医疗保健中的人工智能：一个值得信赖的框架（英）2024

医疗保健中的AI：一个值得信赖的框架 Explore 在革命的边缘，医疗健康领域准备利用人工智能（AI）为患者、员工和利益相关者提供创新解决方案。尽管期望和兴奋达到了前所未有的高度，但医疗机构（HCOs ）正面临着伦理考量和内部流程缺口所带来的障碍，这些障碍正在阻碍AI在患者护理和运营工作流程中的嵌入。 Introduction Tableofcontents 凭借在数据科学、AI驱动分析和创新技术方面数十年的经验，IQVIA团队开发了一种可扩展、安全的信息管理和技术支持模型，以加速医疗健康领域AI的可靠和负责任的应用。欲了解更多信息，请参阅此电子书。 Introduction AI在医疗保健领域的前景和挑战4可信框架的核心组件10 为什么是IQVIA？17 目录案例研究23 AI在医疗保健领域的前景和挑战 单击绿色组件以了解更多信息。 大型语言模型（LLMs）和生成式人工智能（GenAI）的出现既令人兴奋，又因缺乏质量保证而引发担忧。 Reset 单击绿色组件以了解更多信息。 Reset 改善患者结果 将患者连接到社会计划 人工 智能减少临床 负担 优化资源分配 减少医疗保健费用 与临床对齐指导方针 单击绿色组件以了解更多信息。 GenAI问题和限制医疗保健行业需要什么 Reset GeneralizeddataSpecializeddata Hallucinations GenAI Nohallucinations GeneralizedsecurityRegulatorysecurity 单击绿色组件以了解更多信息。 Reset 单击绿色组件以了解更多信息。 Reset CRAWLWALKRUN 0 Organizationalalignment 1 Trustindataandmodels 2 Privacy,security,andaccuracy 3 Techaccelerators 4 AIatscale 组织准备和变更管理 可信框架的核心组件 单击绿色组件以了解更多信息。 Reset Vision Operatingmodel Policyandstandards Process Technology 在您的组织内建立AI计划： 1.定义AI程序章程。 2.建立AI程序运行模式. “确定执行赞助商并建立咨询委员会每个功能区的代表。 “记录AI开发人员、AI保管人和AI用户。 3.文档和发布指导原则and治理政策使用AI。 4.定义流程数据登机和支持标准数据源清单和数据定义。 5.Conduct技术的价值证明自动化分析、监控、审核、数据质量和问题跟踪。 变更管理/采用/培训 人工智能将如何管理、治理，并与组织的战略、愿景和价值观保持一致？ 单击绿色组件以了解更多信息。 Reset 数据策略突出了当前和期望的数据能力之间的差距以及AI的准备情况 单击绿色组件以了解更多信息。 Reset Datastrategycompetencyareas DatastrategyprioritiesforAIadoption 企业体系结构 多莉PaLM2 布卢姆 威震天 GPT4On-premises和公共云 数据提取和转换 •复杂的数据转换 •机器学习（ML）驱动的数据整理与清洗 •安全的时间序列患者链接 AI/ML/LLM开发 •多AI模型支持•支持混合云的架构•对抗性和公平性训练 AI部署和采用 •激活工作流技术•上下文驱动的建议•AI优化的UX 从可信和经过验证的数据开始，通过AI解决方案提供差异化价值 所有阶段都需要AI和医疗保健专业知识 数据和见解微调ValidationImplementation 量身定制的数据和专家投入 •合规性•规模验证•多元且包容的数据•行业专长，基于知识和历史经验 针对优化的AI模型医疗保健行业 •加快实现价值的时间 •提高准确性 •由AI和医疗保健设计 已验证输出 •行业专家在循环确保预训练模型 准确度 专家熟练地指导执行 •由行业专家、博士和数据科学家嵌入AI解决方案•提供多种AI模型以确保合适匹配•需 要AI用户体验专业知识以促进 并肩工作的专家•Benchmarkedagainst传统产出 所有学习都反馈到培训中 有效采用 单击绿色组件以了解更多信息。 Reset 路线图重点领域 •数据质量、数据集成等。 •数据平台现代化 •体系结构和技术堆栈 •模型和元数据 •AI治理框架 •变更管理和培训 为什么✁IQVIA？ IQVIA屡获殊荣的AI方法在100多种疾病中得到验证 2023 2013 2014–2020 2021 高级分析|复杂本体| 递➴训练ML 自然语言处理(NLP)|神经网络|变压器|LLM|GenAI技术 开创性的工作导致开发专利AI/ ML例程 部署AI于整个产品组合中：•研发试模拟与站点选择•研发智能eTMF•安全性AE路由•IQVIA数据处理优化 •AI优先战略和治理计划•将中风风险降低22％•将不受控制的哮喘状态降低17％ •150+GenAI计划正在开发中 200多篇同行评审的期刊文章 用于AI应用程序的构建块，可实现公平性、隐私性、精确性和可操作的见解 单击绿色组件以了解更多信息。 医疗保健，域 科学，和专业知识 AI专业知识 Fine-tuned& 预训练 可适应的AI技术和 Reset 模型微调的能力， AI 基础设施 已验证 and 基准 训练前，并验证 模型 严格的数据管理 监管机构合规性 地理 覆盖率 隐私和公平 已清理 and擦洗 精度和多样性 医疗保健数据数据传输适合使用适合目的 患者 医疗保健药房 提供者 医院 •互操作 •本体和 •Integrate 疾病和治疗 实验室和诊断 科学 文本 标准化•Enrich •数据转换•Transform •数据清理 AI/数据科学检查 AI模型优化 Research 索赔基础数据 完整性 确保权利参数的数据 调谐和精度 医疗保健级AI™的构建模块 监管机构合规性 AI 基础设施 地理 覆盖率 域 专业知识 Fine-tuned&预训练 模型 隐私和公平 已验证 and 基准 已清理 and擦洗 精度和多样性 1.