數(shù)據科學、機器學習和人工智能有可能以深刻的方式改變醫(yī)療保健行業(yè)。在本期采訪中，皇家飛利浦(Royal Philips)首席醫(yī)療、創(chuàng)新和戰(zhàn)略官Shez Partovi博士為我們介紹了這些技術在改善患者治療效果、診斷疾病等方面發(fā)揮的重大作用。

對話包括以下主題：

• 關于健康科技公司飛利浦。
• 數(shù)據在醫(yī)療保健轉型中的作用。
• 在醫(yī)療保健轉型中重新思考數(shù)據分析的必要性。
• 醫(yī)療健康轉型中的數(shù)據收集和數(shù)據來源。
• 將醫(yī)療保健中的數(shù)據科學應用與改善患者治療效果聯(lián)系起來。
• 為醫(yī)療保健的數(shù)據共享創(chuàng)建激勵措施。
• 在數(shù)據科學中選擇正確的問題來解決。
• 避免以數(shù)據為中心的醫(yī)療保健中的偏見。
• 基于醫(yī)療保健數(shù)據孤島的患者鎖定。
• 誰應對不良數(shù)據、算法和患者治療結果負責。
• 醫(yī)療保健中數(shù)據和人工智能的未來;

2021年3月，Shez正式擔任全球領先的醫(yī)療技術公司皇家飛利浦的首席創(chuàng)新和戰(zhàn)略官，負責領導首席技術辦公室、研究、HealthSuite平臺、首席醫(yī)療辦公室、產品工程、體驗設計和戰(zhàn)略等。同時，創(chuàng)新和戰(zhàn)略組織還與運營業(yè)務及市場合作，負責指導公司戰(zhàn)略，以滿足客戶需求并推進業(yè)務的增長和盈利目標。

據悉，Partovi的職業(yè)生涯始于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。此后，Partovi在美國第五大醫(yī)療系統(tǒng)DignityHealth中工作了20年，于2018年加入亞馬遜并擔任醫(yī)療保健、生命科學和醫(yī)療設備業(yè)務開發(fā)的全球主管，負責亞馬遜全球范圍內的市場推廣工作。

除了在蒙特利爾的麥吉爾大學接受過醫(yī)學培訓外，他還擁有計算機科學的研究生學歷。他幫助在亞利桑那州立大學創(chuàng)辦了生物醫(yī)學信息學系，并在那里擔任了三年的臨床教授。

采訪摘錄：

關于健康科技公司飛利浦

Michael Krigsman(主持人)：數(shù)據科學和人工智能正在改變醫(yī)療保健行業(yè)。下面有請皇家飛利浦首席創(chuàng)新和戰(zhàn)略官ShezPartovi為我們做簡單介紹。

ShezPartovi：七年前，飛利浦決定剝離醫(yī)療保健以外的所有業(yè)務，現(xiàn)在它已經完完全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(xiàn)在是一家100%的健康科技公司，專注于持續(xù)護理，包括家庭、門診、住院等。

所以，現(xiàn)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“初創(chuàng)”公司，因為它在10年前才真正實現(xiàn)了自我轉型，所以它就像一家擁有130年歷史的初創(chuàng)公司。

MichaelKrigsman：據我所知，你是一名醫(yī)生?，F(xiàn)在你又是飛利浦的首席創(chuàng)新和戰(zhàn)略官。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(zhàn)略方面的事務。我開始與客戶合作，了解他們未滿足的需求，并從客戶的問題出發(fā)，與同事一起制定戰(zhàn)略，讓飛利浦能夠真正為客戶解決這些問題。這就是戰(zhàn)略方面的意義。

然后說創(chuàng)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(chuàng)新來解決這些問題?飛利浦內部的整個創(chuàng)新社區(qū)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，然后探索我們擁有的或飛利浦外部的技術，并將其整合起來，以便能夠滿足客戶需求。

這項工作的核心就是傾聽客戶、獲取信號、制定策略，然后傳達給創(chuàng)新團隊：“我們如何創(chuàng)造性地滿足客戶需求?我們如何從他們的角度進行創(chuàng)新?”然后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。

數(shù)據在醫(yī)療保健轉型中的作用

Michael Krigsman：我知道你的很多工作都集中在數(shù)據上。你能解釋一下它在醫(yī)療保健轉型中的作用嗎?

