La science des données, l'apprentissage automatique et l'intelligence artificielle ont le potentiel de transformer en profondeur le secteur de la santé. Dans cette interview, le Dr Shez Partovi, directeur médical, innovation et stratégie de Royal Philips, nous a présenté le rôle important que jouent ces technologies dans l'amélioration des résultats du traitement des patients et le diagnostic des maladies.
La conversation comprenait les sujets suivants :
En mars 2021, Shez a officiellement occupé le poste de directeur de l'innovation et de la stratégie de Royal Philips, une entreprise mondiale de technologie médicale de premier plan, chargée de diriger le bureau en chef de la technologie, de la recherche, Plateforme HealthSuite, cabinets médicaux en chef, ingénierie de produits, conception et stratégie d'expérience, et bien plus encore. Dans le même temps, l'organisation Innovation et Stratégie travaille également avec les entreprises opérationnelles et les marchés pour guider la stratégie de l'entreprise afin de répondre aux besoins des clients et de faire progresser les objectifs de croissance et de rentabilité de l'entreprise.
Il est rapporté que la carrière de Partovi a commencé en 1998 en tant que neuroradiologue au Barrow Neurological Institute et s'est poursuivie en pratique clinique jusqu'en 2013. Depuis lors, Partovi a travaillé pendant 20 ans pour DignityHealth, le cinquième plus grand système médical aux États-Unis. Il a rejoint Amazon en 2018 et a occupé le poste de responsable mondial du développement commercial pour les soins de santé, les sciences de la vie et les dispositifs médicaux, responsable du développement mondial d'Amazon. efforts de commercialisation.
En plus de sa formation médicale à l'Université McGill à Montréal, il possède également un diplôme de troisième cycle en informatique. Il a contribué à la création du département d’informatique biomédicale de l’Arizona State University, où il a été professeur clinicien pendant trois ans.
Michael Krigsman (hôte) : La science des données et l'intelligence artificielle transforment le secteur de la santé. Demandons maintenant à ShezPartovi, directeur de l'innovation et de la stratégie de Royal Philips, de nous faire une brève introduction.
SherPartovi : Il y a sept ans, Philips a décidé de se départir de toutes ses activités, à l'exception de la santé, et est désormais entièrement une entreprise de technologie de la santé. Cela dit, même si vous voyez toujours l’éclairage Philips, il est en réalité simplement répertorié pour la production. Philips elle-même est désormais une entreprise de technologie de la santé à 100 % axée sur le continuum de soins, y compris à domicile, en ambulatoire, en hospitalisation et plus encore.
Donc, quand il s'agit de Philips, considérez-le comme une entreprise de technologie de la santé. C'est une "startup" vieille de 130 ans car elle ne s'est vraiment transformée qu'il y a 10 ans, c'est donc comme une start-up de 130 ans.
MichaelKrigsman : Pour autant que je sache, vous êtes médecin. Vous êtes désormais directeur de l'innovation et de la stratégie chez Philips. Pouvez-vous décrire brièvement votre rôle, ce que vous faites et sur quoi vous vous concentrez ?
SherPartovi : J'ai l'un des meilleurs emplois au monde parce que j'ai commencé à travailler sur la stratégie. Je travaille avec les clients pour comprendre leurs besoins non satisfaits et, en partant de leurs problèmes, je travaille avec des collègues pour développer des stratégies afin que Philips puisse réellement résoudre ces problèmes à leur place. C’est ce que signifie l’aspect stratégique.
Et puis en termes d'innovation, lorsque nous écoutons nos clients et leurs problèmes, nous devons être clairs sur la manière d'innover de leur point de vue pour résoudre ces problèmes. L'ensemble de la communauté de l'innovation au sein de Philips fait partie de mon rôle et de ce que nous faisons ? Ce que nous faisons, c'est écouter les besoins des clients, observer les tendances du marché, puis explorer les technologies dont nous disposons ou en dehors de Philips et les intégrer pour pouvoir répondre aux besoins des clients.
Le cœur de ce travail est d'écouter les clients, d'obtenir des signaux, de formuler des stratégies, puis de les communiquer à l'équipe d'innovation : « Comment pouvons-nous répondre de manière créative aux besoins des clients ? Comment pouvons-nous innover de leur point de vue ? propositions en pratique. C’est l’équipe que je dirige et je pense que c’est le meilleur travail que j’ai jamais eu.
