Jeffrey Eyestone, Σύμβουλος Υγείας AI στην CognitiveScale – Σειρά Συνεντεύξεων

Ο Jeffrey Eyestone είναι ο Σύμβουλος Υγείας AI της CognitiveScale. Σε αυτόν τον ρόλο, ο Jeff εργάζεται με οργανισμούς Υγείας (πρωτίστως παρόχους/συστήματα υγείας, ασφαλιστές και προμηθευτές τεχνολογίας) στο ταξίδι τους με την AI – από τη στρατηγική ενημέρωση σχετικά με τον τρόπο ανάπτυξης ικανοτήτων AI και κέντρων αριστείας έως την πιο τακτική ανάπτυξη οδικών χαρτών AI και την παράδοση λύσεων AI

Μπορείτε να συζητήσετε γιατί πιστεύετε ότι η AI είναι τόσο σημαντική για την βιομηχανία υγείας;

Τεράστιες ποσότητες σύνθετων, διαφορετικών και κατανεμημένων δεδομένων αποτελούν τη βάση για τις υποκείμενες κλινικές, διοικητικές και οικονομικές διαδικασίες που οδηγούν την υγεία. Έτσι, η AI είναι τώρα μια βασική ικανότητα σε όλη την αλυσίδα αξίας της τεχνολογίας πληροφοριών υγείας. Οι εργαζόμενοι γνώσης όπως οι κλινικοί γιατροί και ερευνητές πραγματοποιούν σημαντικές βελτιώσεις από την AI — ιδιαίτερα το υποσύνολο της “αυξημένης νοημοσύνης” της AI.

Η AI στην υγεία είναι ένα τεράστιο θέμα και υπάρχουν πολλά πολύτιμα use cases από την πηγή δεδομένων έως την εξαγωγή ερευνών, από τη βελτίωση ή την αυτοματοποίηση διαδικασιών έως την καλύτερη εμπλοκή του ασθενούς και την παράδοση προσωποποιημένης φροντίδας. Τα κλινικά αποτελέσματα βελτιώνονται, οι αποδοτικότητες οδηγούν σε οικονομικές εξοικονομήσεις και υπάρχουν πολλά περισσότερα use cases που υπόσχονται να οδηγήσουν αξία. Η τρέχουσα παγκόσμια πανδημία έχει τοποθετήσει πολλά περισσότερα use cases της AI υγείας σε οξεία εστίαση, συνδυάζοντας κοινότητα και ατομικούς κινδύνους και ερευνών με έξυπνες παρεμβάσεις, για παράδειγμα – όλα αυτά θα βελτιώσουν τα συστήματα υγείας σε όλο τον κόσμο πολύ μετά την νίκη μας επί του COVID-19.

Πώς θα ορίσετε την αυξημένη νοημοσύνη σε ένα περιβάλλον υγείας;

Η CognitiveScale εστιάζει πρωτίστως στην αυξημένη νοημοσύνη. Κάποιες τεχνολογίες AI όπως η αυτοματοποίηση διαδικασιών (RPA) ή τα chatbots επιδιώκουν να αντικαταστήσουν τους ανθρώπους με μηχανές (πολλές φορές, σε κάθε περίπτωση). Εμείς εστιάζουμε, πρωτίστως, σε λύσεις AI που βοηθούν τους οργανισμούς υγείας και το προσωπικό να εργαστούν πιο έξυπνα και αποτελεσματικά. Είμαστε επίσης εστιγμένοι, σε γνωστικές λύσεις— το πιο προηγμένο υποσύνολο της AI που έχει einen μαθησιακό ή ανατροφοδοτικό βρόχο— και συχνά είναι οι “ανθρώπινες στο βρόχο” που μπορούν να παρέχουν την ανατροφοδότηση για τα μοντέλα να μάθουν από. Υπάρχουν πολλά παραδείγματα αυξημένης νοημοσύνης στην υγεία που αρχίζουν να παράγουν εντυπωσιακά αποτελέσματα. Για παράδειγμα, στη ραδιολογία και την παθολογία, οι κλινικοί γιατροί αυξάνουν την ικανότητά τους να διαβάζουν εικόνες και να κάνουν διαγνώσεις με μοντέλα μηχανικής μάθησης, επιτρέποντας νωρίτερα την ανίχνευση ή πιο ακριβείς διαγνώσεις και εργαστηριακές εξετάσεις.

