Wie werden Datenwissenschaft und künstliche Intelligenz die Gesundheitsbranche verändern?

Datenwissenschaft, maschinelles Lernen und künstliche Intelligenz haben das Potenzial, die Gesundheitsbranche tiefgreifend zu verändern. In diesem Interview stellte uns Dr. Shez Partovi, Chief Medical, Innovation and Strategy Officer von Royal Philips, die bedeutende Rolle dieser Technologien bei der Verbesserung der Behandlungsergebnisse von Patienten und der Diagnose von Krankheiten vor.

Das Gespräch umfasste folgende Themen:

• Über das Gesundheitstechnologieunternehmen Philips.
• Die Rolle von Daten bei der Transformation des Gesundheitswesens.
• Überdenken Sie die Notwendigkeit von Datenanalysen bei der Transformation des Gesundheitswesens.
• Datenerfassung und Datenquellen bei der Transformation des Gesundheitswesens.
• Verknüpfung von Data-Science-Anwendungen im Gesundheitswesen zur Verbesserung der Patientenergebnisse.
• Schaffen Sie Anreize für den Datenaustausch im Gesundheitswesen.
• Wählen Sie das richtige Problem zur Lösung in der Datenwissenschaft.
• Vermeiden Sie Voreingenommenheit in der datenzentrierten Gesundheitsversorgung.
• Patientensperre aufgrund von Datensilos im Gesundheitswesen.
• Wer ist für schlechte Daten, Algorithmen und Patientenergebnisse verantwortlich?
• Die Zukunft von Daten und künstlicher Intelligenz im Gesundheitswesen

Im März 2021 war Shez offiziell Chief Innovation and Strategy Officer von Royal Philips, einem führenden globalen Medizintechnikunternehmen, verantwortlich für die Leitung des Chief Technology Office, Research, HealthSuite-Plattform, Chefarztbüros, Produktentwicklung, Erlebnisdesign und -strategie und mehr. Gleichzeitig arbeitet die Innovations- und Strategieorganisation auch mit operativen Unternehmen und Märkten zusammen, um die Strategie des Unternehmens so auszurichten, dass sie den Kundenbedürfnissen gerecht wird und die Wachstums- und Rentabilitätsziele des Unternehmens vorantreibt.

Es wird berichtet, dass Partovis Karriere 1998 als Neuroradiologe am Barrow Neurological Institute begann und bis 2013 in der klinischen Praxis fortgeführt wurde. Seitdem arbeitet Partovi 20 Jahre lang für DignityHealth, das fünftgrößte medizinische System in den Vereinigten Staaten. Im Jahr 2018 wechselte er als globaler Leiter der Geschäftsentwicklung für Gesundheitswesen, Biowissenschaften und medizinische Geräte zu Amazon und war dort für das globale Marketing verantwortlich Bemühungen.

Neben seiner medizinischen Ausbildung an der McGill University in Montreal verfügt er auch über einen Postgraduiertenabschluss in Informatik. Er half bei der Gründung der Abteilung für Biomedizinische Informatik an der Arizona State University, wo er drei Jahre lang als klinischer Professor tätig war.

Auszüge aus dem Interview:

Über das Gesundheitstechnologieunternehmen Philips

Michael Krigsman (Moderator): Datenwissenschaft und künstliche Intelligenz verändern die Gesundheitsbranche. Bitten wir nun ShezPartovi, Chief Innovation and Strategy Officer von Royal Philips, uns eine kurze Einführung zu geben.

ShezPartovi: Vor sieben Jahren beschloss Philips, sich von allen Geschäftsbereichen außer dem Gesundheitswesen zu trennen, und ist nun vollständig ein Unternehmen für Gesundheitstechnologie. Obwohl Sie möglicherweise noch Philips-Leuchten sehen, sind sie eigentlich nur für die Produktion gelistet. Philips selbst ist heute ein 100-prozentiges Gesundheitstechnologieunternehmen, das sich auf das Kontinuum der Pflege konzentriert, einschließlich häuslicher, ambulanter, stationärer und mehr.

Wenn es also um Philips geht, stellen Sie es sich als ein Unternehmen für Gesundheitstechnologie vor. Es ist ein 130 Jahre altes „Startup“-Unternehmen, weil es sich erst vor 10 Jahren wirklich verändert hat, also ist es wie ein 130 Jahre altes „Startup“-Unternehmen.

MichaelKrigsman: Soweit ich weiß, sind Sie Arzt. Jetzt sind Sie Chief Innovation and Strategy Officer bei Philips. Können Sie kurz Ihre Rolle beschreiben, was Sie tun und worauf Sie sich konzentrieren?

