ดร. เจมี่ บลันด์ ผู้ร่วมก่อตั้งและซีอีโอของ Aquila Health – สัมภาษณ์ซีรีส์

ดร. เจมี่ บลันด์ ผู้ร่วมก่อตั้งและซีอีโอของ Aquila Health เป็นผู้นำด้านเทคโนโลยีเพื่อสุขภาพที่มุ่งเน้นในการแก้ไขความท้าทายที่ยั่งยืนของอุตสาหกรรม ซึ่งก็คือ ข้อมูลที่กระจัดกระจายและเข้าถึงไม่ได้ เธอได้ร่วมก่อตั้ง Aquila Health เพื่อสร้างโครงสร้างพื้นฐานข้อมูลที่เป็นเอกภาพซึ่งช่วยให้องค์กรด้านสุขภาพสามารถพ้นจากระบบที่แยกจากกัน โดยใช้การเรียนรู้ของเครื่องและวิเคราะห์แบบมีโครงสร้างเพื่อสร้างข้อมูลเชิงลึกที่สามารถนำไปใช้ได้ ในขณะเดียวกันก็รักษาการดูแลทางคลินิกไว้ การทำงานของเธอมุ่งเน้นไปที่การปรับปรุงการทำงานร่วมกัน การทำให้ข้อมูลสุขภาพระดับประชากรเป็นไปได้ และการสนับสนุนการตรวจจับภัยคุกคามด้านสุขภาพที่เกิดขึ้นใหม่เร็วขึ้น โดยผ่านระบบข้อมูลคลินิก การเรียกร้อง และจีโนมิกส์ที่รวมกัน

Aquila Health เป็นแพลตฟอร์มข้อมูลด้านสุขภาพที่ขับเคลื่อนด้วย AI ซึ่งออกแบบมาเพื่อรวมแหล่งข้อมูลที่แตกต่างกันเข้าด้วยกันในระบบที่เป็นเอกภาพและสามารถทำงานร่วมกันได้ ซึ่งสนับสนุนทั้งประสิทธิภาพการทำงานและวิเคราะห์ขั้นสูง แพลตฟอร์มนี้สามารถรับข้อมูลสุขภาพในรูปแบบต่างๆ เช่น HL7 และ FHIR ทำให้สามารถรวมข้อมูลจากโรงพยาบาล ระบบสาธารณสุข และผู้มีส่วนได้ส่วนเสียอื่นๆ ได้อย่างไม่มีปัญหา โดยการผสมผสานการเรียนรู้ของเครื่องแบบมีโครงสร้างกับโมเดลการตรวจสอบโดยมนุษย์ Aquila มุ่งเน้นในการส่งมอบข้อมูลเชิงลึกที่เชื่อถือได้สำหรับการจัดการสุขภาพระดับประชากร การตรวจจับอาการผิดปกติ และการตัดสินใจในเวลาจริง มากกว่าที่จะพึ่งพาเพียงระบบ AI ที่ไม่โปร่งใส ซึ่งทำให้บริษัทตั้งอยู่ที่จุดตัดระหว่างโครงสร้างพื้นฐานข้อมูลและการใช้ AI ที่ใช้จริง โดยที่การปรับปรุงคุณภาพและความสามารถในการเข้าถึงข้อมูลเป็นรากฐานในการปลดปล่อยศักยภาพเต็มที่ของข้อมูลสุขภาพ

คุณเป็นผู้นำ CyncHealth ผ่านการเติบโตอย่างมาก โดยขยายการทำงานร่วมกันข้ามหลายล้านบันทึกผู้ป่วยและหลายรัฐ ก่อนที่จะก่อตั้ง Aquila Health สิ่งจำกัดหรือความล้มเหลวของระบบใดที่คุณพบระหว่างการเดินทางนั้น ซึ่งผลักดันให้คุณสร้าง Aquila ขึ้นมาจากศูนย์?

