Jeffrey Eyestone, Consulente di Intelligenza Artificiale per il Settore Sanitario presso CognitiveScale – Serie di Interviste

Jeffrey Eyestone è il Consulente di Intelligenza Artificiale per il Settore Sanitario di CognitiveScale. In questo ruolo, Jeff lavora con organizzazioni sanitarie (in prevalenza fornitori di servizi sanitari, pagatori e fornitori di tecnologie) nel loro percorso di intelligenza artificiale – dalla strategia per sviluppare competenze e centri di eccellenza di intelligenza artificiale allo sviluppo più tattico di roadmap e soluzioni di intelligenza artificiale

Perché pensi che l’intelligenza artificiale sia così importante per il settore sanitario?

Enormi quantità di dati complessi, disparati e distribuiti costituiscono la base per i processi clinici, amministrativi e finanziari che guidano il settore sanitario. Pertanto, l’intelligenza artificiale è ora una capacità fondamentale in tutta la catena di valore della tecnologia dell’informazione sanitaria. I lavoratori della conoscenza come i clinici e i ricercatori stanno ottenendo miglioramenti significativi dall’intelligenza artificiale – in particolare il subset di “intelligenza aumentata” dell’intelligenza artificiale.

L’intelligenza artificiale nel settore sanitario è un argomento vasto e ci sono molti casi d’uso preziosi, dalla raccolta dei dati alla derivazione di informazioni, dal miglioramento o automazione dei processi a una migliore esperienza del paziente e alla consegna di cure personalizzate. I risultati clinici stanno migliorando, le efficienze stanno guidando i risparmi di costo e ci sono molti altri casi d’uso in corso che promettono di generare valore. La pandemia globale attuale ha messo in evidenza molti altri casi d’uso di intelligenza artificiale nel settore sanitario, combinando punteggi di rischio comunitari e individuali con interventi intelligenti, ad esempio – tutti questi miglioreranno i sistemi sanitari in tutto il mondo una volta superata la pandemia di COVID-19.

Come definiresti l’intelligenza aumentata in un ambiente sanitario?

CognitiveScale si concentra principalmente sull’intelligenza aumentata. Alcune tecnologie di intelligenza artificiale, come l’automazione dei processi robotici (RPA) o i chatbot, cercano di sostituire le persone con le macchine (per la maggior parte del tempo, comunque). Ci concentriamo su soluzioni di intelligenza artificiale che aiutano le organizzazioni e il personale sanitario a lavorare in modo più intelligente e efficiente. Siamo anche concentrati sulle soluzioni cognitive – il subset più avanzato di intelligenza artificiale che ha un ciclo di apprendimento o feedback – e spesso sono gli “esseri umani nel ciclo” che possono fornire il feedback per i modelli di apprendimento. Ci sono numerosi esempi di intelligenza aumentata nel settore sanitario che stanno iniziando a produrre risultati impressionanti. Ad esempio, in radiologia e patologia, i clinici stanno aumentando la loro capacità di leggere le immagini e diagnosticare con modelli di apprendimento automatico, consentendo una diagnosi più precoce o più accurata e risultati di laboratorio.

Hai lavorato con startup e grandi organizzazioni che hanno implementato diverse strategie di intelligenza artificiale. Quali sono gli errori comuni che hai visto?

Proprio come le soluzioni di intelligenza artificiale cognitive imparano nel tempo e maturano, anche la nostra comprensione del potere dell’intelligenza artificiale e dei suoi trabocchetti è maturata. Il tempo necessario per accedere ai dati, prepararli e quindi addestrare i modelli su un censimento di dati è solitamente più lungo del previsto. Altri errori sono legati all’operativizzazione e alla scalabilità delle soluzioni di intelligenza artificiale – supporre che un buon modello possa essere facilmente distribuito e gestito in un ecosistema di tecnologia dell’informazione sanitaria, quando in realtà molti modelli di intelligenza artificiale rimangono inutilizzati. Ma una delle sfide più significative nel settore sanitario riguarda la fiducia: i modelli possono essere affidabili, sono prevenuti, equi, spiegabili e precisi? Numerosi titoli hanno mostrato che le soluzioni di intelligenza artificiale possono essere prevenute in modi che attireranno l’attenzione dei regolatori – o potrebbero essere soluzioni “black box” che guadagnano scetticismo da parte dei fornitori la cui intelligenza stanno aumentando. Questa è la sfida più grande – e l’errore – con l’intelligenza artificiale nel settore sanitario che sto vedendo ultimamente.

