데이터 과학과 인공지능이 의료 산업을 어떻게 변화시킬 것인가?

데이터 과학, 기계 학습, 인공 지능은 의료 산업을 심오한 방식으로 변화시킬 수 있는 잠재력을 가지고 있습니다. 이번 인터뷰에서 Royal Philips의 최고 의료, 혁신 및 전략 책임자인 Dr. Shez Partovi는 이러한 기술이 환자 치료 결과를 개선하고 질병 진단에 미치는 중요한 역할을 소개했습니다.

대화에는 다음 주제가 포함되었습니다.

• 의료 기술 회사인 Philips에 대해.
• 의료 혁신에서 데이터의 역할.
• 의료 혁신에서 데이터 분석의 필요성을 다시 생각해보세요.
• 의료 혁신의 데이터 수집 및 데이터 소스.
• 의료 분야의 데이터 과학 애플리케이션을 연결하여 환자 결과 개선.
• 의료 분야의 데이터 공유에 대한 인센티브를 만듭니다.
• 데이터 과학에서 해결해야 할 올바른 문제를 선택하세요.
• 데이터 중심 의료에서 ​​편견을 피하세요.
• 의료 데이터 사일로를 기반으로 한 환자 폐쇄.
• 잘못된 데이터, 알고리즘 및 환자 결과에 대한 책임은 누구에게 있습니까?
• 헬스케어 분야의 데이터 및 인공 지능의 미래

2021년 3월, Shez는 공식적으로 최고 기술 사무소, 연구, HealthSuite 플랫폼, 최고 의료 사무실, 제품 엔지니어링, 경험 디자인 및 전략 등. 동시에 혁신 및 전략 조직은 운영 비즈니스 및 시장과 협력하여 고객 요구를 충족하고 비즈니스 성장 및 수익성 목표를 달성하기 위한 회사 전략을 안내합니다.

Partovi의 경력은 1998년 Barrow Neurological Institute에서 신경방사선 전문의로 시작되어 2013년까지 임상 실습을 계속한 것으로 알려졌습니다. 이후 Partovi는 미국에서 5번째로 큰 의료 시스템인 DignityHealth에서 20년 동안 근무했으며, 2018년 Amazon에 합류하여 Amazon의 글로벌 비즈니스를 담당하는 헬스케어, 생명과학 및 의료기기 부문의 글로벌 비즈니스 개발 책임자를 역임했습니다. 마케팅 노력.

몬트리올의 McGill University에서 의학 교육을 받은 것 외에도 그는 컴퓨터 과학 대학원 학위도 취득했습니다. 그는 애리조나 주립대학교에 생물의학 정보학과를 설립하는 데 도움을 주었으며, 그곳에서 3년 동안 임상 교수로 재직했습니다.

인터뷰 발췌:

헬스 기술 기업 Philips 소개

Michael Krigsman(진행자): 데이터 과학과 인공 지능이 헬스케어 산업을 변화시키고 있습니다. 이제 Royal Philips의 최고 혁신 및 전략 책임자인 ShezPartovi에게 간단한 소개를 부탁드리겠습니다.

ShezPartovi: 7년 전 필립스는 헬스케어를 제외한 모든 사업을 매각하기로 결정했고, 이제는 완전한 헬스 기술 회사가 되었습니다. 즉, 여전히 필립스 조명을 볼 수 있지만 실제로는 생산 목록에 불과합니다. Philips 자체는 이제 가정, 외래 환자, 입원 환자 등을 포함하여 연속적인 치료에 초점을 맞춘 100% 건강 기술 회사입니다.

이제 필립스는 건강 기술 회사라고 생각하세요. 130년 된 '스타트업' 회사다. 불과 10년 전에 완전히 변신했기 때문에 130년 된 '스타트업' 회사와 같다.

MichaelKrigsman: 내가 아는 한 당신은 의사입니다. 이제 당신은 Philips의 최고 혁신 및 전략 책임자입니다. 당신의 역할, 하는 일, 집중하는 분야에 대해 간략하게 설명해주실 수 있나요?

ShezPartovi: 저는 전략 작업을 시작했기 때문에 세계 최고의 직업 중 하나를 가지고 있습니다. 저는 고객과 협력하여 고객의 충족되지 않은 요구 사항을 이해하고 고객의 문제부터 시작하여 동료와 협력하여 Philips가 고객을 위해 실제로 이러한 문제를 해결할 수 있도록 전략을 개발합니다. 이것이 전략적 측면이 의미하는 바입니다.

