資料科學、機器學習和人工智慧有可能以深刻的方式改變醫療保健產業。在本期訪談中，皇家飛利浦(Royal Philips)首席醫療、創新和策略官Shez Partovi博士為我們介紹了這些技術在改善病患治療效果、診斷疾病等方面發揮的重大作用。
對話包括以下主題：
2021年3月，Shez正式擔任全球領先的醫療技術公司皇家飛利浦的首席創新和戰略官，負責領導首席技術辦公室、研究、HealthSuite平台、首席醫療辦公室、產品工程、體驗設計和策略等。同時，創新和策略組織也與營運業務及市場合作，負責指導公司策略，以滿足客戶需求並推進業務的成長和獲利目標。
據悉，Partovi的職業生涯始於1998年，曾擔任the Barrow NeurologicalInstitute的神經放射學家，一直從事臨床實踐直到2013年。此後，Partovi在美國第五大醫療系統DignityHealth中工作了20年，於2018年加入亞馬遜並擔任醫療保健、生命科學和醫療設備業務開發的全球主管，負責亞馬遜全球範圍內的市場推廣工作。
除了在蒙特婁的麥基爾大學接受過醫學訓練外，他還擁有電腦科學的研究生學歷。他幫助在亞利桑那州立大學創辦了生物醫學資訊學系，並在那裡擔任了三年的臨床教授。
#Michael Krigsman(主持人)：資料科學和人工智慧正在改變醫療保健產業。以下有請皇家飛利浦首席創新與策略長ShezPartovi為我們做簡單介紹。
ShezPartovi：七年前，飛利浦決定剝離醫療保健以外的所有業務，現在它已經完全完全是一家健康科技公司。也就是說，雖然你可能仍會看到飛利浦照明，但它實際上只是掛牌生產。飛利浦本身現在是一家100%的健康科技公司，專注於持續護理，包括家庭、門診、住院等。
所以，現在提到飛利浦，請將其視為一家健康科技公司。這是一家擁有130年歷史的「新創」公司，因為它在10年前才真正實現了自我轉型，所以它就像一家擁有130年歷史的新創公司。
MichaelKrigsman：據我所知，你是醫生。現在你又是飛利浦的首席創新和策略長。你能簡單介紹下你的角色、你所做的工作以及你的關注重點嗎?
ShezPartovi：我擁有世界上最好的工作之一，因為我開始從事戰略方面的事務。我開始與客戶合作，了解他們未滿足的需求，並從客戶的問題出發，與同事一起制定策略，讓飛利浦能夠真正為客戶解決這些問題。這就是戰略方面的意義。
然後說創新方面，當我們聽取客戶的意見以及問題時，我們必須清楚如何從他們的角度進行創新來解決這些問題?飛利浦內部的整個創新社區都是我職責的一部分，我們所做的就是傾聽客戶需求，觀察市場趨勢，然後探索我們擁有的或飛利浦外部的技術，並將其整合起來，以便能夠滿足客戶需求。
這項工作的核心是傾聽客戶、獲取訊號、制定策略，然後傳達給創新團隊：「我們如何創造性地滿足客戶需求?我們如何從他們的角度進行創新?」然後帶著這些主張付諸實踐。這就是我領導的團隊，我認為這是我做過最棒的工作。
Michael Krigsman：我知道你的許多工作都集中在數據上。你能解釋一下它在醫療保健轉型中的作用嗎?
ShezPartovi：我們現在在醫療保健領域進行了大量的數據創建和數據生成工作。當然，憤世嫉俗的人會說，「嗯，是的，其中大部分僅用於計費方面。」
儘管有這種觀點，但現在絕大多數數據都是數位化的，這也是事實。例如，當你使用剪切板在線填寫內容時，這意味著數據已經數位化。而數位化的機制和過程不一定是無縫且無摩擦的，其中可能有許多重複的、瑣碎的任務。
當人們談論臨床醫生職業倦怠、醫生和護理職業倦怠時，部分原因在於，雖然我們正在進行數位轉型，但它們不一定是以一種無摩擦的方式進行的，它們往往沒有工作流程意識，且是重複的。這並不是最佳的數位化過程。
然後回到資料創建和生成問題上，有些人會爭辯稱，我們並沒有以非常驚訝的方式有意義地使用這些資料。我們可能擁有豐富的數據，但缺乏洞察力。
A)我們以充滿摩擦的方式來創建資料。 B) 遺憾的是，我們並沒有真正從這些數據中創造出令人深刻的見解。從我的角度來看，這就是我們需要努力的地方。
Michael Krigsman：導致你提出上面兩個基本問題的原因是什麼?