Έχετε εργαστεί με startups και μεγάλους οργανισμούς που έχουν εφαρμόσει διαφορετικές στρατηγικές AI. Ποια είναι einige κοινά λάθη που έχετε δει;

Ακριβώς όπως οι γνωστικές λύσεις AI μαθαίνουν με τον καιρό και ωριμάζουν, έτσι και η κατανόησή μας για τη δύναμη της AI και τα πιθαμένα λάθη. Ο χρόνος για να αποκτήσετε πρόσβαση στα δεδομένα—για να προετοιμάσετε τα δεδομένα—και στη συνέχεια να εκπαιδεύσετε τα μοντέλα σε ένα σύνολο δεδομένων έχει συνήθως πάρει περισσότερο χρόνο από ό,τι αρχικά σκεφτήκαμε. Άλλα λάθη σχετίζονται με την επιχειρησιακή και κλιμάκωση των λύσεων AI—υποθέτοντας ότι ένα καλό μοντέλο μπορεί εύκολα να αναπτυχθεί και να διαχειριστεί σε ένα οικοσύστημα τεχνολογίας πληροφοριών υγείας, όταν η πραγματικότητα είναι ότι πολλά μοντέλα AI παραμένουν ανέγγιχτα. Αλλά ένα από τα πιο σημαντικά προβλήματα στη relation με την AI υγείας σχετίζεται με την εμπιστοσύνη: μπορούν τα μοντέλα να εμπιστευτούν, είναι προκατειλημμένα, δίκαια, εξηγήσιμα και ακριβή; Πολλά άρθρα έχουν δείξει ότι οι λύσεις AI μπορούν να είναι προκατειλημμένες με τρόπους που θα τραβήξουν την προσοχή των ρυθμιστικών αρχών—ή μπορεί να είναι λύσεις “μαύρης θήκης” που κερδίζουν σκεπτικισμό από τους παρόχους της οποίας η νοημοσύνη πρέπει να αυξηθεί. Αυτό είναι το μεγαλύτερο πρόβλημα—και λάθος—με την AI υγείας που βλέπω τελευταία.

Τι είναι η γνώμη σας για την γονιδιακή προφίλωση;

Η γονιδιακή προφίλωση είναι ένα υποσύνολο υποσχόμενων τεχνολογιών που έχουν σχεδιαστεί για να παραδώσουν προσωποποιημένες ερευνών για ένα άτομο, συνήθως για τον σκοπό της υγείας τους (αντί για γενεαλογία, ή περιστασιακά βλέπουμε ιστορίες για πατέρες ή ακόμη και εγκληματικές έρευνες που χρησιμοποιούν αυτήν την τεχνολογία). Η προσωποποίηση είναι ένα μεγάλο θέμα της AI υγείας—πώς να εμπλέξουν καλύτερα τους ασθενείς, ή να αυξήσουν την νοημοσύνη των παρόχων με πιο προσωποποιημένες και κατευθυνόμενες ερευνών. Όσο η γονιδιακή προφίλωση μπορεί να βοηθήσει στην παράδοση περισσότερης προσωποποίησης. Και, εφόσον τα δεδομένα και η χρήση τους είναι αξιόπιστα (απροκατειλημμένα, δίκαια, εξηγήσιμα, ακριβή, κ.λπ.), τότε θα είναι ένα σημαντικό στοιχείο της προσωποποιημένης ιατρικής—και ένα θεμελιώδες στοιχείο των υπερ-προσωποποιημένων λύσεων AI που χρησιμοποιούν γενετικές πληροφορίες.

Η προσωποποίηση της υγείας φαίνεται να είναι το κύμα του μέλλοντος, με ποιους τρόπους βλέπετε ότι αυτό θα έχει την πιο θετική επίδραση;

Στην CognitiveScale, παραδίδουμε προσωποποιημένες, προβλεπτικές, προληπτικές λύσεις υγείας. Δύο παραδείγματα περιλαμβάνουν έξυπνες παρεμβάσεις για διαχειριστές φροντίδας (κλινική περίπτωση) και πρόβλεψη ερωτημάτων υπηρεσιών (διαχειριστική/λειτουργική περίπτωση). Οι έξυπνες παρεμβάσεις παραδίδουν προσωποποιημένες ερευνών, προβλέψεις και κινδύνους (μεταξύ άλλων εξόδων μοντέλου) που αυξάνουν το έργο των διαχειριστών ασθενών μέσω ενός προγράμματος διαχείρισης φροντίδας. Εργαζόμαστε επίσης για να βοηθήσουμε στις δημόσιες αρχές υγείας, παρόχους και σχέδια υγείας που προσπαθούν να διαχειριστούν τους πολίτες/ασθενείς/μέλη μέσω της κρίσης COVID-19. Βλέποντας την πρόβλεψη ερωτημάτων υπηρεσιών, βοηθάμε τους οργανισμούς υγείας να γνωρίζουν τη στιγμή που ένα μέλος ή παρόχοι καλούν για αξιώσεις, οφέλη, κ.λπ., τον συγκεκριμένο λόγο για την κλήση και πώς να λύσουν πιο αποτελεσματικά, οδηγώντας σε οικονομικές εξοικονομήσεις και επηρεάζοντας την ικανοποίηση και τη διατήρηση. Υπάρχουν πολλά περισσότερα use cases της AI υγείας που επικεντρώνονται σε προσωποποιημένες λύσεις. Θα μπορούσαμε να γράψουμε ένα βιβλίο σε αυτό το θέμα μόνο.

