Jeffrey Eyestone, terveydenhuollon tekoälyneuvonantaja CognitiveScalen palveluksessa – Haastattelusarja

Jeffrey Eyestone on CognitiveScalen terveydenhuollon tekoälyneuvonantaja. Tässä roolissaan Jeff työskentelee terveydenhuollon organisaatioiden (pääasiassa tarjoajien/terveydenhuoltojärjestelmien, vakuutusyhtiöiden ja teknologiayritysten) kanssa heidän tekoälymatkallaan – strategisen näkemyksen kehittämisestä tekoälykykyjen ja erinomaisten keskuksien luomiseen sekä tekoälytiestojen kehittämiseen ja toimittamiseen.

Miksi uskot, että tekoäly on niin tärkeää terveydenhuoltoalalle?

Massiiviset määrät monimutkaisia, erilaisia ja hajautettuja tietoja muodostavat perustan terveydenhuollon perusprosesseille, kuten kliiniseen, hallinnolliseen ja taloudelliseen toimintaan. Tekoäly on nyt ydinominaisuus koko terveydenhuollon tietotekniikan arvoketjussa. Tietotyöntekijät, kuten kliinikot ja tutkijat, ovat saaneet merkittäviä parannuksia tekoälystä – erityisesti “lisätyn älykkyyden” alaryhmästä.

Tekoäly terveydenhuollossa on valtava aihe, ja siinä on monia arvokkaita käyttötarkoituksia, kuten tietojen etsintä, tietojen jalostaminen, prosessien parantaminen ja henkilökohtainen hoito. Kliiniset tulokset paranevat, tehokkuus tuottaa kustannussäästöjä, ja on monia muita käyttötarkoituksia, jotka lupaavat tuottaa arvoa. Nykyinen maailmanlaajuinen pandemia on asettanut monia terveydenhuollon tekoälysovelluksia terävään valoon, yhdistäen yhteisö- ja yksilökohtaiset riskiarviot ja näkymät älykkäisiin väliintöihin, esimerkiksi, jotka parantavat terveydenhuoltojärjestelmiä ympäri maailmaa, kun olemme voittaneet COVID-19:n.

Miten määrittelet lisätyn älykkyyden terveydenhuollossa?

CognitiveScale keskittyy pääasiassa lisättyyn älykkyyteen. Jotkut tekoälytekniikat, kuten prosessiautomaatio (RPA) tai chatbotit, pyrkivät korvaamaan ihmiset koneilla (useimmiten). Me keskitymme tekoälyratkaisuihin, jotka auttavat terveydenhuollon organisaatioita ja henkilöstöä työskentelemään älykkäämmin ja tehokkaammin. Me keskitymme myös kognitiivisiin ratkaisuihin – tekoälyn edistyneempään alaryhmään, jossa on oppimis- tai palautesilmukka – ja usein “ihmiset silmukassa” voivat antaa palautetta malleille, jotta ne voivat oppia. On monia esimerkkejä lisätystä älykkyydestä terveydenhuollossa, jotka alkavat tuottaa vaikuttavia tuloksia. Esimerkiksi radiologiassa ja patologiassa kliinikot lisäävät kykyään lukea kuvia ja tehdä diagnooseja koneoppimismalleilla, mikä mahdollistaa varhaisemman havaitsemisen tai tarkemmat diagnoosit ja laboratoriotulokset.

Mitä yleisiä virheitä olet nähnyt työskennellessäsi sekä startup-yritysten että suurten organisaatioiden kanssa, jotka ovat toteuttaneet erilaisia tekoälystrategioita?

Samoin kuin kognitiiviset tekoälyratkaisut oppivat ajan myötä ja kypsyvät, myös ymmärryksemme tekoälyn voimasta ja virheistä on kehittynyt. Aika, joka kuluu tietojen saataville saamiseen, tietojen valmisteluun ja mallien kouluttamiseen tietojoukolla, on yleensä kestänyt pidempään kuin aluksi ajateltiin. Muita virheitä liittyy tekoälyratkaisujen operaatiiviseen toimintaan ja skaalautuvuuteen – oletetaan, että hyvä malli voidaan helposti ottaa käyttöön ja hallita terveydenhuollon tietotekniikka-ekosysteemissä, kun todellisuudessa monia tekoälymalleja ei käytetä. Mutta yksi suurimmista haasteista terveydenhuollon tekoälyssä liittyy luottamukseen: voidaanko malleja luottaa, ovatko ne harhaanjohtavia, reiluja, selitettävissä ja tarkkoja? Monet otsikot ovat osoittaneet, että tekoälyratkaisut voivat olla harhaanjohtavia tavoin, jotka saavat sääntelijöiden huomion – tai ne voivat olla “mustia laatikoita”, jotka herättävät epäilyä tarjoajien joukossa, joiden älykkyyttä ne ovat tarkoitettu lisäämään. Tämä on suurin haaste – ja virhe – terveydenhuollon tekoälyssä, jonka näen viime aikoina.

