Джеффрі Ейстоун, радник з питань штучного інтелекту в галузі охорони здоров’я в компанії CognitiveScale – Серія інтерв’ю

Джеффрі Ейстоун є радником з питань штучного інтелекту в галузі охорони здоров’я в компанії CognitiveScale. На цій посаді Джефф працює з організаціями охорони здоров’я (перш за все, з постачальниками медичних послуг, страховими компаніями та технологічними постачальниками) над їхнім шляхом штучного інтелекту – від стратегічних ідей щодо розвитку компетенцій штучного інтелекту та центрів досконалості до більш тактичного розвитку дорожніх карт штучного інтелекту та реалізації рішень штучного інтелекту.

Чи можете ви обговорити, чому ви вважаєте, що штучний інтелект так важливий для галузі охорони здоров’я?

Великі об’єми складних, різноманітних та розподілених даних утворюють основу для клінічних, адміністративних та фінансових процесів, які рухають охорону здоров’я. Тому штучний інтелект зараз є ключовою можливістю у всьому ланцюгу цінності технологій охорони здоров’я. Робітники з знаннями, такі як клініцисти та дослідники, отримують значні поліпшення від штучного інтелекту – особливо від підмножини штучного інтелекту, яку називають “посиленою інтелектом”.

Штучний інтелект у сфері охорони здоров’я – це величезна тема, і існує багато цінних випадків використання штучного інтелекту – від пошуку даних до отримання висновків, від поліпшення або автоматизації процесів до кращої взаємодії з пацієнтами та надання персоналізованої допомоги. Клінічні результати покращуються, ефективність процесів приводить до економії коштів, і існує багато інших випадків використання штучного інтелекту, які обіцяють принести користь. Поточна глобальна пандемія поставила багато інших випадків використання штучного інтелекту в галузі охорони здоров’я в гостру фокус, поєднуючи громадські та індивідуальні ризики та висновки з розумними втручаннями, наприклад – все це покращить системи охорони здоров’я у всьому світі, навіть після того, як ми переможемо COVID-19.

Як ви визначили б поняття “посиленої інтелекту” в контексті охорони здоров’я?

CognitiveScale зосереджується в першу чергу на посиленій інтелекту. Деякі технології штучного інтелекту, такі як автоматизація повторюваних процесів (RPA) або чат-боти, намагаються замінити людей машинами (більшість часу, в будь-якому випадку). Ми зосереджені на рішеннях штучного інтелекту, які допомагають організаціям охорони здоров’я та їхнім співробітникам працювати розумніше та ефективніше. Ми також зосереджені на когнітивних рішеннях – більш просунутому підмножині штучного інтелекту, який має навчальний або зворотний зв’язок – і часто це люди, які можуть надати зворотний зв’язок для моделей, щоб вони могли навчатися. Існує багато прикладів посиленої інтелекту в галузі охорони здоров’я, які починають демонструвати вражаючі результати. Наприклад, у радіології та патології клініцисти посилюють свою здатність читати зображення та робити діагнози за допомогою моделей машинного навчання, що дозволяє раніше виявляти захворювання або робити більш точні діагнози та результати лабораторних досліджень.

Ви працювали з різними стартапами та великими організаціями, які реалізували різні стратегії штучного інтелекту. Які найпоширеніші помилки, яких ви були свідками?

Як і когнітивні рішення штучного інтелекту, які вчаться з часом і дорослішають, так і наше розуміння сили штучного інтелекту, і підводні камені. Час, необхідний для отримання доступу до даних, підготовки даних та навчання моделей на великих об’ємах даних, зазвичай займає довше, ніж спочатку передбачалося. Інші помилки пов’язані з операціоналізацією та масштабуванням рішень штучного інтелекту – припущенням, що хороша модель може легко бути розгорнута та керована в екосистемі інформаційних технологій охорони здоров’я, коли насправді багато моделей штучного інтелекту залишаються невикористаними. Але однією з найбільших проблем у сфері штучного інтелекту в галузі охорони здоров’я є довіра: чи можна довіряти моделям, чи вони упереджені, чесні, пояснювані та точні? Багато заголовків показали, що рішення штучного інтелекту можуть бути упередженими способами, які привернуть увагу регуляторів – або вони можуть бути “чорними скриньками”, які викликають скептицизм у постачальників медичних послуг, чий інтелект вони повинні посилити. Це найбільша проблема – і помилка – у сфері штучного інтелекту в галузі охорони здоров’я, яку я бачу останнім часом.

