チーフデータとAIの役員は、データガバナンスが重要だと言います

高度な分析と自動化を活用して、小児病院は結果最初のAI設計に焦点を当てています

Alda Mizakuが子供の国立病院でチーフデータとAI役員の役割を引き受けたとき、その地位はまだ存在していませんでした。生物医学工学と予測モデリングのバックグラウンドにより、彼女は技術的および臨床的視点の両方を変革的な役割になるものにもたらしました。彼女の最優先事項：組織全体で分析とAIを促進するために必要なデータ基盤を確立します。

米国の上位5つの小児病院にランクされた子供の国民は、ワシントンDC、メリーランド州、バージニア地域にサービスを提供し、世界中の患者を引き付けています。複雑さと規模の両方で定義されている環境では、Mizakuの使命は、即時の価値を実証しながら、エンタープライズ全体の機能を開発することでした。それには、従来の連続的なアプローチを再考する必要がありました。

ポッドキャスト： 新しいウィンドウで再生します | ダウンロード （期間：38:58 – 26.8MB）

購読する： アップルポッドキャスト | Spotify | アンドロイド | パンドラ | iheartrodo | ポドカセー | ポッドキャストインデックス | メール | チューン

「飛んでいる間、私たちは本当に飛行機を建設しなければなりませんでした」と彼女は言いました。 「それは私たちがどのように訓練されているかではありませんが、結果を表示する前にプラットフォームを構築するのに2年間待つのはヘルスケアでは機能しません。その下にインフラストラクチャを確立しながら、価値を迅速にもたらさなければなりませんでした。」

このアプローチには、クラウドベースのデータプラットフォームの起動と、集中化されたエンタープライズデータモデルの定義が含まれます。これは、分析、自動化、およびAIイニシアチブをサポートする単一の真実のソースです。

AIは手段として、終わりではありません

生成的AIと自律システムの周りの興奮は成長しますが、Mizakuは、テクノロジーではなく、問題から始めることの重要性を強調しました。彼女は、AIを、予測モデルから生成エージェント、自動化ワークフローまで、複数の機器を含むツールボックスとして説明しました。ただし、適切なツールを選択するには、運用目標と明確なアライメントが必要です。

「テクノロジーのためのテクノロジーは、特にヘルスケアではあまり達成されません」と彼女は言いました。 「私たちは問題から始め、臨床的および運用上のコンテキストを理解し、それをサポートするための適切なツールを決定する必要があります。」

この考え方は、いわゆる「光沢のある新しいおもちゃ」の魅力を和らげるのにも役立ちます。 Mizakuは、Genai Demand Demanceの探査などの画期的なテクノロジーが、実現可能性と価値評価が不可欠である一方であると述べました。スケーラビリティ、安全性、実装コストの問題が中心的な役割を果たしているため、インパクトの高いアイデアでさえ、リソースの制約と比較検討する必要があります。

データ自体は、理論と実践の間の橋渡しになります。ワークフローがどのように機能するかを理解する – 実際のデータの直接観察と分析の両方を通して – リーダーは、隠されたままである可能性のあるバリエーション、ボトルネック、および非効率性を特定することを許可します。その知性は、どのテクノロジーを採用するだけでなく、それらを効果的に適用する方法もガイドします。

変化のパラドックス

大規模なAIを実装するには、優れたテクノロジー以上のものが必要です。信頼、ガバナンス、文化的賛同が必要です。 Mizakuによると、変化のための成功した戦略は、2つの同様に重要なコンポーネントに依存しています。意思決定者を設計プロセスに直接関与させ、早期採用者を活用して勢いを築きます。

「一緒にやりたい」と彼女は言った。 「最初から人々を連れてきて、ソリューションに指紋を手に入れ、それを形作るのを手伝わせてください。そうすれば、それは彼らのものになります。」

しかし、すべての熱狂的なパートナーにとって、懐疑論者がいるかもしれません。イノベーションをスケーリングするための宮城のアプローチは、最初にリードしたいと思っているチャンピオンを見つけることに焦点を当てています。プロジェクトが成功すると証明されると、その結果は、組織内の他の場所での採用を促進する証拠として機能します。多くの場合、最初は変化に抵抗した分野でです。

役割のもう1つのニュアンスには、競合する力のバランスが含まれます。一方では、Mizakuのチームは、AIテクノロジーの幅広い安全な使用を可能にする任務を負っています。一方、彼らは、新しい、しばしば無視されていないツールをパイロットしようとする上級ユーザーからの成長するリクエストリストを管理する必要があります。責任あるAI使用ポリシーを確立することは基本的なステップであり、子どもたちが部門全体でツールを安全に承認およびサポートできるようにします。しかし、これらのリソースが整っていても、利用可能なものと使用されているものの間にギャップが残っています。

「環境には、人々が使用すべきですが、そうではないツールがあります」と彼女は言いました。 「私たちは利用を見て、障壁とは何かを尋ねなければなりませんか？同時に、まだサポートできないツールを持ち込むためのリクエストが得られます。

インパクトのための埋め込み

AIを臨床的および運用上のワークフローに埋め込むことは、それを上に追加するよりも重要です。 Mizakuは、AIが既存のシステムにシームレスに統合する実用的な結果を生成する必要があることを強調しました。単に洞察を生成するだけでは十分ではありません。自動化とオーケストレーションは続く必要があります。

彼女は、AIが患者が臨床記録に基づいて取るべき5つの次のステップを特定するユースケースを説明しました。そのリストを正確性のために確認することは重要ですが、EHRメッセージ、電話、またはアプリ通知を介して、情報が患者にどのように届くかを自動化することがさらに重要です。人間にはまだ役割がありますが、AI出力を検証する以上の価値を追加する必要があります。

場合によっては、AIはそれ自体の検証を支援することさえできます。あるモデルが別のモデルの精度をチェックする場所で、複数のモデルを一緒にチェックすることにより、Mizakuは、健康システムが信頼を改善し、人間のレビューに必要な時間を短縮できると考えています。それでも、特にサードパーティのツールを評価する場合、トレーニングデータとアルゴリズムの動作に関する透明性は依然として重要です。

これは、人口とデータセットが成人医学とは大きく異なる小児ケアで特に重要です。ヘルスシステムは、モデルのトレーニングと検証方法を明確にするためにベンダーを押し付ける必要があります。そのデューデリジェンスがなければ、リスクは増加します。

それを奪ってください

• インフラストラクチャを構築し、遅れのある影響を避けるために同時に価値を提供する
• 分析、AI、および自動化の基礎として集中データモデルを使用します
• テクノロジーファースト実装よりも問題ファースト設計を優先します
• 設計プロセスの早い段階で運用リーダーを引き付けるために、所有権を促進する
• 影響力が高く熱狂的なチャンピオンのAIユースケースから始める
• 新しいツールを審査しながら安全なツールを有効にすることによるガバナンスと革新のバランス
• 新しい展開を追求する前に、既存の承認されたツールの利用を増やす
• AIの結果をワークフローに直接埋め込み、洞察だけでなくアクションを作成します
• 出力を検証し、幻覚のリスクを減らすチェーンモデル
• サードパーティツールのトレーニングデータとバイアスに関するベンダーからの透明性を需要

「意図的にそれを行うとすぐに動くことができます」と光嚢は言いました。 「信頼できるデータ、適切な人々、価値に焦点を合わせたとき、変化が可能になると、」