Bagaimanakah sains data dan kecerdasan buatan akan mengubah industri penjagaan kesihatan?

Sains data, pembelajaran mesin dan kecerdasan buatan mempunyai potensi untuk mengubah industri penjagaan kesihatan dengan cara yang mendalam. Dalam temu bual ini, Dr. Shez Partovi, Ketua Pegawai Perubatan, Inovasi dan Strategi Royal Philips, memperkenalkan kami kepada peranan penting yang dimainkan oleh teknologi ini dalam meningkatkan hasil rawatan pesakit dan mendiagnosis penyakit.

Perbualan itu merangkumi topik berikut:

• Mengenai syarikat teknologi kesihatan Philips.
• Peranan data dalam transformasi penjagaan kesihatan.
• Memikirkan semula keperluan untuk analisis data dalam transformasi penjagaan kesihatan.
• Pengumpulan data dan sumber data dalam transformasi penjagaan kesihatan.
• Menghubungkan aplikasi sains data dalam penjagaan kesihatan kepada hasil pesakit yang lebih baik.
• Cipta insentif untuk perkongsian data dalam penjagaan kesihatan.
• Pilih masalah yang betul untuk diselesaikan dalam sains data.
• Mengelakkan berat sebelah dalam penjagaan kesihatan tertumpu data.
• Kunci pesakit berdasarkan silo data penjagaan kesihatan.
• Siapa yang bertanggungjawab terhadap data yang lemah, algoritma dan hasil pesakit.
• Masa depan data dan kecerdasan buatan dalam penjagaan kesihatan;

Pada Mac 2021, Shez secara rasmi berkhidmat sebagai ketua pegawai inovasi dan strategi Royal Philips, sebuah syarikat teknologi perubatan global terkemuka, bertanggungjawab untuk menerajui Ketua Pejabat Teknologi, Penyelidikan, Platform HealthSuite, Ketua Pejabat Perubatan, Kejuruteraan Produk, Reka Bentuk dan Strategi Pengalaman, dsb. Pada masa yang sama, organisasi Inovasi dan Strategi juga bekerjasama dengan perniagaan dan pasaran yang beroperasi untuk membimbing strategi syarikat untuk memenuhi keperluan pelanggan dan memajukan matlamat pertumbuhan dan keuntungan perniagaan.

Dilaporkan bahawa kerjaya Partovi bermula pada tahun 1998 sebagai pakar neuroradiologi di Institut Neurologi Barrow dan diteruskan dalam amalan klinikal sehingga 2013. Sejak itu, Partovi telah bekerja untuk DignityHealth, sistem perubatan kelima terbesar di Amerika Syarikat, selama 20 tahun Pada 2018, beliau menyertai Amazon sebagai ketua pembangunan perniagaan global untuk penjagaan kesihatan, sains hayat dan peranti perubatan, yang bertanggungjawab untuk pemasaran global Amazon. usaha.

Selain latihan perubatannya di McGill University di Montreal, dia mempunyai ijazah pascasiswazah dalam sains komputer. Beliau membantu mencari Jabatan Informatik Bioperubatan di Arizona State University, di mana beliau berkhidmat sebagai profesor klinikal selama tiga tahun.

Petikan daripada temu bual:

Mengenai syarikat teknologi kesihatan Philips

Michael Krigsman (moderator): Sains data dan kecerdasan buatan sedang mengubah industri penjagaan kesihatan . Sekarang mari kita minta ShezPartovi, ketua pegawai inovasi dan strategi Royal Philips, untuk memberi kami pengenalan ringkas.

ShezPartovi: Tujuh tahun yang lalu, Philips memutuskan untuk melepaskan segala-galanya kecuali penjagaan kesihatan, dan kini ia adalah syarikat teknologi kesihatan sepenuhnya. Walau bagaimanapun, walaupun anda mungkin masih melihat pencahayaan Philips, ia benar-benar hanya disenaraikan untuk pengeluaran. Philips sendiri kini merupakan syarikat teknologi kesihatan 100% yang memfokuskan pada kontinum penjagaan, termasuk di rumah, pesakit luar, pesakit dalam dan banyak lagi.

Jadi, sekarang apabila bercakap mengenai Philips, anggaplah ia sebagai syarikat teknologi kesihatan. Ia adalah syarikat "permulaan" berusia 130 tahun kerana ia hanya benar-benar mengubah dirinya 10 tahun lalu, jadi ia seperti sebuah syarikat "permulaan" berusia 130 tahun.

