Jeffrey Eyestone, asesor de inteligencia artificial para la atención médica en CognitiveScale – Serie de entrevistas

Jeffrey Eyestone es el asesor de inteligencia artificial para la atención médica en CognitiveScale. En este rol, Jeff trabaja con organizaciones de atención médica (principalmente proveedores/sistemas de atención médica, pagadores y vendedores de tecnología) en su camino hacia la inteligencia artificial, desde la visión estratégica de cómo desarrollar competencias y centros de excelencia en inteligencia artificial hasta el desarrollo más táctico de hojas de ruta y entrega de soluciones de inteligencia artificial

¿Puede hablar sobre por qué cree que la inteligencia artificial es tan importante para la industria de la atención médica? 

Grandes cantidades de datos complejos, dispares y distribuidos forman la base de los procesos clínicos, administrativos y financieros subyacentes que impulsan la atención médica. Por lo tanto, la inteligencia artificial es ahora una capacidad fundamental en toda la cadena de valor de la tecnología de la información para la atención médica. Los trabajadores del conocimiento, como los clínicos y los investigadores, están obteniendo mejoras significativas de la inteligencia artificial, especialmente el subconjunto de “inteligencia aumentada” de la inteligencia artificial.

La inteligencia artificial en la atención médica es un tema enorme y hay muchos casos de uso valiosos, desde la búsqueda de datos hasta la derivación de conocimientos, desde la mejora o la automatización de procesos hasta una mejor participación del paciente y la entrega de atención personalizada. Los resultados clínicos están mejorando, las eficiencias están impulsando los ahorros de costos y hay muchos más casos de uso en marcha que prometen impulsar el valor. La actual pandemia global ha puesto muchos más casos de uso de la inteligencia artificial en la atención médica en un enfoque agudo, combinando puntuaciones y conocimientos de riesgo comunitario e individual con intervenciones inteligentes, por ejemplo, todo lo cual mejorará los sistemas de atención médica en todo el mundo una vez que hayamos superado el COVID-19.

¿Cómo definiría la inteligencia aumentada en un entorno de atención médica?

CognitiveScale se enfoca principalmente en la inteligencia aumentada. Algunas tecnologías de inteligencia artificial, como la automatización de procesos robóticos (RPA) o los chatbots, buscan reemplazar a las personas con máquinas (la mayoría de las veces, de todos modos). Nosotros nos enfocamos, principalmente, en soluciones de inteligencia artificial que ayuden a las organizaciones y al personal de atención médica a trabajar de manera más inteligente y eficiente. También nos enfocamos en soluciones cognitivas, el subconjunto más avanzado de la inteligencia artificial que tiene un bucle de aprendizaje o retroalimentación, y a menudo son los “humanos en el bucle” los que pueden proporcionar la retroalimentación para que los modelos aprendan. Hay numerosos ejemplos de inteligencia aumentada en la atención médica que están empezando a producir resultados impresionantes. Por ejemplo, en radiología y patología, los clínicos están aumentando su capacidad para leer imágenes y hacer diagnósticos con modelos de aprendizaje automático, lo que permite una detección más temprana o diagnósticos y resultados de laboratorio más precisos.

Ha trabajado con startups y grandes organizaciones que han implementado diferentes estrategias de inteligencia artificial. ¿Cuáles son algunos errores comunes que ha visto?

Al igual que las soluciones de inteligencia artificial cognitiva aprenden con el tiempo y maduran, también ha madurado nuestra comprensión del poder de la inteligencia artificial y los obstáculos. El tiempo que se necesita para acceder a los datos, preparar los datos y entrenar modelos en un censo de datos generalmente ha llevado más tiempo de lo que se pensaba originalmente. Otros errores se relacionan con la operacionalización y la escalabilidad de las soluciones de inteligencia artificial, asumiendo que un buen modelo se puede implementar y gestionar fácilmente en todo el ecosistema de tecnología de la información para la atención médica, cuando en realidad muchos modelos de inteligencia artificial permanecen sin usar. Pero uno de los desafíos más significativos en la inteligencia artificial para la atención médica se relaciona con la confianza: ¿se pueden confiar en los modelos, son sesgados, justos, explicables y precisos? Numerosos titulares han mostrado que las soluciones de inteligencia artificial pueden ser sesgadas de maneras que atraerán la atención de los reguladores, o pueden ser soluciones de “caja negra” que generan escepticismo entre los proveedores cuya inteligencia están supuestamente aumentando. Este es el mayor desafío y error con la inteligencia artificial en la atención médica que estoy viendo últimamente.

