د. جايمي بلاند، المؤسس المشارك والرئيس التنفيذي لشركة Aquila Health – سلسلة المقابلات

د. جايمي بلاند، المؤسس المشارك والرئيس التنفيذي لشركة Aquila Health، هو قائد في مجال تكنولوجيا الرعاية الصحية يركز على مواجهة واحدة من التحديات الأكثر استمرارًا في الصناعة: البيانات المتناثرة وغير القابلة للوصول. لقد أسس شركة Aquila Health لبناء بنية تحتية بيانات موحدة تمكن المنظمات الصحية من التحرك بعيدًا عن الأنظمة المتناثرة، واستخدام التعلم الآلي والتحليلات المهيكلة لإنتاج رؤى قابلة للتنفيذ مع الحفاظ على الإشراف السريري. تركز عملها على تحسين التبادلية، وتمكين ذكاء الصحة على مستوى السكان، ودعم الكشف المبكر عن التحديات الصحية الناشئة من خلال الأنظمة السريرية والمدفوعات والجينومية.

Aquila Health هي منصة بيانات صحية مدفوعة بالذكاء الاصطناعي مصممة لتوحيد مصادر البيانات المتنوعة في نظام قابل للتبادل يدعم كفاءة التشغيل والتحليلات المتقدمة. تستوعب المنصة تنسيقات بيانات صحية عالية الحجم مثل HL7 و FHIR، مما يتيح التكامل السلس بين المستشفيات والأنظمة الصحية العامة وغيرها من الأطراف المعنية. من خلال الجمع بين نهج التعلم الآلي المهيكل مع نموذج التحقق البشري في الحلقة، تركز Aquila على تقديم رؤى موثوقة لإدارة صحة السكان، وكشف الشذوذ، وصنع القرار في الوقت الفعلي، بدلاً من الاعتماد فقط على أنظمة الذكاء الاصطناعي الغامضة. هذا يضع الشركة على تقاطع بنية البيانات والذكاء الاصطناعي التطبيقي، حيث تحسين جودة البيانات وإمكانية الوصول هو أساسي لفك شفرة إمكانيات الرعاية الصحية الكاملة.

قادتك CyncHealth خلال نمو هائل، وتوسيع التبادلية عبر ملايين السجلات الصحية وعدة ولايات، قبل تأسيس Aquila Health. ما هي القيود الرئيسية أو الأعطال النظامية التي واجهتها خلال تلك الرحلة التي دفعتك في النهاية إلى بناء Aquila من الصفر؟

في CyncHealth، قمنا ببناء البنية التحتية لربط المنظمات الصحية عبر نبراسكا وأيوا. لقد ربطنا أكثر من 1,100 موقع رعاية وعدد من السجلات الصحية، تغطي سكانًا يصلون إلى أكثر من خمسة ملايين شخص.

ومع ذلك، ما استمرنا في مواجهته هو أن ربط الأنظمة وجعل البيانات قابلة للاستخدام هما اثنان من مشكلة مختلفة تمامًا. على سبيل المثال، عملنا على إنشاء لوحة تحكم لجرعة زائدة من الأفيون التي تنسق البيانات التي تلقيناها من مصادر متعددة. استغرق الأمر أشهر مع مئات من ساعات العمل الكاملة وتنسيق عبر العديد من الأطراف المعنية لجعل هذه النقطة البيانية واحدة قابلة للفهم في سياق الصحة العامة والرعاية الصحية. وبعد كل ذلك، كانت الصورة لا تزال غير كاملة.

كانت تلك التجربة بذرة شركة Aquila. الطريقة التقليدية لربط الواجهات دون فهم إكمال و جودة البيانات لن تلبي الاحتياجات مع التطورات التي شهدناها في السنوات الأخيرة في مجال الذكاء الاصطناعي. عندما يمكن للذكاء الاصطناعي أن ينجز في ساعات ما كان يأخذه فريقًا شهرًا، ويفعله بجودة أعلى وبنسبة تكلفة أقل، عليك استخدام تلك المعرفة لإعادة بناء من أساس جديد. هذا ما فعلناه مع Aquila، نحن نركز على أدوات حديثة تقلل من تكلفة الاتصال حتى نتمكن من التركيز على إكمال صورة الصحة الكاملة – وليس فقط البيانات المشتقة من مصادر EHI التقليدية، ولكن الصورة الكاملة.

أعلنت Aquila حديثًا عن منصتها التي تركز على توحيد البيانات الصحية المتناثرة في طبقة واحدة جاهزة للذكاء الاصطناعي. ما هي الاختراقات الفنية الأساسية التي جعلت ذلك ