A geleira Golden AI: repensando a curva de Bell de Roger para a saúde

Eric Luellen Blocked Unblock Seguir Seguindo 9 de janeiro

"Uma das razões pelas quais há tanto interesse na difusão de inovações é que adotar uma nova idéia, mesmo quando ela tem vantagens óbvias, é muitas vezes muito difícil", disse Everett Rogers, ostensivamente pioneiro no assunto. 3ª edição do seu trabalho seminal, Difusões de Inovação , publicado em 1983 (Rogers, 1983). Como o Dr. Rogers observou, essa idéia não era original para ele; faz parte da condição humana há séculos. Não menos um observador do que Nicolau Maquiavel em suas cartas de 1513, que viria a se tornar seu clássico, O Príncipe , observou 470 anos antes que:

“Não há nada mais difícil de planejar, mais duvidoso de sucesso, nem mais perigoso de administrar do que a criação de uma nova ordem de coisas… Sempre que seus inimigos têm oportunidade de atacar o inovador, eles o fazem com a paixão dos partidários, enquanto os outros o defendem vagarosamente, de modo que o inovador e seu partido são igualmente vulneráveis ”(Maquiavel, 1532).

Posteriormente, a adoção ou difusão de inovações foi lamentada pela Marinha britânica em 1747, o inventor americano e fundador Ben Franklin em 1781, o juiz francês e cientista leigo Gabriel Tarde em 1903, os antropólogos britânicos Edward Gifford e Alfred Kroeber em 1937, pesquisadores Bryce. Ryan e Neal Gross em 1943 e pelo menos 1.953 autores publicaram em periódicos revisados por pares no intervalo de 21 anos entre 1941 e 1962 (Rogers, 1983) (ver Figura 1).

O Dr. Rogers definiu “difusão” como:

“… o processo pelo qual uma inovação é comunicada através de certos canais ao longo do tempo entre os membros de um sistema social; [i] t é um tipo especial de comunicação, em que as mensagens se referem a novas idéias ”(Rogers, 1983).

Essa novidade inerentemente envolve incerteza. Nesse contexto, a incerteza envolve percepções sobre alternativas a novas ideias e probabilidades comparativas sobre a eficácia dessas alternativas, incluindo o status quo (Rogers, 1983). Nos tempos modernos, muitas inovações são a tecnologia, que Rogers define como: “um projeto de ação instrumental que reduz a incerteza na relação causa-efeito envolvida na obtenção de um resultado desejado” (Rogers, 1983). Portanto, as inovações tecnológicas criam incerteza nas percepções dos adotantes em perspectiva sobre sua eficácia em relação às alternativas e, ao mesmo tempo, representam uma oportunidade para reduzir a incerteza pela aplicação de associações de causa e efeito mais rápidas e mais precisas (Rogers, 1983). Poder-se-ia então argumentar razoavelmente que as difusões de tecnologia são sobre a segunda derivada da incerteza – a incerteza na percepção dos possíveis usuários sobre se a tecnologia reduzirá a incerteza.

A teoria moderna de difusão de inovações foi originalmente baseada na adoção de novas metodologias para agricultura e economia doméstica nos anos 50, a base sobre a qual Rogers generalizou a teoria e a aplicou a tecnologias envolvendo hardware e software a partir dos anos 1960 (Beal, 1957). ). É o processo pelo qual essas incertezas sobre a incerteza, percebidas nas mentes dos adotantes, são ampliadas ou reduzidas devido a abordagens, culturas e à natureza dos adotantes e suas áreas de foco que determinam o ritmo de difusão da inovação ou adoção de tecnologia. Esses fatores, manifestados nas políticas pelas quais as organizações são gerenciadas, determinam quando as raisons d'être das organizações – desde as militares até os fabricantes e os serviços de saúde – fornecem novas capacidades ou não, e quando.

