เจฟฟรีย์ อายสโตน ผู้ให้คำปรึกษาด้าน Healthcare AI ของ CognitiveScale – สัมภาษณ์เชิงลึก

เจฟฟรีย์ อายสโตน เป็น Healthcare AI Advisor ของ CognitiveScale ในบทบาทนี้ เจฟฟรีย์ทำงานร่วมกับองค์กรด้านสุขภาพ (โดยหลักเป็นผู้ให้บริการด้านสุขภาพ ระบบการชำระเงิน และผู้ให้บริการเทคโนโลยี) ในการเดินทางของ AI ของพวกเขา – ตั้งแต่การให้ข้อมูลเชิงกลยุทธ์เกี่ยวกับวิธีการพัฒนา AI Competencies และศูนย์ความเป็นเลิศไปจนถึงการพัฒนา AI Roadmaps และการนำ AI Solutions มาใช้

คุณสามารถพูดถึงเหตุผลที่คุณเชื่อว่า AI มีความสำคัญต่ออุตสาหกรรมสุขภาพได้หรือไม่?

ปริมาณข้อมูลที่ซับซ้อนและกระจายอยู่ทั่วทุกแห่งเป็นพื้นฐานของกระบวนการทางคลินิก การบริหาร และการเงินของสุขภาพ AI จึงกลายเป็นความสามารถหลักตลอดห่วงโซ่คุณค่าของเทคโนโลยีสุขภาพ ผู้ทำงานด้านความรู้ เช่น ผู้เชี่ยวชาญด้านสุขภาพและนักวิจัย ได้รับประโยชน์อย่างมากจาก AI – โดยเฉพาะอย่างยิ่ง “augmented intelligence” ซึ่งเป็นส่วนหนึ่งของ AI

AI ในสุขภาพเป็นหัวข้อที่กว้างขวางและมีกรณีการใช้งานที่มีค่ามากมาย ตั้งแต่การรวบรวมข้อมูลไปจนถึงการได้รับข้อมูลเชิงลึก การปรับปรุงหรือการทำให้กระบวนการทำงานอัตโนมัติไปจนถึงการมีส่วนร่วมของผู้ป่วยและการให้บริการที่เป็นส่วนตัวมากขึ้น ผลลัพธ์ด้านคลินิกกำลังดีขึ้น ความมีประสิทธิภาพกำลังขับเคลื่อนการประหยัดต้นทุน และมีกรณีการใช้งานอื่นๆ อีกมากมายที่สัญญาว่าจะขับเคลื่อนมูลค่า การระบาดทั่วของโควิด-19 ได้ทำให้กรณีการใช้งาน AI ในสุขภาพหลายกรณีเข้ามาอยู่ในโฟกัสอย่างชัดเจน โดยการรวมคะแนนความเสี่ยงของชุมชนและบุคคลเข้ากับการแทรกแซงที่ชาญฉลาด – ตัวอย่างเช่น – ซึ่งทั้งหมดนี้จะช่วยปรับปรุงระบบสุขภาพทั่วโลกหลังจากที่เรารับมือกับโควิด-19 ได้สำเร็จ

คุณสามารถกำหนดความหมายของ “augmented intelligence” ในบริบทของสุขภาพได้หรือไม่?