法规遵从性：60多年来，法规遵从性数据一直✁行业标准。 2.地理覆盖范围：访问可信数据集，通过在不同的代表性数据集上进行训练，最大限度地减少AI中偏差的影响。 3.隐私和公平：采用广泛的方法、保障措施、控制手段、治理机制以及增强隐私的技术，以满足或超过所需标准，并做到正确行事。 4.清理和擦洗数据：训练“脏”数据可能导致AI输出错误信息。医疗保健领域尤其需要更好地处理这一问题。确保训练数据的清洗和预处理，以防止AI出现“垃圾进垃圾出”的问题。 5.数据的精确性和多样性：数据来源对于确保有效和有价值的AI处理所需的质量和数量至关重要。 6.AI基础设施：生成式AI模型需要大规模基础设施以持续确保使用最佳的AI技术来驱动解决方案。 7.预训练模型：能够将专有的数据与专有的AI算法连接起来预训练模型以提高响应质量、速度和规模。 8.验证和基准：AI、科学和医疗健康专家携手合作，验证AI输出结果以确保准确性并减轻“幻觉”风险。 9.领域专长：在每一步都需要专业知识以确保这项新技术能够负责任地部署，在适当的背景下使用，并为正确的人提供正确的洞察，从而更快推动医疗健康的发展。 通过在您的流程中嵌入护栏和保障措施，对高标准做出承诺 单击绿色组件以了解更多信息。 Reset Identifyingpatientsatriskforcostlyspecialtytherapies 案例研究 Identifyingmisdiagnosedtype1diabetespatients SurfacinghiddenSDoHriskfactorstoprioritizeengagement Predictingriskofstroke,leadingto22%reductioninincidence 背景项目可交付成果 •Develop基于IQVIA数据的AI算法分层成员风险 要求用于心肺疾病的特殊药物，以使早期干预and导流首选处方集。 •understand关键预测因子与有风险的成员相关联，并提供 见解到付款人临床干预团队进行适当的随访 。 •Packageandtransfer将AI算法提供给付款人以进行持续部署在他们的数据平台。 •为支付方持续部署打包的人工智能算法以分层成员对specialty药物需求的风险，从而实现早期干预并引导至优选药单。 •部署后，AI算法为最终用户生成以下输出：“已诊断的患者处于启动特殊药物的风险中的有序列表。 “对于每个有风险的患者，风险评分背后的关键驱动因素列表(例如，合并症，治疗等)。 Results 药剂师外展 目标 Care经理 外展 目标 队列1-已知诊断队列2-旅程预诊断 背景Results •约40%的1型糖尿病（T1D）成人患者最初被误诊为2型糖尿病（T2D ），导致治疗不当（例如，增加了酮症酸中毒的风险）。 挑战 •利用实际的电子医疗记录（EMR）数据构建预测性人工智能诊断模型，以识 别被误诊为2型糖尿病（T2D）的成人 •IQVIAAI算法有效识别了在首次或后续2型糖尿病诊断时被误诊的1型糖尿病患者，以实现最大的临床效益。 First诊断 任何诊断 JDRF •ProspectiveinactivevalidationatfourU.S.HCOsto评估全国范围的路径: »大型个人HCO：打包算法以最大限度地减少HCOIT/分析工作，添加丰富的遗传数据来评估性能提升。 发病1型糖尿病（T1D）患者。 •在美国大规模将解决方案部署到临床护理中 首次T2D诊断 使用机器学习预测误诊的成人1型糖尿病，糖尿病研究与临床实践，第191卷，2022卷，110029，ISSN0168-8227， https://doi.org/10.1016/j.diabres.202.110029 AUC:0.8 任何T2D诊断 AUC:0.9 »区域HIE:将数据上线至IQVIA的安全环境，评估采用的便捷性，本地化需求以及由于HIE数据缺口导致的性能损失。 反映健康(SDoH)风险因素的隐藏社会决定因素，以优先考虑参与 背景Implementation •北Shore大学健康系统recently合并与Edward-ElmhurstHealth，成为伊利诺伊州第三大医疗服务体系。 •作为健康公平计划的第一步，NorthShore—Edward-ElmhurstHealth转向了IQVIA获奖的人工智能解决方案SDoHNLP，以获得对其人口中存在健康公平差距的更大可见性，从而更好地管理这些差距并推动更加公平的医疗保健。 •在该地区，观察到预期寿命存在显著差异。使用普查区数据——最长和最短预期寿命之间的差距达到了22年（全国最大差距）。 •该解决方案部署在急诊部门（ED），用于筛查自由文本的医生笔记并标记具有社会健康风险因素的患者，从而实现对高风险患者的更有针对性的分诊。 影响 资源和 影响 社会工作者 评估 人类在 循环 由NLP标记 ED患者 •以下✁AI解决方案在患者层面的影响的真实示例 挑战 •患者级社会决定因素（SDoH）数据仅限于电子医疗记录（EMR）中少量结构化的数据，而研究显示NorthShore的相关因素被记录在超过30%的患者中。NorthShore需要一种机制从非结构化的医疗记录中提取这些信息，以提高对高风险患者的分诊和优先处理。 20-30岁 女性礼物头痛, 恶心，和受害者头晕 “受害者犯罪”“受害者“滥用” 提供的摘要 EMR，呈现信息 到诊所 使用创伤-知情的方法。 允许的