Curva de Bell de Roger

Rogers hipotetizou que, sob as difusões da teoria da inovação, a tecnologia é adotada em um ritmo que pode ser representado graficamente como uma distribuição Gaussiana normalizada – ou uma "curva em sino" – em eixos xy familiarizados com o sistema de coordenadas cartesianas. Nisso, Rogers encontrou e mostrou que os adotantes foram divididos em cinco segmentos, dependendo de onde eles caíram nesta cronologia de adoção. Os primeiros adotantes foram "inovadores" e representaram 2,5% de um mercado. Os segundos adotantes cronológicos foram os “early adopters” que representavam 13,5% de um mercado. Os adotantes da “maioria inicial” ficaram em terceiro lugar, representando 34,5% de um mercado. Os adotantes de “maioria tardia” representaram outros 34,5% de um mercado, chegando em quarto lugar em sequência. E os “retardatários” representavam os 16% finais do mercado (Rogers, 2003) (ver Figura 2). Além disso, Rogers supôs que cada categoria de adotantes passava por quatro estágios cognitivos: (1) consciência; (2) decisão de adotar ou rejeitar; (3) uso inicial; e, (4) uso continuado; e os cinco fatores que mais afetaram os adotantes em suas etapas de decisão foram: (i) vantagem relativa; (ii) compatibilidade; (iii) complexidade; (iv) trialability; e, (v) observabilidade (LaMorte, 2018).

Embora esse nível de compreensão quanto às etapas do processo de adoção de tecnologia e suas causas tenha sido bem-sucedido em muitas disciplinas, ele também contém elementos que se tornam deficiências na saúde e na saúde pública (LaMorte, 2018). Especificamente, como o modelo se originou fora dos campos da saúde e da saúde pública, ele: (a) não inclui uma abordagem participativa normalmente exigida nos serviços de saúde para garantir a adesão dos pacientes “Six P's:”, fornecedores, pagadores, fabricantes de produtos farmacêuticos. , fornecedores e decisores políticos; (b) aplica-se mais à adoção de comportamentos do que à cessação de comportamentos, o que é uma questão importante porque, nas tecnologias modernas de saúde, a maioria das inovações está substituindo uma tecnologia existente; e, © falha em considerar os recursos da organização ou adotantes, o apoio social e de pares para a adoção da nova tecnologia (LaMorte, 2018).

Evolução da curva de Bell de Roger

Enquanto todas as teorias acadêmicas e conceituais são infinitamente ajustadas e ajustadas por novas hipóteses e descobertas, entre 1962 e 2015, houve cinco grandes evoluções para a curva de sino que Rogers propagou como um modelo para difusão de inovação e adoção de tecnologia. A primeira grande evolução relevante aqui foi a tecnologia S-curve, iniciada por Richard Foster em 1986 e aplicada de forma mais geral por Clayton Christensen em 1997 em seu livro seminal The Innovator's Dilemma (Foster, 1986). (Christensen, 1997) . Foster deduziu que a inovação tecnológica poderia ser representada graficamente com custo e / ou tempo no eixo xe o progresso do desempenho tecnológico no eixo y, onde a curva ou linha para novas tecnologias era sempre alguma forma de um “S”, com o O tempo de indução de novas tecnologias (“pesquisa e desenvolvimento”) sendo a base, o retorno ou o retorno sobre o investimento via adoção foi a vertical, e a saturação do mercado e obsolescência foi o topo do “S” (Foster, 1986). Em segundo lugar, Christensen, entre outras coisas, observou que essas curvas “S” foram anexadas em uma série de ondas (ver Figura 3), onde os principais determinantes de seu sucesso foram: (a) o período no qual as organizações entraram na curva para não ser inovada por concorrentes mais prescientes; e, (b) sua capacidade de inovar continuamente sem interrupções para manter essas ondas “S” a longo prazo (Christensen, 1997). Em terceiro lugar, Christensen apontou as duas principais causas de se uma inovação tecnológica foi adotada e a velocidade com que foi adotada ou rejeitada; tinha a ver com a necessidade relativa e os recursos dos adotantes. Se o status quo atendesse às necessidades dos possíveis adotantes dentro de seus recursos disponíveis, eles se prenderiam ao status quo e atrasariam ou rejeitariam a inovação. Da mesma forma, se uma inovação tecnológica não estava dentro dos recursos dados pelos adotantes, independentemente da necessidade percebida em alguns casos, eles também aderiram ao status quo e rejeitaram ou atrasaram a inovação. Essas causas são fundamentais para a adoção de AI em saúde e tecnologias mais recentes semelhantes (Christensen, 2015).

