Tony Hogben, Immersiv Studio Lead på Pfizer Digital Omnichannel Services & Solutions (OSS) – Intervju-serie

Tony Hogben är Immersiv Studio Lead på Pfizer (PFE ) Digital Omnichannel Services & Solutions (OSS). Pfizer Digital Omnichannel Services & Solutions (OSS) ligger i framkant när det gäller att omvandla hur Pfizer kopplar samman med patienter, hälso- och sjukvårdspersonal och yrkesverksamma över hela världen. Genom innovativa digitala strategier, banbrytande teknik och data-drivna insikter möjliggör OSS sömlösa, personanpassade och effektiva upplevelser. Genom att integrera avancerad analys, automatisering och AI-drivna lösningar förbättrar teamet engagemanget, optimerar kommunikationen och driver meningsfulla kopplingar över alla digitala kontaktytor.

Du har en omfattande karriär inom digital innovation och immersiv teknik. Vad var det som först väckte ditt intresse för detta område, och hur ledde din resa dig till din nuvarande roll?

Min väg har varit ganska ovanlig. Efter att ha avslutat en examen i “New Media” i början av 2000-talet – när det digitala fortfarande höll på att hitta sin plats – etablerade och drev jag min egen digitala byrå. Att arbeta under Web 2.0:s uppkomst var verkligen spännande. Vi banade väg för SAAS-lösningar och tidiga mobilapplikationer i en miljö där innovation inte bara var ett modeord – det var vår dagliga verklighet. Varje projekt bröt ny mark, och det entreprenöriella energin var smittsamt.

Efter att ha sålt min verksamhet strax före pandemin njöt jag till en början av ledigheten, men insåg snart att jag behövde en ny utmaning som skulle utnyttja min expertis. Att gå med i Pfizer Digital har gett mig möjlighet att kombinera både min kreativa vision och tekniska förmågor, med nästan två decenniers erfarenhet av att hjälpa organisationer av alla storlekar att förvandlas digitalt.

Att bygga Immersiv Studio från grunden har varit särskilt givande – skapa en intern innovationshub som möjliggör för team över hela företaget att utnyttja immersiv och interaktiv teknik. För närvarande är jag en del av ett team som leder våra initiativ för att integrera AI-lösningar över flera avdelningar och användningsområden, och hjälper team att ompröva sina arbetsflöden och förmågor.

Det som varit mest tillfredsställande med övergången till hälso- och sjukvården är att jag kan applicera min passion för skärningspunkten mellan teknik och mänsklig upplevelse i en miljö där vårt arbete har en direkt och mätbar påverkan. Här påverkar precisionen, realismen och engagemanget vi skapar genom immersiv teknik direkt hälso- och sjukvårdspersonals utbildning och, i slutändan, patientresultat. Kopplingen mellan teknisk innovation och mänskligt välbefinnande driver mig varje dag.

Medicinsk utbildning genomgår en förändring med AI-drivna simuleringar. Hur jämför dessa AI-styrda immersiva upplevelser med traditionella utbildningsmetoder när det gäller effektivitet och tillgänglighet?

Jag börjar med att diskutera immersiva upplevelser innan jag utforskar hur AI förvandlar landskapet.

Immersiva utbildningsupplevelser förvandlar grundläggande medicinsk utbildning genom att erbjuda flexibilitet som traditionella metoder inte kan matcha. Lärare kan återbesöka komplexa scenarier från nästan var som helst, i sin egen takt, och så många gånger som behövs. Bevisen är övertygande, kunskapsretentionen för immersivt lärande är betydande – upp till 76% bättre än traditionella utbildningsmetoder*

AI revolutionerar nu dessa immersiva upplevelser på fyra avgörande sätt:

I innehållsskapande demokratiserar AI utvecklingen av högkvalitativa simuleringar. Det som tidigare krävde team av specialiserade utvecklare och månader av arbete kan nu slutföras snabbare och av betydligt färre människor – detta kommer att låsa upp utvecklingspotentialen och tillåta innehåll att skapas i stor skala.

För läroupplevelsen möjliggör AI dynamisk anpassning – justering av scenarier i realtid baserat på beslut och färdighetsnivå, skapar autentiska utmaningar som bättre speglar klinisk oförutsägbarhet.

När det gäller återkoppling erbjuder AI nyanserad bedömning utöver enkla godkänt/underkänt-mått. Det kan analysera lärares rörelser, beslutssekvenser och jämföra prestationer mot tusentals tidigare sessioner för att erbjuda personlig coachning.