MichaelKrigsman: Setahu saya, awak seorang doktor. Kini anda ialah ketua pegawai inovasi dan strategi di Philips. Bolehkah anda menerangkan secara ringkas peranan anda, perkara yang anda lakukan dan perkara yang anda fokuskan

ShezPartovi: Saya mempunyai salah satu pekerjaan terbaik di dunia sejak saya memulakan urusan Strategik. Saya dapat bekerjasama dengan pelanggan untuk memahami keperluan mereka yang tidak dipenuhi dan, bermula dari masalah mereka, bekerjasama dengan rakan sekerja untuk membangunkan strategi supaya Philips benar-benar dapat menyelesaikan masalah tersebut untuk mereka. Inilah yang dimaksudkan dengan aspek strategik.

Dan kemudian dari segi inovasi, apabila kami mendengar pendapat dan masalah pelanggan kami, kami perlu jelas tentang cara berinovasi dari perspektif mereka untuk menyelesaikan masalah ini Seluruh komuniti inovasi dalam Philips adalah sebahagian daripadanya? tanggungjawab saya, dan kami Apa yang dilakukannya ialah mendengar keperluan pelanggan, melihat arah aliran pasaran dan kemudian meneroka teknologi yang kami ada atau di luar Philips dan menyepadukannya supaya dapat memenuhi keperluan pelanggan.

Inti kerja ini adalah untuk mendengar pelanggan, mendapatkan isyarat, merangka strategi, dan kemudian menyampaikannya kepada pasukan inovasi: "Bagaimanakah kita secara kreatif memenuhi keperluan pelanggan? Bagaimanakah kita boleh berinovasi daripada perspektif mereka?" Dan kemudian bawa ini bersama anda Amalkan idea anda. Ini adalah pasukan yang saya pimpin, dan saya fikir ia adalah pekerjaan terbaik yang pernah saya miliki.

Peranan data dalam transformasi penjagaan kesihatan

Michael Krigsman: Saya tahu banyak kerja anda tertumpu pada data. Bolehkah anda menerangkan peranannya dalam transformasi penjagaan kesihatan?

ShezPartovi: Kami sedang melakukan banyak penciptaan data dan penjanaan data dalam penjagaan kesihatan sekarang. Sudah tentu, yang sinis akan berkata, "Nah, ya, kebanyakannya hanya untuk bahagian pengebilan."

Walaupun pandangan ini, adalah benar juga bahawa sebahagian besar data kini digital. Contohnya, apabila anda menggunakan papan keratan untuk mengisi kandungan dalam talian, ini bermakna data telah didigitalkan. Mekanisme dan proses pendigitalan tidak semestinya lancar dan tanpa geseran, dan mungkin terdapat banyak tugas yang berulang dan remeh.

Apabila orang bercakap tentang keletihan doktor, pakar perubatan dan keletihan kejururawatan, sebahagian daripada sebabnya ialah semasa kita melakukan transformasi digital, mereka tidak semestinya melakukannya dengan cara tanpa geseran, mereka sering tidak melakukan Aliran Kerja kesedaran dan berulang. Ini bukan proses pendigitalan terbaik.

Dan kemudian kembali kepada isu penciptaan dan penjanaan data, ada yang berpendapat bahawa kami tidak menggunakan data ini secara bermakna dengan cara yang sangat mengejutkan. Kami mungkin mempunyai banyak data tetapi kekurangan wawasan.

A) Kami mencipta data dengan cara yang penuh geseran. B) Malangnya, kami tidak benar-benar mencipta cerapan yang berkuasa daripada data ini. Dari perspektif saya, itulah yang perlu kita usahakan.

Keperluan untuk memikirkan semula analitik data dalam transformasi penjagaan kesihatan

Michael Krigsman: Apakah yang mendorong anda bertanya dua soalan asas di atas?

ShezPartovi: Kami menghadapi beberapa cabaran. Pertama, data yang dijana masih lebih berpusatkan aplikasi, yang bermaksud ia berada dalam silo. Saya masih ingat semasa saya bekerja dalam sistem kesihatan, kami mempunyai kira-kira 1,500 permohonan. Sekarang bayangkan anda sedang mendigitalkan data, dan data itu wujud dalam persekitaran aplikasi, tetapi anda mempunyai 1,500 aplikasi.

