Ed Chidsey, President för Inovalons Insights Business Unit – Intervju-serie

Ed Chidsey, President för Inovalons Insights Business Unit, har en bred bakgrund inom finansiell data, analyser och strategisk rådgivning — senast som Senior Vice President på S&P Global Market Intelligence, där han ledde en miljarddollarsverksamhet inom data och analyser med 2 000 anställda, och tidigare som privat equity-rådgivare, styrelseledamot i PeerNova Inc. och begränsad partner i Mendoza Ventures.

Inovalon är ett amerikanskt teknologiföretag som levererar molnbaserad programvara och data-analytiska lösningar till hälso- och sjukvårdsbranschen. Genom sitt flaggskeppserbjudande, Inovalon ONE^®-plattformen, samlar och analyserar företaget stora mängder realvärldskliniska och kravdata — som omfattar hundratals miljoner liv — för att stödja hälso- och sjukvårdsplaner, vårdgivare, apotek och life-science-organisationer i förbättring av kliniska resultat, vårdkvalitet, riskbedömning, betalningsintegritet och operativ effektivitet.

Du har haft en lång karriär som omfattar S&P Global, IHS Markit och nu Inovalon. Vad var den enskilt viktigaste rollen eller upplevelsen som ledde dig att fokusera på realvärldens data (RWD) och analyser i hälso- och sjukvården, och hur har det format din vision för att leda Insights Business Unit på Inovalon?

Jag har tillbringat större delen av min karriär med att bygga, driva och skala data- och analytikerföretag, främst inom finansiella tjänster, ofta börjat smått och drivit betydande tillväxt genom en kombination av organiska och oorganiska strategier. Efter mer än tre decennier inom finansbranschen nådde jag en punkt där jag behövde pausa och omstarta. Jag hade varit i den världen under lång tid, och även om jag älskade arbetet, började miljön kännas mindre tillfredsställande. Så i början av 2024 beslutade jag att stiga åt sidan.

Det där året var otroligt grundande. Jag tillbringade mer tid med min familj, gick med i en företags- och en ideell styrelse och, ganska oväntat, blev mer involverad i min kyrka. Den här vändningen gav mig en chans att fokusera på balans, samhälle och syfte på ett sätt som jag inte hade gjort under lång tid. Mot slutet av året insåg jag att jag fortfarande hade mycket energi och passion för att leda team och bygga företag, men jag ville att det arbetet skulle kännas mer personligt och meningsfullt.

När Adam Kansler, VD för Inovalon, kontaktade mig för att berätta mer om företaget, var timingen fördelaktig. Jag arbetade nära med Adam under många år och har stor respekt för honom som ledare. Han beskrev Inovalon som en ledande leverantör av data och lösningar som möjliggör hälso- och sjukvård som fungerar med betalare, vårdgivare, apoteksorganisationer och life-science-företag, och noterade att företaget letade efter en ny person att leda sin Insights-avdelning.

Innan samtalet med Adam hade jag inte riktigt övervägt att jag kunde utnyttja min bakgrund inom data och analyser inom hälso- och sjukvårdsbranschen. Men ju mer jag lärde mig, desto mer resonerade det. Hälso- och sjukvårdsdata är mycket påtaglig eftersom den kan påverka oss på riktiga sätt. Tanken på att tillämpa samma analytiska noggrannhet och skala som jag hade utvecklat inom finansiella tjänster för att förbättra hälso- och sjukvårdens kvalitet och resultat var otroligt lockande. Det där syftet är vad som förde mig hit, och det fortsätter att forma hur jag leder Insights-avdelningen, genom att föra samman data, teknik och människor för att göra en mätbar skillnad över hela hälso- och sjukvårdsbranschen.

Hur ser du på Inovalons beslut att göra sina avancerade analyser och primära käll-RWD tillgängliga på Snowflakes AI Data Cloud, och hur kommer det att förändra den konkurrensutsatta dynamiken inom hälso- och sjukvård och life science?

