Jeffrey Eyestone, Healthcare AI-adviseur bij CognitiveScale – Interviewreeks

Jeffrey Eyestone is CognitiveScale’s Healthcare AI-adviseur. In deze rol werkt Jeff met zorgorganisaties (voornamelijk zorgverleners, zorgsystemen, verzekeraars en technologiebedrijven) aan hun AI-reis – van strategische inzichten over hoe AI-vaardigheden en excellentiecentra te ontwikkelen tot meer tactische ontwikkeling van AI-roadmaps en levering van AI-oplossingen

Kunt u bespreken waarom u denkt dat AI zo belangrijk is voor de zorgsector? 

Massale hoeveelheden complexe, uiteenlopende en gedistribueerde gegevens vormen de basis voor de onderliggende klinische, administratieve en financiële processen die de zorgsector aandrijven. Dus, AI is nu een kerncapaciteit in de hele zorginformatietechnologie-waardeketen. Kenniswerkers zoals clinici en onderzoekers realiseren aanzienlijke verbeteringen van AI – vooral de “augmented intelligence”-subset van AI.

AI in de zorgsector is een enorm onderwerp en er zijn veel waardevolle use cases, van het verzamelen van gegevens tot het afleiden van inzichten, van het verbeteren of automatiseren van processen tot betere patiëntbetrokkenheid en de levering van gepersonaliseerde zorg. Klinische resultaten verbeteren, efficiëntie drijft kostenbesparingen aan en er zijn veel meer use cases in de maak die waarde zullen creëren. De huidige wereldwijde pandemie heeft veel meer zorg-AI-use cases in scherp focus gebracht, door community- en individuele risicoscores en inzichten te combineren met intelligente interventies, bijvoorbeeld – alles wat de zorgsystemen over de hele wereld zal verbeteren, zelfs als we COVID-19 hebben overwonnen.

Hoe zou u augmented intelligence in een zorginstelling definiëren?

CognitiveScale richt zich voornamelijk op augmented intelligence. Sommige AI-technologie, zoals robotic process automation (RPA) of chatbots, proberen mensen te vervangen door machines (meestal). Wij richten ons op AI-oplossingen die zorgorganisaties en -medewerkers helpen slimmer en efficiënter te werken.  Wij richten ons ook op cognitieve oplossingen – de meer geavanceerde subset van AI die een leer- of feedbacklus heeft – en vaak zijn het de “mensen in de lus” die feedback kunnen geven voor modellen om van te leren. Er zijn talloze voorbeelden van augmented intelligence in de zorg die indrukwekkende resultaten beginnen te leveren. Bijvoorbeeld, in radiologie en pathologie, versterken clinici hun vermogen om beelden te lezen en diagnoses te stellen met machine learning-modellen, waardoor vroegere detectie of nauwkeurigere diagnoses en labresultaten mogelijk worden.

U hebt met zowel startups als grote organisaties gewerkt die verschillende AI-strategieën hebben geïmplementeerd. Wat zijn enkele veelvoorkomende fouten die u hebt gezien?

Net als cognitieve AI-oplossingen leren en volwassen worden over tijd, zo is ons begrip van de kracht van AI en de valkuilen ook gegroeid. De tijd die nodig is om toegang te krijgen tot gegevens – om de gegevens voor te bereiden – en vervolgens om modellen te trainen op een census van gegevens, heeft meestal langer geduurd dan oorspronkelijk gedacht. Andere fouten zijn gerelateerd aan de operationalisatie en schaal van AI-oplossingen – ervan uitgaande dat een goed model gemakkelijk kan worden geïmplementeerd en beheerd in een zorg-IT-ecosysteem, wanneer de realiteit is dat veel AI-modellen ongebruikt blijven. Maar een van de grootste uitdagingen in zorg-AI is vertrouwen: kunnen modellen worden vertrouwd, zijn ze gebiaseerd, eerlijk, verklaarbaar en nauwkeurig?  Talloze koppen hebben laten zien dat AI-oplossingen gebiaseerd kunnen zijn op manieren die de aandacht van regulators zullen trekken – of ze kunnen zwarte doosoplossingen zijn die scepsis verdienen van de zorgverleners wiens intelligentie ze zouden moeten versterken. Dit is de grootste uitdaging – en fout – met zorg-AI die ik de laatste tijd zie.

Wat zijn uw meningen over genoomprofileren?

