S&C: Northwestern Medicine ile Sağlık Hizmetleri için Yapay Zeka Araçlarının Değerlendirilmesi

HEALTHTECH: Northwestern Medicine'de AI çözümlerini nasıl değerlendiriyorsunuz? Nereden başlıyorsunuz?

KOCZKA: Öncelikle, gereksinimlerimizin ve hedeflerimizin ne olduğunu anlamaya, AI'nın değer katabileceği belirli zorlukları veya alanları bulmaya çalışıyoruz. Northwestern Medicine'de odak noktamız üç temel alan: hasta sonuçlarını iyileştirmek, operasyonları kolaylaştırmak ve tanıları geliştirmek. Bu zorlukları ve içindeki alt alanları belirledikten sonra, çözümleri araştırıyoruz ve belirlenen ihtiyaçlarımızla hangilerinin uyumlu olduğunu görmek için mevcut çeşitli AI çözümlerini inceliyoruz.

Northwestern Medicine'de ayrıca kendi AI geliştirme ekiplerimiz de var, bu nedenle herhangi bir harici AI çözümü getirmeden önce ekibimiz, bunun NM'nin halihazırda uyguladığı başka bir şeyle tekrarlayan işlevselliğe sahip bir şey olmadığını değerlendiriyor. Bir çözümün uygun olduğu belirlenirse, veri entegrasyonunun uygulanabilirliğini değerlendiriyor ve gerekli tüm düzenleyici uyumluluğu sağlıyoruz.

Ekibimiz ayrıca personelin AI'yı kullanmasının ne kadar kolay olacağını ve zararlı olabilecek kesintilere neden olmadan mevcut iş akışlarına ne kadar iyi entegre edilebileceğini değerlendirecektir. Ayrıca, beklenen faydalara karşı finansal etkileri anlamamız da önemlidir.

HEALTHTECH: Kuruluşunuz AI ve veri yönetimini nasıl ele alıyor? Ayrı yaklaşımlar mı yoksa bağlantılılar mı?

KOCZKA: Bağlantılılar, ancak AI ve veri yönetimini değerlendiren farklı gruplar. Başlangıçta, AI yönetimini daha teknik bir bakış açısıyla ele alıyoruz. Daha sonra, çözüm bu kontrolleri karşılıyorsa, veri güvenliği ve gizlilik ekiplerimize, mimarimize ve diğer tüm incelemelere geçiyoruz. Bir AI teknolojisine, kuruluşa getirmek istediğimiz herhangi bir yazılım çözümüne yaklaştığımız gibi yaklaşıyoruz.

Yenilik ekibimiz, daha geniş bir dağıtıma izin vermeden önce bu AI çözümlerini daha kontrollü bir alanda pilot uygulama ve test etmek için doğru ortamı bulmaya çalışır. Ayrıca, bu çözümler kuruluş genelinde daha tam olarak dağıtıldığında geri bildirim toplar, izler ve değerlendiririz.

KEŞFEDİN: Sağlık kuruluşları yapay zeka uygulama engellerini nasıl aşabilir?

HEALTHTECH: AI çözüm ortaklarının sağlık deneyimine sahip olması ne kadar önemlidir? Ortaklıklar için kriterleriniz nelerdir?

KOCZKA: Sağlık sektöründe deneyimi olan bir ortak çok önemlidir ve bunun birkaç nedeni olduğunu düşünüyorum. Bunlardan biri sektör bilgisi olabilir: Sağlık sektörü, benzersiz düzenleyici gereklilikler ve iş akışları olan çok karmaşık bir yapıdır. Tedarikçilerin bu karmaşıklıkları anlamaları ve ardından bunları daha etkili bir şekilde ele alan çözümler geliştirmeleri gerekir.

Uyumluluk ve düzenlemelere baktığımızda, HIPAA gibi sektör standartlarımıza aşina olan satıcılar genellikle bu çözümlerin gereksinimleri karşıladığından emin olabilir. Sağlık hizmetleri konusunda uzmanlıkları varsa, ürünlerini mevcut sağlık hizmetleri teknolojileriyle entegre etme konusunda deneyime sahiptirler, bu da teknolojinin daha sorunsuz ve daha hızlı bir şekilde dağıtılmasına yol açar.

Kanıtlanmış başarı da önemli bir faktördür. Bize sağlık hizmetleri bağlamında çözümlerinin etkinliğini ve güvenilirliğini gösteren vaka çalışmaları veya referanslar sağlamalıdırlar. Ayrıca, kullanımımıza göre özelleştirilebilen çözümler de önemlidir.

Ağ oluşturma ve piyasada neler olduğunu duyma yoluyla kilit ortakları belirliyoruz. Ekibimiz HIMSS ve ViVE gibi etkinlikler ve seminerler aracılığıyla bağlantıda kalmaya çalışıyor. Genellikle değerli içgörülere ve pazar araştırmalarına erişime yol açan birçok akran değişimi için minnettarız. Sektör incelemeleri ve takdirler de ekibimizin dikkate aldığı faktörlerdir.