Jag betraktar det mer som en strategisk manöver för att möta kunderna där de är, snarare än att förändra den konkurrensutsatta dynamiken. I mitt sinne var det avgörande att vi säkerställde att kunderna har tillgång till vår data och resurser på de plattformar där de vill konsumera dem på ett mer modernt, smidigt och tillgängligt sätt. Med detta visste vi att allt fler av våra kunder migrerade till plattformar som Snowflake, så det var viktigt för oss att möta dem där, där de ville konsumera vår data.

Vad skiljer Inovalons RWD-erbjudanden, som MORE²-registret, från andra realvärldens data-plattformar när det gäller kvalitet, djup, aktualitet eller skala?

Det som skiljer våra RWD-erbjudanden, inklusive MORE²-registret, är vår primära källdata. Vi samlar in denna data direkt från olika enheter inom hälso- och sjukvårdsbranschen, såsom hälso- och sjukvårdsbetalare eller vårdgivare, och det ger oss en helhetsbild av patienternas hälso- och sjukvårdsresor, vilket möjliggör att vi kan extrapolera insikter som stödjer beslutsfattande över hela hälso- och sjukvårdsbranschen.

Medan bredden på den data vi har är en noterbar differentiering i sig, är den historiska och konsekventa bakgrunden till denna data verkligen anmärkningsvärd. Genom vårt partnerskap med Snowflake kan våra kunder nu säkert och snabbt komma åt våra longitudinella datamängder av stora, högkvalitativa RWD, en funktion som traditionellt har doldes av fragmenterade system och komplexa manuella datainmatningsprocesser. För life-science- och bioteknikföretag, i synnerhet, är det av yttersta vikt att ha förtroende för att deras partner kommer att tillhandahålla data som är konsekvent och tillförlitlig för beslutsfattande. Den där grunden är hörnstenen i vårt RWD-erbjudande, som vi fortsätter att expandera i omfattning och de typer av insikter vi kan generera.

Vilka är de viktigaste tekniska eller styrningsutmaningarna i att länka eller integrera datamängder från varierande källor för att bygga omfattande realvärldsevidens?

Det börjar med att erkänna grunden för vår data, som återgår till interaktioner mellan en patient och deras vårdgivare, apotek och betalare. Ofta är dessa interaktioner personliga och härrör från betydelsefulla kontaktpunkter i deras egen vård. Detta gör det avgörande att vara en pålitlig förvaltare av vår data och kräver att vi har en stark styrning kring denna data. Vi tar detta ansvar mycket allvarligt på Inovalon, särskilt när det gäller hur RWD matar in i realvärldsevidensprocesser. Hur vi väljer att hantera, skydda och använda vår data definierar vår trovärdighet och det förtroende vi har med våra partners över hela branschen.

En av de största utmaningarna vi står inför är att balansera dataanvändning och dataskydd. Om fokus enbart ligger på dataskydd förlorar man förmågan att fullt ut analysera och extrahera värde från data. Men om fokus enbart ligger på analys riskerar man att inte uppfylla sina etiska eller regulatoriska skyldigheter gentemot patienter och familjer. Denna svåra balans är inte bara en teknisk utmaning, utan också en styrningsutmaning. Vi måste ständigt överväga vad vi kan göra, vad vi bör göra och vad vi inte kan göra för att skydda den data vi har, samtidigt som vi maximalt utnyttjar dess värde och påverkan på den bredare hälso- och sjukvårdsbranschen.

Från ett tekniskt perspektiv är en annan stor utmaning länkning. Oavsett hur djup eller bred en enskild datamängd är, räcker den aldrig till på egen hand. Förmågan att koppla datamängder från flera källor är avgörande, och vi prioriterar detta varje dag genom vårt arbete med olika partners.

