杰弗里·艾斯通，认知规模的医疗保健人工智能顾问 – 采访系列

杰弗里·艾斯通是认知规模的医疗保健人工智能顾问。在这个角色中，杰夫与医疗保健组织（主要是医疗服务提供者、医疗系统、支付者和技术供应商）合作，共同开发他们的人工智能能力，从战略洞察到如何开发人工智能能力和卓越中心，到更具战术性的人工智能路线图开发和人工智能解决方案交付。

您能否讨论为什么您认为人工智能对医疗保健行业如此重要？

大量复杂、分散和分布式数据构成了医疗保健的基础，包括临床、行政和财务流程。因此，人工智能现在成为整个医疗保健信息技术价值链上的核心能力。像临床医生和研究人员这样的知识工作者正在从人工智能中获得显著的改进，特别是“增强型智能”子集的人工智能。

医疗保健中的人工智能是一个巨大的主题，有很多有价值的用例，从数据来源到洞察力，从流程改进到自动化，从更好的患者参与到个性化医疗的交付。临床结果正在改善，效率正在推动成本节约，还有很多其他用例正在开发中，这些用例承诺推动价值。当前的全球大流行使得许多医疗保健人工智能用例更加突出，例如将社区和个人风险评分与智能干预措施相结合，这些措施将改善世界各地的医疗保健系统，即使我们已经战胜了COVID-19。

您如何定义医疗保健环境中的增强型智能？

认知规模主要专注于增强型智能。一些人工智能技术，如机器人流程自动化（RPA）或聊天机器人，旨在用机器替代人类（大多数时候）。我们专注于帮助医疗保健组织和员工更聪明、更高效地工作。我们还专注于认知解决方案，即人工智能的更高级子集，它具有学习或反馈循环，通常需要“人类在循环中”提供反馈以使模型学习。医疗保健中已经有一些增强型智能的例子，它们开始带来令人印象深刻的结果。例如，在放射学和病理学中，临床医生正在使用机器学习模型来增强他们读取图像和做出诊断的能力，从而实现更早的发现或更准确的诊断和实验室结果。

您曾与初创公司和大型组织合作过，他们实施了不同的人工智能策略。您看到的一些常见错误是什么？

就像认知人工智能解决方案一样，随着时间的推移，它们会学习和成熟，我们对人工智能的力量和陷阱的理解也越来越深。获取数据、准备数据和训练模型所需的时间通常比预期的要长。其他错误与人工智能解决方案的运营和规模有关，假设一个好的模型可以轻松地部署和管理整个医疗保健信息技术生态系统，而实际上许多人工智能模型仍然未被使用。但是我最近看到的医疗保健人工智能最大的挑战之一是信任问题：模型是否可信，是否有偏见，是否公平、可解释和准确？许多头条新闻都显示了人工智能解决方案可能存在偏见，引起监管机构的关注，或者可能是黑盒解决方案，遭到提供者怀疑，因为这些解决方案本应增强他们的智慧。

您对基因组学特征分析有什么看法？

基因组学特征分析是一种有前途的技术，旨在提供对个人的个性化洞察，通常是为了医疗保健目的（而不是家谱或偶尔看到的父系鉴定或犯罪调查）。个性化是医疗保健人工智能用例中的一个主要主题，如何更好地与患者互动，或者如何用更个性化的洞察力来增强提供者的智慧。只要基因组学特征分析可以提供更多个性化的信息，并且只要数据和使用数据是值得信赖的（无偏见、公平、可解释和准确），那么它将成为个性化医学和超个性化人工智能解决方案的基础组成部分，这些解决方案利用基因信息。

个性化医疗保健似乎是未来的趋势，您认为它将对医疗保健产生最积极的影响？

在认知规模，我们正在提供个性化、预测性和规定性医疗保健解决方案。例如，我们的智能干预解决方案为护理经理提供个性化的推断、预测和风险评分（以及其他模型输出），以增强他们管理患者的工作。我们还利用这些功能帮助公共卫生机构、提供者和医疗计划在COVID-19危机中管理公民、患者和成员。通过预测服务询问，我们帮助医疗保健组织了解成员或提供者何时会打电话询问索赔、福利等问题，以及如何更高效地解决这些问题，从而推动成本节约和影响满意度和留存率。还有很多其他医疗保健人工智能用例专注于个性化解决方案。我们可以写一整本书来讨论这个主题。