Ekibimiz ayrıca bir ortağın pazarda ne kadar süredir bulunduğunu ve hangi tür diğer sağlık kuruluşlarıyla çalıştığını değerlendirir. Yerleşik endüstri oyuncularından yeni kurulan şirketlere kadar oldukça iyi bir AI çözümleri karışımı getirdiğimizi söyleyebilirim. Pazara ilk giren olmayı veya yeni kurulan şirketlerin ürünlerini ortamımızda oluşturmalarına yardımcı olmayı seviyoruz.

KOCZKA: Northwestern Medicine'de yapımız, çözümleri değerlendiren çapraz işlevli ekiplere sahip olmak ve en baştan itibaren ilgili klinik alanlardan, BT, operasyonlar ve yönetimden temsilciler içeren, çeşitli bakış açılarını ve bilgi paylaşımını teşvik eden bir ekip geliştirmektir. AI çözümünün hedeflerini ve kullanımından etkilenebilecek her departmana veya paydaşa nasıl fayda sağlayacağını açıkça belirtmek esastır.

Bir çözüm getirilirse, bunu oldukça hızlı bir şekilde pilot olarak uygularız ve farklı departmanlardan bu AI çözümünü kontrollü bir ortamda test edecek pilot gruplar oluşturmaya çalışırız. Teknolojiyle ilgili daha fazla uygulamalı deneyime sahip olmak, proje için bu işbirlikçi yapıyı ve süreci oluşturmaya gerçekten yardımcı olur.

Daha sonra ekibimiz pilotların ilerlemeye devam edip etmemeleri veya geri çekilmeleri gerekip gerekmediğini takip edecek. Geri bildirim için açık iletişim için iyi kanallar sunuyoruz, böylece hızlı ayarlamalar yapabiliyoruz. Bu kullanıcıları erken dahil etmek ve gereksinimler ve iş akışları hakkında girdilerini almak önemlidir. Bence uygulamaya çalıştığınız herhangi bir proje gibi.

Beklentimiz, ortaklarımızın teknolojiyi sergilemeleri, AI çözümünün bir görevi nasıl basitleştirebileceğine, verimliliği nasıl artırabileceğine veya hasta sonuçlarını nasıl iyileştirebileceğine dair gerçek dünya örnekleri göstermeleridir. Ayrıca, zamanla daha geniş bir benimseme oluşturmaya yardımcı olduğunu düşündüğüm erken başarıları kutlamak da hayati önem taşımaktadır.

Northwestern Medicine, tüm teknoloji çözümlerini değerlendirmek için sağlam bir yönetici yönetim sürecine sahiptir ve buna AI da dahildir. Yönetici kurulumuz, finans, operasyonlar, BT, uyumluluk ve klinik alanların temsil edildiği çok disiplinlidir. Genellikle paydaş değillerdir ve teknolojiyi kullanabilir veya kullanmayabilirler, ancak çözümlerimizi incelememize ve maliyet-fayda analizini gerçekten anlamamıza yardımcı olurlar. Çözümün stratejik hedeflerimizle nasıl uyumlu olduğuna, operasyonel verimliliği artırıp artırmayacağına ve bunun gibi şeylere bakıyorlar.

Yönetici kısmı sürecimizde biraz daha sonra gelir, çünkü başarılı bir pilot uygulamamız olmayabilir veya kullanıcılar çözümün kendileri için işe yaramayacağına karar verebilir. Bu nedenle, teknolojiyi daha geniş bir şekilde dağıtma talebi varsa yönetici ekibimizi en sona dahil ederiz.

HEALTHTECH: Kullanıcıların endişelerini erken aşamada ele almak isteyen diğer sağlık kuruluşlarına ne gibi tavsiyelerde bulunursunuz?

KOCZKA: Açık iletişim anahtardır. Hedeflerimiz, süreçlerimiz, projenin etkileri konusunda çok şeffaf olmaya çalışıyoruz, paydaşların uygulama boyunca ve teknolojiyi kullanırken ne beklemeleri gerektiğinin farkında olmalarını sağlıyoruz.

Paydaşları projenin başından itibaren dahil ve ilgili tutmak ve kendilerini değerli ve duyulmuş hissettirmek çok önemlidir. Genellikle, projenin büyüklüğüne ve kuruluş genelinde kaç kişinin etkileneceğine bağlı olarak danışma komitelerimiz olur. Bu komiteler sürekli geri bildirim ve rehberlik sağlayabilir.

Eğitim ve öğretim de bir diğer kritik alan olduğundan , yeni teknolojiyi ve faydalarını açıklamak için tedarikçinin kaynaklarını kullanıyoruz ve bunun mevcut iş akışlarıyla nasıl entegre edilebileceğini açıklamak için kendi teknik ve mimari ekiplerimizi dahil ediyoruz.