Slutligen finns det en strukturell utmaning med att hälso- och sjukvårdsbranschen är starkt fragmenterad. För att en kund ska kunna komma åt all den data de behöver krävs det ofta att de drar från flera datamängder och länkar data över olika vårdpunkter, med många mellanhänder emellan. Jämfört med branscher som finansiella tjänster ligger hälso- och sjukvården efter med år, om inte årtionden, när det gäller dataintegration och interoperabilitet. Men detta är också en enorm möjlighet för Inovalon. Om vi kan fortsätta att förbättra hur data kopplas, görs tillgänglig och används på ett kreativt sätt, kan vi leverera mycket mer innovativa analyser och lösningar som slutligen gynnar patienterna.

Hur balanserar du dataskydd, regelefterlevnad och innovation när du distribuerar AI-modeller på känsliga hälso- och sjukvårdsdata?

Sättet jag tänker på AI är att det, i slutändan, handlar om att ersätta eller förbättra det som teoretiskt kan göras idag, bara på ett snabbare, smartare och mer avancerat sätt. När en kund vill distribuera en AI-modell ovanpå vår data är det något vi måste omfamna. Som med all användning av vår data finns det villkor och bestämmelser som definierar vad en kund kan och inte kan göra. Dessa baseras på våra egna uppströms tillstånd, begränsningar och tillämpliga regler. Det ramverket förändras inte i AI-världen, och vi måste vara möjliggörare. Vi kan inte vara rädda för det. Vi måste omfamna det på ett ansvarsfullt sätt för att AI ska kunna fortsätta, eftersom det har potentialen att enormt gynna hälso- och sjukvårdsbranschen.

AI kräver både historisk data för att bygga modellerna och pågående data för att underhålla dem. Från vår synvinkel som dataleverantör är det en stark position, eftersom när en modell byggs på vår data blir den mer inbäddad. Vi måste närma oss varje modell som vi skulle med vilket kundanvändningsfall som helst, och säkerställa att det är korrekt licensierat och styrt. Den känsligare delen av AI, särskilt inom hälso- och sjukvård, är att se till att det alltid finns en människa i loopet när vård tillhandahålls. Det är ett mycket större ämne, och många diskuterar det.

Från ett RWD-perspektiv befinner vi oss fortfarande i de tidiga stadierna. AI har ännu inte levererat många banbrytande resultat inom hälso- och sjukvård, särskilt när man fokuserar på RWD-användningsfall. Vi utforskar ett antal möjligheter, inklusive till exempel maskinlärningsbaserad extraktion från kliniska anteckningar, som är en mer grundläggande tillämpning av AI. Utöver detta undersöker vi AI-användning i kliniska prövningar och sjukdomsprogression och förutsägbarhet. Vi befinner oss i början av den här resan, men potentialen är enorm. På Inovalon fokuserar vi på att säkerställa att vi har den högsta kvaliteten på data som kan användas i kombination med AI på ett ansvarsfullt sätt, med stark styrning och mänsklig tillsyn, samtidigt som vi förbereder oss för att skala dess påverkan när tekniken och ekosystemet mognar.

Från dina samtal med kunder, vad är de vanligaste bekymren när det gäller att anta AI och RWD-drivna analyser inom hälso- och sjukvård, och hur svarar du på dem?

De vanligaste bekymren jag hör är datakvalitet och tillstånd att utnyttja vår data för att träna deras egna AI-modeller. När det gäller datakvalitet är det med AI som med allt annat: “skräp in, skräp ut”. Om datakvaliteten är dålig, vilket innebär att data inte är ren eller kanske inte tillräckligt, då blir utdata inte särskilt värdefullt heller. Våra kunder förväntar sig konsekvent, korrekt och tillförlitlig data. Med tanke på de enorma volymer vi hanterar var en av mina första prioriteringar att säkerställa datakvalitet över hela linjen. Vi har arbetat hårt för att rensa, avduplicera, standardisera och leverera data nedströms. Att ta äganderätt av datakvaliteten hjälper också genom att förbättra konsekvens och tillförlitlighet över våra datamängder, vilket möjliggör att vi kan leverera mer inom våra traditionella data-analytiska erbjudanden, samt analyser baserade på AI.