Kedua, terdapat kekurangan mobiliti data, yang bermaksud bahawa walaupun anda mempunyai data yang didigitalkan dan disimpan pada cakera, anda tidak semestinya dapat menggabungkannya ke dalam persekitaran dan memperoleh cerapan daripadanya. Dengan begitu banyak persekitaran senyap, kami mempunyai banyak kerja yang perlu dilakukan untuk menyatukan semua data ke dalam konteks yang sama di mana cerapan boleh dijana.

Sudah tentu teknologi juga semakin maju. Philips mempunyai persekitaran yang dipanggil "Suite Kesihatan" yang berkaitan dengan mobiliti data. Ia membawa masuk data daripada ratusan sumber yang berbeza, menggabungkannya, dan kemudian memperoleh cerapan daripadanya.

Inilah yang kami lakukan. Malah, banyak sistem kesihatan kini bergelut dengan menyepadukan data ke dalam persekitaran yang sama.

Pengumpulan data dan penyumberan data dalam transformasi penjagaan kesihatan

Michael Krigsman: Nampaknya mobiliti dan kesalingoperasian data kekal sebagai hambatan dalam banyak bidang aktiviti digital . Adakah begitu?

Shez Partovi: Ya. Malah, anda harus memikirkan kesaling kendalian data sebagai mempunyai dua dimensi: kesaling kendalian sintaksis di mana anda hanya berkongsi data dan kesaling kendalian semantik di mana anda berkongsi makna.

Memang kami masih mempunyai banyak silo data, tetapi tidak dapat dinafikan bahawa kami juga telah mencapai kemajuan yang besar dalam kebolehoperasian data. Apabila lebih banyak kebolehoperasian berlaku, sesetengah organisasi telah mencipta ketidakstabilan, dan dengan itu visi bergerak daripada data kepada maklumat, daripada maklumat kepada pengetahuan, dan daripada pengetahuan kepada pandangan. Di sinilah kecerdasan buatan boleh dimainkan.

Michael Krigsman: Bagaimanakah anda beralih daripada kaya data yang baru anda nyatakan kepada dipacu data?

ShezPartovi: Saya boleh berikan anda contoh Contoh bergerak daripada data kepada maklumat, maklumat kepada pengetahuan, pengetahuan kepada wawasan. Mari kita mulakan dengan satu titik data, seperti glukosa darah. Jika paras gula darah tunggal anda adalah kira-kira 140 miligram setiap desiliter, itu adalah tinggi. Tetapi sebaliknya, adakah kerana orang itu baru makan? Adakah ia gula darah tidak berpuasa? Berguna, tetapi belum bernas.

Tetapi jika apa yang saya beritahu anda adalah trend menaik dalam gula darah, maka ini adalah maklumat. Maklumat adalah trend, dan trend ini semakin meningkat, yang bermaksud mungkin terdapat beberapa masalah dengan badan anda.

Jika kita melihat lebih jauh sejarah pesakit dan memahami bahawa mereka mungkin penghidap diabetes peringkat awal, ini adalah pengetahuan. Tetapi hari ini, untuk mencapai Matlamat Triple—meningkatkan kualiti, mengurangkan kos dan menambah baik pengalaman—dengan cara yang positif, kita perlu memahami perkara yang diperlukan oleh sistem kesihatan, perkara yang diperlukan oleh doktor, doktor, jururawat dan organisasi, dan mereka mahukan lebih daripada sekadar data, maklumat atau pengetahuan.

Mereka ingin menjawab soalan berikut: Seberapa besar kemungkinan pesakit yang anda tunjukkan kepada saya dengan gula darah mereka adalah pradiabetes. Seberapa besar kemungkinan mereka akan mengalami kegagalan jantung kongestif? ? Seberapa besar kemungkinan mereka mengalami ulser kaki diabetik dalam masa dua tahun akan datang

Ramalan seperti ini, wawasan masa depan ini, adalah peluang sebenar. Apabila anda menggabungkan data dan dapat menggunakannya untuk membina model pembelajaran mesin dan menggunakan AI, anda benar-benar menggunakan data untuk memacu cerapan bagi organisasi anda.

Ini adalah urutan utama: Daripada data kepada maklumat kepada pengetahuan kepada pemerhatian dan akhirnya kepada sesuatu yang berkesan untuk saya. Perkhidmatan terbaik yang boleh saya berikan kepada pesakit ini pada masa perkhidmatan ini.

Menghubungkan sains data dalam penjagaan kesihatan kepada hasil pesakit yang lebih baik

Michael Krigsman: Bagaimana anda menghubungkan semua ini kepada hasil pesakit Atau, jika kita Apakah kelebihan mempunyai kebolehoperasian ini? ?

