Jeffrey Eyestone, Cố vấn AI Y tế tại CognitiveScale – Loạt phỏng vấn

Jeffrey Eyestone là Cố vấn AI Y tế tại CognitiveScale. Trong vai trò này, Jeff làm việc với các tổ chức y tế (chủ yếu là nhà cung cấp/dịch vụ y tế, người trả tiền và nhà cung cấp công nghệ) trên hành trình AI của họ – từ việc cung cấp thông tin chiến lược về cách phát triển năng lực và trung tâm xuất sắc về AI đến việc phát triển và triển khai các giải pháp AI.

Bạn có thể thảo luận về lý do tại sao bạn tin rằng AI rất quan trọng đối với ngành y tế?

Một lượng lớn dữ liệu phức tạp, khác biệt và phân tán tạo thành nền tảng cho các quá trình lâm sàng, hành chính và tài chính cơ bản của y tế. Vì vậy, AI hiện là một khả năng cốt lõi trên toàn bộ chuỗi giá trị công nghệ thông tin y tế. Các công nhân tri thức như bác sĩ và nhà nghiên cứu đang nhận được những cải thiện đáng kể từ AI – đặc biệt là tập hợp con “trí tuệ tăng cường” của AI.

AI trong y tế là một chủ đề lớn và có nhiều trường hợp sử dụng có giá trị từ việc thu thập dữ liệu đến việc suy luận, từ việc cải thiện hoặc tự động hóa quy trình đến việc tham gia của bệnh nhân tốt hơn và việc cung cấp chăm sóc cá nhân hóa. Kết quả lâm sàng đang được cải thiện, hiệu quả đang thúc đẩy tiết kiệm chi phí, và có nhiều trường hợp sử dụng khác đang được thực hiện để thúc đẩy giá trị. Đại dịch toàn cầu hiện nay đã đặt nhiều trường hợp sử dụng AI y tế vào tầm nhìn rõ ràng, kết hợp điểm số và thông tin rủi ro cộng đồng và cá nhân với các can thiệp thông minh, ví dụ – tất cả đều sẽ cải thiện hệ thống y tế trên toàn thế giới sau khi chúng ta đã vượt qua COVID-19.

Bạn sẽ định nghĩa trí tuệ tăng cường trong một môi trường y tế như thế nào?

CognitiveScale tập trung chủ yếu vào trí tuệ tăng cường. Một số công nghệ AI như tự động hóa quy trình robot (RPA) hoặc chatbot nhằm thay thế con người bằng máy móc (hầu hết thời gian, bất kể). Chúng tôi tập trung vào các giải pháp AI giúp các tổ chức y tế và nhân viên làm việc thông minh và hiệu quả hơn. Chúng tôi cũng tập trung vào các giải pháp nhận thức – tập hợp con tiên tiến hơn của AI có vòng lặp học hỏi hoặc phản hồi – và thường là “con người trong vòng lặp” có thể cung cấp phản hồi cho các mô hình để học hỏi. Có nhiều ví dụ về trí tuệ tăng cường trong y tế đang bắt đầu mang lại kết quả ấn tượng. Ví dụ, trong lĩnh vực X-quang và bệnh lý, các bác sĩ đang tăng cường khả năng đọc hình ảnh và chẩn đoán của họ với các mô hình học máy, cho phép phát hiện sớm hơn hoặc chẩn đoán và kết quả xét nghiệm chính xác hơn.

Bạn đã làm việc với cả các công ty khởi nghiệp và các tổ chức lớn đã triển khai các chiến lược AI khác nhau. Những sai lầm phổ biến nào bạn đã thấy?

