Jeffrey Eyestone, helse-AI-rådgiver i CognitiveScale – Intervju-serie

Jeffrey Eyestone er helse-AI-rådgiver i CognitiveScale. I denne rollen arbeider Jeff med helseorganisasjoner (primært leverandører/helsetjenester, betalere og teknologileverandører) på deres AI-reise – fra strategisk innsikt i hvordan man utvikler AI-kompetanse og eksellenssenter til mer taktisk utvikling av AI-veikart og levering av AI-løsninger

Kan du diskutere hvorfor du mener AI er så viktig for helseindustrien? 

Store mengder komplekse, ulike og distribuerte data utgjør grunnlaget for de underliggende kliniske, administrative og finansielle prosessene som driver helse. Så, AI er nå en kjernekapabilitet over hele helse-IT-verdikjeden. Kunnskapsarbeidere som kliniske og forskere oppnår betydelige forbedringer fra AI — spesielt “augmentert intelligens”-undergruppen av AI.

AI i helse er et stort tema og det finnes mange verdifulle brukstilfeller fra å innhente data til å avlede innsikt, fra å forbedre eller automatisere prosesser til bedre pasientengasjement og levering av personlig helse. Kliniske resultater forbedres, effektiviteten driver kostnadsbesparelser, og det finnes mange flere brukstilfeller i arbeid som lover å drive verdi. Den nåværende globale pandemien har satt mange flere helse-AI-brukstilfeller i skarpt fokus, kombinert med samfunns- og individuelle risikopoeng og innsikt med intelligente inngrep, for eksempel – alle disse vil forbedre helsesystemer over hele verden lenge etter at vi har beseiret COVID-19.

Hvordan ville du definere augmentert intelligens i en helsekontekst?

CognitiveScale fokuserer primært på augmentert intelligens. Noen AI-teknologi som robotprosesseringsautomatisering (RPA) eller chatbots søker å erstatte mennesker med maskiner (mye av tiden, i hvert fall). Vi fokuserer på AI-løsninger som hjelper helseorganisasjoner og ansatte å arbeide smartere og mer effektivt.  Vi fokuserer også på kognitive løsninger— den mer avanserte undergruppen av AI som har en læring- eller tilbakemeldingsløkke—og ofte er det “menneskene i løkken” som kan gi tilbakemelding for modeller å lære fra. Det finnes tallrike eksempler på augmentert intelligens i helse som begynner å levere imponerende resultater. For eksempel i radiologi og patologi, forbedrer klinikerne deres evne til å lese bilder og gjøre diagnoser med maskinlæringsmodeller, som muliggjør tidligere oppdagelse eller mer nøyaktige diagnoser og laboratorie-resultater.

Du har arbeidet med både startup og store organisasjoner som har implementert forskjellige AI-strategier. Hva er noen vanlige feil du har sett?

Akkurat som kognitive AI-løsninger lærer over tid og moden, så har vår forståelse av AI-kraften og fallgruvene også moden. Tiden det tar å få tilgang til data—å forberede data—og deretter å trene modeller på en census av data, har vanligvis tatt lengre enn opprinnelig tenkt. Andre feil relatert til operasjonalisering og skala av AI-løsninger—antagelse om at en god modell kan lett bli deployert og håndtert over en helse-IT-økosystem, når virkeligheten er at mange AI-modeller forblir ubrukte. Men en av de største utfordringene i helse-AI relatert til tillit: kan modeller tillites, er de forvrengte, rettferdige, forklarbare og nøyaktige?  Tallrike overskrifter har vist at AI-løsninger kan være forvrengte på måter som vil få oppmerksomhet fra regulatorer—eller de kan være svarte boks-løsninger som vekker skepsis fra de leverandørene hvis intelligens de er ment å forbedre. Dette er den største utfordringen—og feilen—med helse-AI som jeg ser for tiden.

Hva er dine synspunkter på genetisk profilering?

