データサイエンスと人工知能はヘルスケア業界をどのように変えるのでしょうか?

データサイエンス、機械学習、人工知能は、ヘルスケア業界に大きな変革をもたらす可能性があります。このインタビューでは、ロイヤル フィリップスの最高医療・イノベーション・戦略責任者であるシェズ パルトヴィ博士が、患者の治療成果の向上や病気の診断などにこれらの技術が果たす重要な役割について語っています。

会話には以下のトピックが含まれていました。

• 医療技術企業フィリップスについて。
• ヘルスケア変革におけるデータの役割。
• ヘルスケア変革におけるデータ分析の必要性を再考する。
• ヘルスケア変革におけるデータ収集とデータ ソース。
• ヘルスケアにおけるデータ サイエンス アプリケーションを患者の転帰の改善につなげます。
• 医療におけるデータ共有のインセンティブを創出します。
• データ サイエンスで解決する適切な問題を選択します。
• データ中心の医療における偏見を回避する。
• 医療データ サイロに基づく患者のロックイン。
• 不正なデータ、アルゴリズム、患者の転帰の責任は誰にあるか。
• ヘルスケアにおけるデータと AI の未来。

2021年3月、シェズは世界有数の医療技術企業であるロイヤル フィリップスの最高イノベーションおよび戦略責任者に正式に就任し、最高技術責任者、研究、HealthSuite プラットフォーム、最高医療責任者、製品エンジニアリング、エクスペリエンス デザインおよび戦略などを率いる責任を負っています。イノベーションおよび戦略組織は、顧客のニーズを満たし、ビジネスの成長と収益性の目標を推進するために、事業部門および市場と協力して会社の戦略を導く責任も負っています。

パルトヴィ氏は1998年にバロー神経研究所の神経放射線科医としてキャリアを開始し、2013年まで臨床診療を続けました。その後、パルトビ氏は米国で5番目に大きな医療システムであるディグニティ・ヘルスで20年間勤務した。2018年にアマゾンに入社し、ヘルスケア、ライフサイエンス、医療機器事業開発のグローバルヘッドとして、アマゾンのグローバルマーケティング活動を担当している。

彼はモントリオールのマギル大学で医学の研修を受けたほか、コンピューターサイエンスの大学院の学位も取得しています。彼はアリゾナ州立大学の生物医学情報学部の設立に携わり、そこで 3 年間臨床教授を務めました。

インタビューからの抜粋：

ヘルスケアテクノロジー企業フィリップスについて

マイケル・クリグスマン（モデレーター）：データサイエンスと人工知能はヘルスケア業界に変革をもたらしています。次に、ロイヤル フィリップスの最高イノベーションおよび戦略責任者であるシェズ パルトヴィ氏に簡単にご紹介いただきたいと思います。

シェズ・パルトヴィ： 7年前、フィリップスはヘルスケア以外のすべての事業を売却することを決定し、現在は本格的な医療テクノロジー企業となっています。つまり、Philips Lighting という名前は残っているかもしれませんが、実際にはそれは単なる生産の看板にすぎません。フィリップス自体は現在、在宅、外来、入院を含む継続的ケアに重点を置いた 100% 医療テクノロジー企業です。

ですから、フィリップスについて考えるときは、ヘルステック企業として考えてください。これは 130 年の歴史を持つ「スタートアップ」企業です。実際に変革したのは 10 年前だけなので、130 年の歴史を持つスタートアップ企業のように活動しています。

マイケル・クリグスマン：私の知る限り、あなたは医者です。現在、あなたはフィリップスの最高イノベーション・戦略責任者を務めています。あなたの役割、業務内容、重点を置いていることについて簡単に説明していただけますか?