ที่ CyncHealth เราใช้เวลาหลายปีในการสร้างโครงสร้างพื้นฐานเพื่อเชื่อมต่อองค์กรด้านสุขภาพข้ามเนบราสก้าและไอโอวา เราเชื่อมต่อมากกว่า 1,100 สถานพยาบาลและหลายล้านบันทึกผู้ป่วย ซึ่งครอบคลุมประชากรมากกว่า 5 ล้านคน

อย่างไรก็ตาม สิ่งที่เราเจอก็คือ การเชื่อมต่อระบบและทำให้ข้อมูลสามารถใช้ได้จริงเป็นสองปัญหาแยกจากกัน ตัวอย่างเช่น เราทำงานเพื่อสร้างแดชบอร์ดเกี่ยวกับการใช้ยาเกินขนาดที่ประสานข้อมูลจากหลายแหล่ง ซึ่งต้องใช้เวลาหลายเดือนพร้อมกับหลายร้อยชั่วโมงการทำงานและความร่วมมือจากหลายฝ่ายเพื่อให้ข้อมูลจุดเดียวนั้นเข้าใจได้ในบริบทสาธารณสุขและด้านสุขภาพ และหลังจากทั้งหมดแล้ว ภาพที่เราได้รับก็ยังไม่สมบูรณ์

ประสบการณ์นั้นเป็นเมล็ดพันธุ์สำหรับ Aquila วิธีการเชื่อมต่อแบบดั้งเดิมโดยไม่เข้าใจถึงความสมบูรณ์และคุณภาพของข้อมูลที่ส่งออกจะไม่ตอบสนองความต้องการด้วยความก้าวหน้าของ AI ในช่วงไม่กี่ปีที่ผ่านมา เมื่อ AI สามารถทำสิ่งที่ใช้เวลาทีมหลายเดือนในการทำได้ภายในเวลาไม่กี่ชั่วโมง และทำได้ด้วยคุณภาพที่สูงกว่าในราคาเพียงเศษเสี้ยว คุณต้องใช้ความรู้นั้นในการสร้างใหม่จากพื้นฐานใหม่ นั่นคือสิ่งที่เราทำกับ Aquila โดยมุ่งเน้นไปที่เครื่องมือสมัยใหม่ที่ลดต้นทุนในการเชื่อมต่อ เพื่อให้เราสามารถมุ่งเน้นไปที่การสร้างภาพที่สมบูรณ์ของสุขภาพ ไม่ใช่แค่ข้อมูลที่ได้รับจากแหล่ง EHI แบบดั้งเดิมเท่านั้น แต่ภาพที่สมบูรณ์

Aquila เพิ่งออกจากความลับด้วยแพลตฟอร์มที่มุ่งเน้นในการรวมข้อมูลสุขภาพที่กระจัดกระจายเข้าเป็นชั้นเดียวที่พร้อมสำหรับ AI สิ่งพื้นฐานทางเทคนิคใดที่ทำให้สิ่งนี้เป็นไปได้ในปัจจุบัน เมื่อเทียบกับเพียงไม่กี่ปีที่แล้ว?

ความสามารถของ AI เป็นตัวขับเคลื่อนการเปลี่ยนแปลงนี้เกือบหมด

ฉันใช้เวลาหลายปีในการดูวิศวกรที่มีทักษะสูงปรับข้อมูลมาตรฐานด้วยตนเอง ทีละแหล่ง มันทำงานได้ แต่แบบจำลองนั้นไม่สามารถขยายขนาดได้ คุณไม่สามารถจ้างคนเพียงพอเพื่อแก้ปัญหานั้นได้เร็วพอที่จะตามข้อมูลที่สุขภาพสร้างขึ้น

สิ่งที่แตกต่างในขณะนี้คือ AI สามารถทำการปรับข้อมูลให้เหมาะสมอย่างต่อเนื่องในระดับข้อมูลเมื่อข้อมูลเคลื่อนที่ผ่านระบบ มันไม่ใช่กระบวนการแบบแบตช์ที่ทำงานในเวลากลางคืน มันเกิดขึ้นในเวลาจริง นั่นเปลี่ยนสิ่งที่เป็นไปได้สำหรับแพทย์และทีมสาธารณสุข เพราะ ข้อมูลที่พวกเขาต้องการได้รับการจัดรูปและตรวจสอบ (ทำให้สามารถใช้ได้) ก่อนที่จะถึงมือพวกเขา

