Ed Chidsey, Inovalonin Insights-liiketoimintayksikön johtaja – Haastattelusarja

Ed Chidsey, Inovalonin Insights-liiketoimintayksikön johtaja, tuo rooliinsa laajan taustan rahoitusdatasta, analyytikasta ja strategisesta neuvonannosta — viimeksi Senior Vice Presidentinä S&P Global (SPGI ) Market Intelligencessa, jossa hän johti miljardin dollarin arvoista data- ja analytiikka-liiketoimintaa 2 000 työntekijällä, ja aikaisemmin yksityissijoittajana, PeerNova Inc.:n hallituksen jäsenenä ja Mendoza Venturesin rajoitetun kumppanina.

Inovalon on Yhdysvalloissa toimiva teknologiayritys, joka tarjoaa pilvipohjaisia ohjelmisto- ja data-analytiikkaratkaisuja terveydenhuollon alalle. Sen lippulaivatuotteena olevan Inovalon ONE^®-alustan kautta yritys kerää ja analysoi massiivisia, todellisen maailman kliinisiä ja korvaustietoja — kattavasti satoja miljoonia elämänkokemuksia — terveydenhuollon järjestelmien, tarjoajien, apteekkien ja elämän­tieteellisten organisaatioiden tueksi parantamaan kliinisiä tuloksia, hoitolaatua, riskiarviointia, maksujen eheyttä ja toiminnallista tehokkuutta.

Olet ollut pitkään uralla, joka kattaa S&P Globalin, IHS Markitin ja nyt Inovalonin. Mikä yksittäinen rooli tai kokemus on ollut muovaavin johtamaan sinut keskittymään todellisen maailman dataan (RWD) ja analytiikkaan terveydenhuollossa, ja miten se on muovannut näkemyksesi Inovalonin Insights-liiketoimintayksikön johtamisesta?

Olen viettänyt suurimman osan urastani rakentamassa, johtamassa ja skaalaamassa data- ja analytiikka-liiketoimintaa, pääasiassa rahoituspalveluissa, usein aloittamalla pienestä ja ajamalla merkittävää kasvua yhdistelemällä organista ja epäorgaanista strategioita. Yli kolmen vuosikymmenen jälkeen rahoitusalan parissa olin saavuttanut vaiheen, jossa minun oli pysähtyttävä ja uudelleenarvioitava. Olin ollut siinä maailmassa pitkään, ja vaikka rakastin työtä, ympäristö alkoi tuntua vähemmän täyttävältä. Niinpä vuoden 2024 alussa päädyin astumaan sivuun.

Se vuosi oli erittäin maanpaossa. Vietin enemmän aikaa perheeni kanssa, liityin yritys- ja voittoa tavoittelemattomaan hallitukseen ja osallistuin jonkin verran kirkkooni. Tämä käännös antoi minulle mahdollisuuden keskittyä tasapainoon, yhteisöön ja tarkoitukseen tavalla, jota en ollut tehnyt pitkään aikaan. Vuoden lopussa tajusin, että minulla oli edelleen paljon energiaa ja intoa johtaa tiimejä ja rakentaa liiketoimintaa, mutta halusin, että se työ tuntuisi henkilökohtaisemmalta ja tarkoituksellisemmalta.

Kun Adam Kansler, Inovalonin toimitusjohtaja, otti minuun yhteyttä kertoakseen minulle enemmän yrityksestä, ajoitus oli otollinen. Olin työskennellyt Adamin kanssa monta vuotta ja kunnioitin häntä johtajana. Hän kuvasi Inovalonia johtavana datan ja ratkaisujen tarjoajana, joka antaa valtuuksia terveydenhuoltoon ja työskentelee vakuutusyhtiöiden, tarjoajien, apteekkien ja elämän­tieteellisten yritysten kanssa, ja mainitsi, että yritys etsii uutta henkilöä johtamaan Insights-liiketoimintayksikköään.

Ennen keskustelua Adamin kanssa en ollut juurikaan harkinnut, että voisin hyödyntää taustaa data- ja analytiikassa terveydenhuoltoalalla. Kuitenkin mitä enemmän opin, sitä enemmän se vastasi minun omia näkemyksiäni. Terveydenhuollon data on hyvin konkreettista, koska se voi vaikuttaa meihin todellisilla tavoilla. Ajatus siitä, että sovelletaan samaa analytiikan tiukkuutta ja mittakaavaa, jonka olen kehittänyt rahoituspalveluissa, terveydenhuollon laadun ja tuloksien parantamiseen, oli erittäin viehättävä. Se tarkoitus on se, mikä on tuonut minut tänne, ja se jatkaa muokkaamista siinä, miten johtan Insights-liiketoimintayksikköä, yhdistämällä datan, teknologian ja ihmisten voimaan mitattavissa olevan eron koko terveydenhuoltojärjestelmässä.