ShezPartovi: Saya akan menguraikan semuanya kepada tiga matlamat yang dinyatakan di atas, iaitu untuk meningkatkan kualiti penjagaan, mengurangkan kos penjagaan dan menambah baik Pakar Klinik atau pesakit pengalaman klinikal atau pengalaman pengguna. Sebagai contoh, mulakan dengan apa yang saya fikir mungkin pengurangan kos yang paling mudah.

Salah satu perkara yang boleh dilakukan menggunakan kecerdasan buatan bersama dengan data ialah membantu dengan apa yang dipanggil ramalan operasi dunia sebenar, seperti, berapa ramai kakitangan yang saya perlukan untuk kakitangan jabatan kecemasan saya pada malam Jumaat depan kadar aliran pesakit? Bolehkah saya meramalkan aliran pesakit yang datang ke hospital supaya saya boleh melaraskan tahap kakitangan Dan dengan cara itu, itu memberi kesan kepada kualiti penjagaan kerana jika anda kekurangan kakitangan, ia akan menjadi satu cabaran? Saiz yang betul mempunyai kesan positif terhadap kos dan kualiti penjagaan.

Sebagai contoh, gunakan aliran ADT (kemasukan, pelepasan, aliran pemindahan) untuk membina model untuk memberikan ramalan aliran pesakit ke hospital, dengan itu membantu anda mencapai kakitangan yang munasabah, yang bukan sahaja akan menjejaskan pengalaman pesakit, Ia juga menjejaskan pengalaman doktor. Kerana jika tenaga kerja tidak mencukupi, sudah pasti ia akan menjejaskan kualiti penjagaan. Inilah yang sedang dilakukan oleh Philips.

Di atas adalah ramalan operasi Mari kita bercakap tentang ramalan klinikal yang dinyatakan sebelum ini. Saya menggunakan diabetes sebagai contoh untuk meramalkan kemungkinan ulser kaki diabetik atau penyakit jantung. Sebenarnya, terdapat banyak contoh ramalan klinikal.

Sebagai contoh, anda boleh menggunakan AI dan pembelajaran mesin untuk membaca imej radiologi untuk mengenal pasti atau meramalkan keabnormalan. Jika algoritma menentukan bahawa imej perlu diproses secepat mungkin kerana kesannya terhadap kualiti penjagaan, pakar radiologi harus menyemaknya dengan segera dan mengambil tindakan proaktif. Daripada menyusun imej mengikut urutan ia diambil, algoritma meletakkan imej dengan anomali terlebih dahulu. Hanya pengesanan dahulu dan rawatan dahulu boleh menghasilkan hasil rawatan yang positif.

Di Philips, ini adalah kes penggunaan AI dan ML yang paling biasa untuk meningkatkan hasil pesakit.

Mewujudkan insentif untuk perkongsian data dalam penjagaan kesihatan

MichaelKrigsman: Sejumlah besar data disimpan dalam sebilangan kecil aplikasi peneraju pasaran. Mengapakah monopoli mempunyai insentif untuk berkongsi data ini, dengan kata lain, tidakkah kuasa pasaran perisian dan infrastruktur akan menjejaskan jenis perkongsian data yang anda huraikan

Shez Partovi: Data tersebut adalah milik sistem kesihatan dan syarikat perisian sebenarnya tidak memilikinya. Sebagai contoh, Philips tidak memiliki data ini, kami pada asasnya hanya pengurus data.

Walau bagaimanapun, saya tahu bahawa terdapat negara di dunia (saya tidak akan menamakan mereka kerana saya tidak mahu mengatakan perkara buruk tentang mereka) di mana syarikat perisian sebenarnya memiliki data ini. Oleh itu, boleh dikatakan hujah anda betul.

Tetapi sekurang-kurangnya di Amerika Syarikat, adalah tidak betul untuk mengatakan "Saya enggan berkongsi data." Peraturan menyekat maklumat akan melarang ini.

Michael Krigsman: Bolehkah anda beritahu kami jenis data yang perlu diagregatkan?

ShezPartovi: Jika anda memikirkan tentang AI dan pembelajaran mesin, klinikal Untuk ramalan dan ramalan operasi, anda perlu bermula dengan masalah untuk memahami data yang diperlukan. Ambil Peta Google, sebagai contoh, jika anda masih ingat, ada masa ia hanya menunjukkan arah anda dan masa berlalu dalam peta haba merah. Kemudian, ia mula menunjukkan masa yang dihabiskan untuk berbasikal, masa yang dihabiskan untuk berjalan kaki, laluan terbaik dan banyak lagi. Bergantung pada ramalan dan nilai yang ingin mereka berikan, mereka mengumpul lebih banyak data.

