Jeffrey Eyestone, CognitiveScale Sağlık Hizmetleri Yapay Zeka Danışmanı – Röportaj Serisi

Jeffrey Eyestone Bilişsel Ölçek'nin Healthcare AI Danışmanı. Bu rolde Jeff, yapay zeka yetkinliklerinin ve mükemmellik merkezlerinin nasıl geliştirileceğine ilişkin stratejik içgörüden yapay zeka yol haritalarının daha taktiksel olarak geliştirilmesine ve yapay zekanın sunulmasına kadar, sağlık kuruluşlarıyla (öncelikle sağlayıcılar/sağlık hizmetleri sistemleri, ödeme yapanlar ve teknoloji satıcıları) yapay zeka yolculuklarında birlikte çalışır. çözümler

Yapay zekanın sağlık sektörü için neden bu kadar önemli olduğuna inandığınızı tartışabilir misiniz? 

Muazzam miktarda karmaşık, farklı ve dağıtılmış veri, sağlık hizmetlerini yönlendiren temel klinik, idari ve finansal süreçlerin temelini oluşturur. Bu nedenle, AI artık tüm sağlık hizmetleri bilgi teknolojisi değer zincirinde temel bir yetenektir. Klinisyenler ve araştırmacılar gibi bilgi çalışanları, yapay zekadan, özellikle de yapay zekanın "artırılmış zeka" alt kümesinden önemli gelişmeler elde ediyor.

Sağlık hizmetlerinde yapay zeka çok büyük bir konudur ve veri tedarik etmekten içgörü türetmeye, süreçleri iyileştirme veya otomatikleştirmeden daha iyi hasta katılımına ve kişiselleştirilmiş bakım sunmaya kadar birçok değerli kullanım durumu vardır. Klinik sonuçlar iyileşiyor, verimlilikler maliyet tasarruflarını artırıyor ve çalışmalarda değer sağlamayı vaat eden çok daha fazla kullanım durumu var. Mevcut küresel salgın, topluluk ve bireysel risk puanlarını ve içgörüleri örneğin akıllı müdahalelerle birleştirerek sağlık hizmetlerinde yapay zeka kullanım durumlarını keskin bir şekilde odak noktasına getirdi. .

 

Bir sağlık hizmeti ortamında artırılmış zekayı nasıl tanımlarsınız?

CognitiveScale öncelikle artırılmış zekaya odaklanır. Robotik süreç otomasyonu (RPA) veya sohbet robotları gibi bazı yapay zeka teknolojileri, insanları (en azından çoğu zaman) makinelerle değiştirmeye çalışıyor. Öncelikle sağlık kuruluşlarının ve personelinin daha akıllı ve daha verimli çalışmasına yardımcı olan yapay zeka çözümlerine odaklanıyoruz. Ayrıca bilişsel çözümlere (yapay zekanın öğrenme veya geri bildirim döngüsüne sahip daha gelişmiş alt kümesi) odaklanıyoruz ve modellerin öğrenebileceği geri bildirimi çoğu zaman "döngüdeki insanlar" sağlayabiliyor. Sağlık hizmetlerinde etkileyici sonuçlar vermeye başlayan çok sayıda artırılmış zeka örneği var. Örneğin radyoloji ve patolojide klinisyenler, makine öğrenimi modelleriyle görüntüleri okuma ve teşhis koyma becerilerini geliştirerek daha erken tespite veya daha doğru teşhislere ve laboratuvar sonuçlarına olanak tanıyor.

 

Farklı yapay zeka stratejileri uygulayan hem startup'larla hem de büyük kuruluşlarla çalıştınız. Gördüğün bazı yaygın hatalar nelerdir?

Tıpkı bilişsel yapay zeka çözümlerinin zamanla öğrenip olgunlaştığı gibi, yapay zekanın gücü ve tuzaklar hakkındaki anlayışımız da öyle. Verilere erişim sağlamak (verileri hazırlamak) ve ardından bir veri sayımı üzerinde modelleri eğitmek için geçen süre, genellikle başlangıçta düşünülenden daha uzun sürdü. Diğer hatalar, yapay zeka çözümlerinin operasyonelleştirilmesi ve ölçeğiyle ilgilidir - iyi bir modelin bir sağlık hizmeti BT ekosisteminde kolayca dağıtılabileceğini ve yönetilebileceğini varsayarken, gerçekte birçok yapay zeka modeli kullanılmadan kalır. Ancak sağlık hizmetleri AI'sındaki en önemli zorluklardan biri güven ile ilgilidir: modellere güvenilebilir mi, önyargılı, adil, açıklanabilir ve doğru mu? Çok sayıda başlık, yapay zeka çözümlerinin düzenleyicilerin dikkatini çekecek şekillerde önyargılı olabileceğini veya zekalarını artırmaları gereken sağlayıcılardan şüphe uyandıran kara kutu çözümleri olabileceğini göstermiştir. Bu, son zamanlarda sağlık hizmetleri yapay zekasında gördüğüm en büyük zorluk ve hata.

 

Genomik profil oluşturma konusundaki görüşleriniz nelerdir?