Miten näet Inovalonin siirtymisen tarjoamaan edistyneitä analyytikkoja ja ensisijaisen lähteen RWD:itä Snowflaken AI Data Cloudiin vaikuttavan terveydenhuollon ja elämän­tieteiden kilpailukykyyn?

Pidän sitä enemminkin strategisena siirtymänä tapaamaan asiakkaita siellä, missä he ovat, eikä välttämättä muuttavana kilpailukykyä. Ajatteluni mukaan oli tärkeää varmistaa, että asiakkailla on pääsy datamme ja resursseihimme alustoilla, joilla he haluavat niitä kuluttaa modernimmassa, joustavammassa ja saatavammassa muodossa. Tästä syystä tiesimme, että yhä useammat asiakkaistamme siirtyvät alustoille kuten Snowflake, joten oli tärkeää meille tapaaminen heidän kanssaan siellä, missä he halusivat kuluttaa datamme.

Miten Inovalonin RWD-tarjonta, kuten MORE²-rekisteri, eroaa muista todellisen maailman data-alustoista laadun, syvyyden, ajantasaisuuden tai mittakaavan suhteen?

Se, mikä erottaa RWD-tarjontamme, mukaan lukien MORE²-rekisteri, on ensisijainen lähde-data. Keräämme tämän datan suoraan eri yksiköistä terveydenhuollon ekosysteemissä, kuten terveydenhuollon vakuutusyhtiöistä tai -tarjoajista, ja se antaa meille holistisen näkymän potilaiden terveydenhuollon matkoista, mikä mahdollistaa oivallusten extrapoloinnin, jotka tukevat päätöksentekoa terveydenhuollon jatkumossa.

Kun otetaan huomioon datan leveys, jota meillä on, se on merkittävä erottautumisen tekijä. Historia ja johdonmukaisuus tämän datan taustalla on todella merkittävä. Yhteistyön kautta Snowflaken kanssa asiakkaamme voivat nyt turvallisesti ja nopeasti pääsyä pitkiin, laadukkaisiin RWD:ihin, kykyyn, jota perinteisesti on häikäissyt fragmentoituneet järjestelmät ja monimutkaiset manuaaliset data-ingestio-prosessit. Elämän­tieteellisille ja biolääketieteellisille yrityksille erityisesti on tärkeää, että heillä on varmuus siitä, että heidän kumppaninsa tarjoaa dataa, joka on johdonmukainen ja luotettava päätöksenteon kannalta. Tuo perusta on RWD-tarjontamme kulmakivi, jota jatkamme laajentamaan laajuutta ja tuottamaan erilaisia oivalluksia.

Mitkä ovat tärkeimmät tekniset tai hallinnolliset haasteet linkittäessä tai yhdistäessä eri lähteistä peräisin olevia tietoja kattavan todellisen maailman näytön rakentamiseksi?

Se alkaa tunnustamalla datamme perustaa, joka palautuu potilaan ja heidän tarjoajansa, apteekkinsa ja vakuutusyhtiönsä välisiin vuorovaikutuksiin. Usein nämä vuorovaikutukset ovat henkilökohtaisia ja juontuvat vaikuttavista kosketuspinnoista heidän omassa hoidossaan. Tämä tekee datamme luotettavaksi huoltajaksi kriittiseksi ja edellyttää meiltä vahvaa hallintoa tämän datan ympärillä. Otamme tämän vastuun erittäin vakavasti Inovalonissa, erityisesti siinä, miten RWD syötetään todellisen maailman näytön prosesseihin. Tapa, jolla valitsemme datamme hallinnoida, suojella ja käyttää, määrittää luotettavuutemme ja luottamuksen, jota meillä on kumppaneidemme kanssa ekosysteemissä.

Yksi suurimmista haasteista, joihin törmäämme, on datan käytön ja yksityisyyden tasapainottaminen. Jos painopiste on yksinomaan yksityisyydellä, menetät mahdollisuuden analysoida ja purkaa dataa arvoa. Kuitenkin, jos painopiste on vain analyysissä, riskität jäävän lyhyeksi eettisistä tai sääntelyvelvoitteista potilaiden ja perheiden suhteen. Tämä hankala tasapaino ei ole ainoastaan tekninen haaste, vaan myös hallinnollinen haaste. Meidän on jatkuvasti arvioitava, mitä voimme tehdä, mitä meidän tulisi tehdä ja mitä emme voi tehdä suojellaksemme dataamme samalla kun pyrimme maksimoimaan sen arvoa ja vaikutusta laajempaan terveydenhuoltojärjestelmään.

Teknisen näkökulman mukaan toinen suuri haaste on linkittäminen. Riippumatta siitä, kuinka syvä tai laaja yksittäinen tietokanta on, se ei ole koskaan tarpeeksi itsessään. Kyky linkittää tietokantoja useista lähteistä on kriittinen, ja priorisoimme sitä joka päivä työskennellessämme eri kumppanien kanssa.

