Vivek Desai, hooftegnologiebeampte, Noord-Amerika by RLDatix – Onderhoudreeks

Vivek Desai is die Chief Technology Officer van Noord-Amerika by RLDatix, 'n gekoppelde gesondheidsorgbedrywighede sagteware en dienste maatskappy. RLDatix is ​​op 'n missie om gesondheidsorg te verander. Hulle help organisasies om veiliger, doeltreffender sorg te bestuur deur bestuurs-, risiko- en voldoeningsinstrumente te verskaf wat algehele verbetering en veiligheid aandryf.

Wat het jou aanvanklik tot rekenaarwetenskap en kuberveiligheid aangetrek?

Ek was aangetrokke tot die kompleksiteit van wat rekenaarwetenskap en kuberveiligheid probeer oplos – daar is altyd 'n opkomende uitdaging om te verken. 'n Goeie voorbeeld hiervan is toe die wolk die eerste keer aangryping begin kry het. Dit het groot belofte ingehou, maar het ook 'n paar vrae oor werkladingsekerheid laat ontstaan. Dit was vroeg reeds baie duidelik dat tradisionele metodes 'n stopgaam was, en dat organisasies oor die hele linie nuwe prosesse sal moet ontwikkel om werkladings effektief in die wolk te beveilig. Om hierdie nuwe metodes te navigeer was 'n besonder opwindende reis vir my en baie ander wat in hierdie veld werk. Dit is 'n dinamiese en ontwikkelende bedryf, so elke dag bring iets nuuts en opwindend.

Kan jy sommige van die huidige verantwoordelikhede wat jy as CTO van RLDatix het, deel?  

Tans is ek daarop gefokus om ons datastrategie te lei en maniere te vind om sinergieë te skep tussen ons produkte en die data wat hulle bevat, om tendense beter te verstaan. Baie van ons produkte huisves soortgelyke tipes data, so my werk is om maniere te vind om daardie silo's af te breek en dit makliker te maak vir ons kliënte, beide hospitale en gesondheidstelsels, om toegang tot die data te kry. Hiermee werk ek ook aan ons globale kunsmatige intelligensie (KI)-strategie om hierdie datatoegang en -gebruik regoor die ekosisteem in te lig.

Om op hoogte te bly van opkomende neigings in verskeie industrieë is nog 'n belangrike aspek van my rol, om te verseker dat ons in die regte strategiese rigting beweeg. Ek hou tans groot taalmodelle (LLM'e) fyn dop. As 'n maatskappy werk ons ​​daaraan om maniere te vind om LLM's in ons tegnologie te integreer, om mense, spesifiek gesondheidsorgverskaffers, te bemagtig en te verbeter, hul kognitiewe las te verminder en hulle in staat te stel om op die versorging van pasiënte te fokus.

In jou LinkedIn blogpos getiteld "'n Besinning oor my 1ste jaar as 'n CTO,” het jy geskryf, “CTO's werk nie alleen nie. Hulle is deel van ’n span.” Kan jy uitbrei oor sommige van die uitdagings wat jy in die gesig gestaar het en hoe jy delegering en spanwerk aangepak het op projekte wat inherent tegnies uitdagend is?

Die rol van 'n CTO het fundamenteel verander oor die afgelope dekade. Die dae van werk in 'n bedienerkamer is verby. Nou is die werk baie meer samewerkend. Saam, oor sake-eenhede heen, kom ons in lyn met organisatoriese prioriteite en verander daardie aspirasies in tegniese vereistes wat ons vorentoe dryf. Hospitale en gesondheidstelsels navigeer tans soveel daaglikse uitdagings, van arbeidsmagbestuur tot finansiële beperkings, en die aanvaarding van nuwe tegnologie is dalk nie altyd 'n topprioriteit nie. Ons grootste doelwit is om te wys hoe tegnologie kan help om hierdie uitdagings te versag, eerder as om dit by te voeg, en die algehele waarde wat dit vir hul besigheid, werknemers en pasiënte in die algemeen bring. Hierdie poging kan nie alleen of selfs binne my span gedoen word nie, so die samewerking strek oor multidissiplinêre eenhede om 'n samehangende strategie te ontwikkel wat daardie waarde ten toon sal stel, hetsy dit spruit uit die gee van kliënte toegang tot ontsluit data-insigte of aktivering van prosesse wat hulle tans nie kan uitvoer nie. .

Wat is die rol van kunsmatige intelligensie in die toekoms van gekoppelde gesondheidsorgbedrywighede?