ShezPartovi:私は戦略面で仕事ができるという点で、世界で最高の仕事の 1 つに就いています。私は顧客と協力して満たされていないニーズを理解し、顧客の抱える問題から始めて、同僚と協力して、フィリップスが実際に顧客の問題を解決できるような戦略を立て始めました。それが戦略的な側面なのです。

では、イノベーションに関して言えば、お客様の意見や問題に耳を傾ける際、これらの問題を解決するために、お客様の視点からどのようにイノベーションを起こすべきかを明確にする必要があります。フィリップス社内のイノベーション コミュニティ全体が私の責任の一部であり、私たちはお客様のニーズに耳を傾け、市場の動向を観察し、フィリップスが保有する技術やフィリップス外の技術を調査し、それらを統合してお客様のニーズを満たすようにしています。

この仕事の核となるのは、顧客の声に耳を傾け、シグナルを捉え、戦略を立て、それをイノベーション チームに伝えることです。「顧客のニーズを創造的に満たすにはどうすればよいか。顧客の視点からイノベーションを起こすにはどうすればよいか。」そして、これらの提案を実践に移します。これは私が率いているチームであり、これまでで最高の仕事だと思っています。

ヘルスケア変革におけるデータの役割

Michael Krigsman:あなたの仕事の多くはデータに焦点を当てていることを知っています。ヘルスケアの変革におけるその役割について説明していただけますか?

ShezPartovi:私たちは現在、ヘルスケア分野で多くのデータ作成とデータ生成を行っています。もちろん、皮肉屋は「ああ、そのほとんどは請求目的だけだ」と言うでしょう。

このような見方にもかかわらず、現在ではデータの大部分がデジタル化されているのも事実です。たとえば、クリップボードを使用してオンラインで何かを入力すると、データがデジタル化されたことになります。しかし、デジタル化の仕組みやプロセスは必ずしもシームレスでスムーズなわけではなく、反復的で些細な作業も多くあるかもしれません。

臨床医の燃え尽き症候群、医師や看護師の燃え尽き症候群について人々が話すとき、その理由の一部は、私たちがデジタル変革を行っているものの、必ずしも摩擦のない方法で行われているわけではなく、ワークフローを意識しておらず、反復的であるということです。これは最良のデジタル化プロセスではありません。

そして、データの作成と生成の問題に戻ると、驚くべきことに、このデータを有意義に使用していないと主張する人もいます。データは豊富にあるかもしれませんが、洞察力が欠けているかもしれません。

A) 摩擦のない方法でデータを作成します。 B) 残念ながら、このデータから特に優れた洞察は得られませんでした。私の観点からすると、ここは取り組むべきところです。

ヘルスケア変革におけるデータ分析の必要性を再考する

マイケル・クリグスマン:なぜこの 2 つの基本的な質問をするようになったのですか?

ShezPartovi:いくつかの課題に直面しました。まず、今日生成されるデータは依然としてアプリケーション中心であり、つまり分離されています。私が医療制度で働いていたとき、申請が約 1,500 件あったことを覚えています。ここで、データをデジタル化していて、そのデータがアプリケーション環境に存在するが、アプリケーションの数が 1,500 個あると想像してください。

2 番目に、データの流動性が欠如しています。つまり、データをデジタル化してディスクに保存しても、必ずしもそれを環境に統合してそこから洞察を得ることができるわけではありません。サイロ化された環境が多数あるため、すべてのデータを共通の環境に統合し、そこから洞察を生成できるようにするには、やるべき作業がたくさんあります。

もちろん、テクノロジーも進歩しています。 Philips には、データのモビリティを重視した「Health Suite」と呼ばれる環境があります。何百もの異なるソースからデータを取得し、それを組み合わせて、そこから洞察を引き出すことができます。

それが私たちの仕事です。実際、多くの医療システムは現在、データを共通の環境に統合するのに苦労しています。

ヘルスケア変革におけるデータ収集とデータソース

マイケル・クリグスマン：データの流動性と相互運用性は、デジタル活動の多くの分野で依然としてボトルネックとなっているようです。そうですか？

シェズ・パルトヴィ：はい。実際、データの相互運用性は、単にデータを共有する構文上の相互運用性と、意味を共有するセマンティックな相互運用性の ​​2 つの次元として考える必要があります。

確かに、依然として多くのデータ サイロが存在していますが、データの相互運用性においても大きな進歩を遂げてきたことは否定できません。相互運用性がますます高まるにつれて、一部の組織では流動性が生まれ、データから情報へ、情報から知識へ、知識から洞察へというビジョンも生まれました。ここで人工知能が役に立ちます。

Michael Krigsman:先ほどおっしゃった「データリッチ」から「データドリブン」へとどのように移行するのでしょうか?

