Jeffrey Eyestone, Healthcare-AI-Berater bei CognitiveScale – Interview-Serie

Jeffrey Eyestone ist der Healthcare-AI-Berater von CognitiveScale. In dieser Rolle arbeitet Jeff mit Healthcare-Organisationen (in erster Linie Anbieter/Gesundheitssysteme, Zahler und Technologieanbieter) an ihrer AI-Reise – von strategischen Einblicken in die Entwicklung von AI-Kompetenzen und Exzellenzzentren bis hin zur taktischen Entwicklung von AI-Roadmaps und der Lieferung von AI-Lösungen

Können Sie erläutern, warum Sie glauben, dass AI so wichtig für die Gesundheitsbranche ist? 

Enorme Mengen an komplexen, unterschiedlichen und verteilten Daten bilden die Grundlage für die zugrunde liegenden klinischen, administrativen und finanziellen Prozesse, die die Gesundheitsversorgung antreiben. AI ist jetzt eine Kernfähigkeit in der gesamten Gesundheits-IT-Wertschöpfungskette. Wissensarbeiter wie Kliniker und Forscher erleben erhebliche Verbesserungen durch AI – insbesondere den “augmented intelligence”-Teilbereich von AI.

AI im Gesundheitswesen ist ein riesiges Thema und es gibt viele wertvolle Anwendungsfälle, von der Datenbeschaffung bis zur Ableitung von Erkenntnissen, von der Verbesserung oder Automatisierung von Prozessen bis zur besseren Patientenbindung und der Lieferung personalisierter Versorgung. Klinische Ergebnisse verbessern sich, Effizienzen treiben Kosteneinsparungen voran und es gibt viele weitere Anwendungsfälle, die versprechen, Wert zu schaffen. Die aktuelle globale Pandemie hat viele weitere Gesundheits-AI-Anwendungsfälle in den Fokus gerückt, indem sie Gemeinschafts- und Einzelrisikoscores und Erkenntnisse mit intelligenten Interventionen kombiniert, beispielsweise – all dies wird die Gesundheitssysteme auf der ganzen Welt verbessern, sobald wir die COVID-19-Krise überwunden haben.

Wie würden Sie Augmented Intelligence in einem Gesundheitsumfeld definieren?

CognitiveScale konzentriert sich in erster Linie auf Augmented Intelligence. Einige AI-Technologien wie Robotic Process Automation (RPA) oder Chatbots zielen darauf ab, Menschen durch Maschinen zu ersetzen (meistens jedenfalls). Wir konzentrieren uns auf AI-Lösungen, die Gesundheitsorganisationen und -mitarbeiter helfen, intelligenter und effizienter zu arbeiten. Wir konzentrieren uns auch auf kognitive Lösungen – den fortgeschritteneren Teilbereich von AI, der eine Lern- oder Feedbackschleife hat – und oft sind es die “Menschen in der Schleife”, die das Feedback liefern können, damit Modelle daraus lernen. Es gibt zahlreiche Beispiele für Augmented Intelligence im Gesundheitswesen, die beeindruckende Ergebnisse liefern. Beispielsweise können Kliniker in der Radiologie und Pathologie ihre Fähigkeit, Bilder zu lesen und Diagnosen zu stellen, mit Machine-Learning-Modellen erweitern, was zu früherer Erkennung oder genauerer Diagnose und Laborergebnissen führt.

Sie haben mit Start-ups und großen Organisationen gearbeitet, die unterschiedliche AI-Strategien umgesetzt haben. Welche häufigen Fehler haben Sie festgestellt?

Genau wie kognitive AI-Lösungen über die Zeit hinweg lernen und reifen, so hat auch unser Verständnis von der Macht von AI und den Fallstricken zugenommen. Die Zeit, die benötigt wird, um auf Daten zuzugreifen, um Daten vorzubereiten und um Modelle auf einem Census von Daten zu trainieren, hat in der Regel länger gedauert als ursprünglich gedacht. Andere Fehler beziehen sich auf die Operationalisierung und Skalierung von AI-Lösungen – die Annahme, dass ein gutes Modell leicht bereitgestellt und in einem Gesundheits-IT-Ökosystem verwaltet werden kann, wenn die Realität doch ist, dass viele AI-Modelle ungenutzt bleiben. Aber einer der größten Herausforderungen im Gesundheits-AI-Bereich bezieht sich auf Vertrauen: Können Modelle vertraut werden, sind sie voreingenommen, fair, erklärbar und genau? Viele Schlagzeilen haben gezeigt, dass AI-Lösungen voreingenommen sein können, was die Aufmerksamkeit der Regulierungsbehörden auf sich zieht – oder sie könnten schwarze Box-Lösungen sein, die den Anbietern, deren Intelligenz sie erweitern sollen, Skepsis einflößen. Dies ist die größte Herausforderung – und Fehler – im Gesundheits-AI-Bereich, den ich derzeit sehe.