Genoomprofileren is een subset van veelbelovende technologieën die zijn ontworpen om gepersonaliseerde inzichten te bieden in een persoon, meestal voor het doel van hun zorg (in tegenstelling tot genealogie, of we zien soms verhalen over vaderschapsdisputen of zelfs misdaadonderzoeken die deze technologie gebruiken).  Personalisatie is een groot onderwerp in zorg-AI-use cases – hoe patiënten beter te betrekken, of de intelligentie van zorgverleners te versterken met meer gepersonaliseerde en gerichte inzichten. Zolang genoomprofileren kan helpen om meer personalisatie te bieden. En, zolang de gegevens en het gebruik ervan vertrouwd zijn (ongebiaseerd, eerlijk, verklaarbaar, nauwkeurig, etc.), dan zal het een belangrijk onderdeel zijn van gepersonaliseerde geneeskunde – en een fundamenteler onderdeel van hypergepersonaliseerde AI-oplossingen die genetische informatie gebruiken.

Persoonlijke zorg lijkt de toekomst te zijn, op welke manieren ziet u dit als having de meest positieve impact?

Bij CognitiveScale leveren wij gepersonaliseerde, voorspellende, prescriptieve zorgoplossingen. Een paar voorbeelden zijn intelligente interventies voor zorgmanagers (klinische use case) en het voorspellen van dienstverzoeken (administratieve / operationele use case). Intelligente interventieoplossingen leveren gepersonaliseerde inferenties, voorspellingen en risicoscores (onder andere modeluitvoer) die het werk van zorgmanagers versterken. Wij gebruiken ook deze capaciteiten voor publieke gezondheidsautoriteiten, zorgverleners en -plannen die burgers / patiënten / leden proberen te beheren door de COVID-19-crisis. Door dienstverzoeken te voorspellen, helpen wij zorgorganisaties om te weten op het moment dat een lid of zorgverlener belt over claims, voordelen, etc., de specifieke reden voor het telefoontje en hoe het veel efficiënter kan worden opgelost, waardoor kostenbesparingen en tevredenheid en behoud worden beïnvloed. Er zijn veel meer zorg-AI-use cases gericht op gepersonaliseerde oplossingen. Wij konden een boek schrijven over dit onderwerp alleen.

Kunt u praten over de uitdagingen van het aggregaat van gegevens uit uiteenlopende bronnen, zoals EMR, ERPs, patiëntgegevens, externe gegevensbronnen, enz., in één coherent gegevenssysteem?

Zorginformatietechnologie (ZIT) is bijna altijd een ecosysteem: een gedistribueerd netwerk van uiteenlopende systemen. Een veelvoorkomend voorbeeld is het persoonlijk gezondheidsdossier (PGD) – de complete gegevensset van een patiëntendossier. Zelfs wanneer een groot zorgsysteem op één homogeen ziekenhuisinformatiesysteem zit, zullen hun patiënten waarschijnlijk andere zorgverleners hebben, ze kunnen verzekering hebben die een andere gegevensbron is, en hun lab- en apotheekgegevens kunnen verspreid zijn over meerdere klinieken en bedrijven.  Hoewel er standaardtransactiesets zijn voor zorggegevensuitwisseling, gemeenschappelijke gegevensmodellen voor het opslaan van klinische gegevens (en lid, patiënt, klant en zorgverlenergegevensschema’s), moeten zorg-AI-oplossingsleveranciers vaak aantonen hoe oplossingen meerdere van deze tegelijk kunnen gebruiken – interne en externe gegevens, gegevensconnectiviteit en gegevensschema’s. Het is duidelijk dat de basis van zorg-AI-oplossingen gegevens is. Dus, gegevensaggregatiecapaciteiten moeten een kerncapaciteit zijn van elke zorg-AI-leverancier.

Wat zijn enkele overwegingen die nodig zijn met gegevensnasporing?

Gegevensnasporing is een onderdeel van enkele grotere, dringende kwesties in zorg-AI. Ten eerste is gegevensnasporing een van de kwesties die verband houden met privacy, gegevensgebruik en gegevensuitwisseling. Bijvoorbeeld, waar gaat klinische gegevens of persoonlijke gezondheidsinformatie (PGI) heen en hoe wordt het gebruikt? Deze kwesties hebben betrekking op regelgevende en juridische aspecten van zorggegevensbeveiliging en -privacy. Deze kwesties zijn een subset van ethische en vertrouwde AI. Ethische AI zou rekening moeten houden met gegevensgebruik, privacy, regelgeving en juridische aspecten, enz., met name gericht op het ethische gebruik van gegevens. Vertrouwde AI omvat aspecten van verklaarbaarheid en gegevensgebruik.

