Jeffrey Eyestone, Penasihat Kesehatan AI di CognitiveScale – Seri Wawancara

Jeffrey Eyestone adalah Penasihat Kesehatan AI di CognitiveScale. Dalam peran ini, Jeff bekerja dengan organisasi kesehatan (terutama penyedia/sistem kesehatan, pembayar, dan vendor teknologi) pada perjalanan AI mereka – dari wawasan strategis tentang bagaimana mengembangkan kompetensi AI dan pusat keunggulan hingga pengembangan yang lebih taktis dari peta jalan AI dan pengiriman solusi AI

Apakah Anda dapat membahas mengapa Anda percaya AI sangat penting untuk industri kesehatan? 

Jumlah besar data yang kompleks, berbeda, dan terdistribusi membentuk dasar untuk proses klinis, administratif, dan keuangan yang mendorong kesehatan. Jadi, AI sekarang merupakan kemampuan inti di seluruh rantai nilai teknologi informasi kesehatan. Pekerja pengetahuan seperti klinisi dan peneliti menyadari perbaikan yang signifikan dari AI — terutama subset “kecerdasan yang ditingkatkan” dari AI.

AI di kesehatan adalah topik besar dan ada banyak kasus penggunaan yang berharga dari sumber data ke pengambilan wawasan, dari perbaikan atau otomatisasi proses ke penglibatan pasien yang lebih baik dan pengiriman perawatan yang dipersonalisasi. Hasil klinis membaik, efisiensi mengemudi penghematan biaya, dan ada banyak kasus penggunaan lainnya yang berjanji untuk mengemudi nilai. Wabah pandemik global saat ini telah meletakkan banyak kasus penggunaan AI kesehatan lainnya dalam fokus tajam, menggabungkan skor risiko komunitas dan individu dengan intervensi cerdas, misalnya – semua ini akan memperbaiki sistem kesehatan di seluruh dunia setelah kita mengalahkan COVID-19.

Bagaimana Anda mendefinisikan kecerdasan yang ditingkatkan dalam pengaturan kesehatan?

CognitiveScale fokus utama pada kecerdasan yang ditingkatkan. Beberapa teknologi AI seperti otomatisasi proses robotik (RPA) atau chatbot mencari untuk menggantikan orang dengan mesin (sebagian besar waktu, anyway). Kami fokus, terutama, pada solusi AI yang membantu organisasi kesehatan dan staf bekerja lebih cerdas dan efisien.  Kami juga fokus pada solusi kognitif— subset yang lebih maju dari AI yang memiliki loop pembelajaran atau umpan balik—dan sering kali “manusia dalam loop” yang dapat memberikan umpan balik untuk model belajar dari. Ada banyak contoh kecerdasan yang ditingkatkan dalam kesehatan yang mulai menghasilkan hasil yang mengesankan. Misalnya, dalam radiologi dan patologi, klinisi meningkatkan kemampuan mereka untuk membaca gambar dan membuat diagnosis dengan model pembelajaran mesin, memungkinkan deteksi lebih awal atau diagnosis yang lebih akurat dan hasil laboratorium.

Anda telah bekerja dengan perusahaan rintisan dan organisasi besar yang telah mengimplementasikan strategi AI yang berbeda. Apa kesalahan umum yang Anda lihat?

Hanya seperti solusi AI kognitif belajar seiring waktu dan matang, begitu juga pemahaman kita tentang kekuatan AI, dan jebakan. Waktu yang dibutuhkan untuk mengakses data—untuk mempersiapkan data—dan kemudian untuk melatih model pada sensus data biasanya lebih lama dari yang diperkirakan. Kesalahan lain terkait dengan operasionalisasi dan skala solusi AI—menganggap bahwa model yang baik dapat dengan mudah diterapkan dan dikelola di seluruh ekosistem IT kesehatan, ketika kenyataannya adalah bahwa banyak model AI tetap tidak digunakan. Tapi salah satu tantangan terbesar dalam AI kesehatan terkait dengan kepercayaan: dapatkah model dipercaya, apakah mereka bias, adil, dapat dijelaskan, dan akurat?  Banyak headline telah menunjukkan bahwa solusi AI dapat memiliki bias dalam cara yang akan menarik perhatian regulator—atau mereka mungkin merupakan solusi “black box” yang memperoleh skeptisisme dari penyedia yang kecerdasannya mereka seharusnya tingkatkan. Ini adalah tantangan terbesar—dan kesalahan—dengan AI kesehatan yang saya lihat akhir-akhir ini.