Lopulta hallinto on kaiken tämän oikean tasapainon löytämisestä datan suojelemisen ja sen arvon ja vaikutuksen maksimoimisen välillä suuremmalle hyvälle. Se ei aina ole helppoa, erityisesti kun jotkut säännökset, vaikka hyvällä tahdolla, voivat vahingossa tukahduttaa innovaatiota tai rajoittaa hyötyjä, joita voisimme toimittaa potilaille ja laajempaan ekosysteemiin. Meidän roolimme on olla huolellisia datan huoltajia, toimia sopimusten ja sääntöjen puitteissa ja löytää vastuullisia keinoja innovoida.

Lopuksi on rakenteellinen haaste terveydenhuoltojärjestelmän ollessa erittäin fragmentoitu. Asiakkaan on päästävä käsiksi kaikkiin tarvitsemiinsa tietoihin, mikä usein edellyttää tietojen vetämistä useista tietokannoista ja tietojen linkittämistä eri hoitopisteiden välillä, useiden välittäjien kautta. Vertaamalla muihin aloihin, kuten rahoituspalveluihin, terveydenhuolto jää jälkeen vuosia, ellei vuosikymmeniä, tietojen integraatiosta ja yhteensopivuudesta. Kuitenkin tämä on myös valtava mahdollisuus Inovalonille. Jos voimme jatkaa edistymistä siinä, miten data on kytketty, saatavilla ja luovasti käytetty, voimme toimittaa paljon innovatiivisempia analyytikkoja ja ratkaisuja, jotka lopulta hyödyttävät potilaita.

Miten balanssit yksityisyyden, sääntelymukaisuuden ja innovaation välillä käyttäessäsi AI-malleja herkkää terveydenhuollon dataa?

Minun tapani ajatella AI:ta on, että lopulta se on korvaavan tai parantavan sitä, mitä voidaan teoreettisesti tehdä tänään, vain nopeammin, älykkäämmin ja edistyneemmin. Kun asiakas haluaa käyttää AI-mallia datamme päällä, se on jotain, mitä meidän on hyväksyttävä. Kuten kaiken datamme käytön kohdalla, on ehdot ja säännöt, jotka määrittävät, mitä asiakas voi ja mitä ei voi tehdä. Nämä perustuvat omiin ylätasoisille lupiin, rajoituksiin ja sovellettaviin sääntöihin. Tämä kehys ei muutu AI:n maailmassa, ja meidän on oltava mahdollistajia. Emme voi pelätä sitä. Meidän on vastuullisesti omaksuttava se, jotta AI voi edetä, koska sillä on potentiaali tuottaa valtavan hyödyn terveydenhuoltojärjestelmälle.

AI vaatii sekä historiallista dataa mallien rakentamiseksi että jatkuvaan dataa niiden ylläpitämiseksi. Meidän datan tarjoajan näkökulmasta se on vahva asema, koska kun malli on rakennettu datamme päälle, se tulee entistä enemmän upotetuksi. Meidän on lähestyttävä jokaista mallia kuten mitä tahansa asiakkaan käyttötapauksia, varmistaen, että se on oikein lisensoitu ja hallittu. Herkimmän osan AI:ta, erityisesti terveydenhuollossa, on varmistettava, että aina on ihmisten osallistuminen hoidon toimittamisessa. Se on paljon laajempi aihe, ja moni keskustelelee siitä.

RWD:n näkökulmasta olemme edelleen varhaisessa vaiheessa. AI ei ole toistaiseksi tuottanut merkittäviä tuloksia terveydenhuollossa, erityisesti keskittyessämme RWD-käyttötapauksiin. Tutkimme useita mahdollisuuksia, kuten koneoppimiseen perustuvaa poimintaa kliinisisistä muistiinpanoista, joka on perustavanlaatuinen AI-sovellus. Sen lisäksi tutkimme AI:n käyttöä kliinisten tutkimusten sovelluksissa ja sairauden etenemisen ja ennustettavuuden arvioinnissa. Olemme matkan alussa, mutta potentiaali on valtava. Inovalonissa keskitymme varmistamaan, että meillä on korkealaatuisin data, jota voidaan käyttää yhdessä AI:n kanssa vastuullisesti, vahvalla hallinnolla ja ihmisten valvonnalla, valmistautuen laajentamaan sen vaikutusta, kun teknologia ja ekosysteemi kypsyvät.

Mitkä ovat yleisimmät huolenaiheet, joita asiakkaat ilmaisevat omaksuessaan AI:ta ja RWD-vetoinen analytiikkaa terveydenhuollossa, ja miten vastaat niihin?

