本文基于由Emerj(Techemergence)CEO主持的小组讨论丹·法格拉关于医疗行业人工智能的现状。小组成员只是生物治疗首席商务官卡罗来纳州加西亚RIZO(代表医疗初创公司)和拜耳公司人工智能/机器学习高级经理华凯文(代表大型制药公司)。本次会议是Bootstraps实验室2018年4月12日在旧金山举行。小组的视频如下:
这个医疗保健行业已经有一段时间了一直有点人工智能一个热点。因为它每天都在大量数据的交易。特别催芽受益于AI的潜力。患者信息,病史,诊断结果,医院的账单,和临床研究的只是少数的医疗保健提供的数据源。
这个庞大的数据池可以训练人工智能和机器学习来检测模式,并得出预测、建议或结论,无论情况如何。现在的情况是,其中大部分根本没有经过任何类型的处理。
我们调查了来自医疗保健公司的50多名高管利用人工智能表明,医疗领域的人工智能仍然是开放的。有人认为,到2025年,人工智能将在医疗领域“无处不在”。样本的人口统计数据如下图所示:
(查看完整的“医疗保健行政共识ML”的报告在这里)
大多数人都明白,医疗领域的人工智能大多处于试验阶段。然而,大多数人不知道的是,在100家人工智能医疗公司中,只有1/3的公司拥有必需的人工智能学术或大公司背景甚至对科学有所贡献。
那些有一些承诺,只有约1/4的有某种意义的牵引一个试点。这些公司已经成功地与合作大制药公司或医院,以确认其合法性。总体而言,只有约1/10的AI在医疗保健公司必须在空间实际牵引的任何程度。它看起来像有更多合法的AI和医疗保健公司,而不是真的有。这种情况可能是在2或3年不同,但这也正是AI在医疗保健是今天。
医疗保健人工智能采用的困难
这个行业乐于接受新的改进方法诊断,患者护理,以及金融效率. 然而,这些人工智能医疗公司在医疗领域广泛采用人工智能方面面临着一些重大挑战。
案例研究难题
在医疗保健领域广泛采用人工智能的一个主要摩擦点是,需要说服行业利益相关者相信人工智能和机器学习的投资回报率是正的。他们需要对价值主张有更好的理解,才能做出购买的决定。
说明ROI的最佳方法是尽可能多地呈现案例研究,这呈现了鸡和蛋的情况。人工智能公司需要更多的案例研究来说服医疗行业的决策者参与进来,但他们需要更多的医疗公司参与进来进行案例研究。
下图显示了我们对医疗保健人工智能高管在销售到医疗保健行业时遇到的困难的研究:
(查看完整的“医疗保健行政共识ML”的报告在这里)
黑箱问题
另一个主要的摩擦点是缺乏机器学习的深厚的技术运作的了解。在大多数行业中,无法了解系统是如何工作的是不是一个大忌,只要它带来的结果。
然而,在医疗保健领域,利益相关者需要知道系统是如何得出诊断或建议的,因为它将成为对患者做出重要决策的基础。
利益相关者的复杂性
在医疗保健中采用AI/ML的另一个问题是复杂的利益相关者关系,特别是在医院环境中。在一个制药设置,只需要说服公司的高层的官员对系统的投资回报率,以达成交易。在医院,但是,它只开始和医院的主管们。
有必要对医生和其他医疗保健专业人员进行这方面的教育,并培训他们使用它。也有必要向患者解释如何从中获益。在链中的任何一点上,利益相关者的抵制都会使采用变得更加困难。
当前趋势
尽管这些摩擦的来源,AI公司坚持发展为医疗保健各个领域的系统。据调查,这些公司集中于诊断的SaaS(35%),运营效率为医院(24%),消费应用程序用于行为粘附(29%),和物理产品,如医疗器械(11%)。全图形低于:
(查看完整的“医疗保健行政共识ML”的报告在这里)
诊断性人工智能在医疗保健公司中尤其受人工智能的欢迎,以至于它将在几年内变得司空见惯。这是一件好事,因为它将使人工智能更容易接受在其他领域,如后台效率软件正在做的现在。然而,医疗保健公司的人工智能将不得不找到另一种方法,使自己与竞争对手脱颖而出。
在应用人工智能会议上,与两家制药公司的高管进行了小组讨论,对这一领域可能存在的差异提供了一些见解。采访了生物制药公司首席业务官卡罗莱纳•加西亚•里佐和拜耳公司人工智能/机器学习高级经理凯文•华,并问了他们几个关键问题。
问题1:人工智能对你所在领域的主题专家的工作有何影响?