Genetisk profilering er en undergruppe av løftende teknologier designet for å levere personlig innsikt i en person, vanligvis for formålet med deres helse (i motsetning til genealogi, eller av og til ser vi historier om farskapskonflikter eller selv kriminalitet som utnytter denne teknologien).  Personliggjøring er et stort tema i helse-AI-brukstilfeller—hvordan å bedre engasjere pasienter, eller å forbedre intelligensen til leverandører med mer personlig og rettet innsikt. Så lenge som genetisk profilering kan hjelpe å levere mer personliggjøring. Og, så lenge som dataene og bruken av dem er tillit—(uforvrengt, rettferdig, forklarlig, nøyaktig, osv.), da vil det være en viktig komponent av personlig medisin—og en grunnleggende enhet av hyper-personlig AI-løsninger som utnytter genetisk informasjon.

Personliggjøring av helse synes å være fremtidens bølge, på hvilke måter ser du at dette vil ha den mest positive innvirkningen?

Hos CognitiveScale leverer vi personlig, prediktiv, preskriptiv helse-løsninger. To eksempler inkluderer intelligente inngrep for sykepleiere (klinisk brukstilfelle) og å forutsi tjenesteforespørsler (administrativ/operativt brukstilfelle). Intelligente inngrepsløsninger leverer personlige inferenser, prediksjoner og risikopoeng (blant andre modellutganger) som forbedrer arbeidet til de som håndterer pasienter gjennom et sykepleieprogram. Vi utnytter også disse kapasitetene for offentlige helsemyndigheter, leverandører og helseplaner som prøver å håndtere borgere/pasienter/members gjennom COVID-19-krisen. Ved å forutsi tjenesteforespørsler, hjelper vi helseorganisasjoner å vite øyeblikket en medlem eller leverandør ringer om krav, fordeler, osv., den spesifikke grunnen til ringingen og hvordan å løse det mer effektivt, og dermed drive kostnadsbesparelser og påvirke tilfredshet og opprettholdenhet. Det finnes mange flere helse-AI-brukstilfeller fokusert på personlig løsninger. Vi kunne skrive en bok om dette temaet alene.

Kan du snakke om utfordringene med å aggregere data fra ulike kilder som EMR, ERPs, pasientdata, eksterne datakilder, osv. inn i ett sammenhengende datasystem?

Helse-IT er nesten alltid et økosystem: et distribuert nettverk av ulike systemer. Et vanlig eksempel er den personlige helsejournalen (PHR)—det komplette datasettet for en pasients medisinske journal. Selv om et stort helse-system er på ett homogent sykehusinformasjonssystem, vil deres pasienter sannsynligvis ha andre omsorgsgivere, de kan ha forsikring som er en annen kilde til data, og deres laboratorie- og apotekdata kan være spredt over flere klinikker og selskaper.  Mens det finnes standardtransaksjonssett for helse-datautveksling, vanlige datamodeller for lagring av klinisk data (og medlem, pasient, kunde og leverandørdataschemata), må helse-AI-løsningsleverandører ofte vise hvordan løsningene kan utnytte flere av disse på samme tid—interne og eksterne data, datakobling og dataschemata. Det er åpenbart at grunnlaget for helse-AI-løsninger er data. Så, dataaggregeringskapasiteter må være en kjernekompetanse for enhver helse-AI-leverandør.

Hva er noen av overveielser som er nødvendige med data-sporing?

Data-sporing er en komponent av noen større, presserende problemer i helse-AI. For det første er data-sporing ett av flere problemer relatert til personvern, data-bruk og data-utveksling. For eksempel, hvor går klinisk data eller personlig helseinformasjon (PHI) og hvordan brukes det? Disse problemene relatert til regulatoriske og juridiske aspekter av helse-data-sikkerhet og -personvern. Disse problemene, deretter, er en undergruppe av etisk og tillitlig AI. Etisk AI må ta hensyn til data-bruk, personvern, reguleringer og juridiske aspekter, osv., spesielt for å håndtere etisk bruk av data. Tillitlig AI inkluderer aspekter av forklarbarhet og data-bruk.