CognitiveScale มุ่งเน้นไปที่ “augmented intelligence” เป็นหลัก เทคโนโลยี AI บางอย่าง เช่น การอัตโนมัติกระบวนการ (RPA) หรือ chatbots มุ่งเป้าไปที่การแทนที่คนด้วยเครื่องจักร (ส่วนใหญ่) เรามุ่งเน้นไปที่การให้บริการ AI ที่ช่วยให้องค์กรและพนักงานด้านสุขภาพทำงานได้ชาญฉลาดและ効率มากขึ้น เรายังเน้นไปที่วิธีแก้ปัญหาทางปัญญา – ซึ่งเป็นส่วนขยายของ AI ที่มีวงจรการเรียนรู้หรือการให้ข้อมูลย้อนกลับ – และมักจะเป็น “มนุษย์ในวงจร” ที่สามารถให้ข้อมูลย้อนกลับเพื่อให้โมเดลสามารถเรียนรู้ได้ มีตัวอย่างมากมายของ “augmented intelligence” ในสุขภาพที่เริ่มให้ผลลัพธ์ที่น่าประทับใจ ตัวอย่างเช่น ในด้านรังสีวิทยาและพยาธิวิทยา ผู้เชี่ยวชาญด้านสุขภาพกำลังเพิ่มความสามารถในการอ่านภาพและวินิจฉัยโดยใช้โมเดลการเรียนรู้ของเครื่อง ทำให้สามารถตรวจพบหรือวินิจฉัยได้เร็วขึ้นหรือแม่นยำยิ่งขึ้น

คุณได้ทำงานร่วมกับทั้งสตาร์ทอัพและองค์กรขนาดใหญ่ที่ใช้กลยุทธ์ AI ที่แตกต่างกัน คุณพบข้อผิดพลาดทั่วไปอะไรบ้าง?

เช่นเดียวกับวิธีแก้ปัญหาด้าน AI ที่เรียนรู้และเติบโตขึ้น ความเข้าใจของเราที่มีต่อพลังของ AI และอุปสรรค์ก็เช่นกัน เวลาที่ใช้ในการเข้าถึงข้อมูลในการเตรียมข้อมูลและฝึกโมเดลบนข้อมูลที่สมบูรณ์แบบมักจะใช้เวลานานกว่าที่คิดไว้ ข้อผิดพลาดอื่นๆ เกี่ยวข้องกับการดำเนินงานและการขยายขนาดของวิธีแก้ปัญหาด้าน AI – การสันนิษฐานว่าโมเดลที่ดีสามารถนำไปใช้และจัดการได้ง่ายๆ ทั่วทั้งระบบ IT ของสุขภาพ เมื่อความเป็นจริงคือโมเดล AI หลายๆ โมเดลยังคงไม่ได้ใช้งาน แต่หนึ่งในความท้าทายที่สำคัญที่สุดของ AI ในสุขภาพคือเรื่องของความไว้วางใจ: โมเดลสามารถเชื่อถือได้หรือไม่ มันไม่ลำเอียง มันยุติธรรม อธิบายได้ และแม่นยำหรือไม่? หัวข้อข่าวหลายเรื่องได้แสดงให้เห็นว่าวิธีแก้ปัญหาด้าน AI สามารถมีอคติในลักษณะที่จะดึงดูดความสนใจของหน่วยงานกำกับดูแล – หรืออาจเป็นโซลูชันที่เป็น “กล่องดำ” ที่ได้รับการยอมรับจากผู้ให้บริการที่มีจุดมุ่งหมายเพื่อเพิ่มความฉลาดของพวกเขา

คุณมีความคิดเห็นอย่างไรเกี่ยวกับการทำโปรไฟล์ทางพันธุกรรม?

การทำโปรไฟล์ทางพันธุกรรมเป็นส่วนหนึ่งของเทคโนโลยีที่มีแนวโน้มที่จะให้ข้อมูลส่วนบุคคลเกี่ยวกับบุคคล โดยปกติเพื่อวัตถุประสงค์ด้านสุขภาพ (ไม่ใช่เพื่อจุดประสงค์ทางพันธุกรรมหรือการตรวจสอบบิดามารดา) การให้บริการที่เป็นส่วนตัวมากขึ้นเป็นหัวข้อสำคัญของกรณีการใช้งาน AI ในสุขภาพ – วิธีการมีส่วนร่วมของผู้ป่วยหรือการเพิ่มความฉลาดของผู้ให้บริการด้วยข้อมูลเชิงลึกที่เป็นส่วนตัวมากขึ้น ใน medida ที่การทำโปรไฟล์ทางพันธุกรรมสามารถช่วยให้ได้รับการให้บริการที่เป็นส่วนตัวมากขึ้น และถ้าข้อมูลและการใช้งานนั้นเชื่อถือได้ (ไม่ลำเอียง ยุติธรรม อธิบายได้ และแม่นยำ) แล้วมันจะกลายเป็นส่วนสำคัญของการรักษาที่เป็นส่วนตัว – และเป็นองค์ประกอบพื้นฐานของโซลูชัน AI ที่มีการปรับให้เหมาะสมสูงซึ่งใช้ข้อมูลทางพันธุกรรม

