ديفيد لارو، الرئيس والرئيس التنفيذي لشركة Medicomp Systems – سلسلة المقابلات

ديفيد لارو، الرئيس والرئيس التنفيذي لشركة Medicomp Systems، هو مسؤول تنفيذي في مجال تكنولوجيا الرعاية الصحية ومؤسس مع أكثر من أربعة عقود من الخبرة. بعد بدء مسيرته المهنية في تدقيق الحاسوب والإدارة، أسس شركة Dexcom Systems في عام 1987، مما ساعد في نشر بعض أوائل شبكات الاتصالات المؤسسية والبيئات المحلية الكبيرة للمؤسسات، بما في ذلك البنك الدولي وشركة دوبونت ومستشفى سيناي. انضم إلى شركة Medicomp Systems في عام 1995 كمسؤول تنفيذي ورئيساً للعمليات، وتم تعيينه رئيساً تنفيذياً في عام 2012، حيث قاد تطور الشركة من شركة رائدة في مجال محركات المعرفة السريرية إلى شركة حديثة في مجال تكنولوجيا الرعاية الصحية والتفاعل الاصطناعي. تحت قيادته، وسعت شركة Medicomp Systems نطاقها العالمي، وطورت حلولاً متقدمة للاستخبارات السريرية القائمة على الأدلة، وتركز على تحسين إنتاجية العاملين في مجال الرعاية الصحية، وسهولة استخدام البيانات، و رعاية المرضى من خلال تكنولوجيا الرعاية الصحية الأذكى.

شركة Medicomp Systems هي شركة تكنولوجيا رعاية صحية معروفة بتقنياتها للمعرفة السريرية ومحركات المعرفة التي تحول البيانات الصحية المعقدة والمنقسمة إلى معلومات سريرية هيكلية وذات صلة. تأسست حول محرك المعرفة السريرية MEDCIN المملوك، يساعد منصة Quippe الرائدة للشركة مؤسسات الرعاية الصحية على تحسين الوثائق السريرية والتفاعل والقياس الجودة وضبط المخاطر والدعم القراري القائم على الذكاء الاصطناعي. مصممة لتقليد كيفية تفكير العاملين في مجال الرعاية الصحية وعملهم، تستخدم حلول شركة Medicomp Systems من قبل المستشفيات والأنظمة الصحية وشركات سجلات المرضى الإلكترونية ومؤسسات الرعاية الصحية في جميع أنحاء العالم لتحسين تدفقات العمل وتقليل العبء الإداري وتقديم رؤى المرضى الأكثر معنى في نقطة الرعاية.

لقد قمت بإنفاق ما يقرب من أربعة عقود في العمل عبر تكنولوجيا المعلومات الصحية، من شبكات الاتصالات المؤسسية المبكرة والأنظمة الصحية إلى قيادة شركة Medicomp Systems لمدة تزيد على 30 عامًا. بالنظر إلى تلك التطورات، ما هو المشكل الأساسي لبيانات الرعاية الصحية الذي يعتقد أن الصناعة لم تحله بعد؟

ما زالت صناعة الرعاية الصحية تفتقر إلى معيار متكامل لبيانات سريرية. تم إنشاء معايير الترميز التي نعتمد عليها كلها لحل مشاكل الترميز داخل نطاق واحد: ICD-10 للتشخيصات، وCPT وHCPCS للإجراءات والاختبارات، وLOINC لنتائج المختبرات والقياسات الأخرى، وRxNorm للأدوية، وSNOMED CT للنتائج السريرية. تم بناء كل منها لأغراض فواتير أو تصنيف أو بحث. لم يتم بناؤه لتنظيم رعاية المريض.