Michael Krigsman : Je sais qu'une grande partie de votre travail est axée sur les données. Pouvez-vous expliquer son rôle dans la transformation des soins de santé ?
SherPartovi : Nous effectuons actuellement beaucoup de création et de génération de données dans le domaine des soins de santé. Bien sûr, les cyniques diront : "Eh bien, oui, la plupart de cela est juste pour la facturation
."Malgré cet avis, il est également vrai que la grande majorité des données sont désormais numériques. Par exemple, lorsque vous utilisez un presse-papiers pour remplir du contenu en ligne, cela signifie que les données ont été numérisées. Les mécanismes et processus de numérisation ne sont pas nécessairement fluides et fluides, et de nombreuses tâches peuvent être répétitives et triviales.
Lorsque les gens parlent d'épuisement professionnel des cliniciens, des médecins et des infirmiers, cela s'explique en partie par le fait que même si nous effectuons des transformations numériques, ils ne le font pas nécessairement de manière fluide, ils ont tendance à n'avoir aucune conscience du flux de travail. répétitif. Ce n’est pas le meilleur processus de numérisation.
Et puis, pour en revenir à la question de la création et de la génération de données, certains diraient que nous n'utilisons pas ces données de manière significative et d'une manière très surprenante. Nous disposons peut-être d’une richesse de données mais d’un manque de connaissances.
A) Nous créons des données de manière remplie de frictions. B) Malheureusement, nous ne créons pas vraiment d'informations puissantes à partir de ces données. De mon point de vue, c'est sur cela que nous devons travailler.
Michael Krigsman : Qu'est-ce qui vous a amené à poser les deux questions fondamentales ci-dessus
ShezPartovi : Nous sommes confrontés à certains défis ? Premièrement, les données générées sont encore plus centrées sur les applications, ce qui signifie qu’elles sont cloisonnées. Je me souviens que lorsque je travaillais dans le système de santé, nous recevions environ 1 500 demandes. Imaginez maintenant que vous numérisez des données et que ces données existent dans un environnement d'application, mais que vous disposez de 1 500 applications.
Deuxièmement, il y a un manque de mobilité des données, ce qui signifie que même si vous avez numérisé les données et les avez stockées sur disque, vous n'êtes pas nécessairement en mesure de les combiner dans un environnement et d'en tirer des enseignements. Avec autant d’environnements cloisonnés, nous avons beaucoup de travail à faire pour rassembler toutes les données dans un contexte commun à partir duquel des informations peuvent être générées.
Bien sûr, la technologie progresse également. Philips dispose d'un environnement appelé « Health Suite » qui est lié à la mobilité des données. Il rassemble des données provenant de centaines de sources différentes, les combine, puis en tire des informations.
C'est ce que nous faisons. En fait, de nombreux systèmes de santé ont actuellement du mal à intégrer les données dans un environnement commun.
Michael Krigsman : Il semble que la mobilité et l'interopérabilité des données restent des goulots d'étranglement dans de nombreux domaines d'activité numérique. Est-ce vrai ?
Sher Partovi :Oui. En fait, vous devez considérer l’interopérabilité des données comme deux dimensions : l’interopérabilité syntaxique où vous partagez simplement des données, et l’interopérabilité sémantique où vous partagez du sens.
C’est vrai que nous avons encore beaucoup de silos de données, mais il est indéniable que nous avons également fait de grands progrès en matière d’interopérabilité des données. À mesure que l’interopérabilité se développe, certaines organisations ont créé de la fluidité, et avec elle la vision de passer des données aux informations, de l’information aux connaissances et des connaissances aux idées. C’est là que l’intelligence artificielle peut entrer en jeu.
Michael Krigsman : Comment passer d'une approche riche en données que vous venez de décrire à une approche basée sur les données
SherPartovi : Je peux vous donner un exemple pour passer des données à l'information, de l'information à la connaissance, de la connaissance à l'insight ? . Commençons par un seul point de données, tel que la glycémie. Si votre taux de sucre dans le sang est d’environ 140 milligrammes par décilitre, c’est élevé. Mais d’un autre côté, est-ce parce que cette personne vient de manger ? Est-ce une glycémie à jeun ? Utile, mais pas encore perspicace.