그리고 혁신 측면에서는 고객과 고객의 문제에 귀를 기울일 때 이러한 문제를 해결하기 위해 고객의 관점에서 혁신하는 방법을 명확히 해야 합니다. 필립스 내의 전체 혁신 커뮤니티는 제 역할의 일부이며 우리는 무엇을 하고 있나요? 우리가 해야 할 일은 고객의 요구에 귀를 기울이고, 시장 동향을 관찰한 다음, Philips가 보유하고 있거나 필립스 외부에 있는 기술을 탐색하고 이를 통합하여 고객 요구를 충족하는 것입니다.

이 작업의 핵심은 고객의 의견을 듣고, 신호를 받고, 전략을 수립한 다음 이를 혁신 팀에 전달하는 것입니다. "어떻게 고객의 요구를 창의적으로 충족시킬 수 있습니까? 고객의 관점에서 어떻게 혁신할 수 있습니까?" 제안을 실천에 옮기다. 이 팀이 제가 이끄는 팀이고, 지금까지 해본 일 중 최고의 일이라고 생각합니다.

의료 혁신에서 데이터의 역할

Michael Krigsman: 귀하의 많은 작업이 데이터에 초점을 맞추고 있다는 것을 알고 있습니다. 의료 혁신에서 그 역할을 설명할 수 있나요?

ShezPartovi: 우리는 현재 의료 분야에서 많은 데이터 생성과 데이터 생성을 수행하고 있습니다. 물론, 냉소적인 사람들은 "글쎄요, 대부분은 청구 측면에 관한 것입니다."라고 말할 것입니다.

이러한 의견에도 불구하고, 현재 데이터의 대부분이 디지털이라는 것도 사실입니다. 예를 들어, 클립보드를 사용하여 온라인으로 콘텐츠를 작성하는 것은 데이터가 디지털화되었음을 의미합니다. 디지털화의 메커니즘과 프로세스가 반드시 원활하고 마찰이 없는 것은 아니며 반복적이고 사소한 작업이 많을 수 있습니다.

사람들이 임상의 피로, 의사 및 간호 피로에 대해 이야기할 때 그 이유 중 하나는 우리가 디지털 혁신을 수행하는 동안 반드시 원활한 방식으로 수행하는 것은 아니며 워크플로우에 대한 인식이 없는 경향이 있기 때문입니다. 반복적이다. 이는 최고의 디지털화 프로세스가 아닙니다.

그리고 데이터 생성 및 생성 문제로 돌아가서 어떤 사람들은 우리가 이 데이터를 매우 놀라운 방식으로 의미 있게 사용하고 있지 않다고 주장할 것입니다. 우리는 데이터가 풍부하지만 통찰력이 부족할 수 있습니다.

A) 우리는 마찰이 가득한 방식으로 데이터를 생성합니다. B) 불행하게도 우리는 이 데이터로부터 강력한 통찰력을 실제로 창출하지 못합니다. 제 관점에서는 바로 이것이 우리가 노력해야 할 부분입니다.

의료 혁신에서 데이터 분석의 필요성 재검토

Michael Krigsman: 위의 두 가지 기본 질문을 하게 된 이유는 무엇입니까?

ShezPartovi: 우리는 몇 가지 과제에 직면해 있습니다. 첫째, 생성된 데이터는 여전히 애플리케이션 중심적입니다. 즉, 사일로에 있다는 의미입니다. 제가 의료 시스템에서 일했을 때 지원서가 1,500개 정도 있었던 것으로 기억합니다. 이제 데이터를 디지털화하고 해당 데이터가 애플리케이션 환경에 존재하지만 애플리케이션이 1,500개 있다고 상상해 보십시오.

둘째, 데이터 이동성이 부족합니다. 즉, 데이터를 디지털화하여 디스크에 저장하더라도 반드시 환경에 결합하여 통찰력을 얻을 수는 없다는 의미입니다. 사일로화된 환경이 너무 많기 때문에 통찰력을 생성할 수 있는 공통 컨텍스트로 모든 데이터를 통합하기 위해 해야 할 일이 많습니다.

