Джеффри Айстоун, советник по Healthcare AI в CognitiveScale – Интервью

Джеффри Айстоун является советником по Healthcare AI в компании CognitiveScale. В этой роли Джефф работает с организациями здравоохранения (в основном с поставщиками/системами здравоохранения, страховыми компаниями и технологическими поставщиками) на их пути к внедрению ИИ – от стратегических прозрений о том, как развивать компетенции и центры excellence в области ИИ, до более тактического развития дорожных карт ИИ и доставки решений на основе ИИ.

Можете ли вы обсудить, почему вы считаете, что ИИ так важен для отрасли здравоохранения?

Огромные объемы сложных, разрозненных и распределенных данных образуют основу для лежащих в основе клинических, административных и финансовых процессов, которые стимулируют здравоохранение. Итак, ИИ теперь является основной возможностью во всей цепочке создания стоимости технологий здравоохранения. Специалисты, такие как клиницисты и исследователи, получают значительные улучшения от ИИ – особенно от подмножества ИИ, называемого “усовершенствованным интеллектом”.

ИИ в здравоохранении – это огромная тема, и существует много ценных случаев использования – от поиска данных до получения прозрений, от улучшения или автоматизации процессов до лучшего взаимодействия с пациентами и предоставления персонализированной помощи. Клинические результаты улучшаются, эффективность стимулирует экономию средств, и существует много других случаев использования, которые обещают принести ценность. Текущая глобальная пандемия подчеркнула многие случаи использования ИИ в здравоохранении, сочетая общественные и индивидуальные риски и прозрения с интеллектуальными вмешательствами, например – все это улучшит системы здравоохранения во всем мире, даже после того, как мы победим COVID-19.

Как бы вы определили усовершенствованный интеллект в контексте здравоохранения?

CognitiveScale в первую очередь фокусируется на усовершенствованном интеллекте. Некоторые технологии ИИ, такие как автоматизация роботизированных процессов (RPA) или чат-боты, стремятся заменить людей машинами (большую часть времени, во всяком случае). Мы сосредоточены в первую очередь на решениях ИИ, которые помогают организациям здравоохранения и сотрудникам работать умнее и более эффективно. Мы также сосредоточены на когнитивных решениях – более продвинутом подмножестве ИИ, которое имеет обучающую или обратную связь – и часто это “люди в цикле”, которые могут предоставить обратную связь для моделей, чтобы они могли учиться. Существует много примеров усовершенствованного интеллекта в здравоохранении, которые начинают давать впечатляющие результаты. Например, в радиологии и патологии клиницисты дополняют свою способность читать изображения и делать диагнозы с помощью моделей машинного обучения, что позволяет выявлять более ранние или точные диагнозы и результаты лабораторных исследований.

Вы работали со стартапами и крупными организациями, которые реализовали разные стратегии ИИ. Какие общие ошибки вы видели?

Как и когнитивные решения ИИ, которые учатся со временем и созревают, так и наше понимание силы ИИ, и ловушки. Время, необходимое для доступа к данным, подготовки данных и затем обучения моделей на наборе данных, обычно занимает больше времени, чем изначально предполагалось. Другие ошибки связаны с внедрением и масштабированием решений ИИ – предполагая, что хорошая модель может легко быть развернута и управляема в экосистеме ИТ здравоохранения, когда на самом деле многие модели ИИ остаются невостребованными. Но одна из наиболее значительных проблем в ИИ здравоохранения связана с доверием: можно ли доверять моделям, являются ли они предвзятыми, справедливыми, объяснимыми и точными? Многочисленные заголовки показали, что решения ИИ могут быть предвзятыми способами, которые привлекут внимание регулирующих органов – или они могут быть решениями “черного ящика”, которые вызывают скептицизм у поставщиков, чей интеллект они должны дополнять. Это самая большая проблема – и ошибка – с ИИ здравоохранения, которую я вижу в последнее время.

Каково ваше мнение о геномном профилировании?

Геномное профилирование – это подмножество перспективных технологий, предназначенных для предоставления персонализированных прозрений в человека, обычно для целей его здравоохранения (а не генеалогии, или иногда мы видим истории о спорах о патернитете или даже расследованиях преступлений, использующих эту технологию). Персонализация – это основная тема случаев использования ИИ в здравоохранении – как лучше взаимодействовать с пациентами или дополнять интеллект поставщиков более персонализированными и направленными прозрениями. Насколько геномное профилирование может помочь предоставить более персонализированные прозрения. И, пока данные и их использование доверены (непредвзяты, справедливы, объяснимы, точны и т. д.), тогда оно будет важным компонентом персонализированной медицины – и основным элементом гиперперсонализированных решений ИИ, которые используют генетическую информацию.

Персонализация здравоохранения, кажется, является волной будущего; в каких аспектах вы видите, что это окажет самое положительное влияние?

В CognitiveScale мы предоставляем персонализированные, прогностические и предписывающие решения для здравоохранения. Несколько примеров включают интеллектуальные вмешательства для менеджеров ухода (клинический случай использования) и прогнозирование запросов на услуги (административный/операционный случай использования). Интеллектуальные решения для вмешательства предоставляют персонализированные выводы, прогнозы и баллы риска (среди других выходов моделей), которые дополняют работу тех, кто управляет пациентами через программу управления уходом. Мы также используем эти возможности для государственных органов здравоохранения, поставщиков и страховых компаний, которые пытаются управлять гражданами/пациентами/членами через кризис COVID-19. Предсказывая запросы на услуги, мы помогаем организациям здравоохранения знать момент, когда член или поставщик обращается по поводу претензий, льгот и т. д., и как гораздо более эффективно решить это, тем самым стимулируя экономию средств и влияя на удовлетворенность и удержание. Существует много других случаев использования ИИ в здравоохранении, ориентированных на персонализированные решения. Мы могли бы написать книгу на эту тему.