Mais si ce que je vous dis est la tendance à la hausse de la glycémie, alors c'est une information. L'information est une tendance, et cette tendance est à la hausse, ce qui signifie qu'il peut y avoir des problèmes avec votre corps.
Si nous examinons plus en détail l’histoire du patient et comprenons qu’il peut s’agir d’un diabète à un stade précoce, c’est une connaissance. Mais aujourd’hui, pour atteindre le triple objectif – améliorer la qualité, réduire les coûts et améliorer l’expérience – de manière positive, nous devons comprendre ce dont les systèmes de santé ont besoin, ce dont ont besoin les cliniciens, les médecins, les infirmières et les organisations, et ils veulent plus que simplement données, informations ou connaissances.
Ils veulent répondre aux questions suivantes : Quelle est la probabilité que ce patient que vous m'avez montré soit pré-diabétique en raison de sa glycémie ? Quelle est la probabilité qu'il développe une insuffisance cardiaque congestive au cours des 18 prochains mois ? Quelle est la probabilité de développer un ulcère du pied diabétique au cours des deux prochaines années ?
Ce genre de prédiction, cet aperçu de l'avenir, est la véritable opportunité. Lorsque vous rassemblez des données et êtes en mesure de les utiliser pour créer des modèles d'apprentissage automatique et utiliser l'IA, vous utilisez véritablement les données pour générer des informations pour votre organisation.
Voici le fil conducteur : Des données à l'information, à la connaissance, à l'observation et enfin à quelque chose qui fonctionne pour moi. Le meilleur service que je puisse offrir à ce patient à ce stade du service.
Michael Krigsman : Comment relier tout cela aux résultats pour les patients Ou quels sont les avantages si nous avons cette interopérabilité
SherPartovi : Je résumerais tout à cela ? le triple objectif évoqué ci-dessus, qui est d’améliorer la qualité des soins, de réduire le coût des soins et d’améliorer l’expérience clinique ou l’expérience consommateur des cliniciens ou des patients. Par exemple, commencez par ce que je pense être probablement la réduction de coûts la plus simple.
L'une des choses que l'utilisation de l'intelligence artificielle en conjonction avec les données peut faire est de faciliter ce que l'on appelle les prédictions opérationnelles du monde réel, par exemple, de combien d'employés ai-je besoin pour doter mon service d'urgence vendredi soir prochain ? Puis-je prédire le flux de patients entrants à l'hôpital afin que vous puissiez ajuster les niveaux de personnel. Et en passant, cela a un impact sur la qualité des soins, car si vous manquez de personnel, cela va être un défi. Le dimensionnement adéquat a un impact positif à la fois sur le coût et sur la qualité des soins.
Par exemple, utilisez le flux ADT (flux d'admission, de sortie, de transfert) pour créer un modèle permettant de fournir des prévisions sur le flux de patients entrant à l'hôpital, vous aidant ainsi à atteindre un personnel raisonnable, ce qui affectera non seulement l'expérience du patient, mais affectera également les résultats cliniques. Expérience du médecin. Car s’il n’y a pas suffisamment de main d’œuvre, cela affectera sans doute la qualité des soins. C'est exactement ce que fait actuellement Philips.
Ce qui précède est la prévision opérationnelle. Parlons de la prévision clinique mentionnée précédemment. J'utilise le diabète comme exemple pour prédire la probabilité d'ulcères du pied diabétique ou de maladie cardiaque. En fait, il existe de nombreux exemples de prédiction clinique.
Par exemple, vous pouvez utiliser l'IA et l'apprentissage automatique pour lire des images radiologiques afin d'identifier ou de prédire des anomalies. Si l’algorithme détermine qu’une image doit être traitée le plus rapidement possible en raison de son impact sur la qualité des soins, les radiologues doivent l’examiner immédiatement et prendre des mesures proactives. Plutôt que de classer les images dans l’ordre dans lequel elles ont été prises, l’algorithme place en premier les images présentant des anomalies. Seules la détection et le traitement préalables peuvent produire des résultats thérapeutiques positifs.
Chez Philips, ce sont les cas d'utilisation les plus courants de l'IA et du ML pour améliorer les résultats pour les patients.