물론 기술도 발전하고 있습니다. 필립스는 데이터 이동성과 관련된 "Health Suite"라는 환경을 보유하고 있습니다. 수백 개의 서로 다른 소스에서 데이터를 가져와 결합한 다음 그로부터 통찰력을 이끌어냅니다.

이것이 우리가 하는 일입니다. 실제로 현재 많은 의료 시스템이 데이터를 공통 환경에 통합하는 데 어려움을 겪고 있습니다.

의료 혁신의 데이터 수집 및 데이터 소싱

Michael Krigsman: 디지털 활동의 여러 영역에서 데이터 이동성과 상호 운용성이 여전히 병목 현상을 일으키는 것 같습니다. 그렇나요?

Shez Partovi:네. 실제로 데이터 상호 운용성은 데이터만 공유하는 구문적 상호 운용성과 의미를 공유하는 의미론적 상호 운용성의 두 가지 차원으로 생각해야 합니다.

아직 데이터 사일로가 많은 것은 사실이지만, 데이터 상호 운용성 측면에서도 큰 진전을 이룬 것은 부인할 수 없습니다. 상호 운용성이 향상됨에 따라 일부 조직에서는 유동성을 창출하고 이를 통해 데이터에서 정보로, 정보에서 지식으로, 지식에서 통찰력으로 이동한다는 비전을 세웠습니다. 여기서 인공지능이 발휘될 수 있다.

Michael Krigsman: 방금 설명한 풍부한 데이터에서 데이터 중심으로 어떻게 이동합니까?

ShezPartovi: 데이터에서 정보로, 정보에서 지식으로, 지식에서 통찰력으로 전환하는 예를 들려드릴 수 있습니다. . 혈당과 같은 단일 데이터 포인트부터 시작하겠습니다. 단일 혈당 수치가 데시리터당 약 140밀리그램이라면 이는 높은 수치입니다. 그런데 반면에 그 사람이 방금 먹었기 때문에 공복 혈당인가요? 그럼, 그것은 단지 데이터 포인트일 뿐입니다. 유용하지만 아직 통찰력이 없습니다.

하지만 제가 말씀드리는 것이 혈당 상승 추세라면 이는 정보입니다. 정보가 대세인데, 이런 추세가 높아지고 있다는 것은 몸에 문제가 생길 수도 있다는 뜻이다.

환자의 병력을 더 자세히 살펴보고 당뇨병 초기일 수 있다는 것을 이해한다면 이것이 지식입니다. 그러나 오늘날 품질 향상, 비용 절감, 경험 향상이라는 세 가지 목표를 긍정적인 방식으로 달성하려면 의료 시스템에 필요한 것이 무엇인지, 임상의, 의사, 간호사 및 조직에 필요한 것이 무엇인지 이해해야 합니다. 데이터, 정보 또는 지식.

그들은 다음 질문에 대답하고 싶어합니다. 저에게 보여주신 이 환자가 혈당으로 인해 당뇨병 전단계에 있을 가능성은 얼마나 됩니까? 향후 18개월 내에 울혈성 심부전이 발생할 가능성은 얼마나 됩니까?

이러한 예측, 미래에 대한 통찰력이 진정한 기회입니다. 데이터를 모아서 이를 사용하여 기계 학습 모델을 구축하고 AI를 사용할 수 있다면 실제로 데이터를 사용하여 조직에 대한 통찰력을 얻을 수 있습니다.

이 스레드는 다음과 같습니다. 데이터에서 정보, 지식, 관찰, 그리고 마지막으로 나에게 맞는 무언가에 이르기까지. 현 시점에서 제가 이 환자에게 제공할 수 있는 최고의 서비스입니다.

의료 분야의 데이터 과학을 환자 결과 개선에 연결

Michael Krigsman: 이 모든 것을 환자 결과에 어떻게 연결합니까? 아니면 상호 운용성이 있으면 어떤 이점이 있나요?

ShezPartovi: 모든 것을 끓이겠습니다. 위에서 언급한 세 가지 목표는 치료의 질을 향상시키고, 치료 비용을 절감하며, 임상의나 환자를 위한 임상 경험이나 소비자 경험을 향상시키는 것입니다. 예를 들어, 아마도 가장 쉬운 비용 절감이라고 생각되는 것부터 시작하십시오.