แพทย์เคยตัดสินใจโดยไม่มีภาพผู้ป่วยที่สมบูรณ์ สาธารณสุขเคยขับเคลื่อนโปรแกรมโดยไม่มีข้อมูลล่าสุดเพื่อสนับสนุน Aquila กำลังเปลี่ยนแปลงภูมิทัศน์และให้ความเร็วที่ทำให้การตัดสินใจโดยใช้ข้อมูลเป็นไปได้ทั่วทั้งระบบสุขภาพ

เราสร้าง TREUE™ เป็นโครงสร้างที่จัดระเบียบข้อมูลทางคลินิกที่มาจาก EHR, ห้องปฏิบัติการ, สาธารณสุข, การเรียกร้อง, เภสัชกรรม และข้อมูลสังคมเข้าเป็นโครงสร้างที่เป็นเอกภาพ AI ไม่ได้แทนที่การกำกับดูแลข้อมูลที่ดี มันทำให้การกำกับดูแลข้อมูลที่ดีสามารถขยายขนาดได้เป็นครั้งแรก

คุณเน้นย้ำว่าความท้าทายที่แท้จริงใน AI ด้านสุขภาพไม่ใช่โมเดล แต่ตัวข้อมูลเอง ช่องว่างที่สำคัญที่สุดในปัจจุบันในโครงสร้างพื้นฐานข้อมูลสุขภาพที่ป้องกัน AI ไม่ให้สามารถส่งมอบผลลัพธ์ที่มีความหมายคืออะไร?

อุตสาหกรรมกำลังพูดถึงโมเดล AI แต่โมเดลไม่ใช่ส่วนที่ยาก

ส่วนที่ยากคือ ผู้ป่วยสามารถเดินเข้าไปในสามสถานพยาบาลในหนึ่งวันและปรากฏตัวเป็นสามคนต่าง ๆ ในสามระบบต่าง ๆ ห้องปฏิบัติการไม่ตรงกับบันทึกทางคลินิก บันทึกของผู้จ่ายไม่มีไอดีต่าง ๆ กับบันทึกของโรงพยาบาล และสาธารณสุขใช้ไอดีต่าง ๆ ทั้งหมด เมื่อคุณจัดเรียงสิ่งเหล่านั้นให้เรียบร้อยด้วยตนเอง วินโดว์ทางคลินิกจะปิดไปแล้ว

การเชื่อมต่อทางเทคนิคที่แข็งแกร่งไม่สามารถแก้ไขบันทึกที่มาไม่สมบูรณ์หรือไม่เรียงลำดับ AI ไม่สามารถตรวจจับรูปแบบที่ไม่มีอยู่ในข้อมูล และไม่สามารถให้คำแนะนำที่เชื่อถือได้จากบันทึกที่ขาดข้อมูลครึ่งหนึ่งของประวัติหรือข้อมูลปัจจุบันที่ควรจะรวมอยู่ด้วย

ช่องว่างไม่ใช่เรื่องของพลังในการประมวลผล แต่เป็นเรื่องของความเชื่อมั่นในข้อมูลที่อยู่ด้านล่าง นั่นคือสิ่งที่ต้องแก้ไขก่อน และการแก้ไขที่ระดับขนาดใหญ่คือที่ที่ AI สามารถหาหน้าที่ของมันได้จริง

Aquila ตำแหน่งตัวเองเป็น “ชั้นการเตรียมข้อมูล” ก่อนการรับเข้า AI คุณสามารถอธิบายได้ว่าชั้นนั้นทำอะไรในทางปฏิบัติ โดยเฉพาะเมื่อจัดการกับข้อมูลที่มีเนื้อหาที่แตกต่างกันมาก เช่น บันทึกทางคลินิก ข้อมูลการเรียกร้อง และข้อมูลแบบเรียลไทม์?