نظم المعلومات الصحية تستخدم هذه المعايير لإكمال معاملات محددة، معظمها مربوط بالتعويض، بدلاً من تقديم مقدمة للمقدمين عن حالة المريض. افكر في مريض مصاب بداء السكري. بيانات هذا المريض منتشرة عبر علامات منفصلة في نظام المعلومات الصحية، بدون عرض موحد لجميع المعلومات المتعلقة بالحالة. لا تتقاسم أنظمة الترميز مخططًا موحدًا، مما يجعلها غير فعالة من الناحية الحاسوبية، وت trởى هذه غير الفعالية مشكلة أكبر في عالم الذكاء الاصطناعي السريري. يعتمد الذكاء الاصطناعي على بيانات جيدة، ولا تزال صناعتنا لا تمتلكها.

تخيل مستودع Amazon (AMZN ) يعمل بدون وحدات تخزين البضائع (SKUs)، ويعتمد بدلاً من ذلك على описات نصية لكل عنصر، كل وصف مربوط بنموذج بيانات يختلف من نوع إلى آخر.几乎 كل الصناعات لها نسخة من SKU. الرعاية الصحية لا تمتلكها، ولذلك تبقى بياناتها منقسمة وغير متسقة.

لقد وصفتم العديد من مستودعات الرعاية الصحية الحديثة بأنها “مستنقعات بيانات” بدلاً من بحيرات بيانات قابلة للتنفيذ. ما هي أكبر الأخطاء المعمارية التي ارتكبتها الأنظمة الصحية خلال العجلة المركزية للبيانات؟

الخطأ المركزي كان تنظيم المستودع بنفس الطريقة التي كانت منظمة الأنظمة المصدر، حول المجالات والتعاملات بدلاً من حول المريض. لا تزال معظم الأنظمة الصحية تفصل المعلومات السريرية إلى مجالات منفصلة مثل المختبرات والأدوية والإجراءات والتشخيصات. يجب على المستخدمين، والبرمجيات التي يعتمدون عليها، ثم الوصول إلى ملفات ومواقع مختلفة لتجميع صورة للمريض، مما يجعل كل عملية أبطأ وأكثر تعقيدًا.

المشكلة الأعمق هي أن كل معاملة، سواء كانت فاتورة أو وصفة طبية أو طلب اختبار أو نتيجة مختبرية، يتم تخزينها كعنصر منفصل بدلاً من كونها جزءًا من عرض متكامل لحالة المريض. لا يصلح تخزين تلك البيانات في مكان واحد المشكلة. بحيرة بيانات مليئة بسجلات منقسمة ومحددة المجال تصبح مستنقعًا من البيانات لأن الحجم وحده، بدون تنظيم سريري، لا يولد فهمًا.

ما زال جزء كبير من المعلومات السريرية ذات الصلة يعيش داخل ملاحظات الأطباء وتقارير التصوير والملخصات عند الخروج من المستشفى بدلاً من الحقول الهيكلية. لماذا عانت الصناعة كثيرًا في تنفيذ بيانات سريرية غير منظمة على نطاق واسع؟

هذا يتغير، وسريعًا. يمكن الآن للنماذج اللغة الكبيرة (LLMs) توليد ملخصات نصية لللقاءات خالية من الاختصارات والاختصارات الغير عادية، مما يجعل من السهل على معالجة اللغة الطبيعية السريرية (NLP) استخراج بيانات هيكلية ومُرمَزة من ذلك النص. في الماضي، كان التقاط البيانات الهيكلية يعني طلب العاملين في مجال الرعاية الصحية العمل من خلال قوائم أو استمارات، والتي وجدوها محمولة وغالبًا غير قابلة للاستخدام.

اليوم، يعمل التسلسل بشكل مختلف. الاستماع المحيطي ينتج ملاحظة نصية معقولة النظافة، وLLM يلخص تلك الملاحظة إلى شكل شبه هيكلي، ثم تعمل NLP على الملخص. عندما تُشير NLP إلى هدف بيانات سريري مناسب، يمثل المفاهيم السريرية بدلاً من قائمة مسطحة من الرموز، يمكنها إنتاج بيانات هيكلية جيدة من النص السردي. لا يزال تحقيق ذلك يتطلب مزيجًا من التكنولوجيا تعمل معًا، ويت зависим كليًا على وجود ذلك الهدف السريري المناسب في المكان.