ShezPartovi: Ich habe einen der besten Jobs der Welt, weil ich angefangen habe, an Strategien zu arbeiten. Ich kann mit Kunden zusammenarbeiten, um ihre unerfüllten Bedürfnisse zu verstehen, und ausgehend von ihren Problemen gemeinsam mit Kollegen Strategien entwickeln, damit Philips diese Probleme für Kunden tatsächlich lösen kann. Das ist es, was der strategische Aspekt bedeutet.

Und wenn wir auf unsere Kunden und ihre Probleme hören, müssen wir uns darüber im Klaren sein, wie wir aus ihrer Sicht innovativ sein können, um diese Probleme zu lösen. Die gesamte Innovationsgemeinschaft bei Philips ist Teil meiner Rolle und was wir Was wir tun, ist, auf die Bedürfnisse der Kunden zu hören, Markttrends zu beobachten und dann Technologien zu erkunden, die wir haben oder die nicht von Philips stammen, und sie zu integrieren, um die Bedürfnisse der Kunden erfüllen zu können.

Der Kern dieser Arbeit besteht darin, den Kunden zuzuhören, Signale zu erhalten, Strategien zu formulieren und diese dann dem Innovationsteam mitzuteilen: „Wie erfüllen wir die Bedürfnisse der Kunden kreativ? Wie innovieren wir aus ihrer Perspektive?“ Vorschläge in die Praxis umsetzen. Dies ist das Team, das ich leite, und ich denke, es ist der beste Job, den ich je hatte.

Die Rolle von Daten bei der Transformation des Gesundheitswesens

Michael Krigsman: Ich weiß, dass sich ein Großteil Ihrer Arbeit auf Daten konzentriert. Können Sie seine Rolle bei der Transformation des Gesundheitswesens erklären?

ShezPartovi: Wir betreiben derzeit viel Datenerstellung und Datengenerierung im Gesundheitswesen. Natürlich werden die Zyniker sagen: „Na ja, das meiste davon betrifft nur die Abrechnung.“

Trotz dieser Meinung ist es auch wahr, dass die überwiegende Mehrheit der Daten mittlerweile digital ist. Wenn Sie beispielsweise eine Zwischenablage zum Ausfüllen von Inhalten online verwenden, bedeutet dies, dass die Daten digitalisiert wurden. Die Mechanismen und Prozesse der Digitalisierung verlaufen nicht unbedingt nahtlos und reibungslos, und es kann viele sich wiederholende und triviale Aufgaben geben.

Wenn Menschen über Burnout bei Klinikern, Ärzten und Pflegern sprechen, liegt das zum Teil daran, dass wir zwar digitale Transformationen durchführen, diese aber nicht unbedingt reibungslos ablaufen, sondern dass sie dazu neigen, kein Bewusstsein für Arbeitsabläufe zu haben. Und das ist es repetitiv. Das ist nicht der beste Digitalisierungsprozess.

Und wenn wir dann auf die Frage der Datenerstellung und -generierung zurückkommen, würden einige auf sehr überraschende Weise argumentieren, dass wir diese Daten nicht sinnvoll nutzen. Wir verfügen möglicherweise über eine Fülle von Daten, aber es mangelt an Erkenntnissen.

A) Wir erstellen Daten auf eine reibungslose Art und Weise. B) Leider können wir aus diesen Daten keine wirklich aussagekräftigen Erkenntnisse gewinnen. Daran müssen wir aus meiner Sicht arbeiten.

Überdenken der Notwendigkeit von Datenanalysen bei der Transformation des Gesundheitswesens

Michael Krigsman: Was hat Sie dazu bewogen, die beiden oben genannten grundlegenden Fragen zu stellen?

ShezPartovi: Wir stehen vor einigen Herausforderungen. Erstens sind die generierten Daten noch stärker anwendungsorientiert, d. h. sie befinden sich in Silos. Ich erinnere mich, als ich im Gesundheitswesen arbeitete, hatten wir etwa 1.500 Anträge. Stellen Sie sich nun vor, Sie digitalisieren Daten und diese Daten existieren in einer Anwendungsumgebung, aber Sie haben 1.500 Anwendungen.

Zweitens mangelt es an Datenmobilität, was bedeutet, dass man die Daten zwar digitalisiert und auf Festplatte gespeichert hat, aber nicht unbedingt in der Lage ist, sie in eine Umgebung zu integrieren und daraus Erkenntnisse zu gewinnen. Bei so vielen isolierten Umgebungen haben wir viel Arbeit vor uns, um alle Daten in einem gemeinsamen Kontext zusammenzuführen, aus dem Erkenntnisse gewonnen werden können.