Apa pandangan Anda tentang pemetaan genom?

Pemetaan genom adalah subset teknologi yang menjanjikan yang dirancang untuk memberikan wawasan yang dipersonalisasi tentang seseorang, biasanya untuk tujuan perawatan kesehatan mereka (bukan genealogi, atau kadang-kadang kita melihat cerita tentang sengketa paternitas atau bahkan penyelidikan kejahatan yang menggunakan teknologi ini).  Pemersonalisasi adalah topik besar dari kasus penggunaan AI kesehatan—bagaimana meningkatkan penglibatan pasien, atau meningkatkan kecerdasan penyedia dengan wawasan yang lebih dipersonalisasi dan terarah. Sejauh pemetaan genom dapat membantu memberikan pemersonalisasi yang lebih baik. Dan, selama data dan penggunaannya dapat dipercaya (tidak bias, adil, dapat dijelaskan, akurat, dll.), maka itu akan menjadi komponen penting dari pengobatan yang dipersonalisasi—dan elemen dasar dari solusi AI yang hiper-pribadi yang menggunakan informasi genetik.

Pemersonalisasi kesehatan tampaknya menjadi gelombang masa depan, dalam hal apa Anda melihat ini memiliki dampak positif terbesar?

Di CognitiveScale kami mengirimkan solusi kesehatan yang dipersonalisasi, prediktif, dan preskriptif. Beberapa contoh termasuk intervensi cerdas untuk manajer perawatan (kasus penggunaan klinis) dan memprediksi pertanyaan layanan (kasus penggunaan administratif/operasional). Solusi intervensi cerdas mengirimkan inferensi, prediksi, dan skor risiko yang dipersonalisasi (antara lain output model) yang meningkatkan pekerjaan mereka yang mengelola pasien melalui program manajemen perawatan. Kami juga menggunakan kemampuan ini untuk otoritas kesehatan masyarakat, penyedia, dan rencana kesehatan yang mencoba mengelola warga/pasien/anggota melalui krisis COVID-19. Dengan memprediksi pertanyaan layanan, kami membantu organisasi kesehatan mengetahui saat anggota atau penyedia menelepon tentang klaim, manfaat, dll., alasan spesifik untuk panggilan dan bagaimana untuk lebih efisien menyelesaikannya, sehingga mengemudi penghematan biaya dan mempengaruhi kepuasan dan retensi. Ada banyak kasus penggunaan AI kesehatan lainnya yang fokus pada solusi yang dipersonalisasi. Kami bisa menulis buku tentang topik ini saja.

Apakah Anda dapat berbicara tentang tantangan mengagregasi data dari sumber yang berbeda seperti EMR, ERP, data pasien, sumber data eksternal, dll, menjadi satu sistem data yang koheren?

Teknologi Informasi Kesehatan (TIK) hampir selalu merupakan ekosistem: jaringan terdistribusi dari sistem yang berbeda. Contoh umum adalah catatan kesehatan pribadi (CKP)—set data lengkap dari rekam medis pasien. Bahkan ketika sistem kesehatan besar berada pada satu sistem informasi rumah sakit yang homogen, pasien mereka kemungkinan memiliki perawat lain, mereka mungkin memiliki asuransi yang merupakan sumber data lain, dan data laboratorium dan farmasi mereka mungkin tersebar di beberapa klinik dan perusahaan.  Meskipun ada set transaksi standar untuk pertukaran data kesehatan, model data klinis umum untuk menyimpan data (dan skema data anggota, pasien, pelanggan, dan penyedia), penyedia solusi AI kesehatan sering perlu menunjukkan bagaimana solusi dapat menggunakan beberapa di antaranya sekaligus—data internal dan eksternal, koneksi data, dan skema data. Jelas, dasar solusi AI kesehatan adalah data. Jadi, kemampuan agregasi data harus menjadi kompetensi inti dari setiap penyedia AI kesehatan.

Apa pertimbangan yang diperlukan dengan jejak data?

Jejak data adalah komponen dari beberapa masalah yang lebih besar dan mendesak dalam AI kesehatan. Pertama, jejak data adalah salah satu masalah yang terkait dengan privasi, penggunaan data, dan pertukaran data. Misalnya, di mana data klinis atau informasi kesehatan pribadi (IKP) pergi dan bagaimana digunakan? Masalah-masalah ini terkait dengan aspek regulasi dan hukum dari keamanan dan privasi data kesehatan. Masalah-masalah ini, kemudian, adalah subset dari AI yang etis dan dipercaya. AI yang etis perlu memperhitungkan penggunaan data, privasi, regulasi, dan aspek hukum, dll., khususnya menangani penggunaan data yang etis. AI yang dipercaya termasuk aspek-aspek seperti keterjelasan dan penggunaan data.

