Jeffrey Eyestone, Consultor de Inteligência Artificial em Saúde da CognitiveScale – Série de Entrevistas

Jeffrey Eyestone é o Consultor de Inteligência Artificial em Saúde da CognitiveScale. Nesse papel, Jeff trabalha com organizações de saúde (principalmente prestadores de serviços de saúde, pagadores e fornecedores de tecnologia) em sua jornada de IA – desde a estratégia de como desenvolver competências e centros de excelência em IA até o desenvolvimento tático de estradas de IA e entrega de soluções de IA

Você pode discutir por que acredita que a IA é tão importante para a indústria de saúde?

Grandes quantidades de dados complexos, dispersos e distribuídos formam a base para os processos clínicos, administrativos e financeiros que impulsionam a saúde. Portanto, a IA agora é uma capacidade fundamental em toda a cadeia de valor da tecnologia da informação em saúde. Trabalhadores do conhecimento, como clínicos e pesquisadores, estão percebendo melhorias significativas com a IA – especialmente o subconjunto de “inteligência aumentada” da IA.

A IA na saúde é um tópico enorme e há muitos casos de uso valiosos, desde a obtenção de dados até a derivação de insights, desde a melhoria ou automação de processos até uma melhor engajamento do paciente e a entrega de cuidados personalizados. Os resultados clínicos estão melhorando, as eficiências estão impulsionando economias de custos e há muitos mais casos de uso em andamento que prometem impulsionar o valor. A atual pandemia global colocou muitos mais casos de uso de IA em saúde em foco, combinando escores e insights de risco comunitário e individual com intervenções inteligentes, por exemplo – tudo isso melhorará os sistemas de saúde em todo o mundo, muito depois de superarmos a COVID-19.

Como você definiria inteligência aumentada em um ambiente de saúde?

A CognitiveScale se concentra principalmente em inteligência aumentada. Algumas tecnologias de IA, como a automação de processos robóticos (RPA) ou chatbots, buscam substituir as pessoas por máquinas (na maioria das vezes, de qualquer forma). Estamos focados, principalmente, em soluções de IA que ajudam as organizações e funcionários de saúde a trabalhar de forma mais inteligente e eficiente. Também estamos focados em soluções cognitivas – o subconjunto mais avançado de IA que tem um loop de aprendizado ou feedback – e, muitas vezes, são os “humanos no loop” que podem fornecer o feedback para que os modelos aprendam. Há muitos exemplos de inteligência aumentada em saúde que estão começando a produzir resultados impressionantes. Por exemplo, em radiologia e patologia, os clínicos estão aumentando sua capacidade de ler imagens e fazer diagnósticos com modelos de aprendizado de máquina, permitindo a detecção precoce ou diagnósticos e resultados de laboratório mais precisos.

Você trabalhou com startups e grandes organizações que implementaram diferentes estratégias de IA. Quais são alguns erros comuns que você viu?

Assim como as soluções de IA cognitiva aprendem com o tempo e amadurecem, também nossa compreensão do poder da IA e dos obstáculos. O tempo necessário para acessar os dados, preparar os dados e, em seguida, treinar os modelos em um censo de dados geralmente levou mais tempo do que o esperado. Outros erros relacionam-se à operacionalização e escala das soluções de IA – supondo que um bom modelo possa ser facilmente implantado e gerenciado em todo o ecossistema de TI em saúde, quando a realidade é que muitos modelos de IA permanecem inutilizados. Mas um dos maiores desafios na IA em saúde relaciona-se à confiança: os modelos podem ser confiáveis, são justos, explicáveis e precisos? Muitos títulos mostraram que as soluções de IA podem ser tendenciosas de maneiras que chamarão a atenção dos reguladores – ou podem ser soluções de caixa preta que ganharão ceticismo dos provedores cuja inteligência elas são supostas aumentar. Este é o maior desafio – e erro – com a IA em saúde que estou vendo ultimamente.