Natürlich schreitet auch die Technologie voran. Philips verfügt über eine Umgebung namens „Health Suite“, die sich auf Datenmobilität bezieht. Es bezieht Daten aus Hunderten verschiedener Quellen ein, kombiniert sie und leitet daraus Erkenntnisse ab.

Das ist es, was wir tun. Tatsächlich haben viele Gesundheitssysteme derzeit Schwierigkeiten, Daten in eine gemeinsame Umgebung zu integrieren.

Datenerfassung und Datenbeschaffung bei der Transformation des Gesundheitswesens

Michael Krigsman: Es scheint, dass Datenmobilität und Interoperabilität in vielen Bereichen digitaler Aktivitäten weiterhin Engpässe darstellen. Ist das so?

Shez Partovi:Ja. Tatsächlich sollten Sie sich Dateninteroperabilität in zwei Dimensionen vorstellen: syntaktische Interoperabilität, bei der Sie lediglich Daten teilen, und semantische Interoperabilität, bei der Sie Bedeutungen teilen.

Es ist wahr, dass wir immer noch viele Datensilos haben, aber es ist unbestreitbar, dass wir auch große Fortschritte bei der Dateninteroperabilität gemacht haben. Mit zunehmender Interoperabilität haben einige Organisationen Fluidität geschaffen und damit die Vision, von Daten zu Informationen, von Informationen zu Wissen und von Wissen zu Erkenntnissen überzugehen. Hier kann künstliche Intelligenz ins Spiel kommen. 🔜 . Beginnen wir mit einem einzelnen Datenpunkt, beispielsweise dem Blutzucker. Wenn Ihr einzelner Blutzuckerspiegel etwa 140 Milligramm pro Deziliter beträgt, ist das hoch. Aber liegt es andererseits daran, dass die Person nur einen Nüchternblutzucker hat? Ist es also nur ein Datenpunkt? Nützlich, aber noch nicht aufschlussreich.

Aber wenn das, was ich Ihnen sage, der steigende Trend des Blutzuckers ist, dann sind das Informationen. Information ist ein Trend, und dieser Trend nimmt zu, was bedeutet, dass möglicherweise Probleme mit Ihrem Körper vorliegen. Wenn wir uns die Krankengeschichte des Patienten genauer ansehen und verstehen, dass es sich möglicherweise um Diabetiker im Frühstadium handelt, ist das Wissen. Aber um heute das dreifache Ziel – Qualität verbessern, Kosten senken und Erfahrung verbessern – positiv zu erreichen, müssen wir verstehen, was Gesundheitssysteme brauchen, was Kliniker, Ärzte, Krankenschwestern und Organisationen brauchen, und sie wollen mehr als nur Daten, Informationen oder Wissen.

Sie möchten die folgenden Fragen beantworten: Wie wahrscheinlich ist es, dass dieser Patient, den Sie mir gezeigt haben, in den nächsten 18 Monaten eine Herzinsuffizienz entwickelt? Wie wahrscheinlich ist es, in den nächsten zwei Jahren ein diabetisches Fußgeschwür zu entwickeln? Wenn Sie Daten zusammenführen und sie zum Erstellen von Modellen für maschinelles Lernen und zum Einsatz von KI verwenden können, nutzen Sie Daten wirklich, um Erkenntnisse für Ihr Unternehmen zu gewinnen.

Das ist der Thread:

Von Daten über Informationen und Wissen bis hin zur Beobachtung und schließlich zu etwas, das für mich funktioniert. Der beste Service, den ich diesem Patienten zum jetzigen Zeitpunkt bieten kann.

Datenwissenschaft im Gesundheitswesen mit verbesserten Patientenergebnissen verbinden

Michael Krigsman: Wie verbinden Sie all dies mit den Patientenergebnissen? Oder welche Vorteile bietet diese Interoperabilität?

ShezPartovi: Ich würde alles auf den Punkt bringen Das oben erwähnte dreifache Ziel besteht darin, die Qualität der Pflege zu verbessern, die Pflegekosten zu senken und die klinische Erfahrung oder das Verbrauchererlebnis für Ärzte oder Patienten zu verbessern. Beginnen Sie zum Beispiel mit der meiner Meinung nach wahrscheinlich einfachsten Kostensenkung.