Sekarang kembali kepada perniagaan itu sendiri, apabila mempertimbangkan data yang perlu dikumpul untuk mencipta model, kita juga perlu bermula dari masalah. Katakan anda ingin meramalkan tempoh penginapan untuk mengekalkan skala penjagaan yang sesuai dan cekap. Maka semua yang anda mungkin perlukan ialah aliran ADT untuk meramalkan masa tinggal. Sebaliknya, jika anda cuba meramalkan sama ada seseorang itu menghidap penyakit tertentu atau kanser tertentu, anda mungkin memerlukan data pengimejan, nilai darah, EHR (data rekod kesihatan elektronik).

Ringkasnya, anda perlu bermula dengan penyataan masalah, memahami perkara yang anda cuba ramalkan dan alat yang anda ingin sediakan kepada doktor atau pasukan operasi, dan kemudian bekerja ke belakang untuk melihat data yang anda perlukan untuk membina ini untuk Anda sediakan model ramalan.

Memilih masalah yang betul untuk diselesaikan dalam sains data

Michael Krigsman: Bagaimanakah anda memastikan anda memilih masalah yang betul untuk diselesaikan?

Shez Partovi: Setiap organisasi sama ada mempunyai orang operasi yang cuba menyelesaikan masalah operasi, atau mungkin pasukan yang kurus. Pasukan kurus sangat popular suatu ketika dahulu. Sekarang ada pasukan transformasi.

Walaupun berbeza nama, mereka berdua mencari-cari masalah yang perlu diselesaikan. Dan sudah tentu terdapat pasukan kecemerlangan klinikal dan pasukan kecemerlangan operasi. Walau bagaimanapun, mereka mungkin dipanggil perkara yang berbeza dalam organisasi anda.

Jika anda menghadiri mesyuarat jawatankuasa pemandu mereka, anda akan mendapati bahawa mereka mungkin tahu masalah yang perlu mereka selesaikan dan sakit kepala yang mereka alami. Sebenarnya, inilah yang pelanggan beritahu mereka. Jadi, saya akan mengesyorkan bermula dengan pasukan ini yang sudah menjalankan program, sebagai contoh, ketua pegawai jururawat atau ketua pegawai perubatan menjalankan program kecemerlangan klinikal, ketua pegawai operasi menjalankan program kurus operasi atau program kecemerlangan. Mereka cuba menyelesaikan beberapa cabaran. Jadi mereka mempunyai data untuk membina model pembelajaran mesin sebagai alat untuk menyelesaikan masalah ini.

Saya akan mengatakan bahawa jika saya seorang ketua pegawai pemasaran (CMO) di sistem kesihatan, saya pastinya akan mempunyai banyak masalah untuk diselesaikan, tetapi saya akan mulakan dengan yang sudah dikaji. Juga, pertimbangkan untuk menggunakan AI dan ML sebagai alat untuk pasukan ini.

Mengelakkan Bias dalam Penjagaan Kesihatan Berpusatkan Data

Michael Krigsman: Dengan kata lain, atasi masalah praktikal segera yang mungkin anda hadapi, sama ada secara klinikal Atau pembedahan. Betul?

ShezPartovi: Sudah tentu. Maksud saya sekarang saya sangat praktikal. Ia mungkin sejajar dengan KPI organisasi, sejajar dengan KPI pasukan. Itu benar-benar tempat yang paling mudah, paling langsung untuk bermula, dengan perkara ini.

🎜>ShezPartovi:

Pertama sekali, sudah tentu anda perlu mendigitalkan data. Apabila ia datang kepada data, terdapat tiga Vs: volum, variasi dan kebenaran. Untuk benar-benar mencipta model yang berfungsi sebagai alat pemuliharaan, anda perlu melaksanakan kualiti ini. Kerana skala besar membantu menghapuskan kepelbagaian mewujudkan model pembelajaran mesin yang lebih baik memulihkan kebenaran data. Ini adalah langkah pertama. Seterusnya, anda perlu benar-benar melatih model, anda perlu melabelkan data, dan mengesahkan model. Selain itu, anda perlu memutuskan sama ada untuk memohon semakan FDA (seperti yang dilakukan oleh Philip, anda bukan sahaja perlu mengesahkannya, tetapi anda juga perlu memenuhi keperluan tertentu).