ShezPartovi:データから情報へ、情報から知識へ、そして知識から洞察へという流れの例を挙げることができます。血糖値などの単一のデータポイントから始めましょう。 1回の血糖値が1デシリットルあたり140mg程度であれば、高値です。しかし一方で、これはその人が食べたばかりだからでしょうか？空腹時血糖値でしょうか？非空腹時血糖値でしょうか？つまり、これは単なる 1 つのデータ ポイントです。有用だが、まだ洞察に富んでいない。

しかし、血糖値が上昇傾向にあると伝えれば、それは情報です。情報はトレンドであり、このトレンドが上昇しているということは、あなたの体に何か問題がある可能性があることを意味します。

患者の病歴をさらに調べて、糖尿病の初期段階にある可能性があるとわかれば、それは知識になります。しかし今日、品質の向上、コストの削減、エクスペリエンスの向上という 3 つの目標を積極的に達成するためには、医療システムが何を求めているのか、臨床医、医師、看護師、組織が何を求めているのかを理解する必要があります。彼らが求めているのは、単なるデータ、情報、知識以上のものです。

彼らは次のような質問に答えたいと思っています。あなたが私に見せているこの患者の血糖値が糖尿病前症である可能性はどれくらいですか？今後 18 か月以内にうっ血性心不全を発症する可能性はどれくらいですか？今後 2 年以内に糖尿病性足潰瘍を発症する可能性はどれくらいですか？

このような予測、このような未来への洞察こそが、本当のチャンスなのです。データを統合し、それを使用して機械学習モデルを構築し、AI を使用できるようになったとき、それはまさにデータを使用して組織に洞察をもたらしているときです。

それが流れでした。データから情報、知識、観察、そして私にとって役立つものへと。現時点でこのサービスポイントでこの患者に提供できる最高のサービスです。

ヘルスケアにおけるデータサイエンスの活用による患者の転帰改善

Michael Krigsman:これらすべてを患者の成果にどのように結び付けるのでしょうか? あるいは、この相互運用性があれば、どのような利点があるのでしょうか?

ShezPartovi:すべてを要約すると、上で述べた 3 つの目的、つまり、ケアの質の向上、ケアのコストの削減、そして臨床医や患者の臨床経験や消費者体験の向上になります。たとえば、まずは最も簡単に実行できると思われるコスト削減から始めましょう。

AI がデータを使ってできることの 1 つは、現実世界の業務予測と呼ばれるものを支援することです。たとえば、来週の金曜の夜に救急科に何人の人員が必要か、患者の流れはどの程度か、病院に来る患者の流れを予測して人員レベルを調整できるか、などです。ちなみに、これはケアの質に影響を及ぼします。人員が不足すると困難になるからです。適正規模化は、コストとケアの質の両方にプラスの影響を与えます。

たとえば、ADT フロー (入院、退院、転院) を使用して、病院への患者の流れを予測するモデルを構築すると、適切な人員配置を実現でき、患者のエクスペリエンスだけでなく、臨床医のエクスペリエンスにも影響します。なぜなら、スタッフが不足すると、間違いなくケアの質に影響が出るからです。まさにこれがフィリップスが現在行っていることです。

以上が運用予測です。次に先ほど申し上げた臨床予測についてお話をさせていただきます。私は糖尿病を例に挙げ、糖尿病性足潰瘍や心臓病の可能性を予測します。実際、臨床予測の例は他にもたくさんあります。