Michael Krigsman : D'énormes quantités de données sont conservées dans un très petit nombre d'applications leaders du marché. Pourquoi un monopole serait-il incité à partager ces données ? En d'autres termes, le pouvoir de marché des logiciels et des infrastructures n'affecterait-il pas le type de partage de données que vous décrivez ? les entreprises ne possèdent pas réellement les données. Par exemple, Philips ne possède pas ces données, nous ne sommes essentiellement que des gestionnaires de données.
Cependant, je sais qu’il existe des pays dans le monde (je ne les nommerai pas car je ne veux pas dire du mal à leur sujet) où les éditeurs de logiciels possèdent réellement ces données. On peut donc dire que votre argument est correct. Mais au moins aux États-Unis, il n’est pas correct de dire « Je refuse de partager des données ». Les règles de blocage des informations l'interdiront.
Michael Krigsman :Pouvez-vous nous indiquer le type de données qui doivent être agrégées ?
SherPartovi : Si vous pensez à l'IA et à l'apprentissage automatique, aux prévisions cliniques et aux prévisions opérationnelles, vous devez commencer par le problème. pour comprendre quelles données sont nécessaires. Prenez Google Maps, par exemple, si vous vous en souvenez, il fut un temps où il vous montrait simplement les directions et les temps écoulés avec une carte thermique rouge. Plus tard, il a commencé à afficher le temps passé à faire du vélo, le temps passé à marcher, les meilleurs itinéraires, etc. En fonction des prédictions et de la valeur qu’ils souhaitent apporter, ils collectent de plus en plus de données.
Revenons maintenant à l'entreprise elle-même, lorsque nous réfléchissons aux données qui doivent être collectées pour créer un modèle, nous devons également partir du problème. Supposons que vous souhaitiez prédire la durée du séjour afin de maintenir une échelle de soins appropriée et efficace. Ensuite, tout ce dont vous avez probablement besoin est un flux ADT pour prédire le temps de séjour. D'un autre côté, si vous essayez de prédire si une personne souffre d'une maladie spécifique ou d'un cancer spécifique, vous aurez peut-être besoin d'imagerie, de valeurs sanguines et de données DSE (données de dossier de santé électronique). En résumé, vous devez commencer par un énoncé du problème, comprendre ce que vous essayez de prédire et les outils que vous souhaitez fournir aux cliniciens ou aux équipes opérationnelles, puis travailler à rebours pour voir de quelles données vous avez besoin pour construire le type de prédiction. cela vous donne un modèle.
Choisir le bon problème à résoudre en science des données
Michael Krigsman :Sher Partovi : Chaque organisation a soit des personnes opérationnelles qui tentent de résoudre des problèmes opérationnels, soit Il peut y avoir une équipe réduite. Il y a quelque temps, les équipes Lean étaient très populaires. Il existe désormais une équipe de transformation.
Bien qu'ils portent des noms différents, ils recherchent tous les deux des problèmes à résoudre. Et bien sûr, il y a l’équipe d’excellence clinique et l’équipe d’excellence opérationnelle. Cependant, ils peuvent être appelés différemment dans votre organisation. Si vous assistez aux réunions de leur comité de pilotage, vous constaterez qu'ils connaissent probablement les problèmes qu'ils doivent résoudre et les maux de tête qu'ils ont. En fait, c’est ce que leur disent les clients. Je recommanderais donc de commencer par ces équipes qui exécutent déjà des programmes, par exemple, le chef des soins infirmiers ou le médecin-chef dirige un programme d'excellence clinique ; le chef des opérations dirige un programme opérationnel Lean ou un programme d'excellence. Ils tentent de résoudre certains problèmes. Ils disposent donc des données nécessaires pour créer des modèles d’apprentissage automatique comme outils permettant de résoudre ces problèmes. Je dirais que si j'étais le directeur marketing (CMO) d'un système de santé, j'aurais certainement de nombreux problèmes à résoudre, mais je commencerais par ceux qui sont déjà à l'étude. Pensez également à utiliser l’IA et le ML comme outils pour ces équipes. Michael Krigsman : En d'autres termes, résoudre les problèmes pratiques immédiats auxquels vous pourriez être confronté, qu'ils soient cliniques ou chirurgicaux. N'est-ce pas ? SherPartovi :Bien sûr. Je veux dire, je suis très pratique maintenant. Il peut être aligné sur les KPI de l’organisation, alignés sur les KPI de l’équipe. C’est vraiment le point de