تجادل أن التحدي الأساسي ليس “جودة البيانات” ولكن انقسام البيانات. يمكنك شرح الفرق، ولماذا يهم هذا الفرق للنظم الصحية القائمة على الذكاء الاصطناعي؟

الفرقين متصلان chặtًا، ومع ذلك، فإنهما يصفان مشاكل مختلفة، وتلك الفرق تهم كثيرًا للذكاء الاصطناعي. جودة البيانات هي حول ما إذا كانت قطعة المعلومات الفردية دقيقة و كاملة و مسجلة بشكل صحيح. انقسام البيانات هو هيكلي. يحدث الانقسام عندما يتم تقسيم المعلومات السريرية، بغض النظر عن جودتها، إلى مجالات ورموز وأنظمة وتنسيقات ومواقع مختلفة.

ذلك الانقسام هو الممارسة الحالية لأن كل نظام ترميز تم تصميمه لأغراض معاملات منفصلة. كان النهج كافياً لكتابة وصفة طبية أو توليد فاتورة أو التعامل مع مهام منفصلة أخرى. الرعاية الصحية الشاملة هي مشكلة مختلفة، تتطلب معلومات من عدة مجالات لتكون متصلة ومعالجة ووضعها كعرض سريري متصل للمريض. سجل يمكن أن يكون ممتلئًا بنقاط بيانات دقيقة منفردة ويمكن أن يفشل العاملين في مجال الرعاية الصحية، لأن لا شيء يربط تلك النقاط معًا في ذلك العرض.

لقد أبرزتم ثلاثة فجوات رئيسية في معظم بحيرات البيانات الصحية: استخراج السرد من خلال معالجة اللغة الطبيعية، ورسوم المعرفة السريرية، ومصادقة السجلات المتعارضة. أي من القدرات المفقودة هذه تسبب أكبر تأثير تنازلي على رعاية المريض؟

ترتبط فجوتان من الثلاثة ارتباطًا وثيقًا: مصادقة السجلات المتعارضة، وحقيقة أن رسوم المعرفة السريرية جيدة كما هي البيانات التي تعمل عليها. من بين الثلاثة، فإن مصادقة السجلات المتعارضة تسبب حاليًا أكبر ضرر تنازلي، لأنها تقع أمام كل شيء آخر.

هناك الكثير مما يعيش في سجل المريض تم إدخاله عن طريق نسخ ولصق من لقاءات سابقة أو من خلال تجميع المعلومات من مقدمي رعاية متعددين. عندما يتم نقل تلك المعلومات بين الأنظمة باستخدام موارد التفاعل الصحية السريعة (FHIR)، يصبح من السهل إرسالها واستلامها، ومع ذلك، لا يفعل ذلك شيئًا لتحسين جودة البيانات الأساسية. إذا تم تشغيل الذكاء الاصطناعي أو رسوم المعرفة السريرية على تلك المعلومات، فمن المحتمل أن تكون النتائج تحمل نفس الانسجامات إلى الأمام.

المعايير مثل SNOMED CT وLOINC وRxNorm وFHIR وC-CDA غالبًا ما يتم مناقشتها كحلول للتفاعل. في الممارسة، لماذا لا تزال العديد من المنظمات تعاني في تحويل مطابقة المعايير إلى أنظمة سريرية مفيدة؟

تحمل العديد من الأنظمة والمنظمات بيانات غير مشفرة جيدًا لأن واجهات المستخدم الخاصة بهم تجعل من السهل اختيار العنصر الأول المعروض. تم بناء تلك الواجهات لتحريك الرموز من أجل الفواتير بأسرع ما يمكن، بدلاً من تزويد السياق السريري الذي سيسمح للمستخدم بتسجيل الحالة بدقة.