#ShezPartovi：我們面臨一些挑戰。第一，產生的資料現在仍然更多的以應用程式為中心，這意味著它們處於孤立狀態。我記得當我在衛生系統工作時，我們有大約1500個應用程式。現在想像你正在數位化數據，這些數據存在於應用程式環境中，但你有1500個應用程式。
第二，缺乏資料流動性，這意味著雖然你已經將資料數位化並存放在磁碟上，但你不一定能夠將其組合到一個環境中，並從中獲得洞察力。面對如此多孤立的環境，我們有很多工作要做，以實現所有數據一起形成一個共同的環境，從中產生洞察力。
當然，科技也在進步。飛利浦有一個名為「Health Suite」的環境，它與資料流動性有關。它能夠從數百個不同來源引入數據，並將數據組合起來，然後從中獲取洞察力。
這就是我們所做的事情。事實上，許多衛生系統目前都苦苦掙扎於將數據整個到一個共同環境中。
Michael Krigsman：看來，資料流動性和互通性似乎仍然是眾多數位活動領域的瓶頸。是這樣嗎?
Shez Partovi：是的。實際上，你應該將資料互通性視為兩個維度：只是共享資料的語法互通性(syntactic interoperability)，以及共享意義的語意互通性(semantic interoperability)。
確實，我們仍有許多資料孤島，但不可否認，我們在資料互通性方面也取得了很大進展。隨著越來越多的互通性，一些組織已經產生了流動性，也因此催生了從數據到資訊、從資訊到知識、從知識到洞察力的願景。這正是人工智慧可以發揮作用的地方。
Michael Krigsman：你如何從剛才描述的資料豐富(data-rich)轉變為資料驅動?
ShezPartovi：我可以舉一個從數據到資訊、資訊到知識、知識到洞察力的例子。讓我們從一個單一的數據點開始，例如血糖值。如果你的單次血糖值約為每分升140毫克，那就很高了。但另一方面，這是因為那個人剛吃過飯嗎?是空腹血糖嗎?是非空腹血糖嗎?所以說，它只是一個數據點。有用，但還不具備洞察力。
但如果我告知你的是血糖上升的趨勢，那這就屬於資訊了。資訊就是趨勢，這種趨勢正在上升，這意味著你的身體可能出現了一些問題。
如果我們進一步查看患者的病史並了解其可能是糖尿病早期患者，這就屬於知識。但今天，為了以積極的方式實現三重目標——提高品質、降低成本和改善體驗——我們需要了解衛生系統需要什麼，臨床醫生、醫生、護士和組織需要什麼，他們想要的不僅僅是數據、資訊或知識。
他們想要回答以下問題：你給我看的這位患者的血糖是糖尿病前期的可能性有多大?他們在接下來的18個月內發生充血性心臟衰竭的可能性有多大?他們在未來兩年內患糖尿病足潰瘍的可能性有多大?
這種預測，這種對未來的洞察力，才是真正的機會。當你將資料整合在一起並且能夠使用它來建立機器學習模型和使用AI時，才算是真正地使用資料來驅動組織的洞察力。
這就是主線：從數據到資訊到知識，再到觀察力，最後到某種對我來說可行的事情。在這個服務點的這個時刻，我可以為這位患者提供的最佳服務。
Michael Krigsman：你如何將這一切與患者治療結果聯繫起來的?或者說，如果我們擁有這種互通性，有什麼優勢?
ShezPartovi：我會把一切都歸結為上述提及的三重目標，即提高護理質量，降低護理成本，以及改善臨床醫師或患者的臨床體驗或消費體驗。例如，從我認為可能最容易的降低成本開始。
將人工智慧與數據結合使用可以做的一件事是幫助進行所謂的現實運營預測，例如，下週五晚上我的急診科需要配置多少員工才合適?病人流量是多少?我可以預測進入醫院的患者流量，以便調整員工人數嗎?順便說一句，這會影響護理質量，因為如果你人手不足，將會是一個挑戰。調整規模既是對成本的正面影響，也是對護理品質的正面影響。
例如，使用ADT流(入院、出院、轉移流)來建立一個模型，為進入醫院的病患流量提供預測，進而幫助你實現合理的人員配置，這不僅會影響病患的體驗，也會影響臨床醫師的體驗。因為如果人手不足，無疑會影響護理品質。這正是飛利浦目前正在做的事情。
上述是營運預測，以下讓我們聊聊之前提到的臨床預測。我以糖尿病為例，預測糖尿病足潰瘍或心臟病的可能性。事實上，臨床預測還有很多實例。
例如，你可以使用人工智慧和機器學習來閱讀放射科影像，以識別或預測異常。如果演算法認為一個影像應該盡快處理，因為它會對護理品質產生影響，那麼放射科醫生應該立即進行查驗並採取積極的行動。演算法並非按照影像拍攝的順序來排列它，而是會把存在異常的影像排在首位。先發現先治療，才能產生積極的治療結果。
在飛利浦，這些就是AI和ML對於改善病患治療結果最常見的用例。
MichaelKrigsman：大量數據保存在極少數市場領先的應用程式中。為什麼壟斷企業會有分享這些數據的動機?換句話說，軟體和基礎設施的市場力量難道不影響你所描述的那種數據共享嗎?