Der Einsatz künstlicher Intelligenz in Verbindung mit Daten kann unter anderem bei sogenannten realen Betriebsvorhersagen helfen, zum Beispiel bei der Frage, wie viele Mitarbeiter ich am nächsten Freitagabend für die Besetzung meiner Notaufnahme benötige Kann ich den Zustrom an Patienten im Krankenhaus vorhersagen, sodass Sie die Personalausstattung anpassen können? Und das wirkt sich übrigens auf die Qualität der Pflege aus, denn wenn es an Personal mangelt, wird es eine Herausforderung. Die richtige Dimensionierung wirkt sich positiv sowohl auf die Kosten als auch auf die Qualität der Pflege aus.

Verwenden Sie beispielsweise den ADT-Fluss (Aufnahme-, Entlassungs-, Transferfluss), um ein Modell zu erstellen, das Vorhersagen für den Patientenfluss ins Krankenhaus liefert und Ihnen so dabei hilft, eine angemessene Personalausstattung zu erreichen, die sich nicht nur auf das Patientenerlebnis, sondern auch auf die Klinik auswirkt Erfahrung des Arztes. Denn wenn es an Arbeitskräften mangelt, hat das zweifellos Auswirkungen auf die Qualität der Pflege. Genau das macht Philips derzeit.

Das Obige ist die operative Prognose. Lassen Sie uns über die zuvor erwähnte klinische Prognose sprechen. Ich verwende Diabetes als Beispiel, um die Wahrscheinlichkeit von diabetischen Fußgeschwüren oder Herzerkrankungen vorherzusagen. Tatsächlich gibt es viele Beispiele für klinische Vorhersagen.

Zum Beispiel können Sie KI und maschinelles Lernen nutzen, um radiologische Bilder zu lesen, um Anomalien zu erkennen oder vorherzusagen. Wenn der Algorithmus feststellt, dass ein Bild aufgrund seiner Auswirkungen auf die Versorgungsqualität so schnell wie möglich verarbeitet werden sollte, sollten Radiologen es sofort überprüfen und proaktive Maßnahmen ergreifen. Anstatt die Bilder in der Reihenfolge anzuordnen, in der sie aufgenommen wurden, platziert der Algorithmus Bilder mit Anomalien zuerst. Nur die erste Erkennung und die erste Behandlung können zu positiven Behandlungsergebnissen führen.

Bei Philips sind dies die häufigsten Anwendungsfälle für KI und ML zur Verbesserung der Patientenergebnisse.

Anreize für den Datenaustausch im Gesundheitswesen schaffen

Michael Krigsman: Riesige Datenmengen werden in einer sehr kleinen Anzahl marktführender Anwendungen gespeichert. Warum sollte ein Monopol einen Anreiz haben, diese Daten zu teilen? Mit anderen Worten, würde die Marktmacht von Software und Infrastruktur nicht die Art der Datenfreigabe beeinflussen, die Sie beschreiben?

Shez Partovi: Diese Daten gehören zu Gesundheitssystemen, Software Unternehmen sind nicht wirklich Eigentümer der Daten. Philips ist beispielsweise nicht Eigentümer dieser Daten, wir sind im Grunde nur Datenverwalter.

Allerdings weiß ich, dass es Länder auf der Welt gibt (ich werde sie nicht beim Namen nennen, weil ich nichts Schlechtes über sie sagen möchte), in denen Softwareunternehmen diese Daten tatsächlich besitzen. Daher kann man auch sagen, dass Ihre Argumentation richtig ist.

Aber zumindest in den USA ist es nicht korrekt zu sagen „Ich weigere mich, Daten weiterzugeben“. Regeln zur Informationsblockierung werden dies verbieten.

Michael Krigsman: Können Sie uns sagen, welche Art von Daten aggregiert werden müssen?

ShezPartovi: Wenn Sie über KI und maschinelles Lernen, klinische Prognosen und betriebliche Prognosen nachdenken, müssen Sie mit dem Problem beginnen um zu verstehen, welche Daten benötigt werden. Nehmen Sie zum Beispiel Google Maps. Wenn Sie sich erinnern, gab es eine Zeit, in der Ihnen nur Wegbeschreibungen und verstrichene Zeiten in roten Heatmaps angezeigt wurden. Später wurden dann auch die mit Radfahren verbrachte Zeit, die zu Fuß verbrachte Zeit, die besten Routen und mehr angezeigt. Abhängig von den Vorhersagen und dem Wert, den sie bereitstellen möchten, sammeln sie immer mehr Daten.