โดยใช้ตัวอย่างจากก่อนหน้านี้ พิจารณาว่าอะไรเกิดขึ้นเมื่อการพบผู้ป่วยสร้างข้อมูล คุณได้รับข้อความ HL7 จากโรงพยาบาล บันทึกการเรียกร้องจากผู้จ่าย บันทึกผลห้องปฏิบัติการจากห้องปฏิบัติการอ้างอิงที่ใช้ไอดีต่าง ๆ และรายงานสาธารณสุขที่ยื่นในเวลาที่แตกต่างกัน ไม่มีสิ่งเหล่านี้ที่ถูกออกแบบมาเพื่อปรับให้เข้ากัน

ชั้นการเตรียมข้อมูลของเรา TREUE™ คือสิ่งที่อยู่ระหว่างการรับเข้าเหล่านั้นและแอปพลิเคชันการวิเคราะห์หรือ AI ลำดับถัดไป หน้าที่ของมันคือการประเมินบันทึกแต่ละรายการเมื่อมันมาถึง จับคู่อัตลักษณ์ข้ามแหล่งข้อมูล ทำข้อมูลให้เป็นมาตรฐาน และแจ้งสิ่งที่ขาดหรือไม่สอดคล้องก่อนที่ข้อมูลจะเคลื่อนต่อไป

ในทางปฏิบัติ สิ่งนี้หมายความว่าแพทย์ที่ดูผู้ป่วยกำลังทำงานจากบันทึกที่ได้รับการตรวจสอบและจัดเรียงข้ามแหล่งต่างๆ มากกว่าที่จะจับคู่มุมมองของระบบสี่ระบบต่าง ๆ ระหว่างการพบผู้ป่วย สำหรับทีมสาธารณสุข มันหมายความว่าสัญญาณการระบาดจะไม่ถูกชะลอโดยข้อมูลที่มาในหลายรูปแบบจากเขตอำนาจศาลต่าง ๆ

มันเป็นงานโครงสร้างพื้นฐาน มันไม่หรูหรา แต่ไม่มีสิ่งใดที่ทำงานหลังจากระดับนั้น

มาตรฐานการทำงานร่วมกัน เช่น Fast Healthcare Interoperability Resources (FHIR) และ United States Core Data for Interoperability (USCDI) มีอยู่มานาน แต่การกระจัดกระจายยังคงดำเนินต่อไป อะไรที่ยังขาดในด้านมาตรฐาน และ Aquila ตอบสนองช่องว่างเหล่านั้นแตกต่างอย่างไร?

FHIR และ USCDI ให้ภาษาร่วมกันสำหรับการแลกเปลี่ยนข้อมูลแก่อุตสาหกรรม นั่นเป็นความก้าวหน้าที่สำคัญ

ช่องว่างคือ ข้อมูลสุขภาพไม่ได้มาจากโดเมนเดียว ระบบทางคลินิก สาธารณสุข ห้องปฏิบัติการ และแหล่งข้อมูลสังคมมีกฎการกำกับดูแล เวลา และคำจำกัดความของสิ่งที่ฟิลด์หมายถึงอย่างแตกต่างกัน FHIR ไม่ได้บอกว่าคุณควรจัดข้อมูลสังคมกับบันทึกทางคลินิกจากเขตอำนาจศาลที่แตกต่างกันอย่างไร

สิ่งที่ TREUE™ เพิ่มคือโครงสร้างที่เป็นเอกภาพสำหรับวิธีการจัดระเบียบข้อมูลจากโดเมนต่างๆ ให้เป็นรูปเป็นร่างและตรวจสอบร่วมกัน ในขณะเดียวกันก็ยังคงเคารพกฎการกำกับดูแลที่ใช้กับแหล่งที่มาแต่ละแหล่ง ผลลัพธ์คือข้อมูลที่คุณสามารถวิเคราะห์ข้ามโดเมนได้ ไม่ใช่แค่ข้อมูลที่ส่งได้สำเร็จ

Aquila ดำเนินงานในสภาพแวดล้อมที่มีผลกระทบสูง โดยความล้มเหลวไม่ใช่ตัวเลือก คุณออกแบบระบบ AI ที่สร้างสมดุลระหว่างประสิทธิภาพในเวลาจริงและความต้องการที่เข้มงวดรอบการกำกับดูแล ความตรวจสอบ และความเชื่อมั่นได้อย่างไร?