Den andra övervägningen handlar om hur vår data kan användas för att stödja AI-modellutveckling. Som ett data-drivet företag är det viktigt att vi tillåter dessa nya användningsfall på ett ansvarsfullt sätt. Med tanke på den snabba utvecklingen av data- och AI-landskapet har vi anpassat vår strategi för att tillåta detta på ett ansvarsfullt sätt, med stark styrning, tydliga användningsvillkor och definierade säkerhetsåtgärder. Denna utveckling möjliggör för våra kunder att innovativt och tryggt använda AI, samtidigt som vi säkerställer ansvarsfulla, regelefterlevande och etiska data-praxis.

Hur mäter du framgång eller ROI för kunder som antar er plattform och analyser, och vilka mått är de mest intresserade av?

Vi mäter framgång genom de verkliga påverkningar som vår plattform och analyser har på våra kunders operativa och kliniska resultat. Detta kan omfatta en mängd olika framgångsmått, beroende på kunden, som till exempel förbättring av CMS Star Ratings i Medicare Advantage, optimering av riskjustering eller generering av handlingsbara realvärldsevidens för life science. Den gemensamma tråden är att insikterna måste vara aktuella, tillförlitliga och handlingsbara.

För mått kan kunder, beroende på var de befinner sig i hälso- och sjukvårdsbranschen, fokusera på aspekter som kvalitetsförbättringar, minskning av glapp i vården, bättre efterlevnad av behandlingsprotokoll eller mätbara kostnads- eller användningsvinster. Kunderna förstår ROI när våra analyser hjälper dem att fatta informerade beslut som förbättrar patientresultat, operativ effektivitet och/eller strategisk prestation.

Om fem år, hur tror du att AI och RWD kommer att utvecklas inom hälso- och sjukvård och life science, och vad ser du som den nästa fronten?

Om fem år kan hälso- och sjukvården se ut som något som ingen av oss känner igen just nu, men det är omöjligt att förutsäga hur snabbt branschen kommer att utvecklas. Den enda säkerheten är att det kommer att vara transformerande. Medan innovations takten är extraordinär, förblir framsteg begränsade av fragmentering över hälso- och sjukvårdsbranschen, som spänner över laboratorier, apotek och elektroniska journalsystem, där få organisationer kan koppla dessa datakällor på ett meningsfullt sätt.

Medan det kan vara en begränsande faktor, om data kan länkas och skapas longitudinellt på ett normaliserat och standardiserat sätt, då tror jag att allt är möjligt. AI kommer att alltmer underbygga allt från kliniskt beslutsstöd till hur life-science-organisationer närmar sig kliniska prövningar och utförande. Under de kommande fem åren kommer vi att se mer automation, förbättrad användning av prediktiv analys och ökad anslutning som ger organisationer tillgång till de insikter de behöver i realtid, allt detta med potentialen att transformera patienters vårdresor och hälso- och sjukvårdsoperationer som helhet.

För organisationer som just börjar utforska integration av AI med realvärldens data, vilka tre råd skulle du ge?

Först och främst, fokusera på data och se till att du ständigt utvärderar datakvaliteten. Andra, utnyttja den kreativa kraften i din personalbas. Verkligheten är att de bästa idéerna kan komma från alla nivåer inom organisationen, särskilt yngre generationer som kommer in på arbetsmarknaden och som har levt och andats data, AI och teknik. Ledare bör hitta sätt att utnyttja idéer och innovationer som finns djupt inom organisationen och skapa en plattform för dessa perspektiv att höras och skördas. Tredje, anställ rätt människor. Utan rätt människor och teknisk talang kommer det att vara nästan omöjligt att innovativt skapa värde och förbli konkurrenskraftig.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Inovalon.