Giống như các giải pháp AI nhận thức học hỏi theo thời gian và trưởng thành, sự hiểu biết của chúng tôi về sức mạnh của AI và những cạm bẫy cũng vậy. Thời gian để truy cập dữ liệu – để chuẩn bị dữ liệu – và sau đó để đào tạo các mô hình trên một tập hợp dữ liệu đã thường mất nhiều thời gian hơn dự kiến. Các sai lầm khác liên quan đến việc triển khai và mở rộng quy mô các giải pháp AI – giả định rằng một mô hình tốt có thể dễ dàng được triển khai và quản lý trên một hệ thống công nghệ thông tin y tế, khi thực tế là nhiều mô hình AI vẫn chưa được sử dụng. Nhưng một trong những thách thức lớn nhất trong AI y tế liên quan đến niềm tin: các mô hình có thể được tin cậy, chúng có bị thiên vị, công bằng, giải thích được và chính xác không? Nhiều tiêu đề đã chỉ ra rằng các giải pháp AI có thể bị thiên vị theo những cách sẽ thu hút sự chú ý của các cơ quan quản lý – hoặc chúng có thể là các giải pháp hộp đen kiếm được sự hoài nghi từ các nhà cung cấp mà trí tuệ của chúng được tăng cường. Đây là thách thức lớn nhất – và sai lầm – với AI y tế mà tôi đang thấy gần đây.

Bạn có quan điểm gì về hồ sơ gen?

Hồ sơ gen là một tập hợp con của các công nghệ hứa hẹn được thiết kế để cung cấp thông tin cá nhân hóa về một người, thường là cho mục đích chăm sóc sức khỏe của họ (so với genealogy, hoặc đôi khi chúng ta thấy những câu chuyện về tranh chấp paternity hoặc thậm chí điều tra tội phạm sử dụng công nghệ này). Cá nhân hóa là một chủ đề lớn của các trường hợp sử dụng AI y tế – làm thế nào để tham gia bệnh nhân tốt hơn, hoặc tăng cường trí tuệ của các nhà cung cấp với những thông tin hướng dẫn và cá nhân hóa hơn. Bằng cách hồ sơ gen có thể giúp cung cấp nhiều thông tin cá nhân hóa hơn. Và, miễn là dữ liệu và việc sử dụng nó được tin cậy (không bị thiên vị, công bằng, giải thích được, chính xác, v.v.), thì nó sẽ là một thành phần quan trọng của y học cá nhân hóa – và một yếu tố cơ bản của các giải pháp AI siêu cá nhân hóa tận dụng thông tin di truyền.

Chăm sóc sức khỏe cá nhân hóa dường như là xu hướng tương lai, theo những cách nào bạn thấy nó có tác động tích cực nhất?

Tại CognitiveScale, chúng tôi đang cung cấp các giải pháp chăm sóc sức khỏe dự đoán, quy định và cá nhân hóa. Một số ví dụ bao gồm các can thiệp thông minh cho các nhà quản lý chăm sóc (trường hợp lâm sàng) và dự đoán các yêu cầu dịch vụ (trường hợp hành chính / vận hành). Các giải pháp can thiệp thông minh cung cấp các suy luận, dự đoán và điểm số rủi ro cá nhân hóa (trong số các đầu ra mô hình khác) giúp tăng cường công việc của những người quản lý bệnh nhân thông qua một chương trình quản lý chăm sóc. Chúng tôi cũng đang tận dụng các khả năng này cho các cơ quan y tế công cộng, nhà cung cấp và kế hoạch y tế đang cố gắng quản lý công dân / bệnh nhân / thành viên thông qua cuộc khủng hoảng COVID-19. Bằng cách dự đoán các yêu cầu dịch vụ, chúng tôi đang giúp các tổ chức y tế biết ngay khi một thành viên hoặc nhà cung cấp gọi về yêu cầu, lý do cụ thể cho cuộc gọi và cách giải quyết nó một cách hiệu quả hơn, từ đó thúc đẩy tiết kiệm chi phí và tác động đến sự hài lòng và giữ chân. Có nhiều trường hợp sử dụng AI y tế khác tập trung vào các giải pháp cá nhân hóa. Chúng tôi có thể viết một cuốn sách về chủ đề này alone.

