Jeffrey Eyestone, hälso- och sjukvårdsrådgivare för AI på CognitiveScale – Intervjuer

Jeffrey Eyestone är CognitiveScales hälso- och sjukvårdsrådgivare för AI. I denna roll arbetar Jeff med hälso- och sjukvårdsorganisationer (främst vårdgivare/hälso- och sjukvårdssystem, betalare och teknikutvecklare) på deras AI-resa – från strategisk insikt i hur man utvecklar AI-kompetens och centra för utmärkthet till mer taktisk utveckling av AI-vägkartor och leverans av AI-lösningar

Kan du diskutera varför du tror att AI är så viktigt för hälso- och sjukvårdsindustrin?

Stora mängder komplex, olika och distribuerad data utgör grunden för de underliggande kliniska, administrativa och finansiella processerna som driver hälso- och sjukvården. Så AI är nu en kärnförmåga över hela hälso- och sjukvårdens IT-värdekedja. Kunskapsarbetare som kliniker och forskare uppnår betydande förbättringar från AI – särskilt “augmenterad intelligens”-undergruppen av AI.

AI inom hälso- och sjukvården är ett stort ämne och det finns många värdefulla användningsfall, från datainsamling till insiktsgenerering, från förbättring eller automatisering av processer till bättre patientengagemang och leverans av personanpassad vård. Kliniska resultat förbättras, effektiviteten driver kostnadsbesparingar och det finns många fler användningsfall som lovar att driva värde. Den nuvarande globala pandemin har satt många fler hälso- och sjukvårdsrelaterade AI-användningsfall i fokus, som kombinerar samhälls- och individuella riskpoäng och insikter med intelligenta ingrepp, till exempel – allt detta kommer att förbättra hälso- och sjukvårdssystem världen över långt efter att vi har besegrat COVID-19.

Hur skulle du definiera augmenterad intelligens i en hälso- och sjukvårdsinställning?

CognitiveScale fokuserar främst på augmenterad intelligens. Vissa AI-tekniker som robotiserad processautomatisering (RPA) eller chattbotar syftar till att ersätta människor med maskiner (för det mesta, i alla fall). Vi fokuserar på AI-lösningar som hjälper hälso- och sjukvårdsorganisationer och personal att arbeta smartare och mer effektivt. Vi fokuserar också på kognitiva lösningar – den mer avancerade undergruppen av AI som har en inlärnings- eller återkopplingsloop – och ofta är det “människor i loopen” som kan ge återkoppling för modeller att lära sig från. Det finns många exempel på augmenterad intelligens inom hälso- och sjukvården som börjar ge imponerande resultat. Till exempel inom radiologi och patologi förstärker kliniker sin förmåga att läsa bilder och göra diagnoser med maskinlärningsmodeller, vilket möjliggör tidigare upptäckt eller mer exakta diagnoser och laboratorieresultat.

Du har arbetat med både startups och stora organisationer som har implementerat olika AI-strategier. Vilka är några vanliga misstag som du har sett?

LIksom kognitiva AI-lösningar lär sig över tid och mognar, så har vår förståelse av AI:s kraft och fallgroparna också mognat. Tiden det tar att få tillgång till data – för att förbereda data – och sedan träna modeller på en census av data har vanligtvis tagit längre tid än vad som ursprungligen tänktes. Andra misstag relaterar till driftsättning och skalning av AI-lösningar – antagandet att en bra modell kan enkelt distribueras och hanteras över ett hälso- och sjukvårds-IT-ekosystem, när verkligheten är att många AI-modeller förblir outnyttjade. Men en av de största utmaningarna inom hälso- och sjukvårds-AI relaterar till tillit: kan modeller lita på, är de fördomsfulla, rättvisa, förklarliga och exakta? Många rubriker har visat att AI-lösningar kan vara fördomsfulla på sätt som kommer att dra till sig regulatorernas uppmärksamhet – eller de kan vara “black box”-lösningar som väcker skepticism hos de vårdgivare vars intelligens de är tänkta att förstärka. Detta är den största utmaningen – och misstaget – med hälso- och sjukvårds-AI som jag ser just nu.

