Jeffrey Eyestone, Sağlık Bakımında Yapay Zeka Danışmanı – Röportaj Serisi

Jeffrey Eyestone, CognitiveScale’in Sağlık Bakımında Yapay Zeka Danışmanıdır. Bu role olarak, Jeff sağlık bakım organizasyonları (primarily sağlayıcılar/sağlık sistemleri, payerlar ve teknoloji satıcıları) ile birlikte yapay zeka yolculuklarında çalışır – stratejik içgörülerden yapay zeka yetenekleri ve mükemmellik merkezleri geliştirmeye kadar daha çok yapay zeka yol haritası ve yapay zeka çözümleri teslimine.

Sağlık bakım endüstrisi için neden yapay zeka bu kadar önemli olduğuna ilişkin görüşlerinizi paylaşabilir misiniz?

Çok büyük miktarda karmaşık, farklı ve dağıtılmış veri, temelde klinisyen, araştırmacı ve diğer sağlık bakım süreçlerinin temelini oluşturur. Bu nedenle, yapay zeka artık tüm sağlık bakım bilgi teknolojisi değer zincirinde temel bir yetenektir. Klinisyenler ve araştırmacılar gibi bilgi işçileri, özellikle “artırılmış zeka” alt kümesinde önemli iyileştirmeler elde ediyorlar.

Sağlık bakımında yapay zeka çok büyük bir konudur ve veri kaynaklarından başlayan, içgörüler elde etmeye, süreçleri iyileştirmeye veya otomatikleştirmeye, daha iyi hasta katılımına ve kişiselleştirilmiş bakım teslimine kadar birçok değerli kullanım durumu vardır. Klinik sonuçlar iyileştiriliyor, verimlilik maliyet tasarrufu sağlıyor ve daha birçok kullanım durumu değer yaratmaya söz veriyor. Şu anki küresel salgın, birçok sağlık bakım yapay zeka kullanımını daha da önemli hale getirdi, topluluk ve bireysel risk puanlarını ve içgörülerini akıllı müdahalelerle birleştirdi – tüm bunlar, COVID-19’u yendikten sonra dünya çapındaki sağlık sistemlerini iyileştirecek.

Sağlık bakımında artırılmış zekayı nasıl tanımlarsınız?

CognitiveScale öncelikle artırılmış zeka üzerinde çalışır. Bazı yapay zeka teknolojileri, örneğin robotik işleme otomasyonu (RPA) veya sohbet botları, insanları makinelerle değiştirmeyi amaçlar (çoğu zaman). Biz, sağlık bakım organizasyonları ve personelin daha akıllı ve verimli çalışmasına yardımcı olan yapay zeka çözümleri üzerinde odaklanıyoruz. Ayrıca, öğrenme veya geri bildirim döngüsü olan bilişsel çözümler üzerinde çalışıyoruz – genellikle “insanların döngüde” geri bildirimi modellerin öğrenmesi için sağlayabiliyor. Sağlık bakımında artırılmış zeka örnekleri giderek daha fazla etkileyici sonuçlar elde etmeye başlıyor. Örneğin, radyoloji ve patoloji alanlarında, klinisyenler makine öğrenimi modelleriyle birlikte çalışarak görüntüleri okumaya ve tanı koymaya yardımcı oluyorlar, bu da daha erken teşhis veya daha doğru tanı ve laboratuvar sonuçlarına yol açıyor.

Farklı yapay zeka stratejileri uygulayan startuplar ve büyük organizasyonlarla çalıştınız. En sık karşılaştığınız hatalar nelerdir?