Nun zurück zum Geschäft selbst: Wenn wir überlegen, welche Daten gesammelt werden müssen, um ein Modell zu erstellen, müssen wir auch beim Problem beginnen. Angenommen, Sie möchten die Aufenthaltsdauer vorhersagen, um einen angemessenen und effizienten Pflegeumfang aufrechtzuerhalten. Dann benötigen Sie wahrscheinlich nur einen ADT-Stream, um die Verweildauer vorherzusagen. Wenn Sie andererseits vorhersagen möchten, ob eine Person an einer bestimmten Krankheit oder einem bestimmten Krebs leidet, benötigen Sie möglicherweise Bildgebung, Blutwerte und EHR-Daten (Electronic Health Record Data).

Zusammenfassend lässt sich sagen, dass Sie mit einer Problemstellung beginnen, verstehen müssen, was Sie vorhersagen möchten und welche Tools Sie Ärzten oder Betriebsteams zur Verfügung stellen möchten, und dann rückwärts arbeiten müssen, um zu sehen, welche Daten Sie zum Erstellen der Art von Vorhersage benötigen das gibt dir Modell.

Das richtige zu lösende Problem in der Datenwissenschaft auswählen

Michael Krigsman: Wie stellen Sie sicher, dass Sie das richtige zu lösende Problem auswählen?

Shez Partovi: Jede Organisation hat entweder operative Mitarbeiter, die versuchen, operative Probleme zu lösen, oder Möglicherweise gibt es ein schlankes Team. Lean-Teams waren vor einiger Zeit sehr beliebt. Jetzt gibt es ein Transformationsteam.

Obwohl sie unterschiedliche Namen haben, suchen sie alle nach Problemen, die gelöst werden müssen. Und natürlich gibt es das Clinical Excellence Team und das Operational Excellence Team. Allerdings werden sie in Ihrer Organisation möglicherweise unterschiedlich bezeichnet.

Wenn Sie an den Sitzungen ihres Lenkungsausschusses teilnehmen, werden Sie feststellen, dass sie wahrscheinlich wissen, welche Probleme sie lösen müssen und welche Kopfschmerzen sie haben. Tatsächlich ist es das, was Kunden ihnen sagen. Daher würde ich empfehlen, mit diesen Teams zu beginnen, die bereits Programme durchführen. Beispielsweise führt der Chief Nursing Officer oder Chief Medical Officer ein Clinical Excellence-Programm durch. Sie versuchen, einige Herausforderungen zu lösen. Sie verfügen also über die Daten, um Modelle für maschinelles Lernen als Werkzeuge zur Lösung dieser Probleme zu erstellen.

Ich würde sagen, wenn ich Chief Marketing Officer (CMO) eines Gesundheitssystems wäre, müsste ich sicherlich viele Probleme lösen, aber ich würde mit denen beginnen, die bereits untersucht werden. Erwägen Sie außerdem den Einsatz von KI und ML als Tools für diese Teams.

Verzerrung in der datenzentrierten Gesundheitsversorgung vermeiden

Michael Krigsman: Mit anderen Worten: Lösung der unmittelbaren praktischen Probleme, mit denen Sie möglicherweise konfrontiert sind, ob klinisch oder chirurgisch. Richtig?

ShezPartovi:Natürlich. Ich meine, ich bin jetzt sehr praktisch veranlagt. Es kann an den KPIs der Organisation oder an den KPIs des Teams ausgerichtet sein. Das ist wirklich der einfachste und direkteste Ausgangspunkt für diese Dinge.

Michael Krigsman: Ist die Herausforderung, ein stärker datenzentriertes Gesundheitssystem zu werden, das Daten effizienter nutzt, eine technologische Tendenz hin zur operativen Seite? Daten. Wenn es um Daten geht, gibt es drei Vs: Volumen, Vielfalt und Wahrhaftigkeit. Um wirklich ein Modell zu schaffen, das als Konservierungsinstrument dient, müssen Sie diese Qualitäten umsetzen. Weil große Mengen dazu beitragen, Verzerrungen zu beseitigen; Vielfalt schafft bessere Modelle für maschinelles Lernen; Authentizität stellt die Wahrheit der Daten wieder her.

Das ist der erste Schritt. Als nächstes müssen Sie ein Modell tatsächlich trainieren, die Daten kennzeichnen und das Modell validieren. Darüber hinaus müssen Sie entscheiden, ob Sie eine FDA-Überprüfung beantragen möchten (wie Philip es getan hat). Sie müssen diese nicht nur überprüfen, sondern auch bestimmte Anforderungen erfüllen. Führen Sie Ergebnisstudien durch, um zu beweisen, dass dies der Fall ist. Auch dies liegt eher auf der Anbieterseite. Intern, für den Betrieb, müssen Sie das nicht tun.