Soos geïntegreerde data meer beskikbaar word met KI, kan dit gebruik word om uiteenlopende stelsels te verbind en veiligheid en akkuraatheid oor die kontinuum van sorg te verbeter. Hierdie konsep van gekoppelde gesondheidsorgbedrywighede is 'n kategorie waarop ons by RLDatix gefokus is, aangesien dit uitvoerbare data en insigte vir gesondheidsorgbesluitnemers ontsluit – en KI is 'n integrale deel daarvan om dit 'n werklikheid te maak.

'n Ononderhandelbare aspek van hierdie integrasie is om te verseker dat die datagebruik veilig en voldoen, en risiko's verstaan ​​word. Ons is die markleier in beleid, risiko en veiligheid, wat beteken dat ons 'n oorgenoeg hoeveelheid data het om fundamentele LLM's met meer akkuraatheid en betroubaarheid op te lei. Om ware gekoppelde gesondheidsorgbedrywighede te bereik, is die eerste stap om die uiteenlopende oplossings saam te voeg, en die tweede is om data te onttrek en dit oor daardie oplossings te normaliseer. Hospitale sal groot voordeel trek uit 'n groep onderling gekoppelde oplossings wat datastelle kan kombineer en bruikbare waarde aan gebruikers bied, eerder as om aparte datastelle van individuele puntoplossings te handhaaf.

In 'n onlangse toespraak het Hoofprodukbeampte Barbara Staruk gedeel hoe RLDatix generatiewe KI en groot taalmodelle gebruik om verslagdoening van pasiëntveiligheidvoorvalle te stroomlyn en te outomatiseer. Kan jy uitbrei oor hoe dit werk?

Dit is 'n baie belangrike inisiatief vir RLDatix en 'n goeie voorbeeld van hoe ons die potensiaal van LLM's maksimeer. Wanneer hospitale en gesondheidstelsels voorvalverslae voltooi, is daar tans drie standaardformate vir die bepaling van die vlak van skade wat in die verslag aangedui word: die Agentskap vir Gesondheidsorgnavorsing en Kwaliteit se Algemene Formate, die Nasionale Koördinerende Raad vir Medikasiefouterapportering en -voorkoming en die Gesondheidsorgprestasie Verbetering (HPI) Veiligheidsgebeurtenisklassifikasie (SEC). Op die oomblik kan ons 'n LLM maklik oplei om deur teks in 'n voorvalverslag te lees. As 'n pasiënt byvoorbeeld sterf, kan die LLM daardie inligting naatloos uitsoek. Die uitdaging lê egter daarin om die LLM op te lei om konteks te bepaal en te onderskei tussen meer komplekse kategorieë, soos ernstige permanente skade, 'n taksonomie wat byvoorbeeld in die HPI SEC ingesluit is, teenoor ernstige tydelike skade. As die persoon wat aanmeld nie genoeg konteks insluit nie, sal die LLM nie die toepaslike kategorievlak van skade vir daardie spesifieke pasiëntveiligheidsvoorval kan bepaal nie.

RLDatix beoog om 'n eenvoudiger taksonomie wêreldwyd oor ons portefeulje te implementeer, met konkrete kategorieë wat maklik deur die LLM onderskei kan word. Met verloop van tyd sal gebruikers eenvoudig kan skryf wat gebeur het en die LLM sal dit van daar af hanteer deur al die belangrike inligting te onttrek en voorvalvorms vooraf in te vul. Dit is nie net 'n aansienlike tydbesparing vir 'n reeds gespanne arbeidsmag nie, maar namate die model selfs meer gevorderd word, sal ons ook kritieke neigings kan identifiseer wat gesondheidsorgorganisasies in staat sal stel om veiliger besluite oor die hele linie te neem.

Wat is 'n paar ander maniere waarop RLDatix LLM's in sy bedrywighede begin inkorporeer het?

Nog 'n manier waarop ons LLM's intern benut, is om die geloofsproses te stroomlyn. Elke verskaffer se geloofsbriewe is anders geformateer en bevat unieke inligting. Om dit in perspektief te plaas, dink aan hoe almal se CV anders lyk – van lettertipes, tot werkservaring, tot opvoeding en algehele formatering. Geloofsbewys is soortgelyk. Waar het die verskaffer kollege bygewoon? Wat is hul sertifisering? In watter artikels word hulle gepubliseer? Elke gesondheidswerker gaan daardie inligting op hul eie manier verskaf.

By RLDatix stel LLM's ons in staat om deur hierdie geloofsbriewe te lees en al daardie data in 'n gestandaardiseerde formaat te onttrek sodat diegene wat in data-invoer werk nie omvattend daarvoor hoef te soek nie, wat hulle in staat stel om minder tyd aan die administratiewe komponent te spandeer en hul tyd aan betekenisvolle take wat waarde toevoeg.