Yapay zeka çözümleri gibi, bizim de yapay zeka gücünü ve tuzaklarını anlamamız zamanla gelişti. Verilere erişmek, verileri hazırlamak ve modelleri eğitmek genellikle beklenenden daha uzun sürdü. Diğer hatalar, yapay zeka çözümlerinin operasyonelleştirilmesiyle ve ölçeklendirilmesiyle ilgili – iyi bir modelin kolayca dağıtılacağı ve sağlık bakım IT ekosisteminde yönetileceği varsayımı, birçok yapay zeka modelinin kullanılmadığı gerçeğiyle karşılaştı. Ancak sağlık bakımında yapay zeka ile ilgili en büyük zorluklardan biri güvendir: modeller güvenilebilir mi, önyargılı mı, adil mi, açıklanabilir mi, doğru mu? Çoğu zaman, yapay zeka çözümlerinin önyargılı olabileceği, adil veya açıklanabilir olmadığı veya siyah kutu çözümleri olabileceği görülüyor – bunlar, sağlayıcıların zekasını artırmak amaçlı çözümler olarak şüphe uyandırıyor.

Genomik profillemeye ilişkin görüşlerinizi paylaşabilir misiniz?

Genomik profilleme, kişiselleştirilmiş sağlık bakımına ilişkin içgörüler elde etmeye yönelik teknolojilerin bir alt kümesidir. Kişiye özel sağlık bakımına ilişkin büyük bir konu olan kişiselleştirme, sağlık bakımında yapay zeka kullanım durumlarının önemli bir parçası. Genomik profillemenin, kişiselleştirilmiş içgörüler sunmasına yardımcı olabileceği ölçüde, önemli bir bileşen olacaktır – ancak veri ve kullanımın güvenilebilir, adil, açıklanabilir ve doğru olması koşuluyla.

Kişiselleştirilmiş sağlık bakımı geleceğin dalgası gibi görünüyor. En olumlu etkileri nasıl görüyorsunuz?

CognitiveScale olarak, kişiselleştirilmiş, öngörülü ve reçeteli sağlık bakım çözümleri sunuyoruz. Örneğin, akıllı müdahaleler için bakım yöneticileri (klinik kullanım durumu) ve hizmet sorgularını öngörme (idari/operasyonel kullanım durumu) gibi çözümler sunuyoruz. Akıllı müdahale çözümleri, bakım yöneticilerinin çalışmasını destekleyen, kişiselleştirilmiş çıkarımlar, öngörüler ve risk puanları sunuyor. Ayrıca, kamu sağlık otoriteleri, sağlayıcılar ve sağlık planları için COVID-19 krizi sırasında vatandaşları/hastaları yönetmeye yardımcı olmak için bu yetenekleri kullanıyoruz. Hizmet sorgularını öngörerek, sağlık bakım organizasyonlarının, bir üye veya sağlayıcı çağrıldığında, çağrının nedenini ve nasıl daha verimli bir şekilde çözüleceğini bilmesini sağlıyoruz – bu da maliyet tasarrufu ve memnuniyeti etkiliyor. Kişiselleştirilmiş sağlık bakımına odaklanan birçok sağlık bakım yapay zeka kullanım durumu var.

Farklı kaynaklardan gelen verileri (EMR, ERP, hasta verileri, dış veri kaynakları vb.) birleştirme ve tutarlı bir veri sistemi oluşturma konusundaki zorlukları anlatır mısınız?

Sağlık bakım bilgi teknolojisi (HCIT) genellikle bir ekosistemdir: dağıtılmış sistemler ağı. Kişisel sağlık kaydı (PHR) buna bir örnektir – bir hastanın tıbbi kaydının tam veri kümesi. Büyük bir sağlık sistemi tek bir hastane bilgi sistemi üzerinde olsa bile, hastalarının diğer bakıcıları, sigorta şirketleri ve laboratuvar ve eczane verileri farklı klinikler ve şirketler arasında dağıtılmış olabilir. Sağlık veri değişiminde standart işlemler ve klinik verilerin depolanması için ortak veri modelleri olsa da, sağlık bakım yapay zeka çözümü sağlayıcılarının, birden fazla veri modelini aynı anda kullanabilmesini göstermeleri gerekir. Veri birleştirme yetenekleri, herhangi bir sağlık bakım yapay zeka sağlayıcısının temel bir yeteneği olmalıdır.