您能否讨论一下从不同来源（如EMR、ERP、患者数据、外部数据源等）聚合数据到一个连贯的数据系统的挑战？

医疗保健信息技术（HCIT）几乎总是一个生态系统：一个分散的系统网络。一个常见的例子是个人健康记录（PHR），即患者的完整医疗记录。即使一个大型医疗保健系统使用同一种医院信息系统，其患者也可能有其他医疗服务提供者，他们可能有保险，这又是另一个数据来源，他们的实验室和药房数据可能分散在多个诊所和公司。虽然有标准的医疗保健数据交换事务集和存储临床数据的常见数据模型（以及成员、患者、客户和提供者数据模式），但医疗保健人工智能解决方案供应商通常需要展示如何同时利用多个数据源，包括内部和外部数据、数据连接和数据模式。显然，医疗保健人工智能解决方案的基础是数据。因此，数据聚合能力必须是任何医疗保健人工智能提供者的核心能力。

数据可追溯性需要考虑哪些因素？

数据可追溯性是医疗保健人工智能中一些更大、更紧迫问题的组成部分。首先，数据可追溯性是与数据使用、数据交换和数据安全相关的几个问题之一。例如，临床数据或个人健康信息（PHI）将被发送到哪里以及如何使用？这些问题与医疗保健数据安全和隐私的监管和法律方面有关。这些问题是可信赖人工智能的子集，包括数据使用、隐私、监管和法律方面。可信赖人工智能包括可解释性和数据使用等方面。

您是认知规模的顾问，您能否解释认知规模的业务以及您如何为他们提供咨询？

认知规模是一家人工智能软件提供商，帮助组织构建、运营和扩展认知人工智能解决方案；实现人工智能在整个组织中的价值；并管理信任。在医疗保健领域，我们与该国最大的支付者和提供者组织合作，开展广泛的医疗保健人工智能用例，包括最近在COVID-19大流行相关领域的工作，例如智能干预，并将这些解决方案改善护理管理、服务体验等，一旦我们度过了这场危机。作为我们的主要医疗保健主题专家，我帮助客户和合作伙伴在战略领域（如构建强大的人工智能路线图）和战术领域（如价值实现和优化）提供更有战略性的帮助。我还在产品开发（例如，我们平台的医疗保健特定功能和能力）和医疗保健人工智能解决方案的思想领导力方面提供帮助，重点关注最高价值的医疗保健人工智能解决方案（考虑到机会的规模）。

您能否为我们定义一下人工智能有时作为黑盒子运作的最大问题，以及医疗保健行业的潜在解决方案？

正如我提到的，可信赖的、有道德的人工智能是一个巨大的挑战，而信任主要是由于“黑盒子”问题：缺乏可解释性或可见性，以及对偏见、公平性、准确性和健壮性等问题的怀疑。认知规模的Certiai解决方案专门解决这一挑战，并帮助客户通过人工智能信任指数及其组成部分（每个部分都有自己的评分和洞察力）来应对这一挑战：偏见、公平性、可解释性、健壮性和准确性。医疗保健领域已经有了偏见模型的例子，或者由于缺乏透明度或可解释性而导致临床医生对模型输出持怀疑态度。监管要求也包括数据使用和交换的公平性和偏见问题。我们正在与多个技术和风险管理组织合作，开发可信赖的方法来提供“黑盒子”人工智能解决方案的可见性和提高信心的方法。

我们可以通过什么方式使用预测性人工智能来减少急诊室过载？

急诊室避免实际上是护理优化和个性化医疗保健的一个子集：在正确的时间提供正确的护理。这可能涉及紧急护理，但通常不涉及。最近的COVID-19危机凸显了护理优化的一个有用的例子。例如，对于高风险患者和高风险社区来说，正确的护理可能包括临床医生外展、测试中心的访问或在某些情况下紧急护理。患者、成员、提供者和支付者都希望在危机中获得正确的护理水平和正确的时间，因此各种人工智能解决方案正在提供诸如社区和患者风险评分、传播分析、医院利用率预测和特定人群的个性化指导等洞察力。我们根据诸如改善结果（包括适当情况下的急诊室避免）等多个性能指标来评估我们的护理管理解决方案的性能。

感谢您的采访，读者可以访问认知规模网站以了解更多信息。