Які ваші погляди на геномну профілактику?

Геномна профілактика – це підмножина перспективних технологій, призначених для надання персоналізованої інформації про людину, зазвичай для цілей її охорони здоров’я (на відміну від генеалогії, або іноді ми бачимо історії про спори щодо батьківства чи навіть кримінальні розслідування, які використовують цю технологію). Персоналізація – це велика тема випадків використання штучного інтелекту в галузі охорони здоров’я – як краще взаємодіяти з пацієнтами або посилити інтелект постачальників медичних послуг більш персоналізованими та спрямованими висновками. Наскільки геномна профілактика може допомогти надати більше персоналізації. І, якщо дані та використання їх є довіреними (неупередженими, чесними, пояснюваними, точними тощо), тоді це буде важливим компонентом персоналізованої медицини – і фундаментальним елементом гіперперсоналізованих рішень штучного інтелекту, які використовують генетичну інформацію.

Персоналізація охорони здоров’я, здається, є майбутнім напрямком, у яких спосіб ви бачите, що це матиме найбільш позитивний вплив?

У CognitiveScale ми доставляємо персоналізовані, передбачувані та прескриптивні рішення для охорони здоров’я. Два приклади включають інтелектуальні втручання для менеджерів з догляду (клінічний випадок) та передбачення запитів на послуги (адміністративний/операційний випадок). Інтелектуальні рішення для втручань доставляють персоналізовані висновки, передбачення та ризикові оцінки (серед інших висновків моделей), які посилюють роботу тих, хто керує пацієнтами через програму управління догляду. Ми також використовуємо ці можливості для органів громадської охорони здоров’я, постачальників медичних послуг та страхових компаній, які намагаються керувати громадянами/пацієнтами/членами через кризу COVID-19. Передбачаючи запити на послуги, ми допомагаємо організаціям охорони здоров’я знати момент, коли член або постачальник медичних послуг дзвонить щодо претензій, переваг чи іншого, і знають конкретну причину дзвінка та як більш ефективно вирішити її, тим самим приводячи до економії коштів та впливаючи на задоволеність та утримання. Існує багато інших випадків використання штучного інтелекту в галузі охорони здоров’я, зосереджених на персоналізованих рішеннях. Ми могли б написати книгу на цю тему.

Чи можете ви поговорити про проблеми агрегації даних з різних джерел, таких як електронні медичні записи, плани підприємства, дані пацієнтів, зовнішні джерела даних тощо, в одну спроможну систему даних?

Інформаційні технології охорони здоров’я (HCIT) майже завжди являють собою екосистему: розподілену мережу різних систем. Типовим прикладом є особистий медичний запис (PHR) – повний набір даних медичної історії пацієнта. Навіть якщо велика система охорони здоров’я використовує однорідну госпітальну інформаційну систему, їхні пацієнти, ймовірно, будуть мати інших доглядачів, вони можуть мати страховку, яка є ще одним джерелом даних, і їхні дані лабораторій та аптек можуть бути розподілені по декількох клініках та компаніях. Хоча існують стандартизовані транзакційні набори для обміну даними охорони здоров’я, спільні дані моделі для зберігання клінічних даних (та схем даних учасників, пацієнтів, клієнтів та постачальників), постачальники рішень штучного інтелекту в галузі охорони здоров’я часто повинні демонструвати, як їхні рішення можуть використовувати декілька джерел даних одночасно – внутрішні та зовнішні дані, з’єднання з даними та схеми даних. Очевидно, що основою рішень штучного інтелекту в галузі охорони здоров’я є дані. Тому можливості агрегації даних повинні бути основною компетенцією будь-якого постачальника рішень штучного інтелекту в галузі охорони здоров’я.

Які деякі з розглянутих питань щодо досяжності даних?