Till sist möjliggör AI samarbetsinlärning genom naturlig språkbehandling och intelligenta avatarer som simulerar realistiska patient- och teaminteraktioner.

Påverkan på tillgänglighet är djupgående – AI-drivna immersiva upplevelser kan distribueras brett och kostnadseffektivt, och hjälpa till att hantera utbildningsgap globalt. Denna kraftfulla kombination av immersiv teknik och AI har potentialen att demokratisera tillgången till högkvalitativ medicinsk utbildning, särskilt i underbetjänade regioner.

*Bonde, Mads & Makransky, Guido & Wandall, Jakob & Larsen, Mette & Morsing Bagger, Mikkel & Jarmer, Hanne & Sommer, Morten. (2014). Förbättring av bioteknikutbildning genom spelifierade laborationssimuleringar

Kan du dela insikter om hur AI-drivna medicinska simuleringar utvecklas på ditt företag? Vilka är några av de största utmaningarna i att bygga dessa högkvalitativa simuleringar?

Vi är i de tidiga stadierna av att integrera AI i våra tillvägagångssätt. Vi har en tydlig vision om vart vi är på väg, men den tungt reglerade hälso- och sjukvårdssektorn vi arbetar i kräver metodisk implementering och rigorös validering. Detta skapar en spänning mellan vår önskan att innovativt snabbt och vår skyldighet att fortskrida försiktigt – vi skulle älska att hålla jämna steg med den frenetiska innovationen som sker med AI.

För närvarande fokuserar vi våra AI-insatser på tre nyckelområden:

1. Innehållsskapelseacceleration: Vi använder AI för att förbättra vår innehållsutvecklingspipeline, vilket hjälper våra medicinska och instruktionsdesign-team att skala produktionen av evidensbaserade scenarier, kliniska varianter och patientmodeller. Detta låter oss behålla kvaliteten samtidigt som vi betydligt utökar vår simuleringsbibliotek.
2. Teknisk utvecklingsacceleration: Vi använder AI för att strömlinjeforma vår tekniska utvecklingsprocess, vilket möjliggör snabbare prototypering, testning och distribution av nya simuleringsfunktioner och funktioner. Detta hjälper oss att övervinna resursbegränsningar och accelerera vår innovationscykel.
3. Läroanpassade upplevelser: I samma takt utvecklar vi sätt att inkorporera AI direkt i våra simuleringar för att skapa mer dynamiska, responsiva lärmiljöer. Detta inkluderar personliga återkopplingssystem och anpassad svårighetsgrad baserad på lärares prestandamönster.

Även om framsteg kräver tålamod i detta område, är vi entusiastiska över hur dessa AI-innovationer slutligen kommer att förvandla medicinsk utbildning och patientresultat.

Din 360-gradersupplevelse, virtuell laboratorium, är en innovativ tillvägagångssätt för att utbilda hälso- och sjukvårdspersonal. Hur fungerar det, och vad för sorts återkoppling har du fått från användare hittills?

Det virtuella laboratoriet ger hälso- och sjukvårdspersonal upplevelsen av att gå igenom ett riktigt labbmiljö, interagera med medicinsk utrustning, öva procedurer och lösa realistiska utmaningar i en fullständigt immersiv digital miljö.

Det virtuella labbet designades för att komplettera fysiska labbturer som demonstrerar bästa praxis. Vi insåg att fysiska labbturer involverar komplicerad logistik och schemaläggningsbegränsningar, så vi skapade en digital alternativ som är tillgänglig 24/7 från var som helst i världen.

Hälso- och sjukvårdspersonal navigerar genom detaljerade, interaktiva simuleringar som testar deras kunskap och förbättrar deras förståelse för laboratorieprocedurer. Plattformen är utformad för flera enheter, vilket säkerställer flexibilitet i hur och var lärande sker. Vi har utökat vårt erbjudande för att inkludera virtuella labb för flera medicinska tillstånd och har översatt dessa upplevelser till många språk för att stödja globala utbildningsbehov.

Återkopplingen har varit överväldigande positiv. Användare berömmer konsekvent tre aspekter:

1. Realism: Den högkvalitativa miljön skapar en autentisk känsla av närvaro i ett arbetslaboratorium
2. Engagemang: Interaktiva element upprätthåller intresse och fokus under hela läroupplevelsen
3. Flexibilitet: Förmågan att komma åt utbildning vid sin egen bekvämlighet och takt

Viktigast är att hälso- och sjukvårdspersonal rapporterar att de känner sig mer säkra på sina färdigheter och behåller information bättre än med traditionella utbildningsmetoder. Denna förbättrade kunskapsretention översätts direkt till bättre patientvård i verkliga situationer.