Du er en rådgiver med CognitiveScale, kan du forklare hva CognitiveScale gjør og hvordan du råder dem?

CognitiveScale er en leverandør av AI-programvare som hjelper organisasjoner å bygge, operasjonalisere og skala kognitive AI-løsninger; realisere verdien av AI over hele organisasjonen; og, håndtere tillit. I helse, arbeider vi for noen av de største betaler- og leverandørorganisasjonene i landet, på en rekke AI-brukstilfeller, inkludert mer nylig arbeid i områder som intelligente inngrep relatert til COVID-19-pandemien og hvordan disse løsningene vil deretter forbedre omsorgshåndtering, tjenesteopplevelse og mer, en gang vi er forbi denne krisen. Som vår ledende helse-sakkyndige, hjelper jeg kunder og partnere mer strategisk i områder som bygging av robuste AI-veikart, og mer taktisk i områder som verdirealisering og optimalisering. Jeg arbeider også for å hjelpe i områder som produktutvikling (helse-spesifikke funksjoner og kapasiteter i vår plattform, for eksempel) og tankeledelse med fokus på de høyest-verdige helse-AI-løsningene (gitt størrelsen på muligheten).

Kan du definere for oss hva de største problemene er med hvordan AI noen ganger opererer som en svart boks, og potensielle løsninger for helseindustrien?

Som jeg nevnte, er tillitlig, etisk AI en stor utfordring—and tillit er hovedsakelig på grunn av “svart boks”-problemet: en mangel på forklarbarhet eller synlighet, og skepsis om problemer som forvrengning, rettferdighet, nøyaktighet og robusthet. Hos CognitiveScale, vår Certiai-løsning adresserer denne utfordringen og hjelper kunder med en AI-tillit-indeks og dens bestanddeler (hver med sin egen poeng og innsikt): forvrengning, rettferdighet, forklarbarhet, robusthet og nøyaktighet. Helse har hatt eksempler på forvredde modeller, eller klinisk skepsis med modellutgang på grunn av mangel på transparens eller forklarbarhet.  Det finnes også regulatoriske krav om personvern og data-bruk, og bruk av modeller for å levere rettferdige eller upartiske resultater—and disse har kommet inn i nyhetene. Vi arbeider med en rekke teknologi- og risikostyringsorganisasjoner for å utvikle tillitlige måter å gi synlighet og forbedre tillit til “svart boks”-AI-løsninger.

Hva er noen måter å redusere overmetning av akuttmottak gjennom prediktiv AI?

Akuttmottak-unngåelse er virkelig en undergruppe av omsorgsoptimalisering og personlig helse—the riktige omsorgen på riktig tid. Dette kan involvere akutt omsorg, men ofte gjør det ikke. Den nylige COVID-19-krisen høydepunkter en nyttig eksempel hvor omsorgsoptimalisering. For eksempel, den riktige omsorgen for en høyrisiko-pasient i en høyrisiko-samfunn kan inkludere klinisk utstrekk, tilgang til en testingsenter, eller i noen tilfeller, akutt omsorg.  Pasienter, medlemmer, leverandører og betalere ønsker alle det riktige nivået av omsorg på riktig tid i denne krisen, så en kombinasjon av AI-løsninger hjelper å levere innsikt som samfunns- og pasient-risikopoeng, spredningsanalyse, sykehusbruksprediksjoner og personlig veiledning for bestemte personer, blant andre løsninger. Vi vurderer ytelsen til våre omsorgshåndteringsløsninger mot en rekke ytelsesmetrikker som forbedrede resultater, inkludert akuttmottak-unngåelse når det er aktuelt.

Takk for intervjuet, lesere som ønsker å lære mer kan besøke CognitiveScale.