ShezPartovi：我們現(xiàn)在在醫(yī)療保健領域進行了大量的數(shù)據創(chuàng)建和數(shù)據生成工作。當然，憤世嫉俗的人會說，“嗯，是的，其中大部分僅用于計費方面。”

盡管有這種觀點，但現(xiàn)在絕大多數(shù)數(shù)據都是數(shù)字化的，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(shù)據已經數(shù)字化。而數(shù)字化的機制和過程不一定是無縫和無摩擦的，其中可能有很多重復的、瑣碎的任務。

當人們談論臨床醫(yī)生職業(yè)倦怠、醫(yī)生和護理職業(yè)倦怠時，部分原因在于，雖然我們正在進行數(shù)字化轉型，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，且是重復的。這并不是最佳的數(shù)字化過程。

然后回到數(shù)據創(chuàng)建和生成問題上，有些人會爭辯稱，我們并沒有以一種非常驚喜的方式有意義地使用這些數(shù)據。我們可能擁有豐富的數(shù)據，但缺乏洞察力。

A)我們以一種充滿摩擦的方式來創(chuàng)建數(shù)據。B) 遺憾的是，我們并沒有真正從這些數(shù)據中創(chuàng)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。

在醫(yī)療保健轉型中重新思考數(shù)據分析的必要性

Michael Krigsman：導致你提出上面兩個基本問題的原因是什么?

ShezPartovi：我們面臨著一些挑戰(zhàn)。第一，生成的數(shù)據現(xiàn)在仍然更多的以應用程序為中心，這意味著它們處于孤立狀態(tài)。我記得當我在衛(wèi)生系統(tǒng)工作時，我們有大約1500個應用程序?，F(xiàn)在想象一下你正在數(shù)字化數(shù)據，這些數(shù)據存在于應用程序環(huán)境中，但你有1500個應用程序。

第二，缺乏數(shù)據流動性，這意味著雖然你已經將數(shù)據數(shù)字化并存放在磁盤上，但你不一定能夠將其組合到一個環(huán)境中，并從中獲得洞察力。面對如此多孤立的環(huán)境，我們有很多工作要做，以實現(xiàn)所有數(shù)據一起形成一個共同的環(huán)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(huán)境，它與數(shù)據流動性有關。它能夠從數(shù)百個不同來源引入數(shù)據，并將數(shù)據組合起來，然后從中獲取洞察力。

這就是我們所做的事情。事實上，許多衛(wèi)生系統(tǒng)目前都苦苦掙扎于將數(shù)據整個到一個共同環(huán)境中。

醫(yī)療健康轉型中的數(shù)據收集和數(shù)據來源

Michael Krigsman：看來，數(shù)據流動性和互操作性似乎仍然是眾多數(shù)字活動領域的瓶頸。是這樣嗎?

Shez Partovi：是的。實際上，你應該將數(shù)據互操作性視為兩個維度：只是共享數(shù)據的語法互操作性(syntactic interoperability)，以及共享含義的語義互操作性(semantic interoperability)。

確實，我們仍存在很多數(shù)據孤島，但不可否認，我們在數(shù)據互操作性方面也取得了很大進展。隨著發(fā)生越來越多的互操作性，一些組織已經產生了流動性，由此也催生了從數(shù)據到信息、從信息到知識、從知識到洞察力的愿景。這正是人工智能可以發(fā)揮作用的地方。

Michael Krigsman：你如何從剛才描述的數(shù)據豐富(data-rich)轉變?yōu)閿?shù)據驅動?