คุณต้องสร้างการกำกับดูแลเข้าไปในโครงสร้างพื้นฐานก่อนที่คุณจะเขียนโค้ดแอปพลิเคชันบรรทัดแรก มันไม่ควรเป็นชั้นที่คุณเพิ่มในภายหลัง

ในสภาพแวดล้อมด้านสุขภาพและรัฐบาล การตัดสินใจที่ได้รับอิทธิพลจากข้อมูลนี้ส่งผลกระทบต่อการดูแลผู้ป่วย การตอบสนองต่อการระบาด และวิธีการจัดสรรทรัพยากรสาธารณะ การดำเนินการใดๆ ที่กระทำต่อข้อมูลต้องสามารถตรวจสอบได้ และการเข้าถึงต้องควบคุมอย่างเข้มงวด ระบบต้องตอบสนองข้อกำหนดการปฏิบัติตามกฎระเบียบที่สภาพแวดล้อมที่ทำงานในนั้น

สำหรับ Aquila สิ่งนี้หมายถึงการดำเนินงานภายในโครงสร้างพื้นฐานคลาวด์ระดับรัฐบาล ระบบควบคุมการเข้าถึงแบบไม่ไว้วางใจ และแนวปฏิบัติด้านความปลอดภัยที่สอดคล้องกับมาตรฐาน HIPAA และรัฐบาล เรามีสัญญาที่กำลังดำเนินอยู่กับรัฐบาลของรัฐ องค์กรของรัฐบาล และองค์กรด้านสุขภาพ ซึ่งมีข้อกำหนดการปฏิบัติตามกฎระเบียบที่แตกต่างกันซึ่งแพลตฟอร์มต้องตอบสนองพร้อมกัน

ส่วนประกอบ human-in-the-loop มีความสำคัญไม่แพ้กัน AI สามารถแสดงสัญญาณ แต่ผู้เชี่ยวชาญด้านคลินิกต้องตรวจสอบความผิดปกติก่อนที่จะแจ้งให้การตัดสินใจในการดำเนินงาน เทคโนโลยีช่วยให้การค้นหาสัญญาณเร็วขึ้น มันไม่ได้แทนที่การวินิจฉัยของผู้ที่ต้องดำเนินการตามสัญญาณเหล่านั้น

แพลตฟอร์มของคุณรองรับการใช้งาน AI ที่ปลอดภัยบนอุปกรณ์และความเป็นเจ้าของข้อมูล คุณคิดว่าการกระจายอำนาจมีความสำคัญเพิ่มขึ้นใน AI ด้านสุขภาพ โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงความกังวลที่เพิ่มขึ้นเกี่ยวกับความเป็นส่วนตัวของข้อมูลและการปฏิบัติตามกฎระเบียบ?

มันกำลังจะกลายเป็นสิ่งจำเป็น และฉันคิดว่าอุตสาหกรรมเพิ่งเริ่มรับมือกับเหตุผล

องค์กรด้านสุขภาพดำเนินงานภายใต้ภาระผูกพันทางความเป็นส่วนตัวที่เข้มงวด ข้อมูลผู้ป่วยที่ไวต่อความเสี่ยงไม่สามารถจัดกลางและประมวลผลในสภาพแวดล้อมที่ใช้ร่วมกัน รัฐต่างๆ มีกฎที่แตกต่างกัน องค์กรของรัฐบาลกลางมีกฎที่แตกต่างกัน ข้อมูลสุขภาพระหว่างประเทศมีข้อจำกัดอื่นใด อะไรก็ตามที่ต้องการข้อมูลที่ละเอียดอ่อนจะชนกับกำแพงเหล่านั้นซ้ำแล้วซ้ำเล่า