AI och immersiv teknik kan göra utbildning mer tillgänglig, men ser du några hinder – såsom regulatoriska problem, acceptanshämmningar eller tekniska begränsningar – som måste övervinnas?

När det gäller att implementera nya tekniker i hälso- och sjukvårdsutbildning skiljer sig hindren sig betydligt mellan immersiva upplevelser och AI-tillämpningar.

De primära utmaningarna med immersiv teknik inkluderar:

• Utvecklingskostnader: Traditionellt har skapandet av högkvalitativa immersiva upplevelser varit dyrt. Men AI hjälper oss faktiskt att hantera detta genom att accelerera innehållsskapande och minska produktions tid.
• Tillgänglighet: Vi ser till att vår immersiva utbildning förblir tillgänglig genom att utveckla för flera plattformar, som visas med vårt virtuella labb som fungerar på olika enheter. Detta tillvägagångssätt låter lärares engagera sig oavsett deras tekniska konfiguration.
• Acceptanshämmning: Detta är kanske vår mest ihållande utmaning, särskilt bland erfarna hälso- och sjukvårdspersonal. Vår strategi är gradvis exponering – börja med bekanta format som vårt virtuella labb som introducerar rumsliga lärokoncept utan att kräva en brant lärokurva. Detta bygger tillit till immersiva koncept innan vi fortsätter till mer komplexa tekniker.

För AI-integrering möter vi olika hinder:

• Tekniska begränsningar: Vi arbetar aktivt för att lösa dessa genom att bygga robusta plattformar och tillvägagångssätt som kommer att fungera som grund för framtida utveckling.
• Regulatoriska problem: Detta representerar vår största utmaning. Regulatoriska organ har giltiga frågor om precisionen och giltigheten av AI-genererat innehåll i hälso- och sjukvårdsutbildning. Vår tillvägagångssätt är att utveckla interna användningsfall först, skapa konkreta exempel som vi kan använda för att engagera regulatoriska team konstruktivt. Vi erkänner att vi behöver stödja deras förståelse samtidigt som vi samarbetar för att utveckla lämpliga skydd.

Genom att systematiskt hantera dessa hinder och erkänna deras distinkta egenskaper skapar vi vägar för ansvarsfull innovation som upprätthåller de höga standarder som krävs i hälso- och sjukvårdsutbildning.

Med AI som accelererar i en aldrig tidigare skådad takt, förutser du en punkt där AI kan ta på sig en mer aktiv roll i realtidspatientvård, snarare än att bara vara ett stödverktyg?

Detta går lite utanför mitt expertisområde, men jag tror att vi kan se att AI redan rör sig bortom stödroller i hälso- och sjukvården, med exempel som AI-assisterad diagnostik och realtidskirurgi. Inom de närmaste fem åren tror jag att AI kommer att ta på sig en betydligt mer aktiv roll i patientvård, men det kommer inte att ersätta människor fullständigt. Istället kommer AI att arbeta tillsammans med hälso- och sjukvårdspersonal i en “människa-i-slingan”-ram, som erbjuder assistans utan att ta full kontroll. Denna förändring väcker etiska problem kring förtroende och ansvar – medan AI kan föreslå diagnoser eller behandlingsplaner, kommer den slutliga beslutet fortfarande att fattas av människor för att säkerställa patientensäkerhet. AI kommer att förbättra beslutsfattandet, men mänsklig bedömning kommer att förbli avgörande.

I en värld där AI-genererade medicinska insikter en dag kan överträffa humana yrkesverksamma i vissa uppgifter, hur bör hälso- och sjukvårdsindustrin förbereda sig för denna förändring?

Med varje teknisk omvandling ser vi uppgiftsförskjutning snarare än människoreplacement. Hälso- och sjukvårdsindustrin behöver omdefiniera AI inte som en ersättning för yrkesverksamma, utan som en samarbetspartner. Det är en enkel ekvation, Människa + AI är större än Människa eller AI ensam.

Denna förändring kommer att vara gradvis och uppgiftsspecifik – troligen börjande i områden som bildbaserad diagnostik, patologisk screening och prediktiv analys för patientförsämring. Detta är områden där mönsterigenkänning i stor skala ger AI en naturlig fördel, medan mer komplex klinisk resonemang kommer att förbli människodrivet under överskådlig framtid.