たとえば、AI と機械学習を使用して放射線画像を読み取り、異常を特定または予測することができます。アルゴリズムにより、治療の質に影響を与えるため画像をできるだけ早く処理する必要があると判断された場合、放射線科医は直ちに画像を確認し、積極的な措置を講じる必要があります。アルゴリズムは、画像を撮影順に並べるのではなく、異常のある画像を先頭に配置します。病気をまず発見し、治療することによってのみ、良好な治療結果を達成することができます。

フィリップスでは、これらは患者の転帰を改善するための AI と ML の最も一般的な使用例です。

医療におけるデータ共有のインセンティブの創出

Michael Krigsman:膨大な量のデータが、市場をリードするごく少数のアプリケーションに存在します。なぜ独占企業はこのデータを共有するインセンティブを持つのでしょうか? 言い換えれば、ソフトウェアとインフラストラクチャの市場原理は、あなたが説明したようなデータ共有に影響を与えないのでしょうか?

Shez Partovi:データは医療システムに属しており、ソフトウェア企業が実際にデータを所有しているわけではありません。たとえば、フィリップスはデータを所有しておらず、本質的には単なるデータ管理者です。

しかし、私は、世界中にソフトウェア企業が実際にこのデータを所有している国があることを知っています（悪く言いたくないので名前は挙げません）。したがって、あなたの主張は正しいと言えます。

しかし、少なくとも米国では、「データの共有を拒否します」と言うのは正しくありません。情報ブロック規則によりこれが禁止されます。

Michael Krigsman:どのようなデータを集約する必要があるのか​​教えていただけますか?

ShezPartovi: AI や機械学習、臨床予測や運用予測について考えている場合は、まず問題から始めて、必要なデータを理解する必要があります。たとえば、Google マップを例に挙げてみましょう。覚えていると思いますが、かつては赤いヒート マップを使って道順と時間を表示していた時期がありました。その後、サイクリング時間、ウォーキング時間、最適なルートなどが表示されるようになりました。提供したい予測や価値に応じて、より多くのデータを収集しています。

さて、ビジネス自体に戻りましょう。モデルを作成するためにどのようなデータを収集する必要があるかを検討する際には、問題から始める必要もあります。適切かつ効率的なケアの規模を維持するために、入院期間を予測したいとします。その場合、おそらく必要なのは、滞在時間を予測するための ADT ストリームだけです。一方、ある人が特定の病気や特定のがんにかかっているかどうかを予測しようとする場合、画像診断、血液値、EHR（電子健康記録データ）が必要になる場合があります。

要約すると、問題ステートメントから始めて、何を予測しようとしているのか、臨床医や運用チームに提供したいツールは何かを理解し、それから逆算して、予測を提供するモデルを構築するために必要なデータを確認する必要があります。

データサイエンスで解決すべき適切な問題の選択

Michael Krigsman:解決すべき正しい問題を確実に選択するにはどうすればよいでしょうか?

Shez Partovi:どの組織にも、運用上の問題を解決しようとしている運用担当者がいるか、あるいは小規模なチームがあるかのどちらかです。リーンチームは少し前にとても人気がありました。今では変革チームが存在します。

名前は異なりますが、いずれも解決すべき問題を探しています。そしてもちろん、臨床エクセレンスチームと運用エクセレンスチームもあります。ただ、あなたの組織では、別の名前で呼ばれている可能性があります。

運営委員会の会議に出席すれば、彼らが解決すべき問題や抱えている悩みをおそらく知っていることがわかるでしょう。実際、これらは顧客から伝えられた言葉です。したがって、すでにプログラムを実行しているチームから始めることをお勧めします。たとえば、最高看護責任者または最高医療責任者が臨床優秀プログラムを実行している場合や、最高執行責任者が運用の無駄のないプログラムまたは優秀プログラムを実行している場合などです。彼らはいくつかの課題を解決しようとしています。つまり、これらの問題を解決するためのツールとして機械学習モデルを構築するためのデータがあるのです。