A próxima grande evolução do ciclo de vida de adoção de tecnologia baseada na difusão da inovação, que ocorreu em terceira cronologia, mas está sendo apresentada em quarto lugar, por coesão e clareza, é sobre lacunas ou abismos. Em 1991, Geoffrey Moore observou em Crossing the Chasm que uma coorte significativa das inovações tecnológicas passou pela fase de indução / pesquisa e desenvolvimento, foi bem recebida e utilizada pelos primeiros adotantes, mas por uma infinidade de razões nunca foi adotada de forma mais ampla. mercado (ver Figura 4) (Moore, 1991).

Oversimplified, Moore argumenta que há um abismo entre early adopters e maioria, porque eles têm perfis psicográficos materialmente diferentes sobre como e por que eles tomam decisões. Inovadores e adotantes iniciais têm um viés pró-adoção por causa de sua apreciação interna por novos recursos; eles são inclinados a gostar, querer e adotá-los. Enquanto que os 68% do mercado que constituem as suas maiorias inicial e tardia se concentram mais na praticidade – os tipos sobre os quais Christensen escreveu com necessidades e recursos. Essa maioria do mercado também são céticos, muitas vezes por experiência, sabendo que a grande maioria das novas inovações tecnológicas nunca vai longe ou não dura (Moore, 1991). Os adotantes da maioria tardia, uma porção igual à maioria inicial, são diferentes novamente, na medida em que lhes falta confiança na sua capacidade de implementar mudanças organizacionais (Moore, 1991). Superar esses céticos e diferenciar que uma tecnologia está aqui para ficar exige, segundo Moore, enormes quantidades de educação, marketing e construção de relacionamentos, que por sua vez exigem poder de permanência, que por sua vez exige capital – mais capital do que a maioria das empresas possui ou pode elevar, criando um "vale da morte" de start-ups de inovação tecnológica (ver Figura 5) (Moore, 1991).

Quinto e último, de 1998 a 2008, Carl May e seus colegas propuseram a Teoria do Processo de Normalização (TNP) para desenvolver modelos anteriores e ajudar a explicar os ciclos de vida de difusão de inovação e adoção de tecnologia na área da saúde (maio de 2009). O TNP preocupa-se com três problemas centrais relacionados à adoção de tecnologia em ambientes de saúde: (1) implementação – o processo social de trazer novas ações à prática; (2) incorporação – incorporação dessas novas práticas em hábitos e rotinas; e (3) integração – o processo pelo qual as novas práticas são reproduzidas e sustentadas em toda a organização (maio de 2009). O TNP postula que: (A) as práticas são incorporadas e se tornam rotinas devido a um esforço coletivo de indivíduos que trabalham juntos para a ação; (B) promulgação “é promovida ou inibida através da operação de mecanismos gerativos (coerência, participação cognitiva, ação coletiva, monitoramento reflexivo) através dos quais a agência humana é expressa”; e, reproduzindo práticas de organização requer capacitação contínua e investimentos por conjuntos de agentes de mudança em uma organização (maio de 2009).

A geleira de adoção da AI na área da saúde

Além do burburinho de que a inteligência artificial interromperá a saúde para transformá-la de reativa para preditiva e proativa, com medicina personalizada estendendo nossas vidas por décadas, é a realidade, se falarmos com empreendedores de saúde digital experientes e bem divulgados, que em larga escala ou oportunos A adoção das ferramentas para cumprir essa promessa ainda é em grande parte hipérbole. Apesar de estimados US $ 12 bilhões de investimento privado em empresas de saúde digital em 2017 – muitos deles relacionados à IA – poucos a qualquer tiveram o tipo de sucesso de grande sucesso que justificaria um investimento em private equity (Yock, 2018).