Bạn có thể nói về những thách thức khi tích hợp dữ liệu từ các nguồn khác nhau như EMR, ERPs, dữ liệu bệnh nhân, nguồn dữ liệu bên ngoài, v.v. thành một hệ thống dữ liệu nhất quán?

Công nghệ thông tin y tế (HCIT) gần như luôn là một hệ sinh thái: một mạng lưới phân tán của các hệ thống khác nhau. Một ví dụ phổ biến là hồ sơ sức khỏe cá nhân (PHR) – tập dữ liệu hoàn chỉnh của hồ sơ y tế của bệnh nhân. Ngay cả khi một hệ thống y tế lớn trên một hệ thống thông tin bệnh viện đồng nhất, bệnh nhân của họ có thể có các nhà cung cấp chăm sóc khác, họ có thể có bảo hiểm là một nguồn dữ liệu khác, và dữ liệu xét nghiệm và dược phẩm của họ có thể được phân tán trên nhiều phòng khám và công ty. Mặc dù có các tập hợp giao dịch tiêu chuẩn cho trao đổi dữ liệu y tế, các mô hình dữ liệu lâm sàng phổ biến (và các lược đồ dữ liệu thành viên, bệnh nhân, khách hàng và nhà cung cấp), các nhà cung cấp giải pháp AI y tế thường cần phải chứng minh cách các giải pháp có thể tận dụng nhiều mô hình này cùng một lúc – dữ liệu nội bộ và ngoại bộ, kết nối dữ liệu và lược đồ dữ liệu. Rõ ràng, nền tảng của các giải pháp AI y tế là dữ liệu. Vì vậy, khả năng tích hợp dữ liệu phải là một năng lực cốt lõi của bất kỳ nhà cung cấp AI y tế nào.

Những yếu tố nào cần được xem xét khi nói đến khả năng theo dõi dữ liệu?

Khả năng theo dõi dữ liệu là một thành phần của một số vấn đề lớn hơn, nóng hổi trong AI y tế. Một mặt, khả năng theo dõi dữ liệu là một trong nhiều vấn đề liên quan đến quyền riêng tư, sử dụng dữ liệu và trao đổi dữ liệu. Ví dụ, dữ liệu lâm sàng hoặc thông tin sức khỏe cá nhân (PHI) đang đi đến đâu và nó đang được sử dụng như thế nào? Những vấn đề này liên quan đến các khía cạnh pháp lý và quy định của bảo mật và quyền riêng tư của dữ liệu y tế. Những vấn đề này, sau đó, là một tập hợp con của AI được tin cậy và đạo đức. AI được tin cậy sẽ cần phải tính đến việc sử dụng dữ liệu, quyền riêng tư, quy định và các khía cạnh pháp lý, v.v., đặc biệt là giải quyết việc sử dụng dữ liệu một cách đạo đức. AI được tin cậy bao gồm các khía cạnh của khả năng giải thích và sử dụng dữ liệu.

Bạn là một cố vấn tại CognitiveScale, bạn có thể giải thích CognitiveScale làm gì và bạn tư vấn cho họ như thế nào?

CognitiveScale là một nhà cung cấp phần mềm AI giúp các tổ chức xây dựng, triển khai và mở rộng quy mô các giải pháp AI nhận thức; nhận ra giá trị của AI trên toàn tổ chức; và quản lý niềm tin. Trong lĩnh vực y tế, chúng tôi làm việc với một số tổ chức bảo hiểm và cung cấp dịch vụ y tế lớn nhất trong nước, trên một loạt các trường hợp sử dụng AI, bao gồm cả công việc gần đây trong các lĩnh vực như can thiệp thông minh liên quan đến đại dịch COVID-19 và cách các giải pháp này sẽ cải thiện quản lý chăm sóc, trải nghiệm dịch vụ và hơn thế nữa, một khi chúng ta đã vượt qua cuộc khủng hoảng này. Với tư cách là chuyên gia chủ đề y tế hàng đầu của chúng tôi, tôi giúp khách hàng và đối tác chiến lược hơn trong các lĩnh vực như xây dựng các bản đồ đường AI mạnh mẽ, và chiến thuật hơn trong các lĩnh vực như hiện thực hóa giá trị và tối ưu hóa. Tôi cũng đang làm việc để giúp trong các lĩnh vực như phát triển sản phẩm (tính năng và khả năng y tế cụ thể của nền tảng của chúng tôi, ví dụ) và lãnh đạo tư tưởng với trọng tâm vào các giải pháp AI y tế có giá trị nhất (cho kích thước cơ hội).