Vad är dina åsikter om genetisk profilering?

Genetisk profilering är en undergrupp av lovande tekniker som syftar till att ge personanpassad insikt i en person, vanligtvis för ändamålet med deras hälso- och sjukvård (i motsats till släktforskning, eller ibland ser vi berättelser om faderskapsTvister eller till och med brottsutredningar som använder denna teknik). Personanpassning är ett stort ämne för hälso- och sjukvårds-AI-användningsfall – hur man kan engagera patienter bättre, eller förstärka intelligensen hos vårdgivare med mer personanpassad och riktad insikt. Så länge som genetisk profilering kan bidra till att ge mer personanpassning, och så länge som data och användningen av den är tillförlitlig (ofördomsfull, rättvis, förklarlig, exakt, etc.), då kommer det att vara en viktig komponent i personanpassad medicin – och en grundläggande del av hyperpersonanpassade AI-lösningar som använder genetisk information.

Personanpassad hälso- och sjukvård verkar vara framtiden, på vilka sätt ser du att detta kommer att ha den mest positiva effekten?

På CognitiveScale levererar vi personanpassade, prediktiva, preskriptiva hälso- och sjukvårds-lösningar. Ett par exempel inkluderar intelligenta ingrepp för vårdchefer (kliniskt användningsfall) och förutsägelse av serviceförfrågningar (administrativt/operativt användningsfall). Intelligenta ingreppslösningar levererar personanpassade inferenser, förutsägelser och riskpoäng (bland andra modellutdata) som förstärker arbetet med att hantera patienter genom ett vårdprogram. Vi använder också dessa funktioner för allmänna hälso- och sjukvårdsmyndigheter, vårdgivare och hälso- och sjukvårdsplaner som försöker hantera medborgare/patienter/medlemmar under COVID-19-krisen. Genom att förutsäga serviceförfrågningar hjälper vi hälso- och sjukvårdsorganisationer att veta exakt varför en medlem eller vårdgivare ringer om anspråk, förmåner etc., och hur man kan lösa det på ett mer effektivt sätt, vilket driver kostnadsbesparingar och påverkar tillfredsställelse och kundbehållning. Det finns många fler hälso- och sjukvårds-AI-användningsfall som fokuserar på personanpassade lösningar. Vi kunde skriva en bok om detta ämne ensamt.

Kan du prata om utmaningarna med att samla in data från olika källor, såsom EMR, ERP, patientdata, externa datakällor etc., till ett sammanhängande datasystem?

Hälso- och sjukvårdsinformationsteknik (HCIT) är nästan alltid ett ekosystem: ett distribuerat nätverk av olika system. Ett vanligt exempel är den personliga hälsojournalen (PHR) – den kompletta datamängden för en patients medicinska journal. Även om ett stort hälso- och sjukvårdssystem är på ett homogent sjukhusinformationssystem, kommer deras patienter sannolikt att ha andra vårdgivare, de kan ha försäkring som är en annan datakälla, och deras laboratorie- och apoteksdata kan mycket väl spridas över flera kliniker och företag. Medan det finns standardtransaktionsuppsättningar för hälso- och sjukvårdsdatautbyte, gemensamma datamodeller för att lagra klinisk data (och medlem, patient, kund och vårdgivar datascheman), måste hälso- och sjukvårds-AI-lösningstillverkare ofta visa hur lösningar kan utnyttja flera av dessa samtidigt – interna och externa data, dataanslutning och datascheman. Det är uppenbart att grunden för hälso- och sjukvårds-AI-lösningar är data. Så dataaggregeringsförmåga måste vara en kärnkompetens för varje hälso- och sjukvårds-AI-leverantör.

Vilka är några av de överväganden som behövs med data-spårbarhet?

Data-spårbarhet är en komponent i några större, pressande frågor inom hälso- och sjukvårds-AI. För det första är data-spårbarhet en av flera frågor som relaterar till sekretess, dataanvändning och datautbyte. Till exempel, vart går klinisk data eller personlig hälsoinformation (PHI) och hur används den? Dessa frågor relaterar till regulatoriska och juridiska aspekter av hälso- och sjukvårdsdatasäkerhet och sekretess. Dessa frågor är i sin tur en undergrupp av etisk och tillförlitlig AI. Etisk AI måste ta hänsyn till dataanvändning, sekretess, regler och juridiska aspekter etc., särskilt för att ta itu med etisk användning av data. Tillförlitlig AI inkluderar aspekter av förklarbarhet och dataanvändning.