Quais são suas opiniões sobre o perfil genômico?

O perfil genômico é um subconjunto de tecnologias promissoras projetadas para fornecer insights personalizados sobre uma pessoa, geralmente para fins de saúde (em vez de genealogia, ou ocasionalmente vemos histórias sobre disputas de paternidade ou até mesmo investigações criminais que utilizam essa tecnologia). A personalização é um grande tópico de casos de uso de IA em saúde – como melhorar o engajamento do paciente ou aumentar a inteligência dos provedores com insights mais personalizados e direcionados. Na medida em que o perfil genômico possa ajudar a entregar mais personalização. E, desde que os dados e seu uso sejam confiáveis (imparciais, justos, explicáveis, precisos, etc.), então será um componente importante da medicina personalizada – e um elemento fundamental de soluções de IA hiperpersonalizadas que utilizam informações genéticas.

A personalização da saúde parece ser a onda do futuro, de que maneiras você vê isso tendo o maior impacto positivo?

Na CognitiveScale, estamos entregando soluções de saúde personalizadas, previsíveis e prescritivas. Dois exemplos incluem intervenções inteligentes para gestores de cuidados (caso de uso clínico) e previsão de consultas de serviço (caso de uso administrativo/operacional). As soluções de intervenção inteligente entregam inferências, previsões e escores de risco personalizados (entre outras saídas do modelo) que aumentam o trabalho daqueles que gerenciam pacientes por meio de um programa de gerenciamento de cuidados. Também estamos utilizando essas capacidades para autoridades de saúde pública, provedores e planos de saúde que tentam gerenciar cidadãos/pacientes/membros durante a crise da COVID-19. Ao prever as consultas de serviço, estamos ajudando as organizações de saúde a saberem o momento exato em que um membro ou provedor liga sobre reivindicações, benefícios, etc., o motivo específico da ligação e como resolver mais eficientemente, impulsionando economias de custos e impactando satisfação e retenção. Há muitos mais casos de uso de IA em saúde focados em soluções personalizadas. Podemos escrever um livro sobre esse tópico sozinho.

Você pode falar sobre os desafios de agregar dados de fontes dispersas, como EMR, ERPs, dados de pacientes, fontes de dados externas, etc. em um sistema de dados coerente?

A Tecnologia da Informação em Saúde (TIS) é quase sempre um ecossistema: uma rede distribuída de sistemas dispersos. Um exemplo comum é o registro de saúde pessoal (RSP) – o conjunto de dados completo do registro médico de um paciente. Mesmo quando um grande sistema de saúde está em um sistema de informações hospitalares homogêneo, seus pacientes provavelmente terão outros cuidadores, podem ter seguro que é outra fonte de dados e seus dados de laboratório e farmácia podem estar espalhados por várias clínicas e empresas. Embora haja conjuntos de transações padrão para troca de dados de saúde, modelos de dados clínicos comuns para armazenar dados (e esquemas de dados de membros, pacientes, clientes e provedores), os fornecedores de soluções de IA em saúde frequentemente precisam demonstrar como as soluções podem utilizar vários deles ao mesmo tempo – dados internos e externos, conectividade de dados e esquemas de dados. Obviamente, a base das soluções de IA em saúde é a capacidade de agregar dados. Portanto, as capacidades de agregação de dados devem ser uma competência fundamental de qualquer fornecedor de IA em saúde.

Quais são algumas considerações necessárias com a rastreabilidade dos dados?

A rastreabilidade dos dados é um componente de algumas questões maiores e urgentes em IA em saúde. Por um lado, a rastreabilidade dos dados é uma das questões relacionadas à privacidade, uso de dados e troca de dados. Por exemplo, para onde vai os dados clínicos ou as informações de saúde pessoal (PSI) e como estão sendo usados? Essas questões relacionam-se a aspectos regulatórios e legais da segurança e privacidade dos dados de saúde. Essas questões, por sua vez, são um subconjunto de IA ética e confiável. A IA ética precisa levar em conta o uso de dados, a privacidade, as regulamentações e os aspectos legais, etc., abordando especificamente o uso ético dos dados. A IA confiável inclui aspectos de explicabilidade e uso de dados.