A explicação de por que a adoção de inteligência artificial tem sido glacial na saúde, apesar dos resultados extraordinariamente melhores que promete em uma área crítica para a humanidade, parece ser de cinco vezes. Primeiro, a explicação dada pelos tecnólogos de saúde é centrada na idéia de que a maioria das startups de saúde e IA digital seguiram o modelo errado, que obteve sucesso com consumidores e produtos em outras indústrias, mas ignora as diferenças fundamentais na área de saúde (Yock, 2018). A estratégia de startup de tecnologia testada e comprovada para outras indústrias concentra-se em obter rapidamente um produto viável ao mercado e depois iterar novas versões e lançamentos com base no recurso e conjunto de funções que é bem-sucedido para os usuários finais (Yock, 2018). Essa estratégia ignora ostensivamente a complexidade das partes interessadas, a aversão ao risco e o clima regulatório do setor de saúde (Yock, 2018).

Em segundo lugar, o "vale da morte", como descrito por Moore, é mais longo e mais profundo na área da saúde, como resultado dos ciclos de adoção mais longos. Startups devem sobreviver por mais tempo e conduzir mais marketing e prospectar educação, o que requer mais capital, para superar com sucesso os obstáculos extras descritos por Yock. Além disso, muitas vezes os tecnólogos em ciência de dados, IA e os campos de ponta em que as startups se formam estão em alta demanda em outras indústrias, como tecnologias financeiras ou produtos de consumo. Portanto, é mais caro manter esse talento altamente competitivo por anos, enquanto a assistência à saúde adota lentamente novas tecnologias.

Terceiro, devemos revisitar a teoria da difusão da inovação porque parece que os tecnólogos que se concentram na área da saúde tornaram-se excessivamente dependentes de suas evoluções reducionistas e negligenciaram suas advertências originais. Primeiro, podemos olhar para os elementos da inovação como definido por Rogers: (1) vantagem relativa; (2) compatibilidade; (3) complexidade; e, (4) trialability (Rogers, 1983). Em cada uma dessas áreas, a AI na área da saúde é problemática. A IA costuma ser incompatível com sistemas, políticas e processos existentes, de modo que precisariam ser substituídos. Além disso, a IA é incrivelmente complexa e está além do conhecimento e, às vezes, da compreensão de muitos usuários; como tal, eles estão detestando aceitar aquilo em que não podem confiar e não podem confiar no que não podem entender. Além disso, a IA é problemática para muitas questões de saúde porque envolvem uma área crítica que afeta o bem-estar dos seres humanos, que é de alto risco e afeta inúmeras questões éticas.

Em segundo lugar, como Rogers aponta, os agentes de mudança que defendem as inovações e aqueles cuja aceitação social deve ser alcançada são frequentemente heterófilos – o que significa que eles se agrupam por semelhança em grupos, cada um dos quais é bem diferente de outros grupos. Portanto, os agentes de mudança são geralmente mais avançados tecnologicamente do que os usuários, criando, assim, um viés contra a compreensão efetiva do outro na comunicação.

Em terceiro lugar, e talvez o mais pragmático e impactante para as startups de IA em saúde, Rogers observou em seu trabalho a importância da validação científica das inovações (Rogers, 1983). Na saúde, isso significa ensaios clínicos; no entanto, existem poucos padrões, se é que existem, amplamente aceitos para testes clínicos de software, como os testes com medicamentos. Além disso, e ao ponto, a maioria dos estudos são extremamente caros e instituições médicas acadêmicas que poderiam realizá-los (por exemplo, Massachusetts General Hospital, etc.) os vêem como um método para alavancar seu “selo de aprovação” para garantir receita adicional, tudo isso contribui para a enorme profundidade e largura do “vale da morte” de Moore. Em suma, há uma escassez de financiamento disponível para pagar por testes de software em aplicações de IA em saúde. Como resultado, a grande maioria das inovações nunca é cientificamente validada, e muitos daqueles que podem chegar a uma adoção antecipada são provadas cientificamente falhas de tal forma que o ceticismo e o abismo antes da adoção por maioria se ampliam – e junto com isso, o “vale da morte”. ”Em ciclos de vida de adoção de tecnologia.