Ayrıca, AI teknolojisiyle ilgili yanlış anlamaları ele almak önemlidir. Genellikle gerçek dünya örnekleri gösteriyoruz ve AI'nın insan rollerini geliştirmek için tasarlandığını vurguluyoruz. Teknolojiyi ilk kullanan biz değilsek, bu AI'nın diğer kuruluşları nasıl olumlu etkilediğine dair örnekler gösteriyoruz ve bunun hasta bakımı ve operasyonel verimliliklerin iyileştirilmesine nasıl olanak sağladığına odaklanıyoruz.

Daha iyi sağlık sonuçları için verilerden ve yapay zekadan nasıl yararlanabileceğinizi öğrenmek için aşağıdaki pankarta tıklayın .

HEALTHTECH: Sağlık AI alanında hala hangi zorluklar var? Neler iyileşti?

KOCZKA: Veri gizliliğini ve güvenliğini korumak, özellikle klinik alanda büyük bir meseledir. Çok hassas hasta verilerine bakıyoruz ve HIPAA'ya uyumu sağlamamız gerekiyor. Bunlar karmaşık şeyler ama açıkçası başka bir şey yapmadan önce çok önemli.

Veri kalitesi ve standardizasyon bir diğer kalıcı zorluk olmaya devam ediyor. AI teknolojileri etkili öğrenme ve performans için yüksek kaliteli, standardize edilmiş verilere dayanır ve farklı sağlık sistemleri arasında veri formatları ve kalitesindeki tutarsızlıklar AI gelişimini veya çıktısını engelleyebilir. Mevcut teknolojilere entegre etmek de karmaşık ve kaynak yoğun bir iştir, ancak bunu yapmazsanız, özellikle klinik tarafta birlikte çalışabilirlik zorlukları yaşarsınız.

Bu yapay zeka çözümlerinin klinik etkinliğini ve güvenliğini anlamak da önemlidir, bu nedenle sağlam doğrulama çalışmaları ve gerçek dünya kanıtlarının olduğundan emin olmak istiyoruz; ancak bu, açıkçası bu teknolojilerin çoğu için hâlâ önemli bir engeldir.

Önyargıların üstesinden gelmek başka bir konudur. Yapay zeka teknolojilerinin, temsili olmayan veriler üzerinde eğitilmedikleri takdirde mevcut önyargıları sürdürebileceğini veya daha da kötüleştirebileceğini biliyoruz ve bu nedenle kendi yapay zeka teknolojilerimizi geliştirirken hasta tabanımızın çeşitliliği hakkında çok konuşuyoruz, bu da verilerinizin çeşitliliğine yardımcı oluyor ve bu tür sorunları hafifletebiliyor. Harici yapay zeka teknolojilerini getirdiğinizde zor olabilir, çünkü bu algoritmaların nasıl eğitildiğinden her zaman emin olamazsınız ve bakımda eşitsizliklerden kaçınmaya çalışırsınız. Bazen bu, yapay zeka algoritmasını verileriniz üzerinde yeniden eğitmek anlamına gelebilir.

DAHA FAZLASINI ÖNCÜLÜĞE KOYUN: Kuruluşunuz için daha akıllı bir yapay zeka stratejisi oluşturun.

Kullanıcı kabulü ve benimsenmesi hala sorun teşkil ediyor. Birçok sektörde olduğu gibi, bu teknolojileri kullanmaya karşı şüpheci veya dirençli olabilecek profesyonelleriniz olacak. Northwestern Medicine'de, klinik karar vermeyi karmaşıklaştırmak istemediğimiz açık, bu nedenle güven kazanmaya yardımcı olmak için kalite ve klinik doğrulamayı sağlamak başarılı bir benimsemeye yol açacaktır.

Hala düzenleyici belirsizlik olduğunu düşünüyorum. Sağlık hizmetlerinde AI manzarası hala gelişiyor. ABD Gıda ve İlaç Dairesi'nden farklı düzenlemeler çıktığını görüyoruz ve bunlar muhtemelen değişecek. Bu, daha fazla AI çözümünün pazara girmesini ve bu teknolojileri sağlık sistemlerine sokmasını daha da zorlaştırıyor.

Tüm bunları söyledikten sonra, kaliteli verilere daha gelişmiş ve kolay erişim sağlayan kaynak grupları gördüğümüzü düşünüyorum, bu da yapay zeka eğitimini geliştiriyor. Büyük, karmaşık sağlık verisi iş akışlarını analiz edebilen daha sofistike algoritmalara yol açan ilerlemeler var, bu da daha iyi tanı doğruluğu ve öngörü yeteneklerine yol açıyor.

Ayrıca, farklı kuruluşlar arasındaki iş birliğini artıran ve inovasyonu teşvik etmeye yardımcı olan çok sayıda konsorsiyum da var. Bu gruplardan bazıları büyük endüstri oyuncularından çıkıyor veya sağlık hizmeti sağlayıcıları kendi konsorsiyumlarını oluşturuyor.