Shez Partovi：這些數據屬於衛生系統，軟體公司實際上並不擁有這些數據。例如，飛利浦不擁有這些數據，我們本質上只是數據管理者。
不過，我確實知道世界上有些國家(我不想說出它們的名字，因為我不想說它們壞話)的軟體公司實際上擁有這些數據。因此，也可以說你的這個論點是正確的。
但至少在美國，說「我拒絕分享數據」是不正確的。資訊屏蔽(Information blocking)規則將禁止這樣做。
Michael Krigsman：你能告訴我們需要匯總的資料類型嗎?
ShezPartovi：如果你正在考慮AI和機器學習、臨床預測和營運預測，你需要從問題出發才能了解需要哪些數據。以Google地圖為例，如果你還記得的話，有一段時間它只是用紅色熱圖向你顯示方向和耗時。後來，它開始顯示騎行耗時、步行耗時、最佳路線等等。根據他們想要提供的預測和價值，他們正在收集越來越多的數據。
現在回到企業本身，當考慮需要收集哪些資料來建立模型時，我們同樣需要從問題出發。假如你想預測逗留時間，以保持適當和高效的護理規模。那麼你可能需要的只是一個ADT流來預測逗留時間。另一方面，如果你試圖預測一個人是否患有特定疾病或特定癌症，你可能需要影像、血液值、EHR(電子病歷資料)資料。
總之，你需要從問題陳述開始，了解你試圖預測的內容，以及你想為臨床醫生或營運團隊提供的工具，然後逆向思考，看看你需要哪些數據才能構建這種為你提供預測的模型。
Michael Krigsman：你如何確保選擇正確的問題來解決?
Shez Partovi：每個組織要嘛有試圖解決營運問題的營運人員，要嘛可能有一個精實團隊。精益團隊前一陣子真的很受歡迎。現在又有轉型團隊。
雖然他們名稱不同，但他們都在四處搜尋需要解決的問題。當然，還有臨床卓越團隊以及營運卓越團隊。只不過，在你的組織中，它們可能有不同的稱呼。
如果你參加他們的指導委員會會議，你會發現他們可能知道自己需要解決的問題以及頭痛的問題。事實上，這些都是客戶告知他們的。所以，我會建議從這些已經著手部署計劃的團隊開始，例如，首席護理官或首席醫療官正在運行一個臨床卓越計劃;首席營運官正在運行一個運營精益計劃或卓越計劃。他們正試圖解決一些挑戰。所以他們有數據可以建立機器學習模型，作為解決這些問題的工具。
我想說的是，如果我是衛生系統的首席行銷長(CMO)，我當然會面臨許多需要解決的問題，但我會從那些已經在研究中的問題入手。同時，考慮使用AI和ML作為這些團隊的工具。
Michael Krigsman：換句話說，就是解決你可能面臨的直接實際問題，無論是臨床方面還是手術方面。對嗎?
ShezPartovi：當然。我的意思是我現在很實際。它可能與組織的KPI一致，與團隊KPI一致。這確實是最簡單、最直接的起點，就是從這些事情開始的。
Michael Krigsman：成為一個更以數據為中心、更有效地利用數據的醫療保健系統所面臨的挑戰是技術偏向運營方面嗎?