على سبيل المثال، يحتوي ICD-10 على رمز ل “التهاب الأعصاب والتهاب العضلات الوراثي”، وهو فئة لا تميز بين داء شاركو-ماري-توث وداء روسي-ليفي، على الرغم من أن كلاهما يقعان ضمنها. إذا كانت واجهة المستخدم تظهر هذه الفئة أولاً وتجعل الحالة المحددة أكثر صعوبة في الاختيار، فمن المحتمل أن يختار المستخدم الفئة. قد تكون الفئة كافية لدفع المطالبة، ومع ذلك، فهي أقل فائدة سريرية من الحالة المحددة. جميع معايير الترميز التعاملية تشترك في بعض النسخ من هذه المشكلة.

قضت شركة Medicomp Systems سنوات في بناء مصطلحات سريرية متصلة ومحركات الصلة حول أنظمة مثل MEDCIN. كم هو重要 محرك المعرفة السريرية لجعل الذكاء الاصطناعي الصحي موثوقًا وواعيًا بالسياق؟

محرك المعرفة السريرية ضروري لأنها تجعل البيانات قابلة للاستخدام في اللحظة التي يحتاجها فيها العاملون في مجال الرعاية الصحية أو المراجعون. الاختبار بسيط. عندما يكون المريض مصابًا بحالة سريرية معينة يتم إدارتها، يمكن للمستخدم رؤية كل شيء متعلق بتلك الحالة على الفور، أو يجب عليه فرز سجل المريض كله، تبويبًا تلو الآخر، لإعادة بناء السياق السريري؟ يمكن لمحرك المعرفة السريرية المبني على بيانات سريرية نظيفة أن يظهر ذلك السياق في لحظة. بدونها، يأخذ العثور على نفس المعلومات وقتًا طويلاً جدًا.

كثير من المنظمات الصحية تعتمد الآن رفقاء الذكاء الاصطناعي التوليدي ونظم التوثيق المحيطي. ما هي المخاطر التي تظهر عندما يتم تدريب تلك الأنظمة أو تشغيلها على بيانات سريرية منقسمة وسيئة السياق؟

الوهم والتصنيف الخاطئ للمعلومات هما من أكثر المخاطر شيوعًا، وكلاهما يصبح أكثر احتمالًا عندما تكون البيانات الأساسية منقسمة وسيئة السياق.

مثال شخصي: توفي والدي بسبب سرطان الكبد في سن 78، ومع ذلك، في زيارة حديثة، سُئلت عن مدة علاجي من سرطان الكبد. كان نظام التوثيق المحيطي قد سجل تاريخًا شخصيًا لسرطان الكبد في سجلي. واجه زميل لي شيئًا مشابهًا. كان لديه داء الانسداد الرئوي المزمن (COPD) مسجلاً في سجله لأن مقدم الرعاية، باستخدام التوثيق المحيطي، قد طلب أشعة سينية لاستبعادها. عندما قدم طلبًا لشراء تأمين على الحياة، تم رفضه، والسبب المذكور كان تشخيص COPD الذي تم توليده عن طريق الخطأ من أمر الأشعة السابقة.

يمكن أن تكون حالات الفشل في السياق غريبة أكثر. في حالة حديثة، تم إعادة تصنيف مريض ذكر يذكر أكل البيض في الإفطار على أنه أنثى، على الأرجح لأن النظام ربط كلمة “بيض” بالبيولوجيا الأنثوية. كل واحد من هذه الأخطاء يسهل الضحك عليه بمفرده. عندما يتم كتابته في سجل المريض وتبادله بين الأنظمة، ي停止 كونه مضحكًا.

