Jeffrey Eyestone, doradca ds. sztucznej inteligencji w CognitiveScale – seria wywiadów

Jeffrey Eyestone jest doradcą ds. sztucznej inteligencji w firmie CognitiveScale. W tej roli Jeff współpracuje z organizacjami opieki zdrowotnej (głównie dostawcami, systemami opieki zdrowotnej, płatnikami i dostawcami technologii) w zakresie ich podróży związanej z sztuczną inteligencją – od strategicznych wglądów w to, jak rozwijać kompetencje i centra doskonałości sztucznej inteligencji, po bardziej taktyczne rozwijanie map sztucznej inteligencji i dostarczanie rozwiązań sztucznej inteligencji.

Czy możesz omówić, dlaczego uważasz, że sztuczna inteligencja jest tak ważna dla sektora opieki zdrowotnej?

Ogromne ilości złożonych, rozproszonych i rozproszonych danych tworzą podstawę dla podstawowych procesów klinicznych, administracyjnych i finansowych, które napędzają opiekę zdrowotną. Dlatego sztuczna inteligencja jest teraz podstawową możliwością w całej łańcuchu wartości technologii informacyjnej opieki zdrowotnej. Pracownicy wiedzy, tacy jak klinicyści i badacze, uzyskują znaczne korzyści ze sztucznej inteligencji – zwłaszcza z podzbioru sztucznej inteligencji, czyli “wzmocnionej inteligencji”.

Sztuczna inteligencja w opiece zdrowotnej to ogromny temat i istnieje wiele cennych przypadków użycia, od pozyskiwania danych po wykorzystywanie wniosków, od poprawy lub automatyzacji procesów do lepszej angażowania pacjentów i dostarczania spersonalizowanej opieki. Wyniki kliniczne są coraz lepsze, efektywność jest coraz większa, a są też wiele innych przypadków użycia, które obiecują przynieść korzyści. Bieżąca pandemia COVID-19 spowodowała, że wiele przypadków użycia sztucznej inteligencji w opiece zdrowotnej jest teraz bardziej widocznych, łącząc wspólnotowe i indywidualne wskaźniki ryzyka i wnioski z inteligentnymi interwencjami, na przykład – wszystko to poprawi systemy opieki zdrowotnej na całym świecie, nawet po tym, jak pokonamy COVID-19.

Jak byś zdefiniował wzmocnioną inteligencję w środowisku opieki zdrowotnej?

CognitiveScale koncentruje się głównie na wzmocnionej inteligencji. Niektóre technologie sztucznej inteligencji, takie jak automatyzacja procesów roboczych (RPA) lub czatboty, mają na celu zastąpienie ludzi maszynami (zwykle). My koncentrujemy się na rozwiązaniach sztucznej inteligencji, które pomagają organizacjom opieki zdrowotnej i personelowi pracować inteligentniej i bardziej efektywnie. Jesteśmy również skoncentrowani na rozwiązaniach kognitywnych – bardziej zaawansowanym podziale sztucznej inteligencji, który ma pętlę uczenia się lub sprzężenia zwrotnego – i często są to “ludzie w pętli”, którzy mogą dostarczyć sprzężenie zwrotne, aby modele mogły się uczyć. Istnieje wiele przykładów wzmocnionej inteligencji w opiece zdrowotnej, które zaczynają przynosić imponujące wyniki. Na przykład w radiologii i patologii, klinicyści zwiększają swoją zdolność do czytania obrazów i robienia diagnoz z modelem uczenia maszynowego, co umożliwia wcześniejsze wykrywanie lub bardziej dokładne diagnozy i wyniki laboratoryjne.

Pracowałeś z firmami startupowymi i dużymi organizacjami, które wdrożyły różne strategie sztucznej inteligencji. Jakie są najczęstsze błędy, które widziałeś?

Podobnie jak rozwiązania sztucznej inteligencji kognitywnej uczą się z czasem i dojrzewają, tak też nasze zrozumienie mocy sztucznej inteligencji i pułapek. Czas potrzebny do uzyskania dostępu do danych, przygotowania danych, a następnie trenowania modeli na danych censusowych zwykle zajmuje więcej czasu, niż się spodziewano. Inne błędy dotyczą operacjonalizacji i skalowalności rozwiązań sztucznej inteligencji – zakładając, że dobry model może być łatwo wdrożony i zarządzany w ekosystemie technologii informacyjnej opieki zdrowotnej, kiedy w rzeczywistości wiele modeli sztucznej inteligencji pozostaje niewykorzystanych. Ale jednym z największych wyzwań w sztucznej inteligencji opieki zdrowotnej jest zaufanie: czy modele mogą być zaufane, czy są one tendencyjne, sprawiedliwe, wyjaśnialne i dokładne? Wiele nagłówków pokazało, że rozwiązania sztucznej inteligencji mogą być tendencyjne w sposób, który przyciąga uwagę regulatorów – lub mogą to być rozwiązania “czarnej skrzynki”, które budzą sceptycyzm u dostawców, których inteligencja mają one wspomagać. To jest największe wyzwanie – i błąd – w sztucznej inteligencji opieki zdrowotnej, który ostatnio widzę.