départ le plus simple et le plus direct avec ces choses. Michael Krigsman : Le défi de devenir un système de santé plus centré sur les données qui utilise les données plus efficacement, est-il un biais technologique vers le côté opérationnel ? SherPartovi : Tout d'abord, bien sûr, vous devez numériser le données. Lorsqu’il s’agit de données, il existe trois V : le volume, la variété et la véracité. Pour véritablement créer un modèle qui sert d’outil de conservation, vous devez mettre en œuvre ces qualités. Parce que la grande échelle aide à éliminer les biais ; la diversité crée de meilleurs modèles d’apprentissage automatique, l’authenticité restaure la vérité des données ; C'est la première étape. Ensuite, vous devez réellement former un modèle, vous devez étiqueter les données et valider le modèle. De plus, vous devrez décider si vous souhaitez demander un examen à la FDA (comme Philip l'a fait). Non seulement vous devrez le vérifier, mais vous devrez également répondre à certaines exigences. Réalisez des études de résultats pour prouver que c’est le cas. Encore une fois, cela relève davantage du côté des fournisseurs. En interne, pour les opérations, vous n’avez pas besoin de faire ça. Données (massification, diversité, authenticité), étiquetage, machine learning, modélisation, tests et validation, etc., toutes ces activités nécessitent que les organisations collaborent avec les entreprises des technologies de la santé. Pour certains centres médicaux universitaires complexes, ils contacteront également l'université pour trouver les talents dont ils ont besoin pour les aider. Quand vous me demandez quels sont les obstacles, cela dépend si vous mettez en œuvre des outils que vous pourriez obtenir de Philips, ou si vous souhaitez bricoler et construire ces outils vous-même. Dans ce cas, vous pouvez vous associer à une entreprise de technologie de la santé qui peut vous aider, ou à une entreprise qui peut vous aider, ou vous pouvez décider de créer une capacité interne pour ce faire. Les outils sont là. Mais pour rassembler tout cela, il faut des compétences, de la formation et du perfectionnement. Soit vous le construisez en interne, soit vous travaillez avec vos partenaires. Michael Krigsman : Comment une organisation peut-elle créer une vue à l'échelle de l'entreprise lorsque les données proviennent de différents systèmes d'enregistrement ? Après tout, elles proviennent de différents fournisseurs de logiciels et sont essentiellement des systèmes différents ? SherPartovi : Vous souhaitez que vos données soient dans un environnement où tout est réuni. Techniquement, au moins, vous devez considérer que vous avez besoin d'une zone d'attente, appelez-la un « lac de données », ou peu importe comment vous voulez l'appeler, un espace de données sain. L'intervenant a évoqué la question de la visualisation, qui me semble importante. Ci-dessus, j'ai parlé de données, d'informations, de connaissances et d'informations, et si vous vous en souvenez, la visualisation est le terme que j'utilise pour transformer des données en informations. Les gens ont tendance à associer la visualisation à « l'affichage de tableaux de bord et de graphiques ». Mais je pense que la chose la plus puissante, et probablement ce qui est évoqué dans la question, est de savoir comment puis-je créer des informations à partir de ces données, ce qui peut obtenir un retour sur investissement beaucoup plus élevé qu'une simple visualisation. Soit dit en passant, je pense que vous avez besoin d'une sorte d'environnement de lac de données, de préférence dans le cloud, car si vous souhaitez exécuter des modèles d'apprentissage automatique, vous ne voulez pas acheter un GPU coûteux dans un centre de données et simplement utilisez-le une demi-heure par jour et laissez-le inactif pendant 23,5 heures. Vous pouvez utiliser le cloud et payer en fonction de ce que vous utilisez. Dans le cloud, vous pouvez utiliser les ensembles de formation de modèles d'apprentissage automatique et les techniques de formation les plus complexes et ne payer que pour ce que vous utilisez. Si vous essayez de le construire dans votre propre centre de données, vous allez payer cher pour quelque chose que vous n'utilisez qu'une fraction du temps. Ne fais jamais ça. MichaelKrigsman : Pour vous raconter une petite histoire personnelle sur moi, je ne nommerai pas de systèmes de santé en particulier, mais je m'en tiendrai certainement à eux. Il y a plusieurs raisons, dont l’une est qu’ils sont d’excellents médecins, etc. Mais