Genomik profilleme, genellikle sağlık hizmetleri amacıyla (şecere veya bazen babalık anlaşmazlıkları ve hatta bu teknolojiden yararlanan suç soruşturmaları hakkında hikayeler görüyoruz) bir kişiye kişiselleştirilmiş içgörü sağlamak için tasarlanmış umut verici teknolojilerin bir alt kümesidir. Kişiselleştirme, sağlık hizmeti AI kullanım durumlarının önemli bir konusudur; hastalarla nasıl daha iyi etkileşim kurulur veya daha kişiselleştirilmiş ve yönlendirilmiş içgörülerle sağlayıcıların zekası nasıl artırılır. Genomik profil oluşturma, daha fazla kişiselleştirme sağlanmasına yardımcı olabilir. Veriler ve bunların kullanımı güvenilir (tarafsız, adil, açıklanabilir, doğru vb.) olduğu sürece, kişiselleştirilmiş tıbbın önemli bir bileşeni ve genetikten yararlanan hiper-kişiselleştirilmiş AI çözümlerinin temel bir unsuru olacaktır. bilgi.

 

Sağlık hizmetlerinin kişiselleştirilmesi geleceğin dalgası gibi görünüyor, bunun hangi açılardan en olumlu etkiye sahip olduğunu görüyorsunuz?

CognitiveScale'de kişiselleştirilmiş, tahmine dayalı, kuralcı sağlık hizmetleri çözümleri sunuyoruz. Birkaç örnek, bakım yöneticileri için akıllı müdahaleleri (klinik kullanım durumu) ve tahmin hizmeti sorgularını (yönetimsel / operasyonel kullanım durumu) içerir. Akıllı müdahale çözümleri, bir bakım yönetimi programı aracılığıyla hastaları yönetenlerin işini artıran (diğer model çıktılarının yanı sıra) kişiselleştirilmiş çıkarımlar, tahminler ve risk puanları sunar. Vatandaşları/hastaları/üyeleri COVID-19 krizi boyunca yönetmeye çalışan halk sağlığı yetkilileri, sağlayıcı ve sağlık planları için de bu yeteneklerden yararlanıyoruz. Hizmet sorgularını tahmin ederek, sağlık kuruluşlarının bir üyenin veya sağlayıcının talepler, avantajlar vb. hakkında aradığı anı, aramanın özel nedenini ve bunu çok daha verimli bir şekilde nasıl çözeceğini bilmesine yardımcı oluyoruz, böylece maliyet tasarrufu sağlıyor ve memnuniyeti ve elde tutmayı etkiliyor . Kişiselleştirilmiş çözümlere odaklanan daha birçok yapay zeka sağlık hizmeti kullanım durumu vardır. Bu konuda tek başımıza bir kitap yazabiliriz.

 

EMR, ERP'ler, hasta verileri, harici veri kaynakları gibi farklı kaynaklardan gelen verileri tek bir tutarlı veri sisteminde toplamanın zorluklarından bahsedebilir misiniz?

Sağlık Bilgi Teknolojisi (HCIT) neredeyse her zaman bir ekosistemdir: farklı sistemlerden oluşan dağıtılmış bir ağ. Yaygın bir örnek, bir hastanın tıbbi kaydının eksiksiz veri seti olan kişisel sağlık kaydıdır (PHR). Büyük bir sağlık sistemi homojen bir hastane bilgi sisteminde olsa bile, hastalarının başka bakıcıları olabilir, başka bir veri kaynağı olan sigortaları olabilir ve laboratuvar ve eczane verileri birçok klinik ve şirkete yayılabilir. Sağlık hizmetleri veri alışverişi için standart işlem kümeleri, klinik verileri (ve üye, hasta, müşteri ve sağlayıcı veri şemaları) depolamak için ortak veri modelleri olsa da, sağlık hizmeti AI çözümü tedarikçilerinin çoğu zaman çözümlerin bunlardan birden fazlasından nasıl yararlanabileceğini gösterebilmesi gerekir. tek seferlik—dahili ve harici veriler, veri bağlantısı ve veri şemaları. Açıkçası, sağlık hizmetleri AI çözümlerinin temeli verilerdir. Bu nedenle, veri toplama yetenekleri, herhangi bir sağlık hizmeti AI sağlayıcısının temel yetkinliği olmalıdır.

 

Veri izlenebilirliği için gerekli olan hususlardan bazıları nelerdir?

Veri izlenebilirliği, sağlık hizmetleri yapay zekasındaki bazı daha büyük ve acil sorunların bir bileşenidir. Birincisi, veri izlenebilirliği gizlilik, veri kullanımı ve veri alışverişi ile ilgili birkaç sorundan biridir. Örneğin, klinik veriler veya kişisel sağlık bilgileri (PHI) nereye gidiyor ve nasıl kullanılıyor? Bu sorunlar, sağlık hizmeti veri güvenliği ve gizliliğinin düzenleyici ve yasal yönleriyle ilgilidir. O halde bu sorunlar, etik ve güvenilir yapay zekanın bir alt kümesidir. Etik yapay zekanın, özellikle verilerin etik kullanımını ele alarak veri kullanımı, mahremiyet, düzenlemeler ve yasal yönler vb. konuları hesaba katması gerekecektir. Güvenilir yapay zeka, açıklanabilirlik ve veri kullanımının özelliklerini de içerir.

