Улучшение качества данных — ключ к раскрытию потенциала ИИ

В этом выпуске нашей серии «Перспективы партнеров» Чарли Харп, основатель и генеральный директор компании Clinical Architecture, объясняет, почему недостатки качества данных в сфере здравоохранения представляют наибольшую угрозу для внедрения ИИ в системах здравоохранения. В интервью на конференции ViVE он описывает, как десятилетия клинических данных, собранных в качестве побочного продукта оказания медицинской помощи, не соответствуют требованиям точных приложений искусственного интеллекта. Харп делится стратегиями создания программ обеспечения качества данных, которые обеспечивают постепенные и измеримые результаты.

Стремление здравоохранения к внедрению ИИ сталкивается с неудобной правдой: данные, подаваемые в эти модели, никогда не предназначались для этой работы. Такова прямая оценка Чарли Харпа, основателя и генерального директора Clinical Architecture, компании, специализирующейся на управлении медицинской терминологией, семантической нормализации и качестве данных. Выступая на конференции ViVE, Харп изложила аргументы в пользу того, что качество данных представляет собой самое большое препятствие на пути значимого внедрения ИИ в системах здравоохранения. «Искусственный интеллект на основе плохих данных — это искусственная глупость», — сказал он.

Подкаст: Играть в новом окне | Скачать (Продолжительность: 29:26 — 27,0 МБ)

Подписаться: Apple Подкасты | Спотифай

Проблема глубже, чем просто некачественные записи или пропущенные поля. Клинические данные, собранные с помощью систем EHR, достаточно хорошо подходят для планирования, выставления счетов и операционных рабочих процессов. Но те же данные содержат то, что Харп называет «некалиброванной неопределенностью» применительно к ИИ, поддержке принятия клинических решений или анализу здоровья населения. Системы здравоохранения, которые хотят использовать ИИ для обработки данных пациентов, обнаруживают фундаментальное несоответствие между тем, как были собраны данные, и тем, что требуют эти новые приложения. И ставки высоки: подача ненадежной информации в модели ИИ не просто приводит к неточным результатам; это представляет клинический риск.

Компания Clinical Architecture, основанная в 2007 году, выросла из почти четырех десятилетий опыта Harp в создании систем программного обеспечения для здравоохранения. После разработки приложений для больничных лабораторий в SmithKline Beecham Clinical Laboratories, управления системами клинических исследований в Covance и работы в качестве технического директора в First DataBank и Zynx Health он увидел постоянный пробел: фундаментальные основы здравоохранения — терминологии, онтологии и качество данных — были недостаточно обеспечены. Текущий момент кажется ему другим, потому что искусственный интеллект заставляет системы здравоохранения решать проблемы качества данных, которые раньше были терпимы. И преимущества решения этих проблем выходят далеко за рамки ИИ и включают меры качества, поддержку клинических решений и надежность самой медицинской документации.

Оценка качества данных ИИ

Для многих организаций возникает искушение предположить, что искусственный интеллект сам решит проблему качества данных. Харп категорически отвергает эту предпосылку. «Я гарантирую вам, что ИИ не решит проблему качества данных», — сказал он. Причина в том, что генеративный ИИ, обученный на ошибочных данных, создает ошибочные вероятностные модели. А когда ИИ получает сотни страниц недостоверной информации о пациенте, ни одна модель не может надежно отличить сигнал от шума. Не существует эталонного стандарта качественных данных, по которому ИИ мог бы измерять то, что он получает.

Существует резкое различие между проблемами, подходящими для ИИ, и теми, которые требуют детерминистских решений. Использование ИИ там, где требуется рассчитанный и повторяемый ответ, приводит к ненужному риску и неопределенности. Этот принцип применим непосредственно к клинической среде, где проверка взаимодействия лекарств или проверка лабораторных результатов должны каждый раз давать один и тот же ответ.

Ничто из этого не умаляет потенциал ИИ. Харп рассматривает генеративный искусственный интеллект как один из наиболее важных инструментов, доступных в здравоохранении. Проблема заключается в дисциплине развертывания. Здравоохранение имеет привычку внедрять новые технологии на пике ажиотажа, внедрять их без должной подготовки, а затем отказываться от них, когда результаты разочаровывают. ИИ рискует повторить тот же цикл, если системы здравоохранения пропустят основополагающую работу по обеспечению точности, полноты и соответствия целям данных, подаваемых в эти модели.

Измерение того, что важно

Чтобы систематически решать эту проблему, Харп создал структуру улучшения качества информации о пациентах (PIQI) — инициативу с открытым исходным кодом, которая сейчас продвигается через процесс голосования HL7. PIQI предоставляет стандартизированный метод оценки качества данных о пациентах до того, как они попадут в среду организации. Системы здравоохранения уже проводят тысячи проверок качества справочной целостности в своих собственных системах; PIQI распространяет эту проверку на данные, поступающие из внешних источников через TEFCA, торговых партнеров или платформы агрегирования данных, такие как Snowflake и Databricks. Эта структура также дает организациям структурированный способ сообщать отправляющей организации о конкретных недостатках качества, создавая цикл обратной связи, который способствует улучшению с обеих сторон обмена.