¿Cuáles son sus puntos de vista sobre el perfilado genómico?

El perfilado genómico es un subconjunto de tecnologías prometedoras diseñadas para proporcionar información personalizada sobre una persona, generalmente con fines de atención médica (en lugar de genealogía, o ocasionalmente vemos historias sobre disputas de paternidad o incluso investigaciones criminales que utilizan esta tecnología). La personalización es un tema importante en los casos de uso de la inteligencia artificial en la atención médica, cómo involucrar mejor a los pacientes o aumentar la inteligencia de los proveedores con conocimientos más personalizados y dirigidos. En la medida en que el perfilado genómico pueda ayudar a proporcionar más personalización, y siempre que los datos y su uso sean de confianza (no sesgados, justos, explicables, precisos, etc.), entonces será un componente importante de la medicina personalizada y un elemento fundamental de las soluciones de inteligencia artificial hiperpersonalizadas que utilizan información genética.

La personalización de la atención médica parece ser la tendencia del futuro, ¿de qué manera ve que esto tendrá el impacto más positivo?

En CognitiveScale, estamos entregando soluciones de atención médica personalizadas, predictivas y prescriptivas. Un par de ejemplos incluyen intervenciones inteligentes para gestores de cuidado (caso de uso clínico) y predicción de consultas de servicio (caso de uso administrativo/operativo). Las soluciones de intervención inteligente entregan inferencias personalizadas, predicciones y puntuaciones de riesgo (entre otras salidas del modelo) que aumentan el trabajo de aquellos que gestionan a los pacientes a través de un programa de gestión de cuidado. También estamos utilizando estas capacidades para autoridades de salud pública, proveedores y planes de salud que intentan gestionar a ciudadanos/pacientes/miembros a través de la crisis del COVID-19. Al predecir las consultas de servicio, estamos ayudando a las organizaciones de atención médica a saber el momento en que un miembro o proveedor llama sobre reclamaciones, beneficios, etc., la razón específica de la llamada y cómo resolverla de manera más eficiente, lo que impulsa los ahorros de costos y afecta la satisfacción y la retención. Hay muchos más casos de uso de la inteligencia artificial en la atención médica centrados en soluciones personalizadas. Podríamos escribir un libro sobre este tema solo.

¿Puede hablar sobre los desafíos de agregar datos de fuentes dispares como EMR, ERPs, datos de pacientes, fuentes de datos externas, etc. en un sistema de datos coherente?

La tecnología de la información para la atención médica (HCIT) es casi siempre un ecosistema: una red distribuida de sistemas dispares. Un ejemplo común es el registro de salud personal (PHR), el conjunto de datos completo del historial médico de un paciente. Incluso cuando un gran sistema de atención médica está en un sistema de información homogéneo de hospital, sus pacientes probablemente tendrán otros cuidadores, pueden tener seguros que son otra fuente de datos y sus datos de laboratorio y farmacia pueden estar dispersos en varias clínicas y empresas. Aunque existen conjuntos de transacciones estándar para el intercambio de datos de atención médica, modelos de datos comunes para almacenar datos clínicos (y esquemas de datos de miembros, pacientes, clientes y proveedores), los proveedores de soluciones de inteligencia artificial para la atención médica a menudo necesitan demostrar cómo las soluciones pueden aprovechar varios de estos al mismo tiempo, datos internos y externos, conectividad de datos y esquemas de datos. Obviamente, la base de las soluciones de inteligencia artificial para la atención médica es el dato. Por lo tanto, las capacidades de agregación de datos deben ser una competencia fundamental de cualquier proveedor de inteligencia artificial para la atención médica.

¿Cuáles son algunas de las consideraciones necesarias con la trazabilidad de los datos?