인공 지능을 데이터와 함께 사용하면 실제 운영 예측에 도움이 됩니다. 예를 들어 다음 주 금요일 밤 응급실에 직원을 몇 명이나 배치해야 합니까? 병원에 들어오는 환자 흐름을 예측하여 인력 수준을 조정할 수 있습니까? 그런데 인력이 부족하면 문제가 되기 때문에 이는 의료 품질에 영향을 미칩니다. 규모를 적절하게 조정하면 비용과 치료 품질 모두에 긍정적인 영향을 미칩니다.

예를 들어 ADT 흐름(입원, 퇴원, 이송 흐름)을 사용하여 병원으로의 환자 흐름에 대한 예측을 제공하는 모델을 구축함으로써 합리적인 인력 배치를 달성하는 데 도움이 됩니다. 이는 환자 경험뿐만 아니라 임상에도 영향을 미칩니다. 의사의 경험. 인력이 부족하면 진료의 질에 의심의 여지가 없기 때문입니다. 이것이 바로 필립스가 현재 하고 있는 일입니다.

위는 앞서 말씀드린 임상예측에 대해 말씀드리겠습니다. 저는 당뇨병성 족부궤양이나 심장병의 가능성을 예측하기 위해 당뇨병을 예로 들었습니다. 실제로 임상예측의 사례는 많다.

예를 들어 AI와 머신러닝을 활용해 방사선 영상을 판독해 이상 징후를 식별하거나 예측할 수 있습니다. 알고리즘이 진료 품질에 영향을 미치기 때문에 이미지를 가능한 한 빨리 처리해야 한다고 결정하는 경우 방사선 전문의는 이를 즉시 검토하고 사전 조치를 취해야 합니다. 알고리즘은 촬영된 순서대로 이미지를 정렬하는 대신 이상이 있는 이미지를 먼저 배치합니다. 먼저 발견하고 먼저 치료해야 긍정적인 치료 결과를 얻을 수 있습니다.

Philips에서 환자 결과를 개선하기 위한 AI 및 ML의 가장 일반적인 사용 사례는 다음과 같습니다.

의료 분야의 데이터 공유에 대한 인센티브 만들기

Michael Krigsman: 엄청난 양의 데이터가 매우 소수의 시장을 선도하는 애플리케이션에 보관되어 있습니다. 독점이 이 데이터를 공유할 인센티브가 있는 이유는 무엇입니까? 즉, 소프트웨어 및 인프라의 시장 지배력이 귀하가 설명하는 데이터 공유 유형에 영향을 미치지 않습니까?

Shez Partovi: 이 데이터는 의료 시스템, 소프트웨어에 속합니다. 회사는 실제로 데이터를 소유하지 않습니다. 예를 들어 Philips는 이 데이터를 소유하지 않으며 본질적으로 데이터 관리자일 뿐입니다.

그러나 저는 소프트웨어 회사가 실제로 이 데이터를 소유하고 있는 국가가 세계에 있다는 것을 알고 있습니다(그들에 대해 나쁜 말을 하고 싶지 않기 때문에 이름은 밝히지 않겠습니다). 따라서 귀하의 주장이 옳다고도 할 수 있습니다.

하지만 적어도 미국에서는 “데이터 공유를 거부합니다”라고 말하는 것은 옳지 않습니다. 정보 차단 규칙은 이를 금지합니다.

Michael Krigsman: 집계해야 하는 데이터 유형을 알려주실 수 있나요?

ShezPartovi: AI와 기계 학습, 임상 예측 및 운영 예측에 대해 생각하고 있다면 문제부터 시작해야 합니다. 어떤 데이터가 필요한지 이해합니다. 예를 들어 Google 지도를 생각해 보세요. 빨간색 히트맵으로 방향과 경과 시간만 표시하던 시절이 있었습니다. 나중에는 자전거 타기 시간, 걷기 시간, 최적의 경로 등을 표시하기 시작했습니다. 제공하려는 예측과 가치에 따라 점점 더 많은 데이터를 수집하고 있습니다.