การให้บริการสุขภาพที่เป็นส่วนตัวดูเหมือนจะเป็นกระแสในอนาคต คุณเห็นว่ามันจะมีผลกระทบเชิงบวกมากที่สุดในด้านใด?

ที่ CognitiveScale เรากำลังให้บริการด้านสุขภาพที่เป็นส่วนตัว คาดการณ์ได้ และให้คำแนะนำ เรามีตัวอย่างเช่น การแทรกแซงที่ชาญฉลาดสำหรับผู้จัดการดูแลผู้ป่วย (กรณีการใช้งานทางคลินิก) และการคาดการณ์การส่งคำถาม (กรณีการใช้งานด้านการบริหาร/การดำเนินงาน) วิธีแก้ปัญหาการแทรกแซงที่ชาญฉลาดให้ข้อมูลเชิงลึก คาดการณ์ และคะแนนความเสี่ยง (รวมถึงผลลัพธ์ของโมเดลอื่นๆ) ที่เพิ่มความสามารถในการทำงานของผู้จัดการผู้ป่วยผ่านโปรแกรมการจัดการผู้ป่วย เรากำลังใช้ความสามารถเหล่านี้สำหรับหน่วยงานสาธารณสุข ผู้ให้บริการ และผู้ให้บริการด้านสุขภาพที่พยายามจัดการผู้ป่วย/สมาชิกผ่านวิกฤตโควิด-19 โดยการคาดการณ์การส่งคำถาม เรากำลังช่วยให้องค์กรด้านสุขภาพรู้ว่าเมื่อสมาชิกหรือผู้ให้บริการโทรเกี่ยวกับการอ้างสิทธิ์ ผลประโยชน์ ฯลฯ เราจะช่วยให้พวกเขารู้ว่าเหตุผลที่แท้จริงของการโทรคืออะไร และวิธีการแก้ไขมันอย่างมีประสิทธิภาพมากขึ้น ซึ่งจะช่วยให้ประหยัดต้นทุนและ影响ความพึงพอใจและความจงรักภักดี มีกรณีการใช้งาน AI ในสุขภาพอื่นๆ อีกมากมายที่มุ่งเน้นไปที่การให้บริการที่เป็นส่วนตัว

คุณสามารถพูดถึงความท้าทายในการรวบรวมข้อมูลจากแหล่งต่างๆ เช่น EMR, ERPs, ข้อมูลผู้ป่วย, แหล่งข้อมูลภายนอก ฯลฯ เข้าสู่ระบบข้อมูลที่สอดคล้องกัน?