PIQI устраняет пробел в инфраструктуре обмена данными здравоохранения. FHIR и другие стандарты совместимости определяют, как данные структурируются и передаются. Они ничего не говорят о качестве информации, передаваемой внутри этих структур. Поскольку обмен данными ускоряется в рамках TEFCA, а системы здравоохранения все чаще помещают клинические данные в среды агрегирования для аналитики и искусственного интеллекта, способность оценивать входящие данные по определенным критериям качества становится важной.

Управление играет решающую роль в поддержании качества данных с течением времени. Харп подчеркивает распространенную ошибку, с которой он сталкивается в крупных системах здравоохранения: поручает ИТ-персоналу картографировать клиническую терминологию. Работа требует знания клинической темы; информатик понимает семантические различия, которые определяют, является ли отображение точным или вводящим в заблуждение. Точно так же управление словарем для лекарств, лабораторий и заказных товаров требует дисциплинированной словарной практики. Без стандартизированных процессов добавления и обслуживания записей системы накапливают дубликаты и несоответствия, которые со временем усугубляются и подрывают каждый последующий вариант использования.

Харп указывает на сотрудничество Clinical Architecture с HCA как на пример того, как выглядят устойчивые инвестиции в качество данных. Целью является ликвидность данных: обеспечение того, чтобы, когда организации потребуется использовать свои данные для новой цели, они были готовы немедленно. В системе здравоохранения, где тактические чрезвычайные ситуации ежедневно срывают долгосрочные проекты, такое состояние готовности имеет важное значение.

Победа с краю

Самые сложные проблемы с качеством данных носят организационный характер. Советы Харпа ИТ-директорам, директорам по данным и директорам по искусственному интеллекту основаны на двух принципах. Во-первых, это уважение к оперативным реалиям на передовой. «Здравоохранение развивается на окраинах, а не в центре», — сказал он. По его опыту, мандаты, исходящие сверху вниз от централизованной функции, редко достигают успеха, поскольку они не учитывают сложные обстоятельства, с которыми сотрудники сталкиваются ежедневно. За 37 лет работы в сфере ИТ в здравоохранении Харп ни разу не видел, чтобы чисто централизованный подход давал устойчивые результаты. Для обеспечения заинтересованности требуется признание передового опыта и налаживание партнерских отношений с командами, наиболее близкими к данным.

Второй принцип – сопротивляться желанию заняться всем сразу. Крупные инициативы по обеспечению качества данных терпят неудачу, когда организации пытаются реализовать комплексные программы исправления, рассчитанные на месяцы или годы. Эти проекты теряют темпы, отодвигаются на второй план из-за оперативных потребностей и не приносят видимой пользы. Альтернатива — начать с малого: масштабировать проекты для достижения измеримых результатов за 90 дней. Клиническая архитектура часто задает потенциальным клиентам простой вопрос, начиная сотрудничество: какую проблему мы можем решить за три месяца, от которой ваши люди увидят немедленную выгоду?

Этот подход работает, потому что ранние победы создают организационный импульс. Как только команды видят измеримые результаты от более чистых данных, они начинают настаивать на продолжении инвестиций самостоятельно.

Убери это

• Данные здравоохранения, собираемые для выставления счетов и операций, не соответствуют требованиям качества приложений ИИ; устранение этого разрыва также пойдет на пользу поддержке принятия решений и мерам качества.
• ИИ не решит проблемы с качеством данных; ошибочные входные данные приводят к ошибочным результатам независимо от модели
• Оценивайте качество входящих данных до того, как они попадут в вашу среду, используя стандартизированную систему оценки, такую как платформа PIQI.
• Назначьте клинических информатиков для картирования терминологии и управления словарями; сосредоточить внимание ИТ на технической инфраструктуре
• Обеспечьте ликвидность данных, чтобы новые варианты использования не требовали месяцев исправления.
• Начните с 90-дневных проектов по обеспечению качества данных, которые принесут видимые результаты; ранние победы создают импульс для более крупных инвестиций
• Уважайте оперативные реалии на периферии вашей организации; централизованные мандаты без поддержки на передовой затормозятся

Потенциал огромен, утверждает Харп, но только для организаций, желающих заложить основу. «У искусственного интеллекта огромный потенциал», — сказал он. “Нам просто нужно правильно его использовать. Мы должны предоставить ему правильные данные, и тогда у него появится огромный потенциал”.

Подкаст: Играть в новом окне | Скачать (Продолжительность: 29:26 — 27,0 МБ)

Подписаться: Apple Подкасты | Спотифай