이제 비즈니스 자체로 돌아가서 모델을 만들기 위해 어떤 데이터를 수집해야 하는지 고려할 때 문제부터 시작해야 합니다. 적절하고 효율적인 치료 규모를 유지하기 위해 입원 기간을 예측하고 싶다고 가정해 보겠습니다. 그렇다면 아마도 필요한 것은 체류 시간을 예측하기 위한 ADT 스트림뿐입니다. 반면, 사람이 특정 질병에 걸렸는지, 특정 암에 걸렸는지 예측하려면 영상, 혈액 수치, EHR(전자건강기록 데이터) 데이터가 필요할 수 있습니다.

요약하자면 문제 설명부터 시작하여 예측하려는 내용과 임상의 또는 운영 팀에 제공하려는 도구를 이해한 다음 거꾸로 작업하여 일종의 예측을 구축하는 데 필요한 데이터를 확인해야 합니다. 그것은 당신에게 모델을 제공합니다.

데이터 과학에서 해결해야 할 올바른 문제 선택

Michael Krigsman: 해결해야 할 올바른 문제를 어떻게 선택합니까?

Shez Partovi: 모든 조직에는 운영 문제를 해결하려는 운영 인력이 있거나 린 팀이있을 수 있습니다. 린(Lean) 팀은 얼마 전까지만 해도 정말 인기가 많았습니다. 이제 혁신팀이 있습니다.

이름은 다르지만 모두 해결해야 할 문제를 찾고 있습니다. 물론 임상 우수성 팀과 운영 우수성 팀도 있습니다. 그러나 조직에서는 다른 이름으로 불릴 수 있습니다.

운영위원회 회의에 참석해 보면 그들이 해결해야 할 문제와 고민을 알고 있을 것입니다. 실제로 고객들이 이런 말을 합니다. 따라서 이미 프로그램을 실행 중인 팀부터 시작하는 것이 좋습니다. 예를 들어 최고 간호 책임자 또는 최고 의료 책임자는 임상 우수성 프로그램을 실행하고 최고 운영 책임자는 운영 린 프로그램 또는 우수성 프로그램을 실행하고 있습니다. 그들은 몇 가지 과제를 해결하려고 노력하고 있습니다. 따라서 그들은 이러한 문제를 해결하기 위한 도구로 기계 학습 모델을 구축할 수 있는 데이터를 보유하고 있습니다.

내가 의료 시스템의 최고 마케팅 책임자(CMO)라면 해결해야 할 문제가 분명 많겠지만 이미 연구 중인 문제부터 시작하겠습니다. 또한 이러한 팀을 위한 도구로 AI와 ML을 사용하는 것도 고려해 보세요.

데이터 중심 의료에서 ​​편견 방지

Michael Krigsman: 즉, 임상적이든 수술적이든 직면할 수 있는 즉각적이고 실질적인 문제를 해결하는 것입니다. 그렇죠?

ShezPartovi:물론이죠. 나는 지금 매우 실용적이라는 뜻이다. 이는 조직의 KPI, 팀 KPI에 맞춰 조정될 수 있습니다. 이것이 바로 시작하기에 가장 쉽고 직접적인 장소입니다.

Michael Krigsman: 데이터를 더욱 효율적으로 활용하는 데이터 중심 의료 시스템이 되는 과제는 운영 측면에 대한 기술 편향인가요?

ShezPartovi: 우선, 당연히 디지털화해야 합니다. 데이터. 데이터에는 볼륨, 다양성, 진실성이라는 세 가지 V가 있습니다. 보존 도구 역할을 하는 모델을 실제로 만들려면 이러한 특성을 구현해야 합니다. 대규모는 편견을 제거하는 데 도움이 되기 때문에 신뢰성은 데이터의 진실성을 복원하는 더 나은 기계 학습 모델을 만듭니다.

이것이 첫 번째 단계입니다. 다음으로 실제로 모델을 훈련하고, 데이터에 레이블을 지정하고, 모델을 검증해야 합니다. 또한 (필립이 그랬던 것처럼) FDA 검토를 신청할지 여부를 결정해야 하며 이를 검증해야 할 뿐만 아니라 특정 요구 사항도 충족해야 합니다.

이 사실을 입증하기 위해 결과 연구를 수행합니다. 다시 말하지만, 이는 공급자 측에 더 가깝습니다. 내부적으로는 작업을 위해 그렇게 할 필요가 없습니다.