Daten (Massifizierung, Diversität, Authentizität), Kennzeichnung, maschinelles Lernen, Modellierung, Tests und Validierung usw. – all diese Aktivitäten erfordern die Zusammenarbeit von Organisationen mit Unternehmen der Gesundheitstechnologie. Bei einigen komplexen akademischen medizinischen Zentren wenden sie sich auch an die Universität, um die Talente zu finden, die sie zur Unterstützung benötigen.

Wenn Sie mich fragen, was die Hindernisse sind, hängt es davon ab, ob Sie Werkzeuge implementieren, die Sie möglicherweise von Philips erhalten, oder ob Sie diese Werkzeuge selbst basteln und bauen möchten. In diesem Fall könnten Sie mit einem Gesundheitstechnologieunternehmen zusammenarbeiten, das Ihnen helfen kann, oder mit einem Unternehmen, das Ihnen helfen kann, oder Sie könnten sich dafür entscheiden, eine interne Kapazität dafür aufzubauen.

Die Werkzeuge sind da. Aber um alles zusammenzubringen, sind Kompetenz, Schulung und Weiterbildung erforderlich. Sie bauen es also entweder selbst oder arbeiten mit Ihren Partnern zusammen.

Michael Krigsman:

Wie kann eine Organisation eine unternehmensweite Sicht schaffen, wenn die Daten aus verschiedenen Aufzeichnungssystemen stammen? Schließlich stammen sie von verschiedenen Softwareanbietern und sind grundsätzlich unterschiedliche Systeme.

ShezPartovi: Sie möchten, dass sich Ihre Daten in einer Umgebung befinden, in der alles zusammenläuft. Zumindest technisch gesehen müssen Sie bedenken, dass Sie einen Haltebereich benötigen, den Sie als „Datensee“ bezeichnen können, oder wie auch immer Sie es nennen möchten, einen gesunden Datenraum.

Der Fragesteller erwähnte das Thema Visualisierung, das ich für wichtig halte. Oben habe ich über Daten, Informationen, Wissen und Erkenntnisse gesprochen, und wenn Sie sich erinnern, ist Visualisierung der Begriff, den ich verwende, um Daten in Informationen umzuwandeln. Menschen neigen dazu, Visualisierung mit dem „Anzeigen von Dashboards und Diagrammen“ zu assoziieren. Aber ich denke, die wirkungsvollere Sache, und wahrscheinlich auch das, was in der Frage angedeutet wird, ist, wie ich aus diesen Daten Erkenntnisse gewinnen kann, die einen viel höheren ROI erzielen können als eine einfache Visualisierung. Übrigens denke ich, dass Sie eine Art Data-Lake-Umgebung benötigen, vorzugsweise in der Cloud, denn wenn Sie Modelle für maschinelles Lernen ausführen möchten, möchten Sie keine teure GPU kaufen, die in einem Rechenzentrum steht, sondern einfach nur Benutzen Sie es eine halbe Stunde am Tag und lassen Sie es 23,5 Stunden im Leerlauf laufen.

Sie können die Cloud nutzen und je nach Nutzung bezahlen. In der Cloud können Sie die komplexesten Trainingssätze und Trainingstechniken für maschinelles Lernen verwenden und zahlen nur für das, was Sie nutzen. Wenn Sie versuchen, es in Ihrem eigenen Rechenzentrum aufzubauen, zahlen Sie viel für etwas, das Sie nur einen Bruchteil der Zeit nutzen. Tun Sie das niemals.

Patientenaussperrung aufgrund von Datensilos im Gesundheitswesen

MichaelKrigsman: Erzählen Sie eine kleine Geschichte über mich persönlich, ich werde das konkrete Gesundheitssystem nicht nennen, aber ich Ich werde auf jeden Fall bei ihnen bleiben. Dafür gibt es viele Gründe, einer davon ist, dass sie großartige, großartige Ärzte usw. sind. Aber es verfügt auch über eine Informationssperre, und wenn ich ihr System verlasse, schickt mir der Arzt eine Benachrichtigung. Wäre diese inhärente Informationsbindung nicht schädlich für den von Ihnen beschriebenen Datenaustausch?

ShezPartovi: Das wird den Datenaustausch definitiv erschweren. Viele Organisationen versuchen jedoch, sich von diesem Status quo zu lösen. Unser Partner an der University of California, San Francisco (UCSF) nutzt beispielsweise die oben erwähnte gemeinsame gemeinsame Umgebung und greift tatsächlich auf Daten von Praxen außerhalb der UCSF-Umgebung zurück und versucht, eine ganzheitliche Sicht zu schaffen, die dies ermöglicht Patienten Der Wechsel zwischen Praxen wird ebenso einfach und mühelos wie der Informationsaustausch.