Você é um consultor da CognitiveScale, pode explicar o que a CognitiveScale faz e como você aconselha?

A CognitiveScale é um fornecedor de software de IA que ajuda as organizações a construir, operacionalizar e dimensionar soluções de IA cognitiva; realizar o valor da IA em toda a organização; e gerenciar a confiança. Na área de saúde, trabalhamos para algumas das maiores organizações de pagadores e provedores do país, em uma ampla gama de casos de uso de IA, incluindo trabalhos mais recentes em áreas como intervenções inteligentes relacionadas à pandemia da COVID-19 e como essas soluções melhorarão o gerenciamento de cuidados, a experiência do serviço e muito mais, uma vez que superemos a crise. Como nosso principal especialista em saúde, ajudo os clientes e parceiros de forma mais estratégica em áreas como a construção de estradas de IA robustas e, de forma mais tática, em áreas como a realização do valor e a otimização. Também estou trabalhando para ajudar em áreas como o desenvolvimento de produtos (recursos e capacidades específicas de saúde da nossa plataforma, por exemplo) e liderança de pensamento com foco nos casos de uso de IA em saúde de maior valor (dada a magnitude da oportunidade).

Pode definir para nós quais são os principais problemas com a forma como a IA às vezes opera como uma caixa preta e soluções potenciais para a indústria de saúde?

Como mencionei, a IA confiável e ética é um grande desafio – e a confiança é em grande parte devido ao problema da “caixa preta”: a falta de explicabilidade ou visibilidade e o ceticismo sobre questões como viés, justiça, precisão e robustez. Na CognitiveScale, nossa solução Certiai aborda especificamente esse desafio e ajuda os clientes com um Índice de Confiança da IA e suas partes componentes (cada uma com sua própria pontuação e insights): viés, justiça, explicabilidade, robustez e precisão. A saúde teve exemplos de modelos tendenciosos ou ceticismo clínico com a saída do modelo devido à falta de transparência ou explicabilidade. Há também requisitos regulatórios em torno da privacidade e do uso de dados e o uso de modelos para entregar resultados justos ou imparciais – e esses têm sido noticiados. Estamos trabalhando com várias organizações de tecnologia e gestão de riscos para desenvolver maneiras confiáveis de fornecer visibilidade e melhorar a confiança em soluções de IA “caixa preta”.

Quais são algumas maneiras pelas quais podemos reduzir a superlotação do pronto-socorro por meio da IA previsiva?

A evasão do pronto-socorro é realmente um subconjunto da otimização do cuidado e da saúde personalizada – o cuidado certo no momento certo. Isso pode envolver cuidados de emergência, mas muitas vezes não. A crise recente da COVID-19 destaca um exemplo útil em que a otimização do cuidado é útil. Por exemplo, o cuidado certo para um paciente de alto risco em uma comunidade de alto risco pode incluir o contato do clínico, o acesso a um centro de testes ou, em alguns casos, cuidados de emergência. Os pacientes, membros, provedores e pagadores todos desejam o nível certo de cuidado no momento certo nessa crise, então uma combinação de soluções de IA está ajudando a entregar insights, como escores de risco comunitário e de paciente, análise de disseminação, previsões de utilização hospitalar e orientação personalizada para pessoas específicas, entre outras soluções. Avaliamos o desempenho de nossas soluções de gerenciamento de cuidados contra uma série de métricas de desempenho, como resultados clínicos melhorados, incluindo a evasão do pronto-socorro quando apropriado.

Obrigado pela entrevista, os leitores que desejam aprender mais podem visitar CognitiveScale.