Quali sono le tue opinioni sul profilo genetico?

Il profilo genetico è un subset di tecnologie promettenti progettate per fornire informazioni personalizzate su una persona, solitamente per scopi sanitari (invece di genealogia, o occasionalmente vediamo storie su dispute di paternità o anche indagini criminali che utilizzano questa tecnologia). La personalizzazione è un argomento importante per i casi d’uso di intelligenza artificiale nel settore sanitario – come migliorare l’esperienza del paziente o aumentare l’intelligenza dei fornitori con informazioni più personalizzate e dirette. Finché i dati e l’uso degli stessi sono affidabili (imparziali, equi, spiegabili, precisi, ecc.), allora sarà un componente importante della medicina personalizzata – e un elemento fondamentale delle soluzioni di intelligenza artificiale iper-personalizzate che utilizzano informazioni genetiche.

La personalizzazione della sanità sembra essere l’onda del futuro, in che modo pensi che questo avrà il maggior impatto positivo?

Presso CognitiveScale stiamo fornendo soluzioni di sanità personalizzate, predittive e prescrittive. Alcuni esempi includono interventi intelligenti per i gestori di assistenza (caso d’uso clinico) e la previsione delle richieste di servizio (caso d’uso amministrativo/operativo). Le soluzioni di intervento intelligente forniscono inferenze personalizzate, previsioni e punteggi di rischio (tra gli altri output del modello) che aumentano il lavoro di coloro che gestiscono i pazienti attraverso un programma di gestione dell’assistenza. Stiamo anche utilizzando queste capacità per le autorità sanitarie pubbliche, i fornitori e i piani sanitari che cercano di gestire i cittadini/pazienti/membri attraverso la crisi di COVID-19. Prevedendo le richieste di servizio, stiamo aiutando le organizzazioni sanitarie a sapere il momento in cui un membro o un fornitore chiama per richiedere informazioni sui reclami, i benefici, ecc., il motivo specifico della chiamata e come risolverla in modo più efficiente, generando così risparmi di costo e impattando sulla soddisfazione e sulla fidelizzazione. Ci sono molti altri casi d’uso di intelligenza artificiale nel settore sanitario focalizzati su soluzioni personalizzate. Potremmo scrivere un libro su questo argomento solo.

Puoi parlare delle sfide di aggregazione dei dati da fonti disparate come EMR, ERPs, dati dei pazienti, fonti di dati esterne, ecc. in un unico sistema di dati coerente?

La tecnologia dell’informazione sanitaria (HCIT) è quasi sempre un ecosistema: una rete distribuita di sistemi disparati. Un esempio comune è il record sanitario personale (PHR) – l’insieme completo dei dati del record medico di un paziente. Anche quando un grande sistema sanitario utilizza un unico sistema di informazione ospedaliera omogeneo, i suoi pazienti avranno probabilmente altri caregiver, potrebbero avere un’assicurazione che è un’altra fonte di dati e i loro dati di laboratorio e farmacia potrebbero essere distribuiti su più cliniche e società. Mentre ci sono set di transazioni standard per lo scambio di dati sanitari, modelli di dati clinici comuni per l’archiviazione dei dati (e schemi di dati per membri, pazienti, clienti e fornitori), i fornitori di soluzioni di intelligenza artificiale nel settore sanitario devono spesso dimostrare come le soluzioni possano sfruttare più di questi contemporaneamente – dati interni ed esterni, connettività dei dati e schemi dei dati. Ovviamente, la base delle soluzioni di intelligenza artificiale nel settore sanitario sono i dati. Pertanto, le capacità di aggregazione dei dati devono essere una competenza fondamentale di qualsiasi fornitore di intelligenza artificiale nel settore sanitario.

Quali sono le considerazioni necessarie per la tracciabilità dei dati?

La tracciabilità dei dati è un componente di alcune questioni più ampie e urgenti nel settore sanitario. Ad esempio, dove vanno i dati clinici o le informazioni sulla salute personale (PHI) e come vengono utilizzati? Queste questioni sono legate agli aspetti regolatori e legali della sicurezza e della privacy dei dati sanitari. Queste questioni, a loro volta, sono un subset di intelligenza artificiale etica e affidabile. L’intelligenza artificiale etica deve tenere conto dell’uso dei dati, della privacy, delle norme e degli aspetti legali, ecc., affrontando specificamente l’uso etico dei dati. L’intelligenza artificiale affidabile include aspetti come la spiegabilità e l’uso dei dati.