Kuberveiligheid was nog altyd uitdagend, veral met die verskuiwing na wolkgebaseerde tegnologieë, kan jy sommige van hierdie uitdagings bespreek?

Kuber sekuriteit is uitdagend, en daarom is dit belangrik om met die regte maat te werk. Om te verseker dat LLM's veilig bly en daaraan voldoen, is die belangrikste oorweging wanneer hierdie tegnologie gebruik word. As jou organisasie nie die toegewyde personeel in die huis het om dit te doen nie, kan dit ongelooflik uitdagend en tydrowend wees. Dit is hoekom ons saam met Amazon Web Services (AWS) werk aan die meeste van ons kuberveiligheidsinisiatiewe. AWS help ons om sekuriteit en nakoming as kernbeginsels binne ons tegnologie te vestig sodat RLDatix kan fokus op wat ons werklik goed doen – wat wonderlike produkte vir ons kliënte in al ons onderskeie vertikale bou.

Wat is sommige van die nuwe sekuriteitsbedreigings wat u gesien het met die onlangse vinnige aanvaarding van LLM's?

Vanuit 'n RLDatix-perspektief is daar verskeie oorwegings waardeur ons werk terwyl ons LLM's ontwikkel en oplei. ’n Belangrike fokus vir ons is om vooroordeel en onregverdigheid te versag. LLM's is net so goed soos die data waarop hulle opgelei is. Faktore soos geslag, ras en ander demografie kan baie inherente vooroordele insluit omdat die datastel self bevooroordeeld is. Dink byvoorbeeld aan hoe die suidoostelike Verenigde State die woord "julle" in alledaagse taal gebruik. Dit is 'n unieke taalvooroordeel inherent aan 'n spesifieke pasiëntpopulasie wat navorsers moet oorweeg wanneer hulle die LLM oplei om taalnuanses akkuraat te onderskei in vergelyking met ander streke. Hierdie tipe vooroordele moet op skaal hanteer word wanneer dit kom by die benutting van LLMS binne gesondheidsorg, aangesien die opleiding van 'n model binne een pasiëntpopulasie nie noodwendig beteken dat daardie model in 'n ander sal werk nie.

Die handhawing van sekuriteit, deursigtigheid en aanspreeklikheid is ook groot fokuspunte vir ons organisasie, asook die versagting van enige geleenthede vir hallusinasies en verkeerde inligting. Om te verseker dat ons enige privaatheidskwessies aktief aanspreek, dat ons verstaan ​​hoe 'n model 'n sekere antwoord bereik het en dat ons 'n veilige ontwikkelingsiklus in plek het, is alles belangrike komponente van effektiewe implementering en instandhouding.

Wat is 'n paar ander masjienleeralgoritmes wat by RLDatix gebruik word?

Die gebruik van masjienleer (ML) om kritieke skedulering-insigte te ontbloot was 'n interessante gebruiksgeval vir ons organisasie. In die Verenigde Koninkryk spesifiek, het ons ondersoek hoe om ML te benut om beter te verstaan ​​hoe rooster, of die skedulering van verpleegsters en dokters, plaasvind. RLDatix het toegang tot 'n groot hoeveelheid skeduleringsdata van die afgelope dekade, maar wat kan ons met al daardie inligting doen? Dit is waar ML inkom. Ons gebruik 'n ML-model om daardie historiese data te ontleed en insig te gee in hoe 'n personeelsituasie twee weke van nou af kan lyk, in 'n spesifieke hospitaal of 'n sekere streek.

Daardie spesifieke gebruiksgeval is 'n baie haalbare ML-model, maar ons druk die naald nog verder deur dit aan werklike gebeure te koppel. Byvoorbeeld, wat as ons na elke sokkerskedule in die area kyk? Ons weet eerstehands dat sportbyeenkomste tipies tot meer beserings lei en dat 'n plaaslike hospitaal waarskynlik meer binnepasiënte sal hê op die dag van 'n gebeurtenis in vergelyking met 'n tipiese dag. Ons werk saam met AWS en ander vennote om te verken watter publieke datastelle ons kan saai om skedulering nog meer vaartbelyn te maak. Ons het reeds data wat daarop dui dat ons 'n toename in pasiënte rondom groot sportbyeenkomste of selfs gure weer gaan sien, maar die ML-model kan dit 'n stap verder neem deur daardie data te neem en kritieke neigings te identifiseer wat sal help verseker dat hospitale voldoende is beman, wat uiteindelik die spanning op ons arbeidsmag verminder en ons bedryf 'n stap verder neem om veiliger sorg vir almal te bereik.

Dankie vir die puik onderhoud, lesers wat meer wil leer moet besoek aflê RLDatix.