데이터(대량화, 다양성, 신뢰성), 라벨링, 기계 학습, 모델링, 테스트 및 검증 등 이러한 모든 활동을 위해서는 조직이 의료 기술 회사와 협력해야 합니다. 일부 복합 학술 의료 센터의 경우 대학에 연락하여 도움이 필요한 인재를 찾을 수도 있습니다.

저에게 장벽이 무엇인지 묻는다면 Philips에서 구할 수 있는 도구를 구현하는지, 아니면 DIY를 하고 이러한 도구를 직접 제작하는지에 따라 다릅니다. 그런 경우에는 귀하에게 도움을 줄 수 있는 의료 기술 회사 또는 귀하에게 도움을 줄 수 있는 어떤 종류의 회사와 협력할 수도 있고, 이를 수행하기 위한 내부 역량을 구축하기로 결정할 수도 있습니다.

도구가 있습니다. 그러나 이 모든 것을 하나로 모으려면 역량, 교육 및 기술 향상이 필요합니다. 따라서 사내에서 구축하거나 파트너와 협력하여 작업할 수 있습니다.

Michael Krigsman: 다양한 기록 시스템에서 데이터를 가져올 때 조직은 어떻게 전사적 관점을 만들 수 있습니까? 결국 데이터는 서로 다른 소프트웨어 공급업체에서 제공되며 본질적으로 서로 다른 시스템입니다.

ShezPartovi: 당신은 데이터가 모두 함께 모이는 환경에 있기를 원합니다. 기술적으로는 적어도 보관 영역이 필요하다는 점을 고려해야 합니다. 이를 "데이터 레이크"라고 부르거나 원하는 대로 건강한 데이터 공간이라고 부르세요.

질문자는 제가 중요하다고 생각하는 시각화 문제를 언급했습니다. 위에서는 데이터, 정보, 지식, 통찰에 대해 이야기했는데, 기억하시겠지만 시각화는 데이터를 정보로 바꾸는 데 사용하는 용어입니다.

사람들은 시각화를 "대시보드 및 차트 표시"와 연관시키는 경향이 있습니다. 하지만 제 생각에 더 강력한 것은, 그리고 아마도 질문에서 암시하는 것은 어떻게 이 데이터에서 단순한 시각화보다 훨씬 더 높은 ROI를 얻을 수 있는 통찰력을 창출할 수 있느냐는 것입니다. 그건 그렇고, 가급적이면 클라우드에 일종의 데이터 레이크 환경이 필요하다고 생각합니다. 왜냐하면 기계 학습 모델을 실행하려는 경우 데이터 센터에 앉아 값비싼 GPU를 구입하고 싶지 않기 때문입니다. 하루에 30분 동안 사용하고 23.5시간 동안 유휴 상태로 두십시오.

클라우드를 사용하고 사용량에 따라 비용을 지불할 수 있습니다. 클라우드에서는 가장 복잡한 기계 학습 모델 교육 세트, 교육 기술을 사용할 수 있으며 사용한 만큼만 비용을 지불하면 됩니다. 자신의 데이터 센터에 구축하려고 한다면, 짧은 시간만 사용하는 것에 대해 많은 비용을 지불하게 될 것입니다. 절대 그렇게 하지 마세요.

의료 데이터 사일로에 기반한 환자 폐쇄

MichaelKrigsman: 저에 대한 개인적인 이야기를 조금 들려드리자면 구체적인 의료 시스템을 언급하지는 않겠지만 반드시 그 시스템을 고수하겠습니다. 여러 가지 이유가 있는데, 그 중 하나는 그들이 훌륭하고, 훌륭한 의사라는 것입니다. 하지만 여기에는 정보 잠금 기능도 있어서 내가 해당 시스템을 떠나면 의사가 나에게 알림을 보낼 것입니다. 이러한 고유한 정보 잠금이 귀하가 설명하는 데이터 공유에 해를 끼치지 않습니까?

ShezPartovi: 이로 인해 데이터 공유가 확실히 더 어려워질 것입니다. 그러나 많은 조직에서는 현 상태에서 벗어나려고 노력하고 있습니다. 예를 들어, UCSF(University of California, San Francisco)의 파트너는 위에서 언급한 공통 공유 환경을 사용하고 있으며 실제로 UCSF 환경 외부의 관행에서 데이터를 가져와 다음을 가능하게 하는 전체적인 관점을 만들려고 노력하고 있습니다. 환자 정보 공유와 마찬가지로 진료 간 이동이 간단하고 쉬워집니다.