Sei un consulente presso CognitiveScale, puoi spiegare cosa fa CognitiveScale e come li consigli?

CognitiveScale è un fornitore di software di intelligenza artificiale che aiuta le organizzazioni a costruire, operativizzare e scalare soluzioni di intelligenza artificiale cognitive; realizzare il valore dell’intelligenza artificiale in tutta l’organizzazione; e gestire la fiducia. Nel settore sanitario, lavoriamo per alcune delle più grandi organizzazioni di pagatori e fornitori del paese, su una vasta gamma di casi d’uso di intelligenza artificiale, inclusi lavori più recenti in aree come gli interventi intelligenti legati alla pandemia di COVID-19 e come queste soluzioni miglioreranno la gestione dell’assistenza, l’esperienza del servizio e altro ancora, una volta superata la crisi. In qualità di nostro principale esperto di settore sanitario, aiuto i clienti e i partner in modo più strategico in aree come la costruzione di roadmap di intelligenza artificiale robuste e, in modo più tattico, in aree come la realizzazione del valore e l’ottimizzazione. Sto anche lavorando per aiutare in aree come lo sviluppo di prodotti (caratteristiche e capacità specifiche del settore sanitario della nostra piattaforma, ad esempio) e il pensiero di leadership con un focus sui più alti casi d’uso di intelligenza artificiale nel settore sanitario (dato le dimensioni dell’opportunità).

Potresti definire per noi quali sono i principali problemi con il modo in cui l’intelligenza artificiale a volte opera come una “scatola nera” e le potenziali soluzioni per il settore sanitario?

Come ho menzionato, l’intelligenza artificiale affidabile e etica è una grande sfida – e la fiducia è in gran parte dovuta al problema della “scatola nera”: la mancanza di spiegabilità o visibilità e lo scetticismo su questioni come la prevenzione, l’equità, la precisione e la robustezza. Presso CognitiveScale, la nostra soluzione Certiai affronta specificamente questa sfida e aiuta i clienti con un indice di fiducia dell’intelligenza artificiale e le sue parti componenti (ognuna con il proprio punteggio e informazioni): prevenzione, equità, spiegabilità, robustezza e precisione. Il settore sanitario ha avuto esempi di modelli prevenuti o scetticismo dei clinici con l’output del modello a causa della mancanza di trasparenza o spiegabilità. Ci sono anche requisiti regolatori sulla privacy e sull’uso dei dati e sull’uso dei modelli per fornire risultati equi o imparziali – e questi sono stati nel news. Stiamo lavorando con numerose organizzazioni tecnologiche e di gestione del rischio per sviluppare modi affidabili per fornire visibilità e migliorare la fiducia nelle soluzioni di intelligenza artificiale “scatola nera”.

Quali sono alcuni modi per ridurre la sovrasaturazione del pronto soccorso attraverso l’intelligenza artificiale predittiva?

L’evitamento del pronto soccorso è realmente un subset dell’ottimizzazione dell’assistenza e della sanità personalizzata – la cura giusta al momento giusto. Ciò potrebbe coinvolgere la cura di emergenza, ma spesso non lo fa. La recente crisi di COVID-19 evidenzia un esempio utile in cui l’ottimizzazione della cura. Ad esempio, la cura giusta per un paziente ad alto rischio in una comunità ad alto rischio potrebbe includere il contatto con i clinici, l’accesso a un centro di test o, in alcuni casi, la cura di emergenza. I pazienti, i membri, i fornitori e i pagatori desiderano tutti il livello di cura giusto al momento giusto in questa crisi, quindi una combinazione di soluzioni di intelligenza artificiale sta fornendo informazioni come punteggi di rischio comunitari e dei pazienti, analisi della diffusione, previsioni dell’utilizzo degli ospedali e indicazioni personalizzate per persone specifiche, tra le altre soluzioni. Valutiamo le prestazioni delle nostre soluzioni di gestione dell’assistenza in base a una serie di metriche di prestazione, come i risultati migliorati, inclusa l’evitamento del pronto soccorso quando appropriato.

Grazie per l’intervista, i lettori che desiderano saperne di più possono visitare CognitiveScale.