ג’וש מילר, מנכ”ל Gradient Health – סדרת ראיונות

ג’וש מילר הוא המנכ”ל של Gradient Health, חברה שהוקמה על הרעיון שאבחון אוטומטי חייב להתקיים כדי שהשירותים הרפואיים יהיו הוגנים וזמינים לכולם. Gradient Health מטרתה לאיצון אבחון אוטומטי באמצעות מידע שמאורגן, ממותג וזמין.

האם תוכל לשתף את סיפור המקור מאחורי Gradient Health?

שותפי להקמה, Ouwen, ואני זה עתה יצאנו מההתחלה הראשונה שלנו, FarmShots, אשר השתמשה בראייה ממוחשבת כדי לעזור להפחית את כמות החומרים משמידי המזיקים המשמשים בחקלאות, ואנחנו חיפשנו את האתגר הבא שלנו.

אנחנו תמיד הונענו על ידי הרצון למצוא בעיה קשה לפתרון עם טכנולוגיה שיש לה הזדמנות לעשות הרבה טוב בעולם, וב) הובילה לעסק מוצלח. Ouwen עבד על התואר הרפואי שלו, ועם ניסיוננו בראייה ממוחשבת, תמונות רפואיות היו התאמה טבעית עבורנו. בגלל ההשפעה ההרסנית של סרטן השד, בחרנו בממוגרפיה כיישום פוטנציאלי ראשון. כך שאמרנו, “אוקיי, מהם המקומות בהם אנחנו מתחילים? אנחנו צריכים נתונים. אנחנו צריכים אלף ממוגרפיות. איפה אתה מקבל את הקנה הזה של נתונים?” והתשובה הייתה “שום מקום”. אנחנו הבנו מיד, זה באמת קשה למצוא נתונים. אחרי חודשים, התסכול הזה התפתח לבעיה פילוסופית עבורנו, אנחנו חשבנו “כל מי שמנסה לעשות טוב בתחום הזה לא צריך להיאבק ולהיאבק כדי לקבל את הנתונים שהם צריכים כדי לבנות אלגוריתמים מצילי חיים”. ואז אמרנו “היי, אולי זו באמת הבעיה שלנו לפתור”.

מהם הסיכונים הנוכחיים בשוק עם נתונים לא מייצגים?

מלימודים רבים ודוגמאות מציאותיות, אנו יודעים כי אם אנו בונים אלגוריתם, באמצעות נתונים רק מהחוף המערבי, ואתה מביא אותו לדרום-מזרח, זה פשוט לא יעבוד. שוב ושוב אנו שומעים סיפורים על AI שעובד היטב בבית החולים הצפון-מזרחי שבו הוא נוצר, ואז כאשר הם מפרישים אותו במקום אחר, דיוקו יורד לפחות מ-50%.

אני מאמין כי המטרה העיקרית של AI, ברמה האתית, היא שהיא צריכה להפחית את הפערים בבריאות. המטרה היא להפוך טיפול איכותי לזול ונגיש לכולם. אבל הבעיה היא כאשר אתה בונה אותו על בסיס נתונים גרועים, אתה בעצם מגדיל את הפערים. אנו נכשלים במשימת AI של הבריאות אם אנו מאפשרים לו לעבוד רק עבור גברים לבנים מהחוף. אנשים מרקעים מיוצגים פחות יסבלו יותר מאפליה כתוצאה, לא פחות.

האם תוכל לדון בדרך שבה Gradient Health מקור נתונים?

כן, אנו משתפים פעולה עם כל סוגי מערכות בריאות ברחבי העולם, שנתוניהן שמורים הרחק, עולים להם כסף, ולא מועילים לאיש. אנו מזהים את נתוניהם במקור ואז אנו מארגנים אותם בקפידה עבור חוקרים.

כיצד Gradient Health מבטיחה כי הנתונים הם לא מוטים וכמה שאפשר מגוונים?

יש הרבה דרכים. למשל, כאשר אנו אוספים נתונים, אנו מוודאים שאנו כוללים הרבה קליניקות קהילתיות, שם יש לרוב נתונים מייצגים יותר, כמו גם בתי חולים גדולים. אנו גם מקור את נתונינו ממספר רב של אתרים קליניים. אנו מנסים לקבל כמה שיותר אתרים מכמה שיותר אוכלוסיות שונות. כך שלא רק להיות בעלי מספר גדול של אתרים, אלא גם להיות להם מגוונים גאוגרפית וסוציו-כלכלית. כי אם כל האתרים שלך הם מבתי חולים מרכזיים, זה עדיין לא נתונים מייצגים, הא?

כדי לאמת את כל זה, אנו רצים סטטיסטיקה על כל אחד מאוספי הנתונים, ואנו מתאימים אותם ללקוח, כדי לוודא שהם מקבלים נתונים שמגוונים במונחים של טכנולוגיה ודמוגרפיה.

למה רמת בקרת הנתונים הזו חשובה כל כך לעיצוב אלגוריתמים AI חזקים?