เทคโนโลยีสารสนเทศด้านสุขภาพ (HCIT) มักจะเป็นระบบนิเวศ: เครือข่ายที่กระจายอยู่ทั่วทุกแห่ง ตัวอย่างทั่วไปคือบันทึกสุขภาพส่วนบุคคล (PHR) – ชุดข้อมูลที่สมบูรณ์ของบันทึกทางการแพทย์ของผู้ป่วย แม้ว่าระบบสุขภาพขนาดใหญ่อาจใช้ระบบสารสนเทศโรงพยาบาลที่เป็นเนื้อเดียวกัน ผู้ป่วยของพวกเขาอาจมีผู้ให้บริการด้านสุขภาพอื่นๆ ที่เป็นแหล่งข้อมูลอื่น และข้อมูลห้องปฏิบัติการและเภสัชกรรมของพวกเขาอาจกระจายอยู่ทั่วคลินิกและบริษัทต่างๆ แม้ว่าจะมีชุดธุรกรรมมาตรฐานสำหรับการแลกเปลี่ยนข้อมูลสุขภาพ และแบบจำลองข้อมูลคลินิกที่ใช้ร่วมกัน (และแบบจำลองข้อมูลสมาชิก ผู้ป่วย ลูกค้า และผู้ให้บริการ) ผู้ให้บริการโซลูชัน AI ในสุขภาพมักต้องแสดงให้เห็นว่าวิธีแก้ปัญหาของพวกเขาสามารถใช้หลายแบบเหล่านี้ได้พร้อมๆ กัน – ข้อมูลภายในและภายนอก การเชื่อมต่อข้อมูล และแบบจำลองข้อมูล

คุณมีความคิดเห็นอย่างไรเกี่ยวกับการติดตามข้อมูล?

การติดตามข้อมูลเป็นส่วนหนึ่งของประเด็นที่กดดันใน AI ของสุขภาพ ประเด็นหนึ่งคือประเด็นเกี่ยวกับความเป็นส่วนตัว การใช้ข้อมูล และการแลกเปลี่ยนข้อมูล ตัวอย่างเช่น ข้อมูลทางคลินิกหรือข้อมูลสุขภาพส่วนบุคคล (PHI) ไปที่ไหนและใช้อย่างไร? ประเด็นเหล่านี้เกี่ยวข้องกับด้านกฎระเบียบและกฎหมายเกี่ยวกับความปลอดภัยและความเป็นส่วนตัวของข้อมูลสุขภาพ ประเด็นเหล่านี้เป็นส่วนหนึ่งของ AI ที่เชื่อถือได้และยุติธรรม ซึ่งจะต้องคำนึงถึงการใช้ข้อมูล ความเป็นส่วนตัว กฎระเบียบ และด้านกฎหมาย

คุณเป็นที่ปรึกษาของ CognitiveScale คุณสามารถอธิบายได้หรือไม่ว่า CognitiveScale ทำอะไร และคุณให้คำปรึกษาแก่พวกเขาอย่างไร?

CognitiveScale เป็นผู้ให้บริการซอฟต์แวร์ AI ที่ช่วยให้องค์กรสร้าง ใช้ และขยายโซลูชัน AI ที่มีจุดมุ่งหมาย และจัดการความไว้วางใจ ในสาขาสุขภาพ เราทำงานร่วมกับองค์กรผู้ให้บริการและผู้จ่ายเงินขนาดใหญ่ที่สุดในประเทศ ในกรณีการใช้งาน AI หลายๆ ประเภท รวมถึงงานล่าสุดในด้านการแทรกแซงที่ชาญฉลาดที่เกี่ยวข้องกับโควิด-19 และวิธีการที่โซลูชันเหล่านี้จะปรับปรุงการจัดการดูแลผู้ป่วย การให้บริการ และอื่นๆ เมื่อเราผ่านวิกฤตนี้ไปแล้ว ในฐานะผู้เชี่ยวชาญด้านสุขภาพของเรา ฉันช่วยลูกค้าและพันธมิตรในด้านเชิงกลยุทธ์ เช่น การสร้างแผน AI ที่มีประสิทธิภาพ และเชิงกลยุทธ์ เช่น การทำให้ได้รับประโยชน์จาก AI และการเพิ่มประสิทธิภาพ ฉันกำลังช่วยเหลือในด้านการพัฒนาผลิตภัณฑ์ (คุณสมบัติเฉพาะของแพลตฟอร์มของเราสำหรับสุขภาพ) และการเป็นผู้นำความคิดในด้านโซลูชัน AI ที่มีคุณค่าสูงสุดสำหรับสุขภาพ

คุณสามารถอธิบายปัญหาใหญ่ที่สุดของ AI ที่ทำงานเป็น “กล่องดำ” และวิธีแก้ปัญหาในอุตสาหกรรมสุขภาพได้หรือไม่?