Was ist Ihre Meinung zu genetischem Profiling?

Genetisches Profiling ist ein Teilbereich von vielversprechenden Technologien, die darauf abzielen, personalisierte Einblicke in eine Person zu liefern, in der Regel für den Zweck ihrer Gesundheitsversorgung (im Gegensatz zu Genealogie oder gelegentlich sehen wir Berichte über Vaterschaftskonflikte oder sogar kriminaltechnische Untersuchungen, die diese Technologie nutzen). Personalisierung ist ein großes Thema im Gesundheits-AI-Bereich – wie man Patienten besser binden oder die Intelligenz von Anbietern mit mehr personalisierten und gerichteten Einblicken erweitern kann. Insoweit genetisches Profiling dazu beitragen kann, mehr Personalisierung zu liefern. Und solange die Daten und ihre Verwendung vertrauenswürdig sind (unvoreingenommen, fair, erklärbar, genau usw.), dann wird es ein wichtiger Bestandteil der personalisierten Medizin und ein grundlegender Bestandteil von hyper-personalisierten AI-Lösungen sein, die genetische Informationen nutzen.

Die Personalisierung der Gesundheitsversorgung scheint die Welle der Zukunft zu sein. In welchen Bereichen sehen Sie den größten positiven Einfluss?

Bei CognitiveScale liefern wir personalisierte, vorhersehbare und vorschreibbare Gesundheitslösungen. Ein paar Beispiele umfassen intelligente Interventionen für Care-Manager (klinischer Anwendungsfall) und die Vorhersage von Serviceanfragen (administrativer/operativer Anwendungsfall). Intelligente Interventionen liefern personalisierte Rückschlüsse, Vorhersagen und Risikoscores (unter anderem Modellausgaben), die die Arbeit von Patienten durch ein Care-Management-Programm erweitern. Wir nutzen diese Fähigkeiten auch für öffentliche Gesundheitsbehörden, Anbieter und Gesundheitspläne, die Bürger/Patienten/Mitglieder durch die COVID-19-Krise managen. Indem wir Serviceanfragen vorhersagen, helfen wir Gesundheitsorganisationen, den genauen Grund für einen Anruf zu kennen und ihn viel effizienter zu lösen, was zu Kosteneinsparungen und Auswirkungen auf Zufriedenheit und Bindung führt. Es gibt viele weitere Gesundheits-AI-Anwendungsfälle, die auf personalisierte Lösungen fokussiert sind. Wir könnten ein ganzes Buch über dieses Thema schreiben.

Können Sie über die Herausforderungen sprechen, die mit der Aggregation von Daten aus unterschiedlichen Quellen wie EMR, ERP, Patientendaten, externen Datenquellen usw. in ein kohärentes Datensystem verbunden sind?

Gesundheits-IT ist fast immer ein Ökosystem: ein verteiltes Netzwerk von unterschiedlichen Systemen. Ein gängiges Beispiel ist die persönliche Gesundheitsakte (PHR) – die vollständige Datensammlung einer Patientenakte. Selbst wenn ein großes Gesundheitssystem auf einem homogenen Krankenhausinformationssystem ist, werden ihre Patienten wahrscheinlich andere Betreuer haben, sie können eine Versicherung haben, die eine andere Datenquelle ist, und ihre Labor- und Apothekendaten können sich über mehrere Kliniken und Unternehmen erstrecken. Während es standardmäßige Transaktionssätze für den Gesundheitsdatenaustausch gibt, gemeinsame Datenmodelle für die Speicherung klinischer Daten (und Mitglieds-, Patienten-, Kunden- und Anbieterdatenschemata), müssen Gesundheits-AI-Lösungsanbieter oft demonstrieren, wie Lösungen mehrere davon gleichzeitig nutzen können – interne und externe Daten, Datenverbindungen und Datenschemata. Offensichtlich ist die Grundlage von Gesundheits-AI-Lösungen Daten. Daher müssen Datenaggregationsfähigkeiten eine Kernkompetenz jedes Gesundheits-AI-Anbieters sein.

Was sind einige Überlegungen, die bei der Datenrückverfolgbarkeit erforderlich sind?

Datenrückverfolgbarkeit ist ein Teil von einigen größeren, dringenden Problemen im Gesundheits-AI-Bereich. Zum einen ist Datenrückverfolgbarkeit eines von mehreren Problemen im Zusammenhang mit Datenschutz, Datenverwendung und Datenverkehr. Beispielsweise, wohin geht klinische Daten oder persönliche Gesundheitsinformationen (PHI) und wie werden sie verwendet? Diese Probleme beziehen sich auf regulatorische und rechtliche Aspekte von Gesundheitsdatensicherheit und -privatsphäre. Diese Probleme sind wiederum ein Teil von ethischem und vertrauenswürdigem AI. Ethisches AI müsste Datenschutz, -verwendung, -regulierung und -rechtliche Aspekte berücksichtigen. Vertrauenswürdiges AI umfasst Aspekte von Erklärbarkeit und Datenverwendung.