Можете ли вы рассказать о проблемах, связанных с агрегацией данных из различных источников, таких как ЭМР, ERP, данные пациентов, внешние источники данных и т. д., в одну связную систему данных?

Технологии информационных систем здравоохранения (HCIT) почти всегда представляют собой экосистему: распределенную сеть разрозненных систем. Типичным примером является личная медицинская карта (PHR) – полный набор данных медицинской карты пациента. Даже когда крупная система здравоохранения использует одну однородную систему информации больницы, их пациенты, вероятно, будут иметь других поставщиков ухода, они могут иметь страховку, которая является еще одним источником данных, и их лабораторные и фармацевтические данные могут быть распределены по нескольким клиникам и компаниям. Хотя существуют стандартные наборы транзакций для обмена данными здравоохранения, общие модели данных для хранения клинических данных (и схем данных членов, пациентов, клиентов и поставщиков), поставщики решений ИИ для здравоохранения часто должны демонстрировать, как их решения могут использовать несколько этих источников одновременно – внутренние и внешние данные, связность данных и схемы данных. Очевидно, что основой решений ИИ для здравоохранения являются данные. Итак, возможности агрегации данных должны быть основной компетенцией любого поставщика ИИ для здравоохранения.

Какие соображения необходимы для отслеживания данных?

Отслеживание данных – это компонент некоторых более крупных, насущных проблем в ИИ для здравоохранения. Во-первых, отслеживание данных – это одна из нескольких проблем, связанных с конфиденциальностью, использованием данных и обменом данными. Например, куда идет клиническая информация или личная информация о здоровье (PHI), и как она используется? Эти проблемы связаны с нормативными и юридическими аспектами безопасности и конфиденциальности данных здравоохранения. Эти проблемы, в свою очередь, являются подмножеством этического и доверенного ИИ. Этический ИИ должен учитывать использование данных, конфиденциальность, нормативные и юридические аспекты и т. д., конкретно решая этические проблемы использования данных. Доверенный ИИ включает в себя аспекты объяснимости и использования данных.

Вы являетесь советником в CognitiveScale; можете ли вы объяснить, что делает CognitiveScale, и как вы их консультируете?

CognitiveScale – это поставщик программного обеспечения ИИ, который помогает организациям строить, внедрять и масштабировать когнитивные решения ИИ; осознавать ценность ИИ во всей организации; и управлять доверием. В здравоохранении мы работаем с некоторыми из крупнейших организаций-поставщиков и страховщиков в стране, над широким спектром случаев использования ИИ, включая более недавнюю работу в таких областях, как интеллектуальные вмешательства, связанные с пандемией COVID-19, и как эти решения затем улучшат управление уходом, опыт обслуживания и многое другое, после того, как мы преодолеем этот кризис. Как наш ведущий эксперт по здравоохранению, я помогаю клиентам и партнерам более стратегически в таких областях, как построение прочных дорожных карт ИИ, и более тактически – в таких областях, как осознание ценности и оптимизация. Я также работаю над тем, чтобы помочь в таких областях, как разработка продукта (функции и возможности нашей платформы, специфичные для здравоохранения, например) и лидерство мнений с фокусом на наиболее ценных решениях ИИ для здравоохранения (учитывая размер возможности).

Можете ли вы определить для нас, какие самые большие проблемы с тем, что ИИ иногда работает как “черный ящик”, и потенциальные решения для отрасли здравоохранения?

Как я упоминал, доверенный, этический ИИ – это большая проблема – и доверие в основном связано с проблемой “черного ящика”: отсутствием объяснимости или прозрачности, и скептицизмом по поводу проблем, таких как предвзятость, справедливость, точность и надежность. В CognitiveScale наше решение Certiai конкретно решает эту проблему и помогает клиентам с Индексом доверия ИИ и его составными частями (каждый со своим баллом и прозрениями): предвзятость, справедливость, объяснимость, надежность и точность. В здравоохранении были примеры предвзятых моделей или скептицизма клиницистов по поводу выхода модели из-за отсутствия прозрачности или объяснимости. Также существуют нормативные требования по поводу конфиденциальности и использования данных, и использование моделей для предоставления справедливых или непредвзятых результатов – и все это попало в новости. Мы работаем с рядом технологических и управленческих организаций, чтобы разработать доверенные способы предоставления прозрачности и повышения доверия к решениям ИИ “черного ящика”.

Какие есть способы уменьшить перенаселенность отделений неотложной помощи с помощью прогностического ИИ?

Избежание отделений неотложной помощи – это на самом деле подмножество оптимизации ухода и персонализированного здравоохранения – правильный уход в правильное время. Это может включать неотложную помощь, но часто не включает. Недавний кризис COVID-19 подчеркивает полезный пример, где оптимизация ухода. Например, правильный уход для пациента с высоким риском в сообществе с высоким риском может включать в себя связь с клиницистом, доступ к центру тестирования или в некоторых случаях неотложную помощь. Пациенты, члены, поставщики и страховщики все хотят правильного уровня ухода в правильное время в этом кризисе, поэтому комбинация решений ИИ помогает предоставлять прозрения, такие как баллы риска сообщества и пациентов, анализ распространения, прогнозы использования больниц и персонализированные рекомендации для конкретных людей, среди других решений. Мы оцениваем производительность наших решений для управления уходом по ряду показателей производительности, таких как улучшенные результаты, включая избежание отделений неотложной помощи, когда это уместно.

Благодарим за интервью; читатели, которые хотят узнать больше, могут посетить CognitiveScale.