Em quarto lugar, lembre-se das ondas de curvas S de Christensen (Figura 4). Mesmo se e quando uma startup de IA em cuidados de saúde é capaz de superar esses obstáculos significativos, é apenas um ciclo de adoção, ou a primeira curva S no que deve ser uma onda de curvas S para se sustentar. Um resultado é que uma parcela significativa das empresas que passam por esse desafio competitivo de adoção de AI na área de saúde deve fazê-lo repetidamente com novas inovações, caso contrário, elas correm o risco de se tornar uma empresa de produtos de vida muito mais curta. pônei truque ”).

Finalmente, somos atraídos por escalas de tempo, se a AI na área da saúde é verdadeiramente perturbadora e o que realmente significa ruptura. Christensen mostrou que o ciclo de vida da maturidade tecnológica em um mercado é na maioria das vezes de 15 a 20 anos (Brown, 2006). Este período não é verdadeiramente disruptivo, é transformador. Se examinarmos outras tecnologias transformadoras, como o correio eletrônico e a Internet, validamos a Christensen porque décadas se passaram entre a invenção e o uso disseminado. Para as startups de IA em saúde que já estão enfrentando abismos extrapesados e profundos no ciclo de vida de adoção de tecnologia e a necessidade competitiva de inovar continuamente, essa duração da transformação amplia grandemente o “vale da morte” para cada inovação.

Uma chave para resolver essa infinidade de desafios enfrentados pelas startups de IA na área da saúde pode estar na definição corretiva de ruptura de Christensen. A ruptura, argumenta Christensen, é enganosa quando aplicada a novas capacidades tecnológicas em produtos ou serviços (Christensen, 2015). Em vez disso, de acordo com Christensen, a ruptura é um processo – um processo em que os interruptores começam com um experimento em pequena escala nas extremidades de um mercado (a "franja") e se concentram em como as necessidades estão mudando e evoluindo ao longo de um longo período. período de tempo para formar novos modelos de negócios (Christensen, 2015). Os disruptores encontram um novo modelo para atender às necessidades emergentes e em evolução dos clientes, e a transformação da substituição completa ou substituição de uma tecnologia por outra ainda muitas vezes leva décadas (Christensen, 2015). No entanto, a startup é aliviada de muitas das pressões competitivas da inovação contínua, porque não são vistas como centrais ou uma ameaça pela concorrência, têm custos mais baixos para permitir a sobrevivência de “vales da morte” e ter os primeiros clientes dando feedback são capazes de lidar com muitas das idiossincrasias estruturais na adoção de tecnologia.

Referências

Beal, GM, Rogers, EM, Bohlen, JM (1957). Validade do conceito de etapas no processo de adoção. Sociologia Rural , 22 (2): 166-168.

Brown, D. (2006). Seleção de alvos e produtividade da indústria farmacêutica: o que podemos aprender com a teoria da curva S da tecnologia? Opinião atual em descoberta e desenvolvimento de drogas , 9 (4): 414-8.

Christensen, C. (1997). O dilema do inovador: quando novas tecnologias fazem com que grandes empresas falhem. Boston: Harvard Business School Press.

Christensen, C., Raynor, M., McDonald, R. (2015, dezembro). O que é inovação disruptiva? Harvard Business Review , pp. Https://hbr.org/2015/12/what-is-disruptive-innovation.

Foster, R. (1986). Inovação: a vantagem do atacante. Nova Iorque: Summit Books.

LaMorte, W. (2018, 29 de agosto). Modelos de mudança comportamental: Difusão da teoria da inovação . Retirado da Escola de Saúde Pública da Universidade de Boston: http://sphweb.bumc.bu.edu/otlt/MPH-Modules/SB/BehavioralChangeTheories/BehavioralChangeTheories4.html

Maquiavel, N. (1532). De Principatibus (dos principados) (aka o príncipe). Itália: Antonio Blado d'Asola.

May, C., Mair, F., Finch, T., MacFarlane, A., Dowrick, C., Treweek, S., & Rapley, T., et ai. (2009). Desenvolvimento de uma teoria de implementação e integração: teoria do processo de normalização. Ciência de Implementação , 4:29.

Moore, G. (1991). Atravessando o abismo. Nova Iorque: HarperCollins.

Rogers, E. (1983). Difusão de inovações (3ª Ed.). Nova York: o livre PRESS.