ShezPartovi：我可以舉一個從數(shù)據到信息、信息到知識、知識到洞察力的例子。讓我們從一個單一的數(shù)據點開始，比如血糖值。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(shù)據點。有用，但還不具備洞察力。

但如果我告知你的是血糖的上升趨勢，那這就屬于信息了。信息就是趨勢，這種趨勢正在上升，意味著你的身體可能出現(xiàn)了一些問題。

如果我們進一步查看患者的病史并了解其可能是糖尿病早期患者，這就屬于知識。但是今天，為了以積極的方式實現(xiàn)三重目標——提高質量、降低成本和改善體驗——我們需要了解衛(wèi)生系統(tǒng)需要什么，臨床醫(yī)生、醫(yī)生、護士和組織需要什么，他們想要的不僅僅是數(shù)據、信息或知識。

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(fā)生充血性心力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。當你將數(shù)據整合在一起并能夠使用它來構建機器學習模型和使用AI時，才算是真正地使用數(shù)據來驅動組織的洞察力。

這就是主線：從數(shù)據到信息到知識，再到觀察力，最后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。

將醫(yī)療保健中的數(shù)據科學與改善患者治療結果聯(lián)系起來

Michael Krigsman：你如何將這一切與患者治療結果聯(lián)系起來的?或者說，如果我們擁有這種互操作性，有什么優(yōu)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(yī)生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。

將人工智能與數(shù)據結合使用可以做的一件事是幫助進行所謂的現(xiàn)實運營預測，例如，下周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(yī)院的患者流量，以便調整員工人數(shù)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(zhàn)。調整規(guī)模既是對成本的積極影響，也是對護理質量的積極影響。

例如，使用ADT流(入院、出院、轉移流)來構建一個模型，為進入醫(yī)院的患者流量提供預測，進而幫助你實現(xiàn)合理的人員配置，這不僅會影響患者的體驗，也會影響臨床醫(yī)生的體驗。因為如果人手不足，無疑會影響護理質量。這正是飛利浦目前正在做的事情。

上述是運營預測，下面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，你可以使用人工智能和機器學習來閱讀放射科影像，以識別或預測異常。如果算法認為一個影像應該盡快處理，因為它會對護理質量產生影響，那么放射科醫(yī)生應該立即進行查驗并采取積極的行動。該算法并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(fā)現(xiàn)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對于改善患者治療結果最常見的用例。

為醫(yī)療保健的數(shù)據共享創(chuàng)建激勵措施

MichaelKrigsman：大量數(shù)據保存在極少數(shù)市場領先的應用程序中。為什么壟斷企業(yè)會有分享這些數(shù)據的動機?換句話說，軟件和基礎設施的市場力量難道不影響你所描述的那種數(shù)據共享嗎?

Shez Partovi：這些數(shù)據屬于衛(wèi)生系統(tǒng)，軟件公司實際上并不擁有這些數(shù)據。例如，飛利浦不擁有這些數(shù)據，我們本質上只是數(shù)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)的軟件公司實際上擁有這些數(shù)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(shù)據”是不正確的。信息屏蔽(Information blocking)規(guī)則將禁止這樣做。

Michael Krigsman：你能告訴我們需要匯總的數(shù)據類型嗎?

ShezPartovi：如果你正在考慮AI和機器學習、臨床預測和運營預測，你需要從問題出發(fā)才能了解需要哪些數(shù)據。以谷歌地圖為例，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。后來，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(shù)據。

現(xiàn)在回到企業(yè)本身，當考慮需要收集哪些數(shù)據來創(chuàng)建模型時，我們同樣需要從問題出發(fā)。假如你想預測逗留時間，以保持適當和高效的護理規(guī)模。那么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癥，你可能需要成像、血液值、EHR(電子病歷數(shù)據)數(shù)據。

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(yī)生或運營團隊提供的工具，然后逆向思考，看看你需要哪些數(shù)據才能構建這種為你提供預測的模型。

在數(shù)據科學中選擇正確的問題來解決

Michael Krigsman：你如何確保選擇正確的問題來解決?