私が言いたいのは、もし私が医療システムの最高マーケティング責任者（CMO）だったら、解決すべき多くの問題に直面することになるだろうが、私はすでに取り組んでいる問題から始めるだろう、ということです。同時に、これらのチームのツールとして AI と ML を使用することを検討してください。

データ中心の医療における偏見の回避

Michael Krigsman:言い換えれば、臨床上または外科的に直面する可能性のある、差し迫った実際的な問題を解決することです。それは正しいですか？

ShezPartovi:もちろんです。つまり、私は今、現実的になっているということです。それは組織の KPI と一致する場合もあれば、チームの KPI と一致する場合もあります。実際に最も簡単で直接的な開始点は、これらのことから始めることです。

Michael Krigsman:データをより効果的に活用する、よりデータ中心の医療システムになるという課題は、テクノロジーが運用面に偏っているということでしょうか?

ShezPartovi:まず、もちろんデータをデジタル化する必要があります。データに関しては、量、多様性、正確性という 3 つの V があります。保全ツールとして機能するモデルを実際に作成するには、これらの特性を実装する必要があります。大量化は偏見を排除するのに役立ち、多様性はより優れた機械学習モデルを生み出し、信頼性はデータの真実性を回復するからです。

これが最初のステップです。次に、実際にモデルをトレーニングし、データにラベルを付けて、モデルを検証する必要があります。さらに、米国食品医薬品局 (FDA) の審査を申請するかどうかも決定する必要があり (たとえば、フィリップは FDA の審査を申請しました)、それを検証するだけでなく、特定の要件を満たす必要もあります。

これが実際に当てはまることを証明するために結果研究を実施します。繰り返しますが、これはサプライヤー側の問題です。内部的には、操作のためにそうする必要はありません。

データ（大量、多様性、信頼性）、ラベリング、機械学習、モデリング、テストと検証など、これらすべての活動では、組織が医療技術企業と連携する必要があります。複雑な学術医療センターの場合、必要な人材を探すために大学に連絡することもあります。

障壁は何かと聞かれた場合、それは Philips から入手したツールを実装するのか、それとも自分でこれらのツールを構築するのかによって異なります。この場合、あなたを支援できるヘルステック企業と提携するか、あなたを支援できる何らかの企業と提携するか、またはこれを行うための社内能力を構築することを決定する可能性があります。

ツールはそこにあります。しかし、これらすべてを統合するには、能力、トレーニング、スキルアップが必要です。したがって、社内で構築するか、パートナーと協力して構築するかのいずれかになります。

Michael Krigsman:データがさまざまな記録システム (基本的には異なるソフトウェア ベンダーの異なるシステム) から取得される場合、組織はどのようにして企業全体のビューを作成できるのでしょうか。

ShezPartovi:すべてのデータが 1 つにまとめられた環境にデータを置く必要があります。少なくとも技術的には、保管領域、つまり「データ レイク」または何と呼ぼうと、健康データ スペースが必要であることを考慮する必要があります。

質問者は視覚化の問題について言及しましたが、これは重要だと思います。上記では、データ、情報、知識、洞察について説明しましたが、覚えておられると思いますが、視覚化とは、データを情報に変換するために使用した用語です。

人々は、視覚化をダッシュ​​ボードやグラフの表示と関連付けることに慣れています。しかし、もっと強力なのは、おそらく質問で示唆されているように、このデータから、単純な視覚化よりもはるかに高い ROI を得られる洞察をどのように生み出すかということだと思います。ちなみに、機械学習モデルを実行する場合、データセンターに設置され、1 日 30 分しか使用せず、23.5 時間アイドル状態になっている高価な GPU を購入したくないので、できればクラウド内の何らかのデータ レイク環境が必要だと思います。

クラウドを使用して、使用した分だけ支払うことができます。クラウドでは、最も複雑な機械学習モデルのトレーニング セットやトレーニング手法を使用でき、使用した分だけ料金を支払うことになります。独自のデータセンターで構築しようとすると、ほんの少しの時間しか使用されないものに多額の費用を支払うことになります。決してそんなことはしないでください。

医療データサイロに基づく患者の囲い込み

マイケル・クリグスマン：私自身の話を少しさせてください。特定の医療制度の名前は挙げませんが、私は絶対にその制度に固執するつもりです。理由はたくさんありますが、その一つは、彼らが素晴らしい、素晴らしい医師であるということです。しかし、情報ロックアウト機能もあり、私がシステムを離れると医師から通知が届きます。この本質的な情報のロックインは、あなたが説明したようなデータ共有に悪影響を及ぼすのではないでしょうか?