잘못된 데이터, 알고리즘 및 환자 결과에 대한 책임은 누구에게 있습니까?

Michael Krigsman: 잘못된 데이터, 잘못된 알고리즘 및 결과적으로 잘못된 예측이 발생한 경우 누구의 책임입니까?

Shez Partovi: Philips에서는 이것이 임상의가 결정을 내리는 데 도움이 되는 도구라고 계속 믿고 있지만 궁극적으로는 임상의가 최종 의사결정자가 되도록 하려는 것입니다.

질문 자체로 돌아가서, 우선 철학적으로 말하면, 적어도 우리의 관점에서 우리는 투명하고 편견이 없으며 경험을 향상시켜 임상의가 업무를 수행하는 데 도움이 될 수 있는 도구를 만드는 방법을 찾고 있습니다. 혈액검사나 다른 검사처럼 말이죠.

그런데 모든 테스트에는 위양성 또는 위음성이 있을 수 있습니다. 임상의는 스스로 진단하는 알고리즘과 달리 검증과 종합적인 고려를 바탕으로 의사결정을 내린다. 데이터, 알고리즘, 예측 등은 임상의가 결정을 내리는 데 도움이 되는 단순한 도구일 뿐입니다.

그리고 데이터 편향에 관해서는 기존의 3V(다양성, 다양성, 진정성)에 1V, 검증을 추가하겠습니다. 물론 알고리즘을 만드는 과정에는 이러한 대량화, 다양성, 신뢰성, 검증이 포함됩니다.

사실 임상의로서 우리 모두는 의료를 지역 의료로 간주합니다. 즉, 한 지역에 풍토병이 있는 질병이 다른 지역에는 풍토병이 아닐 수도 있다는 뜻입니다. 저는 캐나다와 미국에서 훈련을 받았습니다. 캐나다에서 특정 흉부 엑스레이를 촬영한 결과 결핵이었으며, 미국에서 수련을 하면서 얻은 것과 동일한 결과가 폐렴구균증이었다고 말씀드릴 수 있습니다. 그들은 다르다. 하지만 그것은 의료가 지역적이기 때문입니다.

배포 환경에 따라 알고리즘을 미세 조정해야 합니다. 미국은 물론이고 전 세계를 위한 보편적인 알고리즘은 없을 것입니다. 의료는 지역적입니다. 훈련은 현지에서 미세 조정되어야 합니다.

Michael Krigsman: 모델을 현지화하거나 현지 조건을 반영해야 한다는 매우 도발적인 지적을 하셨습니다.

ShezPartovi: 알고리즘은 미세 조정이 가능하며 우리도 마찬가지입니다. 따라서 모델을 "일반적으로" 훈련하고 미세 조정할 수 있으며, 프로덕션에 들어가기 전에 환경의 백그라운드에 배포한 다음 배포 후에도 훈련을 계속할 수 있습니다.

정의상 구현과 지속적인 사용을 통해 현지화됩니다.

Michael Krigsman: 이러한 모델은 일반적으로 소프트웨어 공급업체, 의료 시스템 또는 Philips와 같은 회사에서 제공됩니까?

Shez Partovi: 위의 모든 모델을 사용할 수 있습니다. 물론 필립스에서도 모델을 개발하는데, 실제로 모델을 넣고 사용할 수 있는 "AIManager"라는 환경이 있습니다.

조직은 자체 모델을 구축하여 AI Manger에 넣어 사용할 수도 있습니다. 현재 이를 실천하는 젊은 기업이 많이 있습니다. 데이터에 접근할 수 있는 회사라면 누구나 좋은 데이터를 활용해 모델을 구축할 수 있다고 생각합니다.

Michael Krigsman: 로컬 모델이 모델 내 편향을 줄이는 방법이라는 말씀이시군요. 제가 올바르게 이해하고 있나요?

Shez Partovi: 예, 훈련 후 편향을 줄이는 데 도움이 되고 검증된 모델이 로컬로 입력되어 사용되기 시작하면 로컬 최적화 및 조정 모델로 간주됩니다.

헬스케어 분야의 데이터와 AI의 미래

Michael Krigsman: 향후 몇 년 안에 데이터와 AI는 어디로 갈까요?