il dispose également d'un verrouillage des informations, et si je quitte leur système, le médecin m'enverra une notification. Ce verrouillage inhérent de l'information ne serait-il pas préjudiciable au partage de données que vous décrivez ? SherPartovi : Cela rendra certainement le partage de données plus difficile. Cependant, de nombreuses organisations tentent de s’éloigner de ce statu quo. Par exemple, notre partenaire de l'Université de Californie à San Francisco (UCSF) utilise l'environnement commun partagé que j'ai mentionné ci-dessus, et il récupère en fait des données provenant de pratiques en dehors de l'environnement UCSF et essaie de créer une vue holistique qui permet patients Se déplacer entre les cabinets devient simple et sans effort, tout comme le partage d'informations. Michael Krigsman : Qui est responsable s'il en résulte de mauvaises données, de mauvais algorithmes et de mauvaises prédictions ? Sher Partovi : Chez Philips, nous continuez à croire qu’il s’agit d’un outil pour aider les cliniciens à prendre des décisions, mais en fin de compte, vous voulez laisser le clinicien prendre la décision finale. Pour en revenir à la question elle-même, tout d'abord, philosophiquement parlant, du moins de notre point de vue, nous cherchons comment créer un outil transparent, impartial et améliorant l'expérience, qui peut également aider les cliniciens à faire leur travail, juste comme une prise de sang ou tout autre test. D'ailleurs, tout test peut avoir des faux positifs ou des faux négatifs. Les cliniciens prendront des décisions basées sur leur vérification et des considérations globales, contrairement aux algorithmes qui se diagnostiquent eux-mêmes. Qu’il s’agisse de données, d’algorithmes ou de prédictions, ce sont simplement des outils pour aider les cliniciens à prendre des décisions. Ensuite, en ce qui concerne le biais des données, j'ajouterai 1V, validation, aux 3V précédents (Variété, Diversité et Authenticité). Bien entendu, le processus de création d’un algorithme implique cette massification, cette diversité, cette authenticité, puis cette validation. Le fait est qu'en tant que cliniciens, nous considérons tous les soins de santé comme des soins de santé locaux, ce qui signifie qu'une maladie endémique dans une région peut ne pas l'être dans une autre. J'ai suivi une formation au Canada et aux États-Unis. Je peux vous dire qu'une radiographie pulmonaire particulière effectuée au Canada était une tuberculose, et la même découverte que j'ai eue lors de ma formation aux États-Unis était une pneumococcidioïdomycose. Ils sont différents. Mais c'est parce que les soins de santé sont locaux. L'algorithme doit être affiné en fonction de l'environnement de déploiement. Il n’y aura pas d’algorithme universel pour le monde, encore moins pour les États-Unis. Les soins de santé sont locaux. La formation doit être affinée localement. Michael Krigsman : Vous faites valoir un argument très provocateur selon lequel les modèles doivent être localisés ou refléter les conditions locales. Qui devrait être responsable de la création de ces modèles ? ShezPartovi : Les algorithmes peuvent être affinés - et nous aussi. Ainsi, un modèle peut être formé et affiné « de manière générale » ou même déployé en arrière-plan dans un environnement avant de passer en production, puis poursuivre la formation après le déploiement. Par définition, il devient localisé grâce à sa mise en œuvre et son utilisation continue. Michael Krigsman : Ces modèles seront-ils généralement fournis par des fournisseurs de logiciels, des systèmes de santé ou des entreprises comme Philips ? Qui fournira ces modèles ? Shez Partovi : Tous les éléments ci-dessus sont disponibles ? Bien entendu, Philips développe également des modèles, et nous disposons en fait d'un environnement appelé "AIManager" dans lequel vous pouvez placer nos modèles et les utiliser. Les organisations peuvent également créer leurs propres modèles et les intégrer dans AI Manger pour les utiliser. Actuellement, de nombreuses jeunes entreprises le font. Je pense que toute entreprise ayant accès aux données peut utiliser de bonnes données pour créer des modèles. Michael Krigsman : Vous voulez dire que le modèle local est un moyen de réduire les biais au sein du modèle, est-ce que je comprends bien ? Sher Partovi : Oui, cela aide à réduire les biais après la formation et après que le modèle vérifié soit terminé ? entré localement et commencé à être utilisé, il est considéré comme un modèle local