Veri izlenebilirliği konusunda nelere dikkat etmek gerekir?

Veri izlenebilirliği, sağlık bakımında yapay zeka ile ilgili daha büyük ve acil sorunların bir parçasıdır. Örneğin, klinik veri veya kişisel sağlık bilgileri nereye gidiyor ve nasıl kullanılıyor? Bu konular, sağlık veri güvenliği ve gizliliği ile ilgili düzenleyici ve yasal аспектlerle ilgilidir. Bu konular, etik ve güvenilebilir yapay zeka ile ilgili daha geniş sorunların bir parçasıdır. Etik yapay zeka, veri kullanımını, gizliliği, düzenlemeleri ve yasal аспектleri hesaba katmalıdır. Güvenilebilir yapay zeka, açıklanabilirlik ve veri kullanımını içerir.

CognitiveScale’da danışman olarak neler yapıyorsunuz?

CognitiveScale, organizasyonların bilişsel yapay zeka çözümleri oluşturmasına, operasyonelleştirmesine ve ölçeklendirilmesine yardımcı olan bir yapay zeka yazılımı sağlayıcısıdır. Sağlık bakımında, ülkedeki en büyük ödemeci ve sağlayıcı organizasyonlarla birlikte, akıllı müdahaleler gibi kullanım durumlarında çalışıyoruz. Müşterilerimize ve ortaklarımıza, AI yol haritası oluşturma ve AI çözümlerinin teslimi gibi konularda stratejik ve taktik destek sağlıyoruz. Ayrıca, ürün geliştirme ve düşünce liderliği konularında çalışıyorum.

Yapay zekasometimesın “kara kutu” olarak çalışmasının en büyük sorunlarını ve sağlık bakım endüstrisi için olası çözümlerini açıklayabilir misiniz?

Guvenilir, etik yapay zeka, büyük bir zorluk – ve bu principalmente “kara kutu” sorunundan kaynaklanıyor: açıklanabilirlik veya şeffaflık eksikliği ve önyargı, adalet, doğruluk ve sağlamlık konularında şüphe. CognitiveScale’ın Certiai çözümü, bu zorluğu ele alıyor ve müşterilerimize AI Güven Endeksi ve bileşenlerini sunuyor: önyargı, adalet, açıklanabilirlik, sağlamlık ve doğruluk. Sağlık bakımında, önyargılı modeller veya açıklanabilirlik eksikliği nedeniyle klinisyenlerin şüpheci olduğu örnekler gördük. Ayrıca, gizlilik ve veri kullanımı konularında düzenleyici gereksinimler var. Güvenilir yapay zeka çözümlerini sunmaya yardımcı olmak için teknoloji ve risk yönetim organizasyonlarıyla çalışıyoruz.

Öngörüsel AI ile acil servis doygunluğunu azaltmanın yolları nelerdir?

Acil servis kaçınması, aslında bakım optimizasyonu ve kişiselleştirilmiş sağlık bakımının bir parçasıdır – doğru bakım, doğru zamanda. COVID-19 krizi, bu konuya güzel bir örnek sunuyor. Örneğin, yüksek riskli bir hasta için, klinisyen erişimi, test merkezi erişimi veya acil bakım gerekli olabilir. Hastalar, üyeler, sağlayıcılar ve ödemeciler, bu krizde doğru bakım düzeyini, doğru zamanda istemektedir. Bir dizi AI çözümü, topluluk ve hasta risk puanları, yayılma analizi, hastane kullanımı öngörüsü ve özel rehberlik gibi içgörüler sunuyor. Bakım yönetimi çözümlerimizin performansını, acil servis kaçınması da dahil olmak üzere iyileştirilmiş sonuçlar gibi çeşitli performans metriklerine karşı değerlendiriyoruz.

Röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular CognitiveScale sitesini ziyaret edebilir.