U bent een adviseur bij CognitiveScale, kunt u uitleggen wat CognitiveScale doet en hoe u hen adviseert?

CognitiveScale is een leverancier van AI-software die organisaties helpt om cognitieve AI-oplossingen te bouwen, te operationaliseren en te schalen; de waarde van AI te realiseren in hun organisaties; en vertrouwen te beheren. In de zorg werken wij voor enkele van de grootste zorgverzekeraars en -aanbieders in het land, aan een breed scala aan AI-use cases, waaronder recente werk in gebieden zoals intelligente interventies gerelateerd aan de COVID-19-pandemie en hoe deze oplossingen zullen helpen om zorgbeheer, dienstverlening en meer te verbeteren, zodra wij deze crisis zijn gepasseerd.  Als onze hoofd zorgonderwerpdeskundige, help ik klanten en partners op een meer strategische manier in gebieden zoals het opbouwen van robuuste AI-roadmaps, en meer tactisch in gebieden zoals waarde-realiseren en -optimaliseren.  Ik werk ook aan het helpen in gebieden zoals productontwikkeling (zorgspecifieke functies en capaciteiten van ons platform, bijvoorbeeld) en thought leadership met een focus op de meest waardevolle zorg-AI-oplossingen (gegeven de omvang van de kans).

Kunt u definiëren wat de grootste problemen zijn met hoe AI soms werkt als een zwarte doos, en potentiële oplossingen voor de zorgsector?

Zoals ik al zei, is vertrouwd, ethisch AI een grote uitdaging – en vertrouwen is grotendeels te wijten aan het “zwarte doos”-probleem: een gebrek aan verklaarbaarheid of zichtbaarheid, en scepsis over kwesties zoals bias, eerlijkheid, nauwkeurigheid en robuustheid. Bij CognitiveScale adresseert onze Certiai-oplossing specifiek deze uitdaging en helpt klanten met een AI-Vertrouwensindex en de onderdelen ervan (elk met hun eigen score en inzichten): bias, eerlijkheid, verklaarbaarheid, robuustheid en nauwkeurigheid. De zorgsector heeft voorbeelden van gebiaseerde modellen gezien, of clinici-scepsis met modeluitvoer vanwege een gebrek aan transparantie of verklaarbaarheid.  Er zijn ook regelgevingsvereisten rondom privacy en gegevensgebruik, en het gebruik van modellen om eerlijke of onbevooroordeelde resultaten te leveren – en deze hebben het nieuws gehaald. Wij werken met een aantal technologie- en risicobeheerorganisaties om vertrouwde manieren te ontwikkelen om zichtbaarheid te bieden en vertrouwen te verbeteren in “zwarte doos”-AI-oplossingen.

Wat zijn enkele manieren waarop wij ER-overbelasting kunnen verminderen met behulp van voorspellende AI?

ER-ontwijking is eigenlijk een subset van zorgoptimalisatie en gepersonaliseerde zorg – de juiste zorg op het juiste moment. Dit kan wellicht noodzorg omvatten, maar vaak is dat niet het geval. De recente COVID-19-crisis benadrukt een nuttig voorbeeld waar zorgoptimalisatie kan helpen. Bijvoorbeeld, de juiste zorg voor een hoogrisicopatiënt in een hoogrisicogemeenschap kan clinici-uitreiken, toegang tot een testcentrum of in sommige gevallen noodzorg omvatten.  Patiënten, leden, zorgverleners en verzekeraars willen allemaal het juiste niveau van zorg op het juiste moment in deze crisis, dus een combinatie van AI-oplossingen helpen om inzichten te leveren zoals gemeenschaps- en patiënt-risicoscores, verspreidingsanalyse, ziekenhuisgebruikspredicties en gepersonaliseerde richtlijnen voor specifieke personen, onder andere oplossingen. Wij beoordelen de prestaties van onze zorgbeheeroplossingen op basis van een aantal prestatieparameters, zoals verbeterde resultaten, waaronder ER-ontwijking wanneer dat nodig is.

Bedankt voor het interview, lezers die meer willen leren, kunnen CognitiveScale bezoeken.