ShezPartovi：首先，你當然需要數位化資料。就數據而言，有三個V：大量化(volume)、多樣化(variety)和真實性(veracity)。想要真正創造作為一種保護工具的模型，你需要實現這些特質。因為大量化有助於消除偏見;多樣化能夠創建更好的機器學習模型;真實性還原數據的真相。
這是第一步。接下來，你需要實際訓練一個模型，你需要標記數據，並對模型進行驗證。此外，你還需要決定是否要申請美國食品藥物管理局(FDA)審查(例如Philip就申請了FDA審查)，你不僅需要驗證它，還需要滿足某些要求。
進行結果研究以證明確實如此。同樣，這更多的是在供應商方面。在內部，對於運營，你不需要這樣做。
數據(大量化、多樣化、真實性)、標記、機器學習、建模、測試和驗證等等，所有這些活動都需要組織與健康科技公司合作。對於一些複雜的學術醫療中心來說，他們也會與大學聯繫，尋求需要的人才來幫忙。
當你問我有哪些障礙時，這取決於你是否正在實施可能從飛利浦獲得的工具，或者你是否想要自己動手建立這些工具。在這種情況下，你可能會與一家可以幫助你的健康科技公司合作，或與某種可以幫助你的公司合作，或者你可能會決定建立一種內部能力來做到這一點。
工具就在那裡。但想要將這一切整合在一起需要能力、培訓和技能提升。因此，你要么在內部建立它，要么與你的合作夥伴合作。
Michael Krigsman：一個組織如何在資料來自各種記錄系統時創建一種企業範圍的視圖?畢竟來自不同的軟體供應商，本質上是不同的系統。
ShezPartovi：你希望你的資料處於一個所有資料都匯集在一起的環境中。從技術上講，至少，你必須考慮到你確實需要一個保持區，稱之為“資料湖”，或者隨便你怎麼稱呼它，總之是一個健康資料空間。
提問者提到了視覺化的問題，我認為這種重要。上面我說過數據、資訊、知識和洞察力的問題，如果你還記得的話，視覺化是我將數據轉變為資訊用到的術語。
人們習慣將視覺化與「顯示儀表板和圖表」連結起來。但我認為更強大的東西，很可能是問題中所暗示的，是我如何從這些數據中創造洞察力，這能獲得比簡單的視覺化更高的投資報酬率。順便說一下，我認為你確實需要某種資料湖環境，最好是在雲端中，因為如果你要運行機器學習模型，你一定不想購買位於資料中心的昂貴GPU，每天只用半小時，讓它空閒23.5小時。
你可以使用雲，並基於所使用的內容付費。在雲端中，你可以使用最複雜的機器學習模型訓練集、訓練技術，並且只為你使用的部分付費。如果你嘗試在自己的資料中心中建立它，你將需要為只使用一小部分時間的東西支付高昂的費用。千萬不要那樣做。
MichaelKrigsman：告訴你關於我個人的一個小故事，我不會說明具體的醫療保健系統名稱，但我絕對會堅持使用它們。原因有很多，其中之一是它們很棒，很棒的醫生等等。但它也存在訊息鎖定，如果我離開它們的系統，醫生就會給我通知。這種內在的資訊鎖定會不會不利於你所描述的資料共享。
ShezPartovi：這絕對會加劇資料共享的困難度。不過，很多組織正在試圖擺脫這種現狀。舉個例子，我們的合作夥伴加州大學舊金山分校(UCSF)正在使用我上面提到的通用共享環境，他們實際上是從UCSF環境之外的實踐中獲取數據，並試圖創建一個整體視圖，使患者在實踐之間的移動變得簡單而輕鬆，資訊共享也變得簡單而輕鬆。
Michael Krigsman：如果有錯誤的數據、錯誤的演算法以及由此做出的錯誤預測，誰應該負責?
Shez Partovi：在飛利浦，我們繼續相信這是一種幫助臨床醫生做出決策的工具，但最終你希望讓臨床醫生成為最終的決定者。
回到問題本身，首先，從哲學上講，至少從我們的角度來看，我們正在研究如何創建一個透明、公正且改善體驗感的工具，這個工具同樣可以幫助臨床醫生完成他們的工作，就像驗血或任何其他測試一樣。
順便說一句，任何測試都可能出現假陽性或假陰性。臨床醫生會通過他們的驗證，綜合考慮做出決定，這與演算法自行診斷不同。無論是數據、演算法或預測，它們都只是幫助臨床醫生決策的工具。
然後，談到資料偏見，我會在之前的3V(大量化、多樣化、真實性)基礎上加上1V，驗證(validation)。當然，創建演算法的過程包括這種大量化、多樣性、真實性，然後是驗證。
事實上，作為臨床醫生，我們都將醫療保健視為當地醫療，這意味著在一個地區流行的疾病可能不會在另一個地區流行。我曾在加拿大和美國都接受過訓練。我可以告訴你，加拿大的某個特定胸部X光片是肺結核，而我在美國接受訓練的同樣發現是肺球孢子菌病。他們是不同的。但這是因為醫療保健是本地的。
演算法需要根據部署環境進行微調。世界上不會有一種通用演算法，更不用說美國了。醫療保健是本地的。培訓需要在當地進行微調。
Michael Krigsman：你提出了一個非常挑釁的觀點，模型需要在地化或反映當地情況。誰應該負責創建這些模型?