ShezPartovi:これによって、データ共有が確実に難しくなります。しかし、多くの組織がこの現状から脱却しようとしています。たとえば、私たちのパートナーである UCSF は、上で述べた共通の共有環境を使用しており、UCSF 環境外の診療所から実際にデータを取得し、患者が診療所間を移動したり情報を共有したりすることをシンプルかつ容易にする総合的なビューを作成しようとしています。

不正なデータ、アルゴリズム、患者の転帰の責任は誰にあるのでしょうか?

マイケル・クリグスマン:間違ったデータ、間違ったアルゴリズム、そしてそれによる間違った予測があった場合、誰が責任を負わなければならないのでしょうか?

Shez Partovi:フィリップスでは、これは臨床医の意思決定を支援するツールであると引き続き考えていますが、最終的には臨床医が最終決定を下せるようにしたいと考えています。

ですから、まず第一に、哲学的に、少なくとも私たちの観点からは、血液検査や他の検査と同じように、透明性があり、偏見がなく、経験を向上させ、臨床医の仕事を支援できるツールをどのように作成するかを検討しています。

ちなみに、どの検査でも偽陽性や偽陰性が出る可能性があります。臨床医は検証と総合的な考慮に基づいて決定を下しますが、これはアルゴリズムが独自に診断を下すのとは異なります。データ、アルゴリズム、予測など、それらは臨床医が意思決定を行うのに役立つツールにすぎません。

次に、データの偏りに関して言えば、これまでの 3V (量、多様性、信頼性) に 1V (検証) を追加します。もちろん、アルゴリズムを作成するプロセスには、この質量、多様性、信頼性、そして検証が含まれます。

実際のところ、臨床医として、私たちはみな医療を地域的なものだと考えています。つまり、ある地域で流行している病気が、別の地域では流行していない可能性があるということです。私はカナダとアメリカの両方で研修を受けました。カナダで特定の胸部X線検査で結核が判明したのに対し、私が研修を受けた米国では同じ所見が肺コクシジオイデス症であったことをお伝えします。それらは違います。しかし、それは医療が地域に根ざしているからです。

アルゴリズムは、展開環境に応じて微調整する必要があります。米国はもちろん、世界全体で共通するアルゴリズムは存在しない。ヘルスケアは地域密着型です。トレーニングはローカルで微調整する必要があります。

Michael Krigsman:モデルをローカライズしたり、地域の状況を反映させる必要があるという非常に刺激的な指摘をされていますね。これらのモデルを作成する責任は誰が負うべきでしょうか?

ShezPartovi:アルゴリズムは微調整できます。私たちはそれを行っています。したがって、モデルは「汎用的に」トレーニングおよび微調整することも、本番環境に移行する前に環境内でバックグラウンドでデプロイして、デプロイ後にトレーニングを継続することもできます。

定義上、実装と継続的な使用を通じてローカライズされます。

Michael Krigsman:これらのモデルは、通常、ソフトウェア ベンダー、医療システム、または Philips のような企業によって提供されるのでしょうか。これらのモデルは誰が提供するのでしょうか。

Shez Partovi:上記のすべてが利用可能です。もちろん、フィリップスもモデルを開発しており、実際に「AIManager」と呼ばれる環境があり、このマネージャーに当社のモデルを入れて使用することができます。

組織は独自にモデルを構築し、それを AI Manger に入れて使用することもできます。現在、これを行っている若い企業は数多くあります。データにアクセスできる企業であれば、優れたデータを使用してモデルを構築できると思います。

Michael Krigsman:つまり、ローカル モデルはモデル内のバイアスを減らす方法だということですが、私の理解は正しいでしょうか?