ทิศทางที่ใช้ได้คือการสร้างข้อมูลเชิงลึกใกล้กับจุดที่ข้อมูลมีอยู่แล้ว องค์กรสามารถมีส่วนร่วมในการวิเคราะห์แบบแชร์ได้โดยไม่ต้องสูญเสียการควบคุมข้อมูลพื้นฐาน นั่นคือสิ่งที่โมเดลแบบกระจายอำนาจอนุญาตให้ทำได้

แพลตฟอร์มของเราถูกสร้างขึ้นเพื่อดำเนินงานในสภาพแวดล้อมที่มีการควบคุมและกระจายอำนาจ – การกำกับดูแลที่เดินทางพร้อมกับข้อมูล มากกว่าที่จะใช้ ณ จุดเดียว มันเป็นสถาปัตยกรรมที่ยากกว่าที่จะสร้าง แต่มันเป็นสิ่งที่สอดคล้องกับวิธีการกำกับดูแลข้อมูลสุขภาพในทางปฏิบัติ

หลายๆ แสตอร์ทอัพ AI พึ่งพาโมเดลแบบกล่องดำมากเกินไป ในขณะที่ Aquila รวมการตรวจสอบโดยมนุษย์เข้าด้วยกัน คุณเห็นเส้นแบ่งระหว่างการทำงานอัตโนมัติและการดูแลของมนุษย์ในระบบ AI ทางคลินิกอย่างไร?

ฉันเริ่มอาชีพของฉันเป็นพยาบาลประจำเวร สิ่งนี้มีอิทธิพลต่อวิธีที่ฉันคิดเกี่ยวกับจุดที่ AI ต้องใช้ในบริบททางคลินิก และที่ที่ไม่ควร

AI มีความสามารถในการค้นหารูปแบบในเซตข้อมูลขนาดใหญ่ มันไม่ดีในการรู้ว่ารูปแบบนั้นหมายถึงอะไรสำหรับผู้ป่วยเฉพาะที่มีประวัติและบริบทชุมชนเฉพาะ

บทบาทที่เหมาะสมของ AI ในระบบทางคลินิกคือการแสดงสัญญาณที่มนุษย์อาจพลาดในปริมาณ ไม่ใช่การแทนที่การให้เหตุผลทางคลินิกที่ตามมา ที่ Aquila สัญญาณและข้อมูลเชิงลึกที่ระบุโดยระบบจะถูกส่งไปยังแพทย์และผู้เชี่ยวชาญด้านสุขภาพเพื่อตรวจสอบก่อนที่จะขับเคลื่อนการตัดสินใจในการดำเนินงาน เทคโนโลยีบอกคุณว่าไปที่ไหน และผู้เชี่ยวชาญบอกคุณว่ามันหมายถึงอะไร

ที่ที่ฉันคิดว่าเส้นแบ่งควรอยู่: อัตโนมัติในการตรวจจับ รักษาการตีความไว้กับคนๆ ที่รับผิดชอบต่อผลลัพธ์

Aquila ทำงานในด้านสาธารณสุข ระบบของรัฐบาล และอุตสาหกรรมที่มีการควบคุม ความต้องการโครงสร้างพื้นฐาน AI แตกต่างอย่างไรระหว่างสภาพแวดล้อมเหล่านี้ เมื่อเทียบกับการใช้งาน AI ในองค์กรแบบดั้งเดิม?

ในสถานการณ์การใช้งาน AI ขององค์กรมักจะทำงานภายในสภาพแวดล้อมข้อมูลขององค์กรเดียว กฎการกำกับดูแลหนึ่งชุด และโครงสร้างการปฏิบัติตามกฎระเบียบเดียว