Wer ist für schlechte Daten, Algorithmen und Patientenergebnisse verantwortlich? Sie sind für die falschen Vorhersagen verantwortlich? Sie möchten, dass der Arzt die letzte Entscheidung trifft.

Zurück zur Frage selbst: Zunächst einmal beschäftigen wir uns philosophisch gesehen, zumindest aus unserer Sicht, mit der Frage, wie wir ein Tool schaffen können, das transparent und unvoreingenommen ist und das Erlebnis verbessert, was auch hilfreich sein kann Klinische Ärzte erledigen ihre Arbeit, genau wie eine Blutuntersuchung oder jede andere Untersuchung. Übrigens kann jeder Test falsch positiv oder falsch negativ ausfallen. Im Gegensatz zu Algorithmen, die sich selbst diagnostizieren, treffen Kliniker Entscheidungen auf der Grundlage ihrer Überprüfung und umfassender Überlegungen. Unabhängig davon, ob es sich um Daten, Algorithmen oder Vorhersagen handelt, handelt es sich lediglich um Werkzeuge, die Ärzten bei der Entscheidungsfindung helfen.

Dann, wenn es um Datenverzerrung geht, füge ich 1V, Verifizierung (Validierung) zu den vorherigen 3V (Vielfalt, Diversität, Authentizität) hinzu. Natürlich beinhaltet der Prozess der Erstellung eines Algorithmus diese Massifizierung, Vielfalt, Authentizität und anschließende Validierung. Die Tatsache, dass wir als Ärzte alle die Gesundheitsversorgung als lokale Gesundheitsversorgung betrachten, bedeutet, dass eine Krankheit, die in einem Gebiet endemisch ist, möglicherweise nicht in einem anderen Gebiet endemisch ist. Ich habe sowohl in Kanada als auch in den Vereinigten Staaten trainiert. Ich kann Ihnen sagen, dass eine bestimmte Röntgenaufnahme des Brustkorbs in Kanada Tuberkulose ergab und derselbe Befund, den ich während meiner Ausbildung in den Vereinigten Staaten hatte, Pneumokokzidioidomykose war. Sie sind unterschiedlich. Aber das liegt daran, dass die Gesundheitsversorgung lokal ist.

Der Algorithmus muss entsprechend der Bereitstellungsumgebung fein abgestimmt werden. Es wird keinen universellen Algorithmus für die Welt geben, geschweige denn für die Vereinigten Staaten. Die Gesundheitsversorgung ist lokal. Die Ausbildung muss lokal abgestimmt werden.

Michael Krigsman:

Sie machen einen sehr provokanten Punkt, dass Modelle lokalisiert werden müssen oder lokale Bedingungen widerspiegeln müssen. Wer sollte für die Erstellung dieser Modelle verantwortlich sein?

ShezPartovi:

Algorithmen können fein abgestimmt werden – und wir auch. Daher kann ein Modell „allgemein“ trainiert und feinabgestimmt werden, es kann sogar im Hintergrund in einer Umgebung bereitgestellt werden, bevor es in die Produktion geht, und das Training dann nach der Bereitstellung fortgesetzt werden.

Per Definition wird es durch seine Implementierung und fortgesetzte Nutzung lokal.

Michael Krigsman:

Werden diese Modelle normalerweise von Softwareanbietern, Gesundheitssystemen oder Unternehmen wie Philips bereitgestellt? #Shez Partovi: Alle oben genannten sind verfügbar. Natürlich entwickelt Philips auch Modelle, und wir haben tatsächlich eine Umgebung namens „AIManager“, in der Sie unsere Modelle ablegen und verwenden können.

Organisationen können auch ihre eigenen Modelle erstellen und diese zur Verwendung in AI Manager einfügen. Derzeit gibt es viele junge Unternehmen, die dies tun. Ich denke, dass jedes Unternehmen, das Zugang zu Daten hat, gute Daten zur Modellerstellung nutzen kann.

Michael Krigsman: Sie meinen, dass das lokale Modell eine Möglichkeit ist, die interne Voreingenommenheit des Modells zu reduzieren, verstehe ich das richtig? ## 🎜🎜#Shez Partovi:

Ja, es hilft, Verzerrungen zu reduzieren. Nachdem das trainierte und verifizierte Modell in den lokalen Bereich gelangt und mit der Verwendung beginnt, wird es als lokales Optimierungs- und Anpassungsmodell betrachtet.