Anda adalah penasihat di CognitiveScale, dapatkah Anda menjelaskan apa yang dilakukan CognitiveScale dan bagaimana Anda memberikan saran?

CognitiveScale adalah penyedia perangkat lunak AI yang membantu organisasi membangun, mengoperasikan, dan menskala solusi AI kognitif; menyadari nilai AI di seluruh organisasi; dan, mengelola kepercayaan. Di Kesehatan, kami bekerja untuk beberapa organisasi pembayar dan penyedia terbesar di negara ini, pada berbagai kasus penggunaan AI, termasuk pekerjaan terbaru di area seperti intervensi cerdas yang terkait dengan pandemi COVID-19 dan bagaimana solusi ini akan memperbaiki manajemen perawatan, pengalaman layanan, dan lainnya, setelah kita melewati krisis ini. Sebagai ahli mata pelajaran kesehatan utama kami, saya membantu klien dan mitra lebih strategis di area seperti membangun peta jalan AI yang kuat, dan lebih taktis di area seperti realisasi nilai dan optimasi.  Saya juga bekerja untuk membantu di area seperti pengembangan produk (fitur dan kemampuan kesehatan spesifik dari platform kami, misalnya) dan kepemimpinan pemikiran dengan fokus pada solusi AI kesehatan yang paling berharga (mengingat ukuran peluang).

Dapatkah Anda mendefinisikan bagi kami apa masalah terbesar dengan cara AI kadang-kadang beroperasi sebagai kotak hitam, dan solusi potensial untuk industri kesehatan?

Seperti yang saya sebutkan, AI yang dipercaya dan etis adalah tantangan besar—dan kepercayaan sebagian besar disebabkan oleh masalah “kotak hitam”: kurangnya keterjelasan atau visibilitas, dan skeptisisme tentang masalah seperti bias, keadilan, akurasi, dan kekuatan. Di CognitiveScale, solusi Certiai kami secara khusus menangani tantangan ini dan membantu klien dengan Indeks Kepercayaan AI dan bagian-bagiannya (masing-masing dengan skor dan wawasan mereka sendiri): bias, keadilan, keterjelasan, kekuatan, dan akurasi. Kesehatan telah memiliki contoh model yang bias, atau skeptisisme klinisi dengan output model karena kurangnya transparansi atau keterjelasan.  Ada juga persyaratan regulasi sekitar privasi dan penggunaan data, dan penggunaan model untuk menghasilkan hasil yang adil atau tidak bias—dan ini telah membuatnya ke berita. Kami bekerja dengan sejumlah organisasi teknologi dan manajemen risiko untuk mengembangkan cara yang dipercaya untuk memberikan visibilitas dan meningkatkan kepercayaan pada solusi AI “kotak hitam”.

Apakah ada cara untuk mengurangi kelebihan kapasitas ER melalui AI prediktif?

Penghindaran ER sebenarnya adalah subset dari optimasi perawatan dan kesehatan yang dipersonalisasi—perawatan yang tepat pada waktu yang tepat. Ini mungkin melibatkan perawatan darurat, tetapi seringkali tidak. Krisis COVID-19 baru-baru ini menyoroti contoh yang berguna di mana optimasi perawatan. Misalnya, perawatan yang tepat untuk pasien berisiko tinggi dalam komunitas berisiko tinggi mungkin termasuk pendekatan klinisi, akses ke pusat pengujian, atau dalam beberapa kasus, perawatan darurat.  Pasien, anggota, penyedia, dan pembayar semua ingin tingkat perawatan yang tepat pada waktu yang tepat dalam krisis ini sehingga kombinasi solusi AI membantu mengirimkan wawasan seperti skor risiko komunitas dan pasien, analisis penyebaran, prediksi utilisasi rumah sakit, dan panduan yang dipersonalisasi untuk orang-orang tertentu, antara lain solusi. Kami menilai kinerja solusi manajemen perawatan kami terhadap sejumlah metrik kinerja seperti hasil yang ditingkatkan termasuk penghindaran ER ketika tepat.

Terima kasih atas wawancara, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi CognitiveScale.