สภาพแวดล้อมด้านสาธารณสุขและรัฐบาลมีโครงสร้างที่แตกต่าง คุณกำลังประสานงานข้ามเขตอำนาจศาลหลายแห่ง องค์กรหลายแห่ง และสถานพยาบาลทางคลินิกหลายแห่ง ซึ่งทำงานในเวลาและกรอบการทำงานทางกฎหมายที่แตกต่างกัน โรงพยาบาลในรัฐหนึ่ง องค์กรสาธารณสุขในรัฐอื่น และโปรแกรมของรัฐบาลกลางที่มีข้อกำหนดข้อมูลของตนเอง ทั้งหมดนี้ต้องแลกเปลี่ยนข้อมูลและสร้างข้อมูลเชิงลึกโดยไม่มีหน่วยงานใดที่มีการเข้าถึงข้อมูลของอีกฝ่ายโดยไม่มีการควบคุม

โครงสร้างพื้นฐานต้องรองรับการประมวลผลปริมาณมากพร้อมการตรวจสอบที่เข้มงวดข้ามพรมแดนเหล่านั้น มันจะต้องรวมเข้ากับรูปแบบข้อความสุขภาพแบบดั้งเดิมเพราะระบบเหล่านั้นจะไม่หายไป มันจะต้องทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมที่การหยุดชะงักไม่ใช่แค่ปัญหาในการดำเนินธุรกิจ แต่เป็นปัญหาเรื่องความปลอดภัยของผู้ป่วย

ความซับซ้อนนี้คือเหตุผลที่เราเริ่มต้น Aquila ด้วยสภาพแวดล้อมเหล่านี้มากกว่าตลาดองค์กรแบบดั้งเดิม หากคุณสามารถสร้างโครงสร้างพื้นฐานที่ทำงานที่นี่ มันจะทำงานทุกที่

ความสามารถของ AI ยังคงพัฒนาอย่างรวดเร็วกว่าโครงสร้างการกำกับดูแล ผู้ก่อตั้งและผู้สร้างแพลตฟอร์มมีหน้าที่อะไรในการรับรองว่าระบบเหล่านี้ได้รับการใช้งานอย่างมีจริยธรรมและมีความปลอดภัยตั้งแต่วันแรก?

ฉันคิดว่าความรับผิดชอบนั้นตรงไปตรงมา แม้ว่าการปฏิบัติตามจะไม่ตรงไปตรงมา

หากคุณกำลังสร้าง AI ที่ส่งผลกระทบต่อการตัดสินใจทางคลินิกหรือผลลัพธ์ด้านสาธารณสุข คุณไม่ได้รับอนุญาตให้รักษาการกำกับดูแลเป็นรายการในแผนผลิตภัณฑ์ที่คุณจะดำเนินการต่อในอนาคต มันจะต้องถูกออกแบบมาจากจุดเริ่มต้น

สิ่งที่มันหมายถึงในทางปฏิบัติคือ การดำเนินการใดๆ ที่กระทำต่อข้อมูลจะต้องสามารถตรวจสอบได้ โมเดลจะต้องสามารถอธิบายได้เพียงพอที่แพทย์จะเข้าใจว่าทำไมสัญญาณถึงถูกแจ้ง และองค์กรจะต้องซื่อสัตย์เกี่ยวกับสิ่งที่ระบบสามารถและไม่สามารถทำได้อย่างน่าเชื่อถือ

ฉันใช้เวลาอาชีพของฉันในสภาพแวดล้อมที่ความล้มเหลวของข้อมูลมีผลกระทบต่อผู้คนจริงๆ สิ่งนี้มีอิทธิพลต่อวิธีที่ฉันคิดเกี่ยวกับเรื่องนี้ ความสามารถกำลังพัฒนาเร็ว และความรับผิดชอบในการใช้งานไม่สามารถล่าช้าได้ ผู้ก่อตั้งผู้สร้างระบบเหล่านี้ต้องรักษามาตรฐานนั้นให้ตัวเอง ไม่ใช่แค่รอจนกว่ากฎระเบียบจะบังคับใช้

ขอขอบคุณสำหรับการสนทนาที่ให้ข้อมูลอันมีค่า ผู้อ่านสามารถเรียนรู้เพิ่มเติมเกี่ยวกับแพลตฟอร์มและแนวทางในการจัดการโครงสร้างพื้นฐานข้อมูลสุขภาพได้โดยการเยี่ยมชม Aquila Health