Vi behöver börja med små, målinriktade uppgifter som levererar omedelbar värde snarare än den vanliga allt-eller-inget-tillvägagångssättet med monolitiska lösningar. Detta iterativa tillvägagångssätt låter kliniker och patienter bygga förtroende för AI-förmågor över tid.

Snarare än att motstå förändring bör hälso- och sjukvårdsindustrin proaktivt forma hur AI integreras i hälso- och sjukvårdsekosystemet, säkerställande att det förbättrar snarare än minskar de mänskliga elementen som förblir centrala för läkande.

Slutligen bör varje organisation ta det första steget genom att demokratisera AI-exponering. Ge din personal personliga utmaningar för att öppna deras ögon för möjligheterna – låt dem skapa en bild, skriva ett e-postmeddelande eller bygga en presentation med AI-verktyg. När de upplever kraften personligen kommer de att bringa den entusiasmen tillbaka för att identifiera meningsfulla tillämpningar i sitt dagliga arbete. Botten-upp-innovation producerar ofta de mest praktiska och effektiva lösningarna.

Många företag kämpar med att skala upp AI-lösningar bortom pilotprojekt. Vilka strategier har du använt för att framgångsrikt implementera AI i stor skala?

För mig handlar framgångsrik AI-skalning av varje tekniskt projekt om att hantera två kritiska utmaningar: teknisk infrastruktur och användaracceptans.

I hälso- och sjukvårdens tungt reglerade miljö är det avgörande att etablera robust teknisk grund innan man skalar upp något AI-initiativ. Vi behöver säker, efterlevnadskompatibel infrastruktur som balanserar innovation med patientensäkerhetskrav.

Med ny teknik blir acceptans ofta den största barriären för skalning. Vi har funnit att att göra AI så osynlig som möjligt är avgörande för bred acceptans. Till exempel, att stå inför en tom skärm och behöva skriva en effektiv prompt skapar betydande friktion för de flesta användare. Istället designar vi lösningar där användare kan enkelt klicka på förkonfigurerade knappar eller använda bekanta arbetsflöden som utnyttjar AI bakom kulisserna.

Vår tillvägagångssätt prioriterar att börja smått men bygga med skalbarhet i åtanke från dag ett. Snarare än att skapa engångslösningar designar vi modulära komponenter som kan utökas och återanvändas över flera användningsfall. Detta låter framgångsrika pilotprojekt bli mallar för bredare implementering.

Du tror att AI kommer att förvandla hälso- och sjukvården på sätt som tidigare ansågs vara science fiction. Vilka specifika framsteg tror du kommer att ha den mest betydande påverkan under de närmaste fem åren?

Som ett barn på 80-talet minns jag TV-serierna “The Six Million Dollar Man” och “Bionic Woman” från 1970-talet. Dessa serier visade karaktärer som fysiskt förbättrats av teknik, den verkliga revolutionen med AI kommer dock att vara kognitiv förbättring. Detta exciterar mig mest.

Under de närmaste fem åren tror jag att flera specifika framsteg kommer att förvandla hälso- och sjukvården:

1. Administrativ automatisering: Den byråkratiska bördan som för närvarande konsumerar så mycket av vår hälso- och sjukvårdspersonals tid kommer att minska dramatiskt. Detta handlar inte bara om effektivitet – det handlar om att lägga tillbaka omsorgen i hälso- och sjukvården genom att omdirigera mänsklig uppmärksamhet till patientinteraktioner.
2. Läkemedelsupptäcktacceleration: Tidsramen från att identifiera terapeutiska mål till att utveckla effektiva behandlingar kommer att komprimera från decennier till år eller till och med månader. AlphaFold, skapad och öppen källkod av Google’s DeepMind, har redan revolutionerat vår förståelse av proteinstrukturer – löst på dagar vad som tidigare tog år av laboratoriearbete.
3. Precisionsdiagnostik i stor skala: AI-system kommer att dramatiskt förbättra tidig upptäckt av tillstånd som cancer, hjärt-kärlsjukdomar och neurologiska störningar genom mönsterigenkänning över stora datamängder.
4. Personanpassad behandling: Behandlingsplaner kommer att kontinuerligt förfinas baserat på individuell patientdata, justerande i realtid för att maximera effektivitet och patientengagemang i sin egen vård.

Taktiken på dessa förändringar kommer att vara förbluffande. AI-utveckling är som hundår – men med exponentiell acceleration. Vi kommer att se vad som skulle ha tagit 50 år av konventionell forskning och implementering.

Detta är inte avlägsna science fiction-scenarier – de börjar redan dyka upp i tidiga former, det är inte framtiden, det är nu.