Mitä mieltä olet genomin profiilauksesta?

Genomin profiilointi on lupaava teknologia, joka on suunniteltu tarjoamaan henkilökohtaisia tietoja yksilöistä, yleensä heidän terveydenhuollon tarkoituksiin (eikä esimerkiksi sukututkimuksiin tai joskus rikostutkintoihin). Henkilökohtaisuus on suuri aihe terveydenhuollon tekoälysovelluksissa – miten parantaa potilaiden osallistumista tai lisätä tarjoajien älykkyyttä henkilökohtaisemmilla näkymillä. Genomin profiilauksen avulla voidaan tarjota lisää henkilökohtaisuutta. Ja, kunhan data ja sen käyttö on luotettavaa (harhaanjohtamaton, reilu, selitettävissä, tarkka jne.), se tulee olemaan tärkeä osa henkilökohtaisen lääketieteen perusta ja hyperhenkilökohtaisen tekoälyratkaisun, joka hyödyntää geneettistä tietoa.

Miten näet henkilökohtaisen terveydenhuollon vaikuttavan positiivisesti?

CognitiveScalen palveluksessa kehitämme henkilökohtaisia, ennustavia ja ohjaavia terveydenhuollon ratkaisuja. Esimerkkejä ovat älykkäät väliintööt hoitohenkilöstölle (kliininen sovellus) ja palvelupyyntöjen ennustaminen (hallinnollinen/operatiivinen sovellus). Älykkäät väliintööt tarjoavat henkilökohtaisia johtopäätöksiä, ennusteita ja riskiarvioita (muiden mallien tulosten ohella), jotka lisäävät potilaiden hallintaa hoitohenkilöstön kautta. Työskentelemme myös julkisen terveydenhuollon viranomaisten, tarjoajien ja vakuutusyhtiöiden kanssa hallitsemaan kansalaisia/potilaita COVID-19-kriisin aikana. Palvelupyyntöjen ennustamalla autamme terveydenhuollon organisaatioita tuntemaan, milloin jäsen tai tarjoaja soittaa esimerkiksi korvausten tai edun vuoksi, ja miten ratkaista asia tehokkaammin, mikä johtaa kustannussäästöihin ja vaikuttaa tyytyväisyyteen ja pidättävyyteen. On monia muita terveydenhuollon tekoälysovelluksia, jotka keskittyvät henkilökohtaisiin ratkaisuihin. Voisimme kirjoittaa kirjan tästä aiheesta yksin.

Voitko puhua tietojen keräämisen haasteista erilaisista lähteistä, kuten potilastietojärjestelmistä, ERP-järjestelmistä, potilastiedoista, ulkoisista tietolähteistä jne., yhtenäiseen tietojärjestelmään?

Terveydenhuollon tietotekniikka on lähes aina ekosysteemi: hajautettu verkosto erilaisia järjestelmiä. Yleinen esimerkki on potilaan terveystiedot – potilaan terveydenhuollon kokonaisdata. Vaikka suuri terveydenhuollon järjestelmä on yhdessä homogeenisessa sairaalainformaatiojärjestelmässä, potilailla on todennäköisesti muita hoitajia, heillä on vakuutus, joka on toinen tietolähde, ja heidän laboratorio- ja apteekkitietonsa voivat olla useissa eri klinikassa ja yrityksissä. Vaikka on olemassa standarditietojoukkoja terveydenhuollon tietojen vaihdolle, yleisiä tietomalleja kliinisen tiedon tallentamiseksi (ja jäsenen, potilaan, asiakkaan ja tarjoajan tietoskeemat), terveydenhuollon tekoälyratkaisujen toimittajien on usein osoitettava, miten ratkaisut voivat hyödyntää useita näistä samanaikaisesti – sisäisiä ja ulkoisia tietoja, tietoliikennettä ja tietoskeemoja. Ilmeisesti terveydenhuollon tekoälyratkaisujen perusta on data. Siksi tietojen keräämiskyky on terveydenhuollon tekoälytoimittajien ydinosaamista.

Mitä tietojen jäljitettävyyden kannalta on otettava huomioon?

Tietojen jäljitettävyys on osa laajempia, painavia kysymyksiä terveydenhuollon tekoälyssä. Yksi asia on, että tietojen jäljitettävyys on yksi useista kysymyksistä, jotka liittyvät tietosuojaa, tietojen käyttöön ja tietojen vaihtoon. Esimerkiksi, mihin kliiniset tiedot tai henkilökohtaiset terveystiedot (PHI) menevät ja miten niitä käytetään? Nämä kysymykset liittyvät terveydenhuollon tietoturvan ja tietosuojan sääntely- ja oikeudellisiin näkökohtiin. Nämä kysymykset ovat osa eettistä ja luotettavaa tekoälyä. Eettinen tekoäly edellyttää tietojen käytön, tietosuojan, sääntelyjen ja oikeudellisten näkökohtien huomioon ottamista. Luotettava tekoäly käsittää selitettävyyden ja tietojen käytön näkökohtia.