Die Zukunft von Daten und künstlicher Intelligenz im Gesundheitswesen

Michael Krigsman:

Daten im Gesundheitswesen in den nächsten Jahren Wohin wird sich die künstliche Intelligenz entwickeln? Führen Sie den Algorithmus testweise aus. Nun, genau wie Sie Blut abnehmen und testen, können Sie Ihre Daten durch die Venen und Arterien des Gesundheitssystems fließen lassen. Sie können diese Daten nehmen und Algorithmen darauf anwenden.

Ärzte nutzen Ordnungsalgorithmen als Test. Ja, es gibt Hintergrundalgorithmen, die ständig laufen. Einige Algorithmen erfordern jedoch möglicherweise viel Rechenleistung. Solche Algorithmen können Sie am Ende tatsächlich Geld kosten, weil Sie für ihre Ausführung Rechenleistung verbrauchen.

Ich denke, mit der Zeit werden Kliniker Algorithmen auf die gleiche Weise anordnen, wie sie Tests anordnen.

Michael Krigsman: Wie lange wird es deiner Meinung nach dauern, bis das passiert? wird wahrscheinlich in fünf Jahren sein. Es gibt einige erste Anzeichen innerhalb des Jahrzehnts.

Michael Krigsman: Wie stellen wir sicher, dass Datenwissenschaft zur Verbesserung der Patientenversorgung und nicht nur zur Steigerung des Gewinns eingesetzt wird? Und Technologie ist sehr teuer, wie sollte das berücksichtigt werden?# 🎜🎜 #

ShezPartovi: Die Menschen sollten die umfassende Bedeutung der KI- und ML-Technologie im Gesundheitswesen richtig erkennen, um die Qualität zu verbessern, Kosten zu senken und die Erfahrung zu verbessern. Tatsächlich zeigt sich, dass die Kosten nur einen Drittel dieser Faktoren ausmachen. Wir sollten uns auf alle Aspekte des Dreifachziels konzentrieren und nicht nur auf die Kostenreduzierung.

Ich habe zuvor gesagt: „Datenwissenschaft wird zur Verbesserung der betrieblichen Effizienz eingesetzt“, aber meiner Meinung nach besteht die Verbesserung der betrieblichen Effizienz in einigen Fällen darin, die Pflegedienste zu verbessern, da beispielsweise eine Unterbesetzung zu schlechten Ergebnissen führt Qualität der Pflege. Diese Faktoren hängen alle zusammen und ich möchte nicht, dass es so aussieht, als wären sie getrennt.

MichaelKrigsman:

Welchen Rat haben Sie für Gesundheitsmanager angesichts dieses sich verändernden Umfelds? Sie wissen, dass sie sich anpassen müssen, aber es wird sehr schwierig für sie sein, weil Sie stehen unter so großem finanziellen Druck, regulatorischem Druck und ganz unterschiedlichem Druck.

ShezPartovi: Ich habe dies in den frühen Phasen der Zusammenarbeit mit anderen Organisationen tiefgreifend erlebt. Ich weiß, es klingt egoistisch, weil ich hier Philips vertrete, aber wenn ich der CMO wäre, würde ich Schulungen und Weiterbildungen und viele andere Dinge durchführen.

Mein Vorschlag an Administratoren ist, die besten Lösungen von Kollegen für ihre eigenen Probleme zu finden und einen Technologiepartner vorzustellen, um gemeinsam mit diesem Partner zu sehen, wie AI ML darauf angewendet werden kann. So verhalte ich mich als Administrator.

Michael Krigsman:

Was sollen die politischen Entscheidungsträger über diese sich verändernde Welt des Gesundheitswesens verstehen?

Shez Partovi: # 🎜 🎜#Politische Entscheidungsträger sollten und müssen verstehen. KI und ML spielen eine wichtige Rolle bei der Förderung des Triple Aim. Meiner Meinung nach kann AIML heutzutage die Qualität verbessern, Kosten senken und die Erfahrung für Patienten und Ärzte verbessern. Politische Entscheidungsträger sollten prüfen, wie sie die Einführung von Data Science vorantreiben und Hindernisse für KI und ML beseitigen können, da der Nettoeffekt davon das ist, was andere Teams wollen. Diese drei Ziele hängen miteinander zusammen und wir sollten herausfinden, wie wir die Praxis durch Politik voranbringen können.

Das obige ist der detaillierte Inhalt vonWie werden Datenwissenschaft und künstliche Intelligenz die Gesundheitsbranche verändern?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!