ShezPartovi: 신체 조직과 혈액을 테스트하면 데이터가 생성됩니다. 스트리밍하면 데이터를 얻고 테스트로 알고리즘을 실행할 수 있습니다. 혈액을 채취하고 검사하는 것처럼 의료 시스템의 정맥과 동맥을 통해 데이터가 흐르게 할 수 있습니다. 해당 데이터를 가져와 알고리즘을 적용할 수 있습니다.

임상의는 주문 알고리즘을 테스트로 사용합니다. 예, 항상 실행되는 백그라운드 알고리즘이 있습니다. 그러나 일부 알고리즘에는 많은 컴퓨팅 성능이 필요할 수 있습니다. 이러한 알고리즘은 컴퓨팅 성능을 사용하여 실행하기 때문에 실제로 비용이 많이 들 수 있습니다.

시간이 지남에 따라 임상의는 테스트를 주문하는 것과 같은 방식으로 알고리즘을 주문할 것이라고 생각합니다.

Michael Krigsman: 이 일이 발생하는 데 얼마나 걸릴 것으로 예상하시나요?

Shez Partovi: 5~10년 안에 초기 징후를 볼 수 있을 것 같습니다.

Michael Krigsman: 단순히 수익을 높이는 것이 아니라 환자 치료를 개선하는 데 데이터 과학을 사용하려면 어떻게 해야 할까요? 그리고 기술이 매우 비싸다면 이를 어떻게 고려해야 할까요? 의료 관점에서 품질 개선, 비용 절감, 경험 개선을 위한 ML 기술의 포괄적인 중요성을 살펴봅니다. 실제로 비용은 이러한 요소 중 1/3만을 차지한다는 것을 알 수 있습니다. 비용 절감뿐만 아니라 Triple Aim의 모든 측면에 집중해야 합니다.

앞서 "데이터 과학은 운영 효율성을 향상시키는 데 사용됩니다"라고 말했지만 제 생각에는 어떤 경우에는 운영 효율성을 높이면 진료 제공도 개선되는 것 같습니다. 예를 들어 인력 부족으로 인해 진료 품질이 저하될 수 있기 때문입니다. 이 요소들은 모두 서로 연결되어 있어 별개인 것처럼 보이고 싶지 않습니다.

MichaelKrigsman:

이 변화하는 환경을 바라보는 의료 경영진에게 어떤 조언을 해주실 수 있나요? 그들은 적응해야 한다는 것을 알고 있지만 너무 많은 재정적 압박, 규제 스트레스 및 다양한 종류의 스트레스를 받고 있기 때문에 매우 어렵습니다.

ShezPartovi: 저는 다른 조직과 협력하는 초기 단계에서 이것을 깊이 경험했습니다. 제가 여기서 필립스를 대표하기 때문에 이기적으로 들린다는 것을 알지만, 제가 CMO라면 교육과 기술 향상 등 많은 일을 했을 것입니다.

관리자에게 제가 제안하는 것은 동료들로부터 자신의 문제에 대한 최상의 솔루션을 찾고 기술 파트너를 소개하여 이 파트너와 함께 AI ML이 이 문제에 어떻게 적용될 수 있는지 알아보는 것입니다. 이것이 제가 관리자로서 행동하는 방식입니다.

Michael Krigsman:

이 변화하는 의료 세계에 대해 정책 입안자가 무엇을 알기를 원하십니까?

Shez Partovi: 정책 입안자는 알아야 하고 알아야 합니다. AI와 ML은 Triple Aim을 발전시키는 데 중요한 역할을 합니다. 따라서 제 생각에는 AIML이 품질을 향상시키고 비용을 절감하며 환자와 임상의의 경험을 향상시킬 수 있다고 생각합니다.

정책 입안자는 데이터 과학 채택을 발전시키고 AI 및 ML에 대한 장벽을 제거하는 방법을 살펴봐야 합니다. 그렇게 하는 데 따른 순 효과는 다른 팀이 원하는 것이기 때문입니다. 이 세 가지 목표는 상호 연관되어 있으며 정책을 통해 실천을 어떻게 발전시킬 수 있는지 모색해야 합니다.

위 내용은 데이터 과학과 인공지능이 의료 산업을 어떻게 변화시킬 것인가?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!