Дослідження даних – це частина більших, нагальних питань у сфері штучного інтелекту в галузі охорони здоров’я. По-перше, дослідження даних пов’язані з питаннями конфіденційності, використання даних та обміну даними. Наприклад, куди йде клінічна інформація або особиста інформація про здоров’я (PHI), і як вона використовується? Ці питання пов’язані з нормативними та юридичними аспектами безпеки та конфіденційності даних охорони здоров’я. Ці питання, своєю чергою, є підмножиною етичного та довірчого штучного інтелекту. Етичний штучний інтелект повинен враховувати використання даних, конфіденційність, нормативні та юридичні аспекти тощо, зокрема щодо етичного використання даних. Довірчий штучний інтелект включає в себе аспекти пояснюваності та використання даних.

Ви є радником у компанії CognitiveScale, чи можете ви пояснити, що робить CognitiveScale, і як ви радите їм?

CognitiveScale є постачальником програмного забезпечення штучного інтелекту, яке допомагає організаціям створювати, операціоналізувати та масштабувати когнітивні рішення штучного інтелекту; розуміти цінність штучного інтелекту по всій організації; та керувати довірою. У сфері охорони здоров’я ми працюємо з деякими з найбільших організацій-постачальників медичних послуг та страхових компаній країни, над широким спектром випадків використання штучного інтелекту, включаючи більш недавню роботу в галузі інтелектуальних втручань, пов’язаних з пандемією COVID-19, та того, як ці рішення покращать управління догляду, досвід обслуговування та більше, після того, як ми подолаємо цю кризу. Як наш головний експерт з питань охорони здоров’я, я допомагаю клієнтам та партнерам більш стратегічно в таких областях, як побудова потужних дорожніх карт штучного інтелекту, та більш тактично в таких областях, як реалізація цінності та оптимізація. Я також працюю над тим, щоб допомогти в таких областях, як розробка продукції (функції та можливості нашої платформи, орієнтовані на охорону здоров’я, наприклад) та лідерство думок з фокусом на найбільш цінних рішеннях штучного інтелекту в галузі охорони здоров’я (враховуючи розмір можливості).

Чи можете ви визначити для нас найбільші проблеми з тим, як штучний інтелект іноді працює як “чорна скринька”, і потенційні рішення для галузі охорони здоров’я?

Як я згадував раніше, довірчий, етичний штучний інтелект – це велика проблема – і довіра в першу чергу пов’язана з проблемою “чорної скриньки”: відсутністю пояснюваності або видимості, і скептицизмом щодо питань, таких як упередженість, чесність, точність та надійність. У CognitiveScale наше рішення Certiai конкретно адресує цю проблему та допомагає клієнтам з Індексом довіри штучного інтелекту та його складовими частинами (кожна з яких має свій бал та висновки): упередженість, чесність, пояснюваність, надійність та точність. Охорона здоров’я мала приклади упереджених моделей або скептицизму клініцистів щодо висновків моделей через відсутність прозорості або пояснюваності. Також існують нормативні вимоги щодо конфіденційності та використання даних, а також використання моделей для надання справедливих або неупереджених результатів – і ці вимоги потрапили в заголовки. Ми працюємо з рядом технологічних та організацій з управління ризиками для розробки довірчих способів надання видимості та покращення довіри до рішень штучного інтелекту “чорної скриньки”.

Які деякі способи, за допомогою яких ми можемо зменшити перенаселеність відділень невідкладної допомоги за допомогою передбачувального штучного інтелекту?

Відділень невідкладної допомоги можна уникнути – це підмножина оптимізації догляду та персоналізованої охорони здоров’я – правильний догляд у правильний час. Це може включати невідкладну допомогу, але часто це не так. Недавня криза COVID-19 підкреслює корисний приклад, де оптимізація догляду. Наприклад, правильний догляд для пацієнта високого ризику в громаді високого ризику може включати клінічний контакт, доступ до центру тестування або в деяких випадках невідкладну допомогу. Пацієнти, члени, постачальники медичних послуг та страхові компанії хочуть правильний рівень догляду у правильний час під час цієї кризи, тому комбінація рішень штучного інтелекту допомагає доставляти висновки, такі як оцінки ризику громади та пацієнтів, аналіз поширення, передбачення використання лікарень та персоналізовані рекомендації для конкретних людей, серед інших рішень. Ми оцінюємо ефективність наших рішень управління догляду за рядом показників ефективності, таких як покращені результати, включаючи уникнення відділень невідкладної допомоги, коли це доречно.

Дякую за інтерв’ю, читачі, які бажають дізнатися більше, можуть відвідати CognitiveScale.