La trazabilidad de los datos es un componente de algunos problemas más grandes y apremiantes en la inteligencia artificial para la atención médica. Por un lado, la trazabilidad de los datos es uno de los varios problemas relacionados con la privacidad, el uso de datos y el intercambio de datos. Por ejemplo, ¿dónde va la información clínica o la información de salud personal (PHI) y cómo se está utilizando? Estos problemas se relacionan con aspectos regulatorios y legales de la seguridad y la privacidad de los datos de atención médica. Estos problemas, a su vez, son un subconjunto de la inteligencia artificial ética y de confianza. La inteligencia artificial ética debe tener en cuenta el uso de los datos, la privacidad, las regulaciones y los aspectos legales, etc., abordando específicamente el uso ético de los datos. La inteligencia artificial de confianza incluye aspectos de explicabilidad y uso de datos.

Es asesor en CognitiveScale, ¿puede explicar qué hace CognitiveScale y cómo lo asesora?

CognitiveScale es un proveedor de software de inteligencia artificial que ayuda a las organizaciones a construir, operacionalizar y escalar soluciones de inteligencia artificial cognitiva; a realizar el valor de la inteligencia artificial en toda su organización; y a gestionar la confianza. En la atención médica, trabajamos para algunas de las organizaciones de pagadores y proveedores más grandes del país, en una amplia gama de casos de uso de la inteligencia artificial, incluido el trabajo más reciente en áreas como intervenciones inteligentes relacionadas con la pandemia del COVID-19 y cómo estas soluciones mejorarán la gestión de cuidado, la experiencia de servicio y más, una vez que hayamos superado esta crisis. Como nuestro experto en atención médica, ayudo a los clientes y socios de manera más estratégica en áreas como la creación de hojas de ruta de inteligencia artificial robustas y, de manera más táctica, en áreas como la realización de valor y la optimización. También estoy trabajando para ayudar en áreas como el desarrollo de productos (características y capacidades específicas de la atención médica de nuestra plataforma, por ejemplo) y el liderazgo de pensamiento con un enfoque en las soluciones de inteligencia artificial para la atención médica de mayor valor (dada la magnitud de la oportunidad).

¿Puede definir para nosotros qué son los problemas más grandes con la forma en que la inteligencia artificial a veces opera como una caja negra, y soluciones potenciales para la industria de la atención médica?

Como mencioné, la inteligencia artificial de confianza es un gran desafío, y la confianza se debe en gran medida al problema de la “caja negra”: la falta de explicabilidad o visibilidad, y el escepticismo sobre problemas como el sesgo, la justicia, la precisión y la robustez. En CognitiveScale, nuestra solución Certiai aborda específicamente este desafío y ayuda a los clientes con un índice de confianza en la inteligencia artificial y sus partes componentes (cada una con su propia puntuación y conocimientos): sesgo, justicia, explicabilidad, robustez y precisión. La atención médica ha tenido ejemplos de modelos sesgados o escepticismo clínico con la salida del modelo debido a la falta de transparencia o explicabilidad. También hay requisitos regulatorios sobre la privacidad y el uso de datos, y el uso de modelos para entregar resultados justos o imparciales, y estos han sido noticia. Estamos trabajando con varias organizaciones de tecnología y gestión de riesgos para desarrollar formas de confianza para proporcionar visibilidad y mejorar la confianza en las soluciones de inteligencia artificial de “caja negra”.

¿De qué manera podemos reducir la saturación de los servicios de emergencia a través de la inteligencia artificial predictiva?

La evitación de los servicios de emergencia es realmente un subconjunto de la optimización del cuidado y la atención médica personalizada, la atención adecuada en el momento adecuado. Esto puede involucrar atención de emergencia, pero muchas veces no. La crisis del COVID-19 reciente destaca un ejemplo útil donde la optimización del cuidado es útil. Por ejemplo, la atención adecuada para un paciente de alto riesgo en una comunidad de alto riesgo puede incluir el alcance de los clínicos, el acceso a un centro de pruebas o, en algunos casos, atención de emergencia. Los pacientes, miembros, proveedores y pagadores todos quieren el nivel adecuado de atención en el momento adecuado en esta crisis, por lo que una combinación de soluciones de inteligencia artificial están ayudando a entregar conocimientos como puntuaciones de riesgo comunitario y de paciente, análisis de propagación, predicciones de utilización hospitalaria y orientación personalizada para personas específicas, entre otras soluciones. Evaluamos el rendimiento de nuestras soluciones de gestión de cuidado en función de una serie de métricas de rendimiento, como resultados mejorados, incluida la evitación de los servicios de emergencia cuando corresponda.

Gracias por la entrevista, los lectores que deseen obtener más información pueden visitar CognitiveScale.