Yleisimmät huolenaiheet, joita kuulen, liittyvät datan laatuun ja lupiin käyttää datamme kouluttamaan heidän omia AI-mallejaan. Datan laadun suhteen AI:ssa ”roska sisään, roska ulos” pitää paikkansa. Jos datan laatu on huono, tarkoittaen, että data ei ole puhdas tai ehkä siinä ei ole riittävästi dataa, tulokset eivät ole arvokkaita. Asiakkaamme odottavat johdonmukaisia, tarkkoja ja luotettavia tietoja. Ottaen huomioon valtavat määrät, joita hallitsemme, yksi ensisijaisista tavoitteistani oli varmistaa datan laatu koko laajuudessa. Olemme työskennelleet ahkerasti puhdistamaan, poistamaan duplikaatit, normalisoida, standardisoida ja toimittaa datan alasvirtaan. Datan laadun omaksuminen auttaa myös parantamaan johdonmukaisuutta ja luotettavuutta datamme yli, mikä mahdollistaa toimittaa enemmän perinteisissä data-analytiikka tarjontamme sekä analytiikassa, joka perustuu AI:hen.

Miten mitaat asiakkaan menestystä tai ROI:ta, jotka omaksuvat alustanne ja analytiikanne, ja mitkä mittarit heitä eniten kiinnostavat?

Mitä mitaat menestystä alustamme ja analytiikkomme todellisilla vaikutuksilla asiakkaan operatiivisilla ja kliinisillä tuloksilla. Tämä voi käsittää monia menestystekijöitä, riippuen asiakkaasta, kuten parantamalla CMS Star -arvosanoja Medicare Advantage -järjestelmissä, optimoimalla riskin mukauttamista tai generoimalla toimintavalmiita todellisen maailman näyttöä elämän­tieteellisille yrityksille. Yhteinen lanka on, että oivallukset on oltava ajantasaisia, luotettavia ja toimintavalmiita.

Asiakkaat toteuttavat ROI:n, kun analytiikkamme auttaa heitä tekemään perusteltuja päätöksiä, jotka parantavat potilaiden tuloksia, operatiivista tehokkuutta ja / tai strategista suorituskykyä.

Miten näet AI:n ja RWD:n kehittyvän terveydenhuollossa ja elämän­tieteissä seuraavien 5 vuoden aikana, ja mitä näet seuraavana etappina?

Viiden vuoden kuluttua terveydenhuolto voi näyttää aivan erilaiselta kuin mitä kukaan meistä tunnistaa tällä hetkellä, mutta on mahdotonta ennustaa, kuinka nopeasti alan kehitys etenee. Ainoa varmuus on, että se on muodonmuutos. Vaikka innovaation vauhti on poikkeuksellinen, edistys on edelleen rajoitettu terveydenhuoltojärjestelmän fragmentaatiosta, joka kattaa laboratoriot, apteekit ja EHR:t, joissa harvat organisaatiot pystyvät todella kytkemään nämä datalähteet merkityksellisesti.

Vaikka se on rajoittava tekijä, jos data voidaan linkittää ja luoda pitkinä, standardoituna ja normaalina, ajattelen, että kaikki on mahdollista. AI tulee yhä enemmän perustamaan kaikkea aina kliinisen päätöksenteon tuesta siihen, miten elämän­tieteelliset organisaatiot lähestyvät kliinisten tutkimusten suunnittelua ja toteutusta. Seuraavien viiden vuoden aikana näemme enemmän automaatiota, parannettua ennustavan analytiikan käyttöä ja lisääntynyttä yhteyttä, joka antaa organisaatioille pääsyn oivalluksiin, joita he tarvitsevat reaaliajassa, kaikki nämä ovat muuntavia potilaiden hoitopoluille ja terveydenhuollon toiminnalle kokonaisuutena.

Mitkä kolme neuvoa antaisit organisaatioille, jotka aloittavat AI:n ja RWD-vetoisen analytiikan integroimisen?

Ensinnäkin ja tärkeimpänä on keskittyä dataan ja varmistaa, että arvioit datan laatua jatkuvasti. Toiseksi on hyödyntää työntekijöiden älymystö. Todellisuus on, että parhaat ideat voivat tulla jokaiselta organisaation tasolta, erityisesti nuoremmista sukupolvesta, jotka ovat eläneet ja hengittäneet dataa, AI:ta ja teknologiaa. Johtajien on löydettävä keinoja hyödyntää ideoita ja innovaatioita, jotka ovat syvällä organisaatiossa, ja luoda alusta näiden näkemysten kuulluksi ja niiden hyödyntämiseksi. Kolmanneksi on palkattava oikeat ihmiset. Ilman oikeita ihmisiä ja teknistä osaamista innovoiminen vauhdilla, arvon luominen ja kilpailukyvyn ylläpitäminen tulee olemaan lähes mahdotonta.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla Inovalon -sivustolla.