Menjalankan kajian hasil untuk membuktikan perkara ini berlaku. Sekali lagi, ini lebih kepada pihak pembekal. Secara dalaman, untuk operasi, anda tidak perlu berbuat demikian. Data (pembesaran, kepelbagaian, keaslian), pelabelan, pembelajaran mesin, pemodelan, ujian dan pengesahan, dsb., semua aktiviti ini memerlukan organisasi bekerjasama dengan syarikat teknologi kesihatan. Untuk beberapa pusat perubatan akademik yang kompleks, mereka juga akan menghubungi universiti untuk mencari bakat yang mereka perlukan untuk membantu.

Apabila anda bertanya kepada saya apakah halangannya, ia bergantung pada sama ada anda melaksanakan alatan yang mungkin anda perolehi daripada Philips, atau jika anda mahu membinanya sendiri. Dalam kes itu, anda mungkin bekerjasama dengan syarikat teknologi kesihatan yang boleh membantu anda, atau beberapa jenis syarikat yang boleh membantu anda, atau anda mungkin memutuskan untuk membina keupayaan dalaman untuk melakukannya.

Alat ada. Tetapi menyatukan semuanya memerlukan kecekapan, latihan dan peningkatan kemahiran. Jadi anda sama ada membinanya secara dalaman atau bekerjasama dengan rakan kongsi anda.

Michael Krigsman:

Bagaimana sesebuah organisasi boleh mencipta pandangan seluruh perusahaan apabila data datang daripada pelbagai sistem rekod Lagipun, ia datang daripada vendor perisian yang berbeza dan pada asasnya adalah sistem yang berbeza?

ShezPartovi:

Anda mahu data anda berada dalam persekitaran yang kesemuanya disatukan. Secara teknikal, sekurang-kurangnya, anda perlu mempertimbangkan bahawa anda memerlukan kawasan pegangan, memanggilnya "tasik data", atau apa sahaja yang anda mahu memanggilnya, ruang data yang sihat. Penyoal menyebut isu visualisasi, yang saya rasa penting. Di atas saya bercakap tentang data, maklumat, pengetahuan dan cerapan, dan jika anda masih ingat, visualisasi ialah istilah yang saya gunakan untuk menukar data kepada maklumat.

Orang ramai cenderung untuk mengaitkan visualisasi dengan "menunjukkan papan pemuka dan carta". Tetapi saya fikir perkara yang lebih berkuasa, dan mungkin apa yang dibayangkan dalam soalan itu, ialah bagaimana saya boleh mencipta cerapan daripada data ini, yang boleh memperoleh ROI yang lebih tinggi daripada visualisasi mudah. Ngomong-ngomong, saya fikir anda memerlukan sejenis persekitaran tasik data, sebaik-baiknya dalam awan, kerana jika anda akan menjalankan model pembelajaran mesin, anda tidak mahu membeli GPU mahal yang duduk di pusat data dan hanya gunakannya selama setengah jam sehari dan biarkan 23.5 jam melahu. Anda boleh menggunakan awan dan membayar berdasarkan apa yang anda gunakan. Dalam awan, anda boleh menggunakan set latihan model pembelajaran mesin yang paling kompleks, teknik latihan dan hanya membayar untuk apa yang anda gunakan. Jika anda cuba membinanya di pusat data anda sendiri, anda akan membayar banyak untuk sesuatu yang anda hanya gunakan sebahagian kecil daripada masa. Jangan sekali-kali berbuat demikian.

Kunci Pesakit Berdasarkan Silo Data Penjagaan Kesihatan

Michael Krigsman: Beritahu anda sedikit cerita tentang saya secara peribadi, saya tidak akan menamakan sistem penjagaan kesihatan tertentu, tetapi saya akan tetap menggunakan mereka. Terdapat banyak sebab, salah satunya ialah mereka hebat, doktor yang hebat, dll. Tetapi ia juga mempunyai kunci maklumat, dan jika saya meninggalkan sistem mereka, doktor akan menghantar pemberitahuan kepada saya. Bukankah kunci masuk maklumat yang wujud ini akan memudaratkan perkongsian data yang anda huraikan?

ShezPartovi: Ini pasti akan menyukarkan perkongsian data. Walau bagaimanapun, banyak organisasi cuba beralih daripada status quo ini. Sebagai contoh, rakan kongsi kami di University of California, San Francisco (UCSF) menggunakan persekitaran kongsi biasa yang saya nyatakan di atas dan mereka sebenarnya mengambil data daripada amalan di luar persekitaran UCSF dan cuba mencipta pandangan holistik yang membolehkan pesakit Bergerak antara amalan menjadi mudah dan mudah, begitu juga perkongsian maklumat.