יש הרבה משתנים ש-AI עשוי לפגוש בעולם האמיתי, ומטרתנו היא לוודא שהאלגוריתם הוא חזק ככל האפשר. כדי לפשט את הדברים, אנו חושבים על חמישה משתנים מפתח בנתונים שלנו. המשתנה הראשון שאנו חושבים עליו הוא “יצרן ציוד”. זה ברור, אבל אם אתה בונה אלגוריתם רק באמצעות נתונים מסורקי GE, זה לא יתפקד טוב על סורק Hitachi, למשל.

בקווים דומים הוא המשתנה “דגם ציוד”. הזה באמת מעניין מנקודת מבט שוויון בריאות. אנו יודעים כי בתי החולים הגדולים והממומנים היטב נוטים להיות בעלי הגרסאות האחרונות והטובות ביותר של סורקים. ואם הם רק מאמנים את AI שלהם על דגמים 2022, זה לא יעבוד טוב על דגם ישן 2010. מערכות אלה הן בדיוק אלו שנמצאות באזורים פחות מבוטחים וכפריים. כך שבאמצעות שימוש רק בנתונים מדגמים חדשים, הם מכניסים במקרה הטיה נוספת נגד אנשים מקהילות אלה.

המשתנים האחרים הם מין, אתניות וגיל, ואנו עושים כל מאמץ לוודא שנתונינו מאוזנים באופן יחסי על כולם.

מהם כמה מהמכשולים הרגולטוריים שחברות MedTech פוגשות?

אנו מתחילים לראות את ה-FDA חוקר את ההטיה בנתונים. היו לנו חוקרים שבאו אלינו ואמרו “ה-FDA דחה את האלגוריתם שלנו, מכיוון שחסרה אוכלוסייה אפריקאית-אמריקאית של 15% “(כ-15% מאוכלוסיית ארצות הברית). גם שמענו על מפתח שנאמר לו שהוא צריך לכלול 1% תושבי הוואי השקט בנתוני האימון.

כך שה-FDA מתחיל להבין כי אלגוריתמים אלה, שהוכשרו רק בבית חולים אחד, לא עובדים בעולם האמיתי. העובדה היא, כי אם אתה רוצה סימון CE & אישור FDA, אתה צריך לבוא עם נתונים שמייצגים את האוכלוסייה. זה, בצדק, אינו מקובל יותר לאמן AI על קבוצה קטנה או לא מייצגת.

הסיכון ל- MedTechs הוא כי הם משקיעים מיליוני דולרים בהבאת הטכנולוגיה שלהם למקום שבו הם חושבים שהם מוכנים לאישור רגולטורי, ואז אם הם לא יכולים לעבור, הם לעולם לא יקבלו שילום או הכנסה. לבסוף, הדרך למסחור והדרך להיות בעל השפעה מועילה על הבריאות שהם רוצים להיות, דורשת מהם לדאוג להטיה של נתונים.

מהם כמה מהאפשרויות לגבור על מכשולים אלה מנקודת מבט של נתונים?

במהלך השנים האחרונות, שיטות ניהול נתונים התפתחו, וכעת יש למפתחי AI יותר אפשרויות זמינות להם מאשר בעבר. ממתווכי נתונים ושותפים, דרך למידה פדרטיבית ונתונים סינתטיים, ישנן גישות חדשות למכשולים האלה. ללא קשר לשיטה שהם בוחרים, אנו תמיד מעודדים את המפתחים לשאול אם נתוניהם באמת מייצגים את האוכלוסייה שתשתמש במוצר.

פתרון ש-Gradient Health מציע הוא Gradient Label, מהו פתרון זה וכיצד הוא מאפשר תיוג נתונים בקנה מידה?

AI רפואי לא רק דורש נתונים, אלא גם תיוג מומחים. ואנו עוזרים לחברות לקבל את התיוגים המומחים, כולל מרדיאולוגים.

מהו חזונך לעתיד של AI ונתונים בבריאות?

כבר יש אלפי כלים AI שבודקים הכל, מקצות האצבעות ועד קצות הרגליים, ואני חושב שזה הולך להמשיך. אני חושב שיהיו לפחות 10 אלגוריתמים לכל מצב בספר לימוד רפואי. כל אחד מהם יהיה בעל כלים תחרותיים מרובים, כדי לעזור לרופאים לספק את הטיפול הטוב ביותר.

אני לא חושב שאנו הולכים לראות טריקורדר בסגנון Star Trek, שמסורק אדם ומטפל בכל בעיה אפשרית מהראש ועד הרגל. במקום זאת, נהיה בעלי יישומים מומחים עבור כל תת-קבוצה.

האם יש משהו אחר שתרצה לשתף על Gradient Health?

אני מרוצה מהעתיד. אני חושב כי אנו הולכים למקום שבו הבריאות היא זולה, שווה וזמינה לכולם, ואני שואף ש-Gradient תקבל הזדמנות לשחק תפקיד מהותי בהופכת זאת למציאות. כל הצוות כאן באמת מאמין במשימה הזו, ויש תשוקה מאוחדת ביניהם, שלא תמיד קיימת בחברות. ואני אוהב את זה!

תודה על הראיון הנהדר, קוראים שרוצים ללמוד יותר צריכים לבקר ב- Gradient Health.