d’optimisation et d’ajustement. Michael Krigsman : Où iront les données et l'IA dans les soins de santé dans les prochaines années SherPartovi : Lorsque vous effectuez des tests sur les tissus corporels et le sang, vous générerez des données ? stream, et vous pouvez obtenir les données et exécuter des algorithmes dessus à titre de test. Eh bien, tout comme vous prélevez du sang et testez le sang, vos données peuvent circuler dans les veines et les artères du système de santé. Vous pouvez prendre ces données et y appliquer des algorithmes. Les cliniciens utilisent des algorithmes de commande comme test. Oui, il existe des algorithmes d’arrière-plan qui fonctionnent en permanence. Mais certains algorithmes peuvent nécessiter une grande puissance de calcul. De tels algorithmes peuvent en fait vous coûter de l'argent, car vous utilisez de la puissance de calcul pour les exécuter. Je pense qu’avec le temps, les cliniciens ordonneront les algorithmes de la même manière qu’ils ordonnent les tests. Michael Krigsman : Combien de temps pensez-vous qu'il faudra pour que cela se produise ? Sher Partovi : Je pense que nous pourrions voir des premiers signes dans cinq à dix ans. Michael Krigsman : Comment pouvons-nous garantir que la science des données est utilisée pour améliorer les soins aux patients, et pas seulement pour améliorer les profits ? Et la technologie est très coûteuse, comment cela doit-il être pris en compte ? les soins de santé en perspective et l'importance globale de la technologie ML pour améliorer la qualité, réduire les coûts et améliorer l'expérience. En fait, on constate que le coût ne représente qu’un tiers de ces facteurs. Nous devrions nous concentrer sur tous les aspects du Triple Objectif, et pas seulement sur la réduction des coûts. J'ai déjà dit "la science des données est utilisée pour améliorer l'efficacité opérationnelle", mais à mon avis, dans certains cas, améliorer l'efficacité opérationnelle, c'est améliorer la prestation des soins, car par exemple, le manque de personnel peut conduire à une mauvaise qualité des soins. Ces facteurs sont tous liés et je ne veux pas qu’ils semblent distincts. Quels conseils donneriez-vous aux dirigeants du secteur de la santé face à cet environnement changeant ? Ils savent qu'ils doivent s'adapter, mais c'est très difficile pour eux car ils sont soumis à tellement de pression financière, de stress réglementaire et de différents types de stress. SherPartovi : J'ai vécu cela profondément au début de ma collaboration avec d'autres organisations. Je sais que cela semble égoïste parce que je représente Philips ici, mais si j'étais directeur marketing, je ferais de la formation, du perfectionnement et bien d'autres choses. Ma suggestion aux administrateurs est de trouver les meilleures solutions auprès de leurs pairs pour leurs propres problèmes et de présenter un partenaire technologique pour voir comment l'IA ML peut être appliquée à ce problème avec ce partenaire. C’est ainsi que je me comporte en tant qu’administrateur. Que voulez-vous que les décideurs politiques sachent sur ce monde en évolution des soins de santé ? Sher Partovi : Les décideurs politiques devraient et doivent savoir. L’IA et le ML jouent un rôle important dans la progression du triple objectif. Ainsi, à mon avis, de nos jours, l’AIML peut améliorer la qualité, réduire les coûts et améliorer l’expérience des patients et des cliniciens. Les décideurs politiques devraient réfléchir aux moyens de faire progresser l’adoption de la science des données et d’éliminer les obstacles à l’IA et au ML, car l’effet net de cette démarche correspond à ce que souhaitent les autres équipes. Ces trois objectifs sont interdépendants et nous devons trouver comment faire progresser la pratique par le biais de politiques. Éviter les biais dans les soins de santé centrés sur les données
Verrouillage des patients basé sur des silos de données de santé
Qui est responsable des mauvaises données, des mauvais algorithmes et des résultats pour les patients
L'avenir des données et de l'IA dans les soins de santé
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Application de l'intelligence artificielle dans la vie
Quel est le concept de base de l'intelligence artificielle
python configurer les variables d'environnement
écran bleu minidump
symbole de droit d'auteur HTML
Pourquoi ne puis-je pas accéder au navigateur Ethereum ?
Prix de la pièce U aujourd'hui
Comment configurer l'espace virtuel jsp
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