Siapa yang bertanggungjawab terhadap data yang buruk, algoritma dan hasil pesakit

Michael Krigsman: Jika terdapat data yang tidak baik, algoritma yang tidak baik dan ramalan yang tidak baik yang dibuat sebagai hasilnya, Siapa yang bertanggungjawab?

Shez Partovi: Di Philips kami terus percaya bahawa ini adalah alat untuk membantu doktor membuat keputusan, tetapi akhirnya anda mahu membenarkan doktor menjadi pembuat keputusan muktamad.

Berbalik kepada persoalan itu sendiri, pertama sekali, secara falsafah, sekurang-kurangnya dari perspektif kami, kami sedang melihat cara mencipta alat yang telus, tidak berat sebelah dan menambah baik pengalaman, yang juga boleh membantu doktor menyelesaikan Mereka berfungsi seperti ujian darah atau ujian lain.

Dengan cara ini, positif palsu atau negatif palsu boleh didapati dengan sebarang ujian. Pakar klinik membuat keputusan berdasarkan pengesahan dan pertimbangan komprehensif mereka, tidak seperti algoritma yang mendiagnosis diri mereka sendiri. Sama ada data, algoritma atau ramalan, ia hanyalah alat untuk membantu doktor membuat keputusan.

Kemudian, apabila bercakap tentang bias data, saya akan menambah 1V, pengesahan (pengesahan) kepada 3V sebelumnya (Kepelbagaian, Kepelbagaian dan Ketulenan). Sudah tentu, proses mencipta algoritma melibatkan massifikasi, kepelbagaian, ketulenan, dan kemudian pengesahan ini.

Hakikat bahawa sebagai doktor kita semua melihat penjagaan kesihatan sebagai penjagaan kesihatan tempatan bermakna penyakit yang endemik di satu kawasan mungkin tidak endemik di kawasan lain. Saya telah berlatih di Kanada dan Amerika Syarikat. Saya boleh memberitahu anda bahawa x-ray dada tertentu di Kanada adalah batuk kering, dan penemuan yang sama yang saya alami semasa latihan di Amerika Syarikat ialah pneumococcidioidomycosis. Mereka berbeza. Tetapi itu kerana penjagaan kesihatan adalah tempatan.

Algoritma perlu diperhalusi mengikut persekitaran penggunaan. Tidak akan ada algoritma universal untuk dunia, apatah lagi Amerika Syarikat. Penjagaan kesihatan adalah tempatan. Latihan perlu diperhalusi secara tempatan.

Michael Krigsman: Anda membuat perkara yang sangat provokatif bahawa model perlu disetempatkan atau mencerminkan keadaan setempat. Siapa yang harus bertanggungjawab untuk mencipta model ini?

ShezPartovi: Algoritma boleh diperhalusi - dan kami melakukannya. Oleh itu, model boleh dilatih dan diperhalusi "secara amnya" atau bahkan digunakan di latar belakang dalam persekitaran sebelum memasuki pengeluaran, dan kemudian meneruskan latihan selepas penggunaan.

Secara takrifan, ia menjadi setempat melalui pelaksanaan dan penggunaan berterusannya.

Michael Krigsman: Adakah model ini biasanya disediakan oleh vendor perisian, sistem penjagaan kesihatan atau syarikat seperti Philips. Siapakah yang akan menyediakan model ini? :

Semua di atas boleh didapati. Sudah tentu, Philips juga membangunkan model, dan kami sebenarnya mempunyai persekitaran yang dipanggil "AIManager" di mana anda boleh meletakkan model kami dan menggunakannya.

Organisasi juga boleh membina model mereka sendiri dan meletakkannya ke dalam AI Manger untuk digunakan. Pada masa ini, terdapat banyak syarikat muda yang melakukan ini. Saya fikir mana-mana syarikat yang mempunyai akses kepada data boleh menggunakan data yang baik untuk membina model.

Michael Krigsman:

Maksud anda model tempatan adalah satu cara untuk mengurangkan berat sebelah dalaman model, adakah saya memahaminya dengan betul?

Shez Partovi :

Ya, ia membantu mengurangkan berat sebelah Selepas model terlatih dan disahkan memasuki tempatan dan mula digunakan, ia dianggap sebagai model pengoptimuman dan pelarasan tempatan.