เช่นเดียวกับที่ฉันกล่าวไว้ AI ที่เชื่อถือได้และยุติธรรมเป็นความท้าทายที่สำคัญ – และความไว้วางใจส่วนใหญ่เกิดจากปัญหา “กล่องดำ”: การขาดความสามารถในการอธิบายหรือมองเห็น และความกังวลเกี่ยวกับประเด็นต่างๆ เช่น ความลำเอียง ความยุติธรรม ความแม่นยำ และความแข็งแกร่ง ที่ CognitiveScale โซลูชัน Certiai ของเราตอบสนองความท้าทายนี้และช่วยให้ลูกค้าได้รับดัชนีความไว้วางใจ AI และส่วนประกอบของมัน (แต่ละส่วนมีคะแนนและข้อมูลเชิงลึกของตนเอง): ความลำเอียง ความยุติธรรม ความสามารถในการอธิบาย ความแข็งแกร่ง และความแม่นยำ สุขภาพมีตัวอย่างของโมเดลที่มีอคติหรือความกังวลของผู้เชี่ยวชาญด้านสุขภาพเกี่ยวกับผลลัพธ์ของโมเดลเนื่องจากการขาดความโปร่งใสหรือความสามารถในการอธิบาย มีกฎระเบียบด้านกฎระเบียบเกี่ยวกับความเป็นส่วนตัวและการใช้ข้อมูล และการใช้โมเดลเพื่อให้ได้ผลลัพธ์ที่ยุติธรรมหรือไม่ลำเอียง – และสิ่งเหล่านี้ได้เข้ามาอยู่ในข่าวเรื่องนี้ เรากำลังทำงานร่วมกับองค์กรเทคโนโลยีและบริหารความเสี่ยงหลายแห่งเพื่อพัฒนาวิธีการที่เชื่อถือได้ในการให้ความโปร่งใสและเพิ่มความมั่นใจในโซลูชัน AI “กล่องดำ”

คุณสามารถอธิบายวิธีการลดการอิ่มตัวของห้องฉุกเฉินผ่าน AI ที่คาดการณ์ได้หรือไม่?

การหลีกเลี่ยงห้องฉุกเฉินเป็นส่วนหนึ่งของการเพิ่มประสิทธิภาพการดูแลและให้บริการสุขภาพที่เป็นส่วนตัว – การให้บริการที่เหมาะสมในเวลาที่เหมาะสม ซึ่งอาจเกี่ยวข้องกับการดูแลฉุกเฉิน แต่หลายครั้งไม่ใช่ ผู้ป่วย ผู้ให้บริการ และผู้จ่ายเงินต้องการระดับการดูแลที่เหมาะสมในเวลาที่เหมาะสมในสถานการณ์นี้ โซลูชัน AI หลายๆ โซลูชันกำลังให้ข้อมูลเชิงลึก เช่น คะแนนความเสี่ยงของชุมชนและผู้ป่วย การวิเคราะห์การแพร่กระจาย การคาดการณ์การใช้โรงพยาบาล และคำแนะนำส่วนบุคคลสำหรับบุคคลเฉพาะ เป็นต้น เราให้คะแนนผลการดำเนินงานของโซลูชันการจัดการผู้ป่วยของเราโดยใช้เมตริกการแสดงผลหลายอย่าง เช่น ผลลัพธ์ที่ดีขึ้น รวมถึงการหลีกเลี่ยงห้องฉุกเฉินเมื่อเหมาะสม

ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม CognitiveScale เพื่อเรียนรู้เพิ่มเติม