Shez Partovi：每個組織要么有試圖解決運營問題的運營人員，要么可能有一個精益團隊。精益團隊前一陣子真的很流行?，F(xiàn)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運營卓越團隊。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(fā)現(xiàn)他們可能知道自己需要解決的問題以及頭疼的問題。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，首席護士官或首席醫(yī)療官正在運行一個臨床卓越計劃;首席運營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(zhàn)。所以他們有數(shù)據可以建立機器學習模型，以作為解決這些問題的工具。

我想說的是，如果我是衛(wèi)生系統(tǒng)的首席營銷官(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。

避免以數(shù)據為中心的醫(yī)療保健中的偏見

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(xiàn)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：成為一個更加以數(shù)據為中心、更有效地利用數(shù)據的醫(yī)療保健系統(tǒng)所面臨的挑戰(zhàn)是技術偏向運營方面嗎?

ShezPartovi：首先，你當然需要數(shù)字化數(shù)據。就數(shù)據而言，存在三個V：大量化(volume)、多樣化(variety)和真實性(veracity)。想要真正創(chuàng)建作為一種保護工具的模型，你需要實現(xiàn)這些特質。因為大量化有助于消除偏見;多樣化能夠創(chuàng)建更好的機器學習模型;真實性還原數(shù)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(shù)據，并對模型進行驗證。此外，你還需要決定是否要申請美國食品和藥品管理局(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，對于運營，你不需要這樣做。

數(shù)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。對于一些復雜的學術醫(yī)療中心來說，他們還會與大學聯(lián)系，尋求需要的人才來幫忙。

當你問我存在哪些障礙時，這取決于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構建這些工具。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，或者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。

工具就在那里。但想要將這一切集成在一起需要能力、培訓和技能提升。因此，你要么在內部構建它，要么與你的合作伙伴合作。

Michael Krigsman：一個組織如何才能在數(shù)據來自各種記錄系統(tǒng)時創(chuàng)建一種企業(yè)范圍的視圖?畢竟來自不同的軟件供應商，本質上是不同的系統(tǒng)。

ShezPartovi：你希望你的數(shù)據處于一個所有數(shù)據都匯集在一起的環(huán)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(qū)，稱之為“數(shù)據湖”，或者隨便你怎么稱呼它，總之是一個健康數(shù)據空間。

提問者提到了可視化的問題，我認為這種重要。上面我說過數(shù)據、信息、知識和洞察力的問題，如果你還記得的話，可視化是我將數(shù)據轉變?yōu)樾畔⒂玫降男g語。

人們習慣將可視化與“顯示儀表板和圖表”聯(lián)系起來。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(shù)據中創(chuàng)造洞察力，這能獲得比簡單的可視化更高的投資回報率。順便說一下，我認為你確實需要某種數(shù)據湖環(huán)境，最好是在云中，因為如果你要運行機器學習模型，你一定不想購買位于數(shù)據中心的昂貴GPU，每天只用半小時，讓它空閑23.5小時。

你可以使用云，并基于所使用的內容付費。在云中，你可以使用最復雜的機器學習模型訓練集、訓練技術，并且只為你使用的部分付費。如果你嘗試在自己的數(shù)據中心中構建它，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。

基于醫(yī)療保健數(shù)據孤島的患者鎖定

MichaelKrigsman：告訴你關于我個人的一個小故事，我不會說明具體的醫(yī)療保健系統(tǒng)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(yī)生等等。但它也存在信息鎖定，如果我離開它們的系統(tǒng)，醫(yī)生就會給我發(fā)通知。這種內在的信息鎖定會不會不利于你所描述的數(shù)據共享。

ShezPartovi：這絕對會加劇數(shù)據共享的困難度。不過，很多組織正在試圖擺脫這種現(xiàn)狀。舉個例子，我們的合作伙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(huán)境，他們實際上是從UCSF環(huán)境之外的實踐中獲取數(shù)據，并試圖創(chuàng)建一個整體視圖，使患者在實踐之間的移動變得簡單而輕松，信息共享也變得簡單而輕松。