Masa depan data dan AI dalam penjagaan kesihatan

Michael Krigsman:

Ke mana perginya data dan AI dalam penjagaan kesihatan dalam beberapa tahun akan datang ?

ShezPartovi:

Apabila anda mengambil beberapa tisu badan atau darah untuk ujian, aliran data akan dihasilkan Anda boleh mendapatkan data dan menjalankan algoritma padanya sebagai ujian. Sama seperti anda mengambil darah dan menguji darah, anda boleh mempunyai data anda mengalir melalui urat dan arteri sistem kesihatan. Anda boleh mengambil data itu dan menggunakan algoritma padanya.

Para doktor menggunakan algoritma pesanan sebagai ujian. Ya, terdapat algoritma latar belakang yang sentiasa berjalan. Tetapi sesetengah algoritma mungkin memerlukan banyak kuasa pengkomputeran. Algoritma sedemikian sebenarnya boleh menyebabkan kos wang anda kerana anda menggunakan kuasa pengkomputeran untuk menjalankannya.

Saya rasa lama kelamaan, doktor akan memesan algoritma dengan cara yang sama mereka memesan ujian.

Michael Krigsman: Berapa lama anda meramalkan perkara ini akan berlaku?

Shez Partovi: Saya rasa kita mungkin melihat beberapa tanda awal dalam lima kepada sepuluh tahun.

Michael Krigsman: Bagaimanakah kami memastikan bahawa sains data digunakan untuk meningkatkan penjagaan pesakit, bukan hanya meningkatkan keuntungan Dan teknologi adalah sangat mahal, bagaimana perlu dipertimbangkan? 🎜>

ShezPartovi:

Orang ramai harus melihat dengan betul kepentingan komprehensif teknologi AI dan ML dalam penjagaan kesihatan untuk meningkatkan kualiti, mengurangkan kos dan menambah baik pengalaman. Malah, dapat dilihat bahawa kos menyumbang hanya satu pertiga daripada faktor ini. Kita harus menumpukan pada semua aspek Matlamat Triple, bukan hanya pengurangan kos. Saya pernah mengatakan sebelum ini bahawa "sains data digunakan untuk meningkatkan kecekapan operasi", tetapi pada pendapat saya, dalam beberapa kes, meningkatkan kecekapan operasi adalah untuk meningkatkan perkhidmatan penjagaan, kerana sebagai contoh, kekurangan kakitangan boleh menyebabkan kualiti yang tidak baik . Faktor-faktor ini semuanya terikat dan saya tidak mahu ia kelihatan seperti ia berasingan.

MichaelKrigsman:

Apakah nasihat anda untuk pengurus penjagaan kesihatan yang melihat persekitaran yang berubah ini, mereka tahu bahawa mereka perlu menyesuaikan diri, tetapi ia akan menjadi sangat sukar untuk mereka kerana mereka bertahan tekanan kewangan, tekanan peraturan, semua jenis tekanan yang berbeza.

ShezPartovi:

Saya telah mengalami perkara ini dalam kerja awal saya dengan organisasi lain. Saya tahu ia terdengar mementingkan diri sendiri kerana saya mewakili Philips di sini, tetapi jika saya menjadi CMO, saya akan melakukan latihan dan peningkatan kemahiran dan banyak perkara lain. Cadangan saya kepada pentadbir adalah untuk mencari penyelesaian terbaik daripada rakan sebaya untuk masalah mereka sendiri dan memperkenalkan rakan kongsi teknologi untuk melihat cara AI ML boleh digunakan untuk masalah ini bersama rakan kongsi ini. Beginilah saya berkelakuan sebagai pentadbir.

Michael Krigsman:

Apakah yang anda mahu penggubal dasar faham tentang perubahan dunia penjagaan kesihatan ini?

Shez Partovi:

Penggubal dasar harus dan perlu tahu . AI dan ML memainkan peranan penting dalam memajukan Triple Aim. Jadi, pada pendapat saya, pada zaman ini, AIML boleh meningkatkan kualiti, mengurangkan kos, dan meningkatkan pengalaman untuk pesakit dan doktor. Penggubal dasar harus melihat cara memajukan penerimaan sains data dan menghapuskan halangan kepada AI dan ML, kerana kesan bersih daripada berbuat demikian adalah apa yang pasukan lain inginkan. Ketiga-tiga matlamat ini saling berkaitan, dan kita harus memikirkan cara untuk memajukan amalan melalui dasar.

Atas ialah kandungan terperinci Bagaimanakah sains data dan kecerdasan buatan akan mengubah industri penjagaan kesihatan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!