Μπορείτε να μιλήσετε για τις προκλήσεις της συλλογής δεδομένων από διαφορετικές πηγές όπως EMR, ERPs, δεδομένα ασθενών, εξωτερικές πηγές δεδομένων, κ.λπ. σε ένα συνεκτικό σύστημα δεδομένων;

Η τεχνολογία πληροφοριών υγείας (HCIT) είναι σχεδόν πάντα ένα οικοσύστημα: ένα κατανεμημένο δίκτυο διαφορετικών συστημάτων. Ένα κοινό παράδειγμα είναι το προσωπικό αρχείο υγείας (PHR)—το πλήρες σύνολο δεδομένων του ιατρικού αρχείου του ασθενή. Ακόμη και όταν ένα μεγάλο σύστημα υγείας είναι σε ένα ομοιογενές σύστημα νοσοκομείου, οι ασθενείς τους θα πιθανότατα έχουν άλλους φροντιστές, μπορεί να έχουν ασφάλιση που είναι μια άλλη πηγή δεδομένων, και τα δεδομένα εργαστηρίου και φαρμακείου τους μπορεί να είναι διασκορπισμένα σε πολλά κλινικά και εταιρείες. Ενώ υπάρχουν τυποποιημένα σύνολα συναλλαγών για την ανταλλαγή δεδομένων υγείας, κοινά μοντέλα δεδομένων για την αποθήκευση κλινικών δεδομένων (και σχήματα δεδομένων μελών, ασθενών, πελατών και παρόχων), οι προμηθευτές λύσεων AI υγείας συχνά πρέπει να αποδείξουν πώς οι λύσεις μπορούν να εκμεταλλευτούν πολλά από αυτά ταυτόχρονα—εσωτερικά και εξωτερικά δεδομένα, συνδεσιμότητα δεδομένων και σχήματα δεδομένων. Προφανώς, η βάση των λύσεων AI υγείας είναι τα δεδομένα. Έτσι, οι ικανότητες συλλογής δεδομένων πρέπει να είναι μια βασική ικανότητα κάθε προμηθευτή AI υγείας.

Τι είναι einige από τις σκέψεις που απαιτούνται με την αναλυσιμότητα δεδομένων;

Η αναλυσιμότητα δεδομένων είναι ένα στοιχείο κάποιων μεγαλύτερων, πιεστικών ζητημάτων στην AI υγείας. Για παράδειγμα, η αναλυσιμότητα δεδομένων είναι ένα από τα ζητήματα που σχετίζονται με την ιδιωτικότητα, τη χρήση δεδομένων και την ανταλλαγή δεδομένων. Για παράδειγμα, πού πηγαίνει η κλινική δεδομένα ή η προσωπική πληροφορία υγείας (PHI) και πώς χρησιμοποιείται; Αυτά τα ζητήματα σχετίζονται με ρυθμιστικά και νομικά ζητήματα της ασφάλειας και ιδιωτικότητας δεδομένων υγείας. Αυτά τα ζητήματα, στη συνέχεια, είναι ένα υποσύνολο της αξιόπιστης και ηθικής AI. Η ηθική AI θα πρέπει να λογαριαστεί για τη χρήση δεδομένων, την ιδιωτικότητα, τις ρυθμίσεις και τα νομικά ζητήματα, κ.λπ., ιδιαίτερα για την ηθική χρήση δεδομένων. Η αξιόπιστη AI περιλαμβάνει аспектια της εξηγήσιμότητας και της χρήσης δεδομένων.

Είστε σύμβουλος στην CognitiveScale, μπορείτε να εξηγήσετε τι κάνει η CognitiveScale και πώς σας συμβουλεύει;

Η CognitiveScale είναι ένας προμηθευτής λογισμικού AI που βοηθά τους οργανισμούς να κατασκευάσουν, να λειτουργήσουν και να κλιμακώσουν γνωστικές λύσεις AI, να πραγματοποιήσουν την αξία της AI σε όλο τον οργανισμό και να διαχειριστούν την εμπιστοσύνη. Στην Υγεία, εργαζόμαστε για κάποιους από τους μεγαλύτερους οργανισμούς ασφαλίσεων και παρόχων στη χώρα, σε ένα ευρύ φάσμα use cases AI, συμπεριλαμβανομένων πιο πρόσφατων εργασιών σε περιοχές όπως οι έξυπνες παρεμβάσεις που σχετίζονται με την πανδημία COVID-19 και πώς αυτές οι λύσεις θα βελτιώσουν τη διαχείριση φροντίδας, την εμπειρία υπηρεσιών και περισσότερα, μια φορά που θα περάσουμε αυτήν την κρίση. Ως ο κύριος ειδικός υγείας, βοηθάω τους πελάτες και τους συνεργάτες μας πιο στρατηγικά σε περιοχές όπως η κατασκευή οδικών χαρτών AI και πιο τακτικά σε περιοχές όπως η πραγματοποίηση αξίας και βελτίωση. Εργάζομαι επίσης για να βοηθήσω σε περιοχές όπως η ανάπτυξη προϊόντων (χαρακτηριστικά και ικανότητες της πλατφόρμας μας, για παράδειγμα) και η ηγεσία σκέψης με εστίαση στις υψηλότερες λύσεις AI υγείας (δίνεται το μέγεθος της ευκαιρίας).