هناك إثارة متزايدة حول التقدم التفاعلي الوطني، مع ملايين السجلات التي يتم تبادلها سنويًا. ما المطلوب أن يحدث قبل أن يتمكن العاملون في مجال الرعاية الصحية من الثقة حقًا بأن البيانات المتبادلة كاملة ودقيقة وسريرية ذات صلة في نقطة الرعاية؟

يجب أن يحدث شيءان. أولاً، يجب أن يكون للمقدمين الذين يوقعون على اللقاءات، والتي يتم توليدها بشكل متزايد من أدوات الاستماع المحيطي مع تلخيص LLM، حواجز سهلة الاستخدام قبل التوقيع، في النقطة التي تسبق دخول تلك البيانات إلى سجل المريض. بمجرد أن تدخل المعلومات الخاطئة إلى السجل،继承 كل استخدام لاحق لها مشكلة “القمامة داخل، قمامة خارج” التقليدية، وتصحيحها بعد ذلك أمر صعب.

ثانيًا، حتى عندما تكون البيانات دقيقة، يجب أن يكون العاملون في مجال الرعاية الصحية قادرين على العثور على ما يحتاجونه دون الحاجة إلى العبور عبر كل شيء آخر في السجل. لا يفعل تبادل ملايين السجلات أي خير إذا لم يتمكن العاملون في مجال الرعاية الصحية من العثور على المعلومات ذات الصلة أو الثقة في أنها تعكس صورة سريرية حقيقية للمريض. التحقق في نقطة الرعاية وسهولة الاسترجاع هما ما يجعل البيانات المتبادلة شيئًا يمكن للعاملين في مجال الرعاية الصحية الاعتماد عليه.

نظرًا إلى پنج سنوات قادمة، ما الذي يبدو عليه بيئة بيانات الرعاية الصحية “المفعلة” عندما يتم终于 محاذاة الذكاء الاصطناعي ومعايير التفاعل والسياق السريري وعمليات العمل للعاملين في مجال الرعاية الصحية بطريقة معنوية؟

المحاذاة ستعتمد على كل طرف لديه الوصول إلى أساس بيانات سريرية موثوقة، مصممة لإدارة كل مريض بشكل فعال، وجماعيًا، لجعل إدارة الصحة السكانية حقيقة واقعة. مع ذلك الأساس، تبدأ المحاذاة من المريض الفردي.

قبل كل لقاء، يعمل وكيل ذكاء اصطناعي على تجميع جميع البيانات المتاحة للمريض من شبكات المعلومات الصحية، والتبادلات، والمؤمنين، والشركات، في حين يعمل وكيل آخر على إزالة المكررات وتنظيم البيانات المتبقية. من خلال تطبيق أو كشك أو وكيل محادثة، يؤكد المريض بعد ذلك التشخيصات الحالية، والأدوية، ونتائج المختبرات الحديثة، وأي قضايا جديدة، وتصحيح أي أخطاء على طول الطريق. يذهب مشروع تلك التغييرات إلى العاملين في مجال الرعاية الصحية لاستعراضه.

في اللقاء، سواء كان افتراضيًا أو فعليًا، يستعرض العاملون في مجال الرعاية الصحية تلك المعلومات مع المريض ويتوجهون إلى الحالات التي تحتاج إلى الانتباه. يظهر وكيل سريري سياقًا سريريًا ذا صلة لكل حالة موجودة أو شكوى جديدة، ويسجل الاستماع المحيطي المحادثة. يلخص وكيل آخر ذلك للعاملين في مجال الرعاية الصحية لاستعراضه وتصحيحه والموافقة عليه.

من هناك، يتعامل الوكلاء مع العمل التنازلي: الحصول على أي موافقات مطلوبة، وإرسال الوصفات إلى الصيدلية، وطرح المطالبات، وترتيب رعاية متابعة، وتبادل المعلومات لأطراف معتمدة. على مدار ذلك، تقيم وكلاء الخلفية المخاطر السريرية وتنبه لتوثيق الجودة وضبط المخاطر والتنظيم. يعتمد النموذج بأكمله على بيانات موثوقة و sạchة في كل خطوة، مع الحفاظ على العاملين في مجال الرعاية الصحية في الحلقة، مما ينتج معلومات تدعم رعاية المريض الفردية وفعالة إدارة الصحة السكانية.

شكرًا على المقابلة الرائعة، يرغب القراء في معرفة المزيد في زيارة شركة Medicomp Systems.