ShezPartovi：演算法可以微調——我們也是這樣做的。因此，一個模型可以「一般地」訓練和微調，甚至在投入生產之前部署在環境中的後台，然後在部署後繼續訓練。
根據定義，它透過其實作和持續使用變得本地化。
Michael Krigsman：這些模型通常會由軟體供應商、醫療保健系統或飛利浦等公司提供嗎?誰會提供這些模型?
Shez Partovi：以上皆可提供。當然，飛利浦也會開發模型，我們實際上有一個稱為「AIManager」的環境，你可以將我們的模型放在該管理器中並使用它。
組織也可以自行建立模型並將其放入AI Manger中使用。目前，有許多年輕的公司這樣做。我認為有權存取資料的公司都可以使用良好的資料建立模型。
Michael Krigsman：你的意思是本地模型是減少模型內部偏差的一種途徑，我理解的正確嗎?
Shez Partovi：是的，它確實有助於減少偏差，經過訓練和驗證的模型在進入本地並開始使用後，它就算是本地優化調整模型。
Michael Krigsman：在接下來的幾年裡，醫療保健中的數據和人工智慧將走向何方?
ShezPartovi：當你拿了一些機體組織、血液進行測試就會產生資料流，你可以取得資料並在其上執行演算法作為測試。那麼，就像你進行抽血並對血液進行測試一樣，你可以讓你的資料流經衛生系統的靜脈和動脈。你可以獲取該數據並對其應用演算法。
臨床醫生將訂購演算法用作測試。是的，有總是運行的後台演算法。但有些演算法可能需要使用大量運算能力。這種演算法實際上最終可能帶來成本支出，因為你正在使用運算能力來運行它們。
我認為，隨著時間的推移，臨床醫生會像訂購測試一樣訂購演算法。
Michael Krigsman：你預測這種情況需要多久到來?
Shez Partovi：我認為可能會在五到十年內看到一些早期跡象。
Michael Krigsman：我們如何確保數據科學被用於改善患者護理，而不僅僅是提高利潤?而且技術非常昂貴，應該如何考慮?
#ShezPartovi：人們應該正確看待醫療保健中的AI和ML技術對於提高品質、降低成本和改善體驗的綜合意義。實際上，可以看到，成本只佔這些因素的三分之一。我們應該將重點放在三重目標的各個方面，而不僅僅是降低成本。
我之前確實說過「資料科學用於提升營運效率」的話，但在我看來，在某些情況下，提升營運效率就是改善護理服務，因為例如，人手不足會導致護理品質差。這些因素都是綁在一起的，我不想讓人覺得這些因素是分開的。
MichaelKrigsman：你對關注這一不斷變化的環境的醫療保健管理人員有什麼建議?他們知道自己需要適應，但這對他們來說非常艱難，因為他們承受著如此巨大的財務壓力、監管壓力以及各種不同的壓力。
ShezPartovi：這一點我在早期與其他組織合作的過程中深有體會。我知道這聽起來很自私，因為我在這裡代表的是飛利浦，但如果我是CMO，我會進行培訓和技能提升以及其他許多事情。
而我對管理員的建議是，針對自身存在的問題，尋找同行最佳解決方案並引入一個技術合作夥伴，看看如何將AI ML與這個合作夥伴一起應用到這個問題上。這就是我作為管理員的行事方法。
Michael Krigsman：你希望政策制定者了解這個不斷變化的醫療保健世界嗎?
Shez Partovi：政策制定者應該而且需要了解。 AI和ML在推進三重目標方面發揮著重要作用。因此，在我看來，在當今時代，AIML可以為患者和臨床醫生提高品質、降低成本並改善體驗。
政策制定者應該研究如何推進資料科學的採用，並消除AI和ML的障礙，因為這樣做的淨效應(neteffect)是其他團隊想要的。這三個目標是彼此關聯的，我們應該弄清楚如何透過政策推進實踐。
以上是數據科學和人工智慧將如何改變醫療保健產業?的詳細內容。更多資訊請關注PHP中文網其他相關文章！