加西亚·里佐:所以,在我们的例子中,它实际上释放了很多时间。因此,当之前有人评论人工智能是否降低了我们工作的可能性时,事实恰恰相反,因为它打开了更多的可能性。人们现在可以专注于他们最擅长的事情。重复的工作由人工智能承担。
华:在我们的例子中,我们与领域专家密切合作。我们拥有业内最佳的领域专家。但是,我们想通了,我们仍然有提升空间,因为数据量是巨大的。
因此,我们需要领域的专业知识与机器学习模型相结合,以获得更好的模型。
问题2:人工智能如何改变工作流程或现有主题专家所需的技能集?
华:管理过程会有一些变化,因为这会以某种方式破坏现有的经营方式。所以我们的计划是让领域专家继续做他们自己的日常工作,然后我们使用机器学习模型帮助他们证明他们的决定是正确的。
如果有差异,我们的模型可以解释它,并解释为什么存在差异,使我们能够确定到底使用哪个预测。
问题3:你的终端用户对你试图在人工智能领域推行的创新有何反应?根据你的经验,它是如何工作的?
加西亚·里佐:对我们来说,你必须考虑到这个行业受到了严格的监管,对吗?所以FDA有一个非常强烈的观点。我们遇到的最大的问题之一是,“食品和药物管理局怎么办?”
我们正在与FDA密切合作。我们有一个GMP生产设施第一阶段,第二阶段的公司,我们已经与FDA密切合作。我们教他们,并与他们合作,这是一个很好的合作,与美国食品药品管理局。也就是说,我认为有各类客户所兴奋,因为所有的突然,他们可以说,“嗯,我在这家公司是领先的技术,因为它具有AI的合作。”
华:我认为这是每个人的共同反应。如果你不理解这个理论,你就会怀疑。我们的客户是内部的,我们确实有一些人持怀疑态度。有些对新技术更加开放。所以,我认为拜耳拥有最聪明的人才,因为如果你看看生命科学公司,我们拥有的博士学位在业内所占比例最高。所以如果你解释技术,他们很容易理解。同样,当我们建立模型时,我们应该使其具有可解释性,并且我们应该使其具有可验证性。因此,这些就是我们在如何让人们接受我们的知识方面采取的措施。
问题4:你认为政府机构什么时候会在医疗保健领域加入人工智能?
加西亚·里佐:我认为FDA真的学得很快。我真的很有信心,我们生活在这样一个时代,我们终于把病人放在了中心,这是必须的。我认为每个人都在共同努力,为病人找到一个更好的解决方案,这个解决方案真正的目的是为了让病人拥有更好的健康,努力治愈疾病,并希望利用机器学习来预测这些疾病,这样他们就不再是病人了,对吧?
问题5:你有什么建议让生命科学界的人更容易在医疗保健领域向人工智能过渡?
加西亚·里佐:永远不要低估教育的力量为您的客户。我的意思是想医疗。有所有不同利益相关者,而且每一个走自己的路,驾驶自己的力量。因此,教育是关键。此外,显示市场认为你有积极的案例研究,并显示您已在通过这些案例研究做了什么。你有什么实现,以及如何和为什么它很重要?什么是病人的利益?我想我不会强调不够。教育是非常重要的,当你正在做一些创新的,尖端的技术。
华:所以在我们的情况下,他们实际上来自于高层次的管理,我们相信,在技术,我们已经开始了一些新的分析工具组。我们正在招聘的人,它只是由我们向他们展示这些技术将如何工作,这是怎么回事,以帮助我们改进我们的日常工作。
标题图片来源:BootstrapLabs