Jakie są Twoje poglądy na temat profilowania genetycznego?

Profilowanie genetyczne jest podzbiorem obiecujących technologii, które mają dostarczyć spersonalizowaną wiedzę o osobie, zwykle w celu jej opieki zdrowotnej (a nie genealogii lub okazjonalnie widzimy historie o sporach dotyczących ojcostwa lub nawet dochodzeniach policyjnych, które wykorzystują tę technologię). Personalizacja jest głównym tematem przypadków użycia sztucznej inteligencji w opiece zdrowotnej – jak lepiej angażować pacjentów lub wspomagać inteligencję dostawców bardziej spersonalizowanymi i skierowanymi wnioskami. W zakresie, w jakim profilowanie genetyczne może pomóc w dostarczeniu większej personalizacji, jest to ważnym elementem medycyny spersonalizowanej – i podstawowym elementem hiper-spersonalizowanych rozwiązań sztucznej inteligencji, które wykorzystują informacje genetyczne.

Personalizacja opieki zdrowotnej wydaje się być przyszłością, w jaki sposób widzisz, że będzie miała najbardziej pozytywny wpływ?

W CognitiveScale dostarczamy spersonalizowane, predykcyjne i preskryptywne rozwiązania opieki zdrowotnej. Dwa przykłady to inteligentne interwencje dla menedżerów opieki (przypadek użycia klinicznego) i przewidywanie zapytań o usługi (przypadek użycia administracyjnego / operacyjnego). Rozwiązania inteligentnych interwencji dostarczają spersonalizowane wnioski, przewidywania i wskaźniki ryzyka (wraz z innymi wyjściami modelu), które wspomagają pracę osób zarządzających pacjentami w programie zarządzania opieką. Współpracujemy również z władzami zdrowia publicznego, dostawcami i planami zdrowotnymi, które starają się zarządzać obywatelami / pacjentami / członkami w kryzysie COVID-19. Przewidując zapytania o usługi, pomagamy organizacjom opieki zdrowotnej wiedzieć, w którym momencie członek lub dostawca dzwoni w sprawie roszczeń, korzyści itp., konkretny powód połączenia i jak rozwiązać problem w sposób bardziej efektywny, co przynosi oszczędności kosztów i wpływa na satysfakcję i retencję. Istnieje wiele innych przypadków użycia sztucznej inteligencji w opiece zdrowotnej, które koncentrują się na spersonalizowanych rozwiązaniach. Moglibyśmy napisać książkę na ten temat.

Czy mógłbyś porozmawiać o wyzwaniach związanych z agregowaniem danych z różnych źródeł, takich jak EMR, ERPs, dane pacjentów, zewnętrzne źródła danych itp. w jeden spójny system danych?

Technologia informacyjna opieki zdrowotnej (HCIT) jest prawie zawsze ekosystemem: rozproszoną siecią różnych systemów. Typowym przykładem jest elektroniczna karta zdrowia pacjenta (PHR) – kompletny zestaw danych medycznych pacjenta. Nawet jeśli duży system opieki zdrowotnej korzysta z jednorodnego systemu informacji szpitala, pacjenci będą prawdopodobnie mieli innych opiekunów, mogą mieć ubezpieczenie, które jest innym źródłem danych, a ich dane laboratoryjne i farmaceutyczne mogą być rozproszone w kilku klinikach i firmach. Chociaż istnieją standardowe zestawy transakcyjne dla wymiany danych opieki zdrowotnej, wspólne modele danych do przechowywania danych klinicznych (i schematów danych członka, pacjenta, klienta i dostawcy), dostawcy rozwiązań sztucznej inteligencji w opiece zdrowotnej często muszą wykazać, jak rozwiązania mogą wykorzystywać wiele z nich jednocześnie – dane wewnętrzne i zewnętrzne, łączność danych i schematy danych. Oczywiście podstawą rozwiązań sztucznej inteligencji w opiece zdrowotnej są dane. Dlatego też możliwości agregowania danych muszą być podstawową kompetencją każdego dostawcy rozwiązań sztucznej inteligencji w opiece zdrowotnej.

Jakie są niektóre z uwag, które są potrzebne w odniesieniu do śledzenia danych?

Śledzenie danych jest składnikiem niektórych większych, pilnych problemów w sztucznej inteligencji opieki zdrowotnej. Po pierwsze, śledzenie danych jest jednym z kilku problemów związanych z prywatnością, wykorzystaniem danych i wymianą danych. Na przykład, dokąd idą dane kliniczne lub informacje o zdrowiu pacjenta (PHI), i jak są one wykorzystywane? Te problemy dotyczą aspektów regulacyjnych i prawnych bezpieczeństwa i prywatności danych opieki zdrowotnej. Te problemy, z kolei, są podzbiorem etycznej i zaufanej sztucznej inteligencji. Etyczna sztuczna inteligencja musi uwzględniać wykorzystanie danych, prywatność, regulacje i aspekty prawne itp., w szczególności dotyczące etycznego wykorzystania danych. Zaufana sztuczna inteligencja obejmuje aspekty wyjaśnialności i wykorzystania danych.