Du är en rådgivare på CognitiveScale, kan du förklara vad CognitiveScale gör och hur du råder dem?

CognitiveScale är en leverantör av AI-mjukvara som hjälper organisationer att bygga, driftsätta och skala kognitiva AI-lösningar; förverkliga värdet av AI över hela organisationen; och hantera tillit. Inom hälso- och sjukvården arbetar vi för några av de största betalnings- och vårdgivarorganisationerna i landet, på ett brett spektrum av AI-användningsfall, inklusive mer nyligen arbete inom områden som intelligenta ingrepp relaterade till COVID-19-pandemin och hur dessa lösningar kommer att förbättra vårdhantering, serviceupplevelse och mer, när vi är förbi denna kris. Som vår ledande hälso- och sjukvårdsämnesexpert hjälper jag kunder och partners mer strategiskt i områden som byggnad av robusta AI-vägkartor, och mer taktiskt i områden som värderingsrealisering och optimering. Jag arbetar också för att hjälpa till i områden som produktutveckling (hälso- och sjukvårds-specifika funktioner och förmågor i vår plattform, till exempel) och tankeledarskap med fokus på de mest värdefulla hälso- och sjukvårds-AI-lösningarna (med tanke på storleken på möjligheten).

Kunde du definiera för oss vad de största problemen är med hur AI ibland fungerar som en “black box”, och potentiella lösningar för hälso- och sjukvårdsindustrin?

Som jag nämnde tidigare är tillförlitlig, etisk AI en stor utmaning – och tillit är till stor del på grund av “black box”-problemet: brist på förklarbarhet eller synlighet, och skepticism kring frågor som fördomar, rättvisa, exakthet och robusthet. På CognitiveScale adresserar vår Certiai-lösning specifikt denna utmaning och hjälper kunder med en AI-tillitsindex och dess beståndsdelar (var och en med sin egen poäng och insikter): fördomar, rättvisa, förklarbarhet, robusthet och exakthet. Hälso- och sjukvården har sett exempel på fördomsfulla modeller, eller klinisk skepticism med modellutdata på grund av brist på transparens eller förklarbarhet. Det finns också regulatoriska krav kring sekretess och dataanvändning, och användningen av modeller för att leverera rättvisa eller ofördomsfulla resultat – och dessa har hamnat i nyheterna. Vi arbetar med ett antal teknologi- och riskhanteringsorganisationer för att utveckla tillförlitliga sätt att ge synlighet och förbättra förtroendet för “black box”-AI-lösningar.

Vilka är några sätt som vi kan minska överbelastning av akutmottagningar genom prediktiv AI?

Akutvårdsundvikande är verkligen en undergrupp av vårdoptimering och personanpassad hälso- och sjukvård – rätt vård vid rätt tidpunkt. Detta kan mycket väl involvera akutvård, men ofta gör det inte. Den nyligen COVID-19-krisen belyser ett användbart exempel där vårdoptimering kan vara användbar. Till exempel kan rätt vård för en patient med hög risk i en högriskommun innefatta kliniskt utlämnande, tillgång till en testcenter eller i vissa fall akutvård. Patienter, medlemmar, vårdgivare och betalare vill alla ha rätt nivå av vård vid rätt tidpunkt i denna kris, så en kombination av AI-lösningar hjälper till att leverera insikter som samhälls- och patientriskpoäng, spridningsanalys, sjukhusanvändningsprognoser och personanpassad vägledning för specifika personer, bland andra lösningar. Vi utvärderar prestandan för våra vårdhanteringslösningar mot ett antal prestandamått, som förbättrade resultat, inklusive akutvårdsundvikande när det är lämpligt.

Tack för intervjun, läsare som vill lära sig mer kan besöka CognitiveScale.