Olet CognitiveScalen neuvonantajana, voitko selittää, mitä CognitiveScale tekee ja miten neuvot tekoälyratkaisuista?

CognitiveScale on tekoälyohjelmistojen toimittaja, joka auttaa organisaatioita kehittämään, operaatiivisesti toteuttamaan ja skaalauttamaan kognitiivisia tekoälyratkaisuja; toteuttamaan tekoälyn arvon koko organisaatiossa; ja hallitsemaan luottamusta. Terveydenhuollossa työskentelemme maan suurimpien vakuutusyhtiöiden ja tarjoajien kanssa laajalla valikoimalla tekoälysovelluksia, kuten älykkäistä väliintöistä COVID-19-pandemiaan liittyen ja miten nämä ratkaisut parantavat hoitopalvelujen kokemusta ja paljon muuta, kun olemme päässeet kriisin yli. Terveydenhuollon asiantuntijana autan asiakkaita ja kumppaneita strategisesti alueilla, kuten vahvojen tekoälytiestojen luomisessa, ja taktisesti alueilla, kuten arvon toteuttamisessa ja optimoinnissa. Olen myös mukana tuotekehityksessä (terveydenhuollon mukautetut ominaisuudet ja kyvyt) ja ajattelun johtajuudessa, jossa painopisteenä on korkean arvon terveydenhuollon tekoälyratkaisut.

Voitko määritellä, mitkä ovat suurimmat ongelmat siinä, miten tekoäly toimii usein mustana laatikkoa, ja mitkä ovat mahdolliset ratkaisut terveydenhuollon alalla?

Kuten mainitsin, luotettava, eettinen tekoäly on suuri haaste – ja luottamus on suurelta osin “mustan laatikon” ongelma: selitettävyyden ja näkyvyyden puute, ja epäilyksiä asioista, kuten harhaanjohtavuudesta, reiluudesta, tarkkuudesta ja luotettavuudesta. CognitiveScalen Certiai-ratkaisu kohdistuu tähän haasteeseen ja auttaa asiakkaita tekoälyn luottamusindeksillä ja sen osilla (jokaisella on oma arvosana ja näkymä): harhaanjohtavuus, reiluus, selitettävyys, luotettavuus ja tarkkuus. Terveydenhuollossa on ollut esimerkkejä harhaanjohtavista malleista tai kliinikoiden epäilyksiä mallien tuloksista selitettävyyden ja näkyvyyden puutteen vuoksi. On myös sääntelyvaatimuksia tietosuojasta ja tietojen käytöstä, ja mallien käytöstä reilujen ja harhaanjohtamattomien tuloksien tuottamiseksi – ja nämä ovat tulleet julkisuuteen. Työskentelemme useiden teknologia- ja riskienhallintayritysten kanssa kehittääksemme luotettavia tapoja tarjota näkyvyyttä ja parantaa luottamusta “mustiin laatikoihin” tekoälyratkaisuihin.

Mitkä ovat keinoja vähentää ensiavun ylikuormitusta ennustavalla tekoälyllä?

Ensiavun välttäminen on osa hoitotoiminnan optimointia ja henkilökohtaista terveydenhuoltoa – oikea hoito oikeaan aikaan. Tämä voi vaatia ensiavun, mutta usein se ei vaadi. Viimeaikainen COVID-19-kriisi korostaa hyödyllistä esimerkkiä, jossa hoitotoiminnan optimointi on avainasemassa. Esimerkiksi korkean riskin potilaalle korkean riskin yhteisössä saattaa olla tarpeen kliinikoiden tuki, pääsy testauskeskukseen tai jossain tapauksissa ensiavun. Potilaat, jäsenet, tarjoajat ja vakuutusyhtiöt kaikki haluavat oikean tason hoitoa oikeaan aikaan kriisin aikana, joten yhdistelmä tekoälyratkaisuja auttaa tarjoamaan näkymät, kuten yhteisö- ja potilasriskiarviot, leviämisanalyysi, sairaalakäyttöennusteet ja henkilökohtaiset ohjeet tiettyjen henkilöiden osalta, muun muassa. Arvioimme hoitopalveluiden suorituskykyä useilla suorituskykymittareilla, kuten parantuneilla tuloksilla, mukaan lukien ensiavun välttäminen, kun se on tarpeen.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla CognitiveScalen sivustolla.