Sie sind Berater bei CognitiveScale. Können Sie erklären, was CognitiveScale macht und wie Sie sie beraten?

CognitiveScale ist ein Anbieter von AI-Software, die Organisationen hilft, kognitive AI-Lösungen zu entwickeln, zu betreiben und zu skalieren; den Wert von AI in ihren Organisationen zu realisieren; und Vertrauen zu managen. Im Gesundheitswesen arbeiten wir für einige der größten Zahler- und Anbieterorganisationen im Land, an einer Vielzahl von AI-Anwendungsfällen, einschließlich jüngerer Arbeiten in Bereichen wie intelligenten Interventionen im Zusammenhang mit der COVID-19-Pandemie und wie diese Lösungen dann die Versorgung, den Service und mehr verbessern werden, sobald wir diese Krise überwunden haben. Als unser führender Gesundheits-IT-Fachmann helfe ich Kunden und Partnern strategischer in Bereichen wie der Entwicklung von robusten AI-Roadmaps und taktischer in Bereichen wie der Realisierung von Wert und Optimierung. Ich arbeite auch daran, in Bereichen wie der Produktentwicklung (gesundheitsspezifische Funktionen und Fähigkeiten unserer Plattform, beispielsweise) und Thought Leadership mit Fokus auf die wertvollsten Gesundheits-AI-Lösungen (angegeben durch die Größe der Gelegenheit) zu helfen.

Könnten Sie für uns definieren, was die größten Probleme mit der Art und Weise sind, wie AI manchmal als schwarze Box operiert, und potenzielle Lösungen für die Gesundheitsbranche?

Wie ich bereits erwähnt habe, ist vertrauenswürdiges, ethisches AI eine große Herausforderung – und Vertrauen ist größtenteils auf das “schwarze Box”-Problem zurückzuführen: ein Mangel an Erklärbarkeit oder Sichtbarkeit und Skepsis gegenüber Problemen wie Voreingenommenheit, Fairness, Genauigkeit und Robustheit. Bei CognitiveScale adressiert unsere Certiai-Lösung diese Herausforderung und hilft Kunden mit einem AI-Vertrauensindex und seinen Teilkomponenten (jeweils mit seinem eigenen Score und Einblicken): Voreingenommenheit, Fairness, Erklärbarkeit, Robustheit und Genauigkeit. Im Gesundheitswesen gab es Beispiele für voreingenommene Modelle oder Skepsis von Klinikern gegenüber Modellausgaben aufgrund mangelnder Transparenz oder Erklärbarkeit. Es gibt auch regulatorische Anforderungen an Datenschutz und Datenverwendung und die Verwendung von Modellen, um faire oder unvoreingenommene Ergebnisse zu liefern – und diese haben es in die Nachrichten geschafft. Wir arbeiten mit einer Reihe von Technologie- und Risikomanagement-Organisationen zusammen, um vertrauenswürdige Wege zu entwickeln, um Sichtbarkeit und Vertrauen in “schwarze Box”-AI-Lösungen zu verbessern.

Wie können wir die Überlastung der Notaufnahme durch vorhersehbare KI reduzieren?

Die Vermeidung der Notaufnahme ist wirklich ein Teilbereich der Versorgungsoptimierung und personalisierten Gesundheitsversorgung – die richtige Versorgung zur richtigen Zeit. Dies kann auch Notfallversorgung umfassen, aber oft nicht. Die jüngste COVID-19-Krise unterstreicht ein nützliches Beispiel, bei dem die Versorgungsoptimierung hilft. Beispielsweise kann die richtige Versorgung für einen Hochrisikopatienten in einer Hochrisikogemeinschaft die Einbindung von Klinikern, den Zugang zu einem Testzentrum oder in einigen Fällen Notfallversorgung umfassen. Patienten, Mitglieder, Anbieter und Zahler möchten alle das richtige Maß an Versorgung zur richtigen Zeit in dieser Krise, so dass eine Kombination von AI-Lösungen dazu beitragen kann, Einblicke wie Gemeinschafts- und Patientenrisikoscores, Ausbreitungsanalysen, Krankenhausauslastungsprognosen und personalisierte Richtlinien für bestimmte Personen zu liefern. Wir bewerten die Leistung unserer Versorgungsmanagementlösungen anhand einer Reihe von Leistungsindikatoren wie verbesserten Ergebnissen, einschließlich der Vermeidung der Notaufnahme, wenn angebracht.

Vielen Dank für das Interview. Leser, die mehr erfahren möchten, können CognitiveScale besuchen.