 

CognitiveScale'de bir danışmansınız, CognitiveScale'in ne yaptığını ve onlara nasıl tavsiyelerde bulunduğunuzu açıklayabilir misiniz?

CognitiveScale, kuruluşların bilişsel yapay zeka çözümleri oluşturmasına, çalıştırmasına ve ölçeklendirmesine yardımcı olan bir yapay zeka yazılımı sağlayıcısıdır; kuruluşlarında yapay zekanın değerini anlayın; ve güveni yönetin. Sağlık hizmetlerinde, ülkedeki en büyük ödeme yapan ve sağlayıcı kuruluşlardan bazıları için, COVID-19 salgınıyla ilgili akıllı müdahaleler ve bu çözümlerin daha sonra nasıl geliştirileceği gibi alanlarda daha yeni çalışmalar dahil olmak üzere çok çeşitli yapay zeka kullanım durumları üzerinde çalışıyoruz. bakım yönetimi, hizmet deneyimi ve daha fazlası, bu krizi geçtikten sonra. Sağlık alanında lider uzmanımız olarak, müşterilere ve iş ortaklarına güçlü yapay zeka yol haritaları oluşturmak gibi alanlarda daha stratejik, değer gerçekleştirme ve optimizasyon gibi alanlarda ise daha taktiksel olarak yardımcı oluyorum. Ayrıca, ürün geliştirme (örneğin, platformumuzun sağlık hizmetlerine özgü özellikleri ve yetenekleri) ve en yüksek değerli sağlık hizmeti AI çözümlerine odaklanarak (fırsat boyutu göz önüne alındığında) düşünce liderliği gibi alanlarda yardımcı olmak için çalışıyorum.

 

Yapay zekanın bazen bir kara kutu gibi çalışmasıyla ilgili en büyük sorunların neler olduğunu ve sağlık sektörü için olası çözümleri bizim için tanımlayabilir misiniz?

Bahsettiğim gibi, güvenilir, etik yapay zeka büyük bir zorluktur ve güven büyük ölçüde "kara kutu" sorunundan kaynaklanır: açıklanabilirlik veya görünürlük eksikliği ve önyargı, adalet, doğruluk ve sağlamlık gibi konularda şüphecilik. CognitiveScale'de, Certiai çözümümüz özellikle bu zorluğu ele alıyor ve müşterilere bir AI Güven Endeksi ve bileşen parçaları (her biri kendi puanına ve öngörülerine sahip) ile yardımcı oluyor: önyargı, adalet, açıklanabilirlik, sağlamlık ve doğruluk. Sağlık hizmetleri, şeffaflık veya açıklanabilirlik eksikliği nedeniyle model çıktısı olan önyargılı modellere veya klinisyen şüpheciliğine sahiptir. Gizlilik ve veri kullanımı ile adil veya tarafsız sonuçlar elde etmek için modellerin kullanılmasıyla ilgili düzenleyici gereklilikler de vardır ve bunlar haberlere konu olmuştur. "Kara kutu" yapay zeka çözümlerinde görünürlük sağlamanın ve güveni artırmanın güvenilir yollarını geliştirmek için bir dizi teknoloji ve risk yönetimi kuruluşuyla birlikte çalışıyoruz.

 

Tahmine dayalı yapay zeka aracılığıyla aşırı doygunluktaki ER'yi azaltmanın bazı yolları nelerdir?

Acil servisten kaçınma, gerçekten bakım optimizasyonunun ve kişiselleştirilmiş sağlık hizmetlerinin bir alt kümesidir - doğru zamanda doğru bakım. Bu, acil bakımı içerebilir, ancak çoğu zaman içermez. Son COVID-19 krizi, bakım optimizasyonunun yararlı bir örneğini vurgulamaktadır. Örneğin, yüksek riskli bir topluluktaki yüksek riskli bir hasta için doğru bakım, klinisyen erişimini, bir test merkezine erişimi veya bazı durumlarda acil bakımı içerebilir. Hastalar, üyeler, sağlayıcılar ve ödeme yapanların hepsi bu krizde doğru zamanda doğru düzeyde bakım istiyor, bu nedenle yapay zeka çözümlerinin bir kombinasyonu, toplum ve hasta risk puanları, yayılma analizi, hastane kullanım tahminleri ve kişiselleştirilmiş rehberlik gibi içgörülerin sağlanmasına yardımcı oluyor. diğer çözümlerin yanı sıra belirli kişiler. Bakım yönetimi çözümlerimizin performansını, uygun olduğunda acil servisten kaçınma da dahil olmak üzere iyileştirilmiş sonuçlar gibi bir dizi performans ölçütüne göre derecelendiriyoruz.

Röportaj için teşekkürler, daha fazlasını öğrenmek isteyen okuyucular ziyaret edebilir. Bilişsel Ölçek.