Shez Partovi:はい、バイアスを減らすのに役立ちます。トレーニングされ検証されたモデルがローカル マシンに取り込まれ、使用され始めると、ローカルに最適化されたモデルになります。

ヘルスケアにおけるデータとAIの未来

Michael Krigsman:今後数年間でヘルスケアにおけるデータと AI はどこに向かうのでしょうか?

ShezPartovi:組織や血液を採取して検査を行うと、データ ストリームが作成され、そのデータを取得してテストとしてアルゴリズムを実行できます。そうですね、血液を採取してその血液の検査を行うのと同じように、データを医療システムの静脈と動脈に流すことができます。そのデータを取得してアルゴリズムを適用することができます。

臨床医は順序付けアルゴリズムをテストとして使用します。はい、常に実行されているバックグラウンド アルゴリズムがあります。しかし、一部のアルゴリズムでは大量の計算能力が必要になる場合があります。このようなアルゴリズムは、実行するために計算能力を使用するため、実際にはコストがかかる可能性があります。

時間が経てば、臨床医は検査を指示するのと同じようにアルゴリズムを指示するようになると思います。

マイケル・クリグスマン：これはいつまで続くと予想していますか？

Shez Partovi:おそらく5年から10年以内に何らかの初期兆候が見られるようになると思います。

Michael Krigsman:データ サイエンスが利益の増加だけでなく患者ケアの改善にも活用されるようにするにはどうすればよいでしょうか。また、このテクノロジーは非常に高価ですが、その点についてどのように考えればよいでしょうか。

ShezPartovi:人々は、ヘルスケアにおける品質の向上、コストの削減、エクスペリエンスの向上のために、AI と ML のテクノロジーを組み合わせることの重要性を正しく認識する必要があります。実際、コストが占める割合はこれらの要因の 3 分の 1 に過ぎないことがわかります。コスト削減だけでなく、トリプル・エイムのあらゆる側面に焦点を当てるべきです。

先ほど「データ サイエンスは業務効率の向上に活用される」と述べましたが、私の意見では、業務効率の向上がケアの提供の改善につながる場合もあります。たとえば、人員不足はケアの質の低下につながる可能性があるためです。これらの要素はすべて結びついており、これらの要素が別個のものであると人々に感じてもらいたくありません。

マイケル・クリグスマン:この変化する環境に直面している医療業界の幹部にアドバイスはありますか? 彼らは適応する必要があることはわかっていますが、非常に大きな財政的圧力、規制上の圧力、あらゆる種類の圧力にさらされているため、適応するのは非常に困難です。

ShezPartovi:これは私が他の組織での初期の仕事で非常に深く経験したことです。ここではフィリップスを代表しているので、これは利己的に聞こえるかもしれませんが、もし私が CMO だったら、トレーニングやスキルアップなど、さまざまなことを行うでしょう。

管理者への私のアドバイスは、抱えている問題に対する最善の解決策を同僚から見つけ、テクノロジー パートナーを招き入れて、そのパートナーと協力して AI ML を問題にどのように適用できるかを確認することです。これが私が管理者として行う作業です。

マイケル・クリグスマン:医療の世界が変化していることについて、政策立案者に何を理解してほしいですか?

シェズ・パルトヴィ：政策立案者は理解すべきであり、理解する必要があります。 AI と ML は、トリプル・エイムの推進において重要な役割を果たします。したがって、私の意見では、この時代において、AIML は品質を向上させ、コストを削減し、患者と臨床医の体験を向上させることができます。

政策立案者は、データ サイエンスの導入を促進し、AI と ML への障壁を取り除く方法を検討する必要があります。そうすることで得られる最終的な効果は、他のグループが望んでいるものと同じだからです。これら 3 つの目標は相互に関連しており、政策を通じて実践を進める方法を検討する必要があります。