誰應對不良數(shù)據、算法和患者治療結果負責

Michael Krigsman：如果有錯誤的數(shù)據、錯誤的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(xù)相信這是一種幫助臨床醫(yī)生做出決策的工具，但最終你希望讓臨床醫(yī)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(chuàng)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(yī)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(xiàn)假陽性或假陰性。臨床醫(yī)生會通過他們的驗證，綜合考慮做出決定，這與算法自行診斷不同。無論是數(shù)據、算法還是預測，它們都只是幫助臨床醫(yī)生決策的工具。

然后，談到數(shù)據偏見，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(chuàng)建算法的過程包括這種大量化、多樣性、真實性，然后是驗證。

事實上，作為臨床醫(yī)生，我們都將醫(yī)療保健視為本地醫(yī)療，這意味著在一個地區(qū)流行的疾病可能不會在另一個地區(qū)流行。我曾在加拿大和美國都接受過培訓。我可以告訴你，加拿大的某個特定胸部X光片是肺結核，而我在美國接受培訓的同樣發(fā)現(xiàn)是肺球孢子菌病。他們是不同的。但這是因為醫(yī)療保健是本地的。

算法需要根據部署環(huán)境進行微調。世界上不會有一種通用算法，更不用說美國了。醫(yī)療保健是本地的。培訓需要在當?shù)剡M行微調。

Michael Krigsman：你提出了一個非常具有挑釁性的觀點，即模型需要本地化或反映當?shù)厍闆r。誰應該負責創(chuàng)建這些模型?

ShezPartovi：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(huán)境中的后臺，然后在部署后繼續(xù)訓練。

根據定義，它通過其實施和持續(xù)使用變得本地化。

Michael Krigsman：這些模型通常會由軟件供應商、醫(yī)療保健系統(tǒng)或飛利浦等公司提供嗎?誰將提供這些模型?

Shez Partovi：以上所有皆可提供。當然，飛利浦也會開發(fā)模型，我們實際上有一個稱為“AIManager”的環(huán)境，你可以將我們的模型放在該管理器中并使用它。

組織也可以自行構建模型并將其放入AI Manger中使用。目前，有許多年輕的公司這樣做。我認為有權訪問數(shù)據的公司都可以使用良好的數(shù)據構建模型。

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，它確實有助于減少偏差，經過訓練和驗證的模型在進入本地并開始使用后，它就算是本地優(yōu)化調整模型。

醫(yī)療保健中的數(shù)據和人工智能的未來

Michael Krigsman：在接下來的幾年里，醫(yī)療保健中的數(shù)據和人工智能將走向何方?

ShezPartovi：當你拿了一些機體組織、血液進行測試就會產生數(shù)據流，你可以獲取數(shù)據并在其上運行算法作為測試。那么，就像你進行抽血并對血液進行測試一樣，你可以讓你的數(shù)據流經衛(wèi)生系統(tǒng)的靜脈和動脈。你可以獲取該數(shù)據并對其應用算法。

臨床醫(yī)生將訂購算法用作測試。是的，有總是運行的后臺算法。但有些算法可能會需要使用大量計算能力。這種算法實際上最終可能帶來成本支出，因為你正在使用計算能力來運行它們。

我認為，隨著時間的推移，臨床醫(yī)生會像訂購測試一樣訂購算法。

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(shù)據科學被用于改善患者護理，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(yī)療保健中的AI和ML技術對于提高質量、降低成本和改善體驗的綜合意義。實際上，可以看到，成本只占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“數(shù)據科學用于提升運營效率”的話，但在我看來，在某些情況下，提升運營效率就是改善護理服務，因為例如，人手不足會導致護理質量差。這些因素都是捆綁在一起的，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(huán)境的醫(yī)療保健管理人員有什么建議?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(jiān)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，因為我在這里代表的是飛利浦，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并引入一個技術合作伙伴，看看如何將AI ML與這個合作伙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(yī)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(fā)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(yī)生提高質量、降低成本并改善體驗。

政策制定者應該研究如何推進數(shù)據科學的采用，并消除AI和ML的障礙，因為這樣做的凈效應(neteffect)是其他團隊想要的。這三種目標是彼此關聯(lián)的，我們應該弄清楚如何通過政策推進實踐。