Bạn có thể định nghĩa những vấn đề lớn nhất với cách AI đôi khi hoạt động như một hộp đen và các giải pháp tiềm năng cho ngành y tế?

Giống như tôi đã đề cập, AI được tin cậy và đạo đức là một thách thức lớn – và niềm tin chủ yếu là do vấn đề “hộp đen”: thiếu khả năng giải thích hoặc khả năng nhìn thấy, và sự hoài nghi về các vấn đề như thiên vị, công bằng, độ chính xác và độ mạnh. Tại CognitiveScale, giải pháp Certiai của chúng tôi giải quyết cụ thể thách thức này và giúp khách hàng với một Chỉ số Niềm tin AI và các thành phần của nó (mỗi với điểm số và thông tin riêng): thiên vị, công bằng, giải thích, độ mạnh và độ chính xác. Y tế đã có những ví dụ về các mô hình bị thiên vị, hoặc sự hoài nghi của bác sĩ về đầu ra mô hình do thiếu minh bạch hoặc khả năng giải thích. Có những yêu cầu quy định về quyền riêng tư và sử dụng dữ liệu, và việc sử dụng các mô hình để cung cấp kết quả công bằng hoặc không thiên vị – và những yêu cầu này đã được đưa vào tin tức. Chúng tôi đang làm việc với một số tổ chức công nghệ và quản lý rủi ro để phát triển các cách thức đáng tin cậy để cung cấp khả năng nhìn thấy và cải thiện sự tự tin vào các giải pháp AI “hộp đen”.

Người ta có thể giảm bão hòa phòng cấp cứu thông qua dự đoán AI như thế nào?

Tránh phòng cấp cứu thực sự là một tập hợp con của tối ưu hóa chăm sóc và chăm sóc sức khỏe cá nhân hóa – chăm sóc đúng vào đúng thời điểm. Điều này có thể liên quan đến chăm sóc cấp cứu, nhưng nhiều lần nó không. Cuộc khủng hoảng COVID-19 gần đây đã làm nổi bật một ví dụ hữu ích về tối ưu hóa chăm sóc. Ví dụ, chăm sóc đúng cho một bệnh nhân có nguy cơ cao trong một cộng đồng có nguy cơ cao có thể bao gồm việc tiếp cận của bác sĩ, truy cập vào một trung tâm xét nghiệm, hoặc trong một số trường hợp, chăm sóc cấp cứu. Bệnh nhân, thành viên, nhà cung cấp và người trả tiền đều muốn mức chăm sóc phù hợp vào đúng thời điểm trong cuộc khủng hoảng này, vì vậy một loạt các giải pháp AI đang giúp cung cấp những thông tin như điểm số rủi ro cộng đồng và bệnh nhân, phân tích lan truyền, dự đoán sử dụng bệnh viện và hướng dẫn cá nhân hóa cho những người cụ thể, trong số các giải pháp khác. Chúng tôi đánh giá hiệu suất của các giải pháp quản lý chăm sóc của mình dựa trên một số chỉ số hiệu suất như kết quả cải thiện bao gồm cả việc tránh phòng cấp cứu khi thích hợp.

Cảm ơn bạn đã phỏng vấn, độc giả muốn tìm hiểu thêm có thể truy cập CognitiveScale.