etisk brug af data. Tillidssværdig AI inkluderer aspekter af forklarelighed og dataanvendelse.

Du er rådgiver hos CognitiveScale, kan du forklare, hvad CognitiveScale gør, og hvordan du rådgiver dem?

CognitiveScale er en udbyder af AI-software, der hjælper organisationer med at bygge, operationalisere og skala kognitive AI-løsninger; realisere værdien af AI på tværs af deres organisationer; og administrere tillid. I sundhedssektoren arbejder vi for nogle af de største betalings- og udbyderorganisationer i landet, på en bred vifte af AI-brugs tilfælde, herunder mere nylig arbejde i områder som intelligente interventioner relateret til COVID-19-pandemien og hvordan disse løsninger vil forbedre plejelederprogrammer, serviceoplevelser og mere, når vi er kommet over denne krise. Som vores ledende sundhedsfaglige ekspert hjælper jeg kunder og partnere mere strategisk i områder som opbygning af robuste AI-vejledninger og mere taktisk i områder som værdirealisering og -optimering. Jeg arbejder også på at hjælpe i områder som produktudvikling (sundheds-specifikke funktioner og kapaciteter på vores platform, for eksempel) og tankeledelse med fokus på de mest værdifulde sundheds-AI-løsninger (givet størrelsen af muligheden).

Kunne du definere for os, hvad de største problemer er med, hvordan AI nogle gange fungerer som en sort kasse, og potentielle løsninger for sundhedssektoren?

Som jeg nævnte, er tillidssværdig, etisk AI en stor udfordring – og tillid skyldes primært “sort kasse”-problemet: en mangel på forklarelighed eller synlighed og skepsis omkring problemer som fordomme, retfærdighed, nøjagtighed og robusthed. Hos CognitiveScale løser vores Certiai-løsning specifikt denne udfordring og hjælper kunder med en AI-Tillid-Index og dets komponenter (hver med sin egen score og indsigt): fordomme, retfærdighed, forklarelighed, robusthed og nøjagtighed. Sundhedssektoren har haft eksempler på fordomsfulde modeller eller klinisk skepsis over for modellens output på grund af manglen på gennemsigtighed eller forklarelighed.  Der er også regulatoriske krav omkring privatliv og dataanvendelse og brug af modeller til at levere retfærdige eller upartiske resultater – og disse har gjort det ind i nyhederne. Vi arbejder med en række teknologi- og risikostyringsorganisationer for at udvikle tillidssværdige måder at give synlighed og forbedre tillid til “sort kasse”-AI-løsninger.

Hvad er nogle måder, hvorpå vi kan reducere overbelastning af akutafdelinger gennem prædiktiv AI?

Akutafdelingsundgåelse er virkelig en undergruppe af plejeoptimering og personlig sundhedspleje – den rette pleje på det rette tidspunkt. Dette kan meget vel involvere akutpleje, men mange gange gør det ikke. Den seneste COVID-19-krise højlighter et nyttigt eksempel, hvor plejeoptimering kan hjælpe. For eksempel kan den rette pleje for en patient i en højrisiko-samfund måske inkludere klinisk udgang, adgang til en testcenter eller i nogle tilfælde akutpleje.  Patienter, medlemmer, udbydere og betalere ønsker alle det rette niveau af pleje på det rette tidspunkt i denne krise, så en kombination af AI-løsninger hjælper med at levere indsigt, såsom samfunds- og patientrisikoscore, spredningsanalyse, hospitalsbrugsforudsigelser og personlige retningslinjer for bestemte personer, blandt andet. Vi vurderer præstationen af vores plejelederløsninger mod en række præstationsmetrikker som forbedrede resultater, herunder akutafdelingsundgåelse, når det er relevant.

Tak for interviewet, læsere, der ønsker at lære mere, kan besøge CognitiveScale.