Jesteś doradcą w CognitiveScale, możesz wyjaśnić, co robi CognitiveScale i jak doradzasz im?

CognitiveScale jest dostawcą oprogramowania sztucznej inteligencji, które pomaga organizacjom budować, wdrażać i skalować rozwiązania sztucznej inteligencji kognitywnej; realizować wartość sztucznej inteligencji w całej organizacji; oraz zarządzać zaufaniem. W opiece zdrowotnej pracujemy dla niektórych z największych organizacji płatniczych i dostawców w kraju, nad szerokim zakresem przypadków użycia sztucznej inteligencji, w tym ostatnio w obszarach takich jak inteligentne interwencje związane z pandemią COVID-19 i jak te rozwiązania poprawią zarządzanie opieką, doświadczenie usług i więcej, gdy już przekroczymy ten kryzys. Jako nasz główny ekspert ds. opieki zdrowotnej, pomagam klientom i partnerom w sposób bardziej strategiczny w obszarach takich jak budowanie solidnych map sztucznej inteligencji i bardziej taktycznie w obszarach takich jak realizacja wartości i optymalizacja. Pracuję również nad pomocą w obszarach takich jak rozwój produktu (funkcje i możliwości platformy specyficzne dla opieki zdrowotnej, na przykład) i przywództwo myśli z uwzględnieniem najwyższej wartości rozwiązań sztucznej inteligencji w opiece zdrowotnej (biorąc pod uwagę rozmiar możliwości).

Czy mógłbyś zdefiniować, jakie są największe problemy związane z tym, że sztuczna inteligencja czasami działa jako “czarna skrzynka”, oraz potencjalne rozwiązania dla sektora opieki zdrowotnej?

Jak już wspomniałem, zaufana, etyczna sztuczna inteligencja to duże wyzwanie – i zaufanie jest w dużej mierze spowodowane problemem “czarnej skrzynki”: brakiem wyjaśnialności lub widoczności i sceptycyzmem w kwestiach takich jak tendencyjność, sprawiedliwość, dokładność i wytrzymałość. W CognitiveScale nasze rozwiązanie Certiai specifically adresuje to wyzwanie i pomaga klientom z indeksem zaufania sztucznej inteligencji i jego składnikami (każdy z własnym wynikiem i wglądami): tendencyjność, sprawiedliwość, wyjaśnialność, wytrzymałość i dokładność. Opieka zdrowotna miała przykłady tendencyjnych modeli lub sceptycyzmu klinicystów wobec wyników modelu ze względu na brak przejrzystości lub wyjaśnialności. Są również wymagania regulacyjne dotyczące prywatności i wykorzystania danych, oraz wykorzystania modeli do dostarczania sprawiedliwych lub tendencyjnych wyników – i te sprawy zostały nagłośnione w mediach. Współpracujemy z kilkoma organizacjami technologicznymi i zarządzania ryzykiem, aby rozwijać zaufane sposoby dostarczania widoczności i poprawy zaufania do rozwiązań sztucznej inteligencji “czarnej skrzynki”.

Jakie są niektóre sposoby, aby zmniejszyć nasycenie szpitali przy pomocy predykcyjnej sztucznej inteligencji?

Unikanie szpitali jest naprawdę podzbiorem optymalizacji opieki i spersonalizowanej opieki zdrowotnej – odpowiednia opieka w odpowiednim czasie. Może to obejmować opiekę szpitalną, ale często nie. Ostatni kryzys COVID-19 pokazuje przydatny przykład, w którym optymalizacja opieki. Na przykład, odpowiednia opieka dla pacjenta wysokiego ryzyka w społeczności wysokiego ryzyka może obejmować kontakt klinicysty, dostęp do centrum testowego lub w niektórych przypadkach opiekę szpitalną. Pacjenci, członkowie, dostawcy i płatnicy chcą odpowiedniego poziomu opieki w odpowiednim czasie w tym kryzysie, więc kombinacja rozwiązań sztucznej inteligencji pomaga dostarczyć wnioski, takie jak wskaźniki ryzyka społeczności i pacjentów, analiza rozprzestrzeniania, przewidywania wykorzystania szpitali i spersonalizowane wskazówki dla konkretnych osób, wśród innych rozwiązań. Ocena wydajności naszych rozwiązań zarządzania opieką jest przeprowadzana na podstawie kilku wskaźników wydajności, takich jak poprawione wyniki, w tym unikanie szpitali, gdy jest to odpowiednie.

Dziękuję za wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, mogą odwiedzić CognitiveScale.