Μπορείτε να ορίσετε για μας τι είναι τα μεγαλύτερα ζητήματα με τον τρόπο που η AI λειτουργεί đôi vezes ως μια “μαύρη θήκη” και πιθανοί λύσεις για την βιομηχανία υγείας;

Όπως ανέφερα, η αξιόπιστη, ηθική AI είναι ένα μεγάλο πρόβλημα—και η εμπιστοσύνη είναι κυρίως λόγω του προβλήματος “μαύρης θήκης”: η έλλειψη εξηγήσιμότητας ή ορατότητας και ο σκεπτικισμός για ζητήματα όπως προκαταλήψεις, δίκαιη, ακρίβεια και ανθεκτικότητα. Στην CognitiveScale, η λύση Certiai μας αντιμετωπίζει αυτό το πρόβλημα και βοηθά τους πελάτες μας με ένα Δείκτη Εμπιστοσύνης AI και τα συστατικά του (κάθε ένα με το δικό του σκορ και ερευνών): προκαταλήψεις, δίκαιη, εξηγήσιμη, ανθεκτικότητα και ακρίβεια. Η υγεία έχει παραδείγματα προκατειλημμένων μοντέλων ή σκεπτικισμού κλινικών γιατρών με έξοδο μοντέλου λόγω έλλειψης διαφάνειας ή εξηγήσιμότητας. Υπάρχουν επίσης ρυθμιστικές απαιτήσεις για την ιδιωτικότητα και τη χρήση δεδομένων και τη χρήση μοντέλων για να παραδώσουν δίκαιες ή προκατειλημμένες αποτελέσματα—και αυτά έχουν γίνει νέα. Εργαζόμαστε με πολλές τεχνολογικές και εταιρείες διαχείρισης κινδύνων για να αναπτύξουμε αξιόπιστους τρόπους για να παρέχουμε ορατότητα και να βελτιώνουμε την εμπιστοσύνη στις λύσεις AI “μαύρης θήκης”.

Τι είναι einige από τους τρόπους που μπορούμε να μειώσουμε την υπερφόρτωση του τμήματος επειγόντων με προβλεπτική AI;

Η αποφυγή του τμήματος επειγόντων είναι πραγματικά ένα υποσύνολο της βελτίωσης φροντίδας και της προσωποποιημένης υγείας—η σωστή φροντίδα στη σωστή στιγμή. Αυτό μπορεί να περιλαμβάνει επείγουσα φροντίδα, αλλά πολλές φορές δεν το κάνει. Η πρόσφατη κρίση COVID-19 υπογραμμίζει ένα χρήσιμο παράδειγμα όπου η βελτίωση φροντίδας. Για παράδειγμα, η σωστή φροντίδα για einen υψηλού κινδύνου ασθενή σε μια υψηλού κινδύνου κοινότητα μπορεί να περιλαμβάνει επικοινωνία κλινικών γιατρών, πρόσβαση σε ένα κέντρο ελέγχου ή σε ορισμένες περιπτώσεις, επείγουσα φροντίδα. Οι ασθενείς, μέλη, παρόχοι και ασφαλιστές 모두 θέλουν το σωστό επίπεδο φροντίδας στη σωστή στιγμή σε αυτήν την κρίση, οπότε μια σειρά λύσεων AI βοηθούν στην παράδοση ερευνών όπως κοινότητα και κίνδυνος ασθενών, ανάλυση διάδοσης, προβλέψεις χρησιμοποίησης νοσοκομείου και προσωποποιημένες οδηγίες για συγκεκριμένα άτομα, μεταξύ άλλων λύσεων. Βαθμολογούμε την απόδοση των λύσεων διαχείρισης φροντίδας μας με βάση eine σειρά μετρικών απόδοσης όπως τα βελτιωμένα αποτελέσματα συμπεριλαμβανομένης της αποφυγής του τμήματος επειγόντων όταν είναι κατάλληλο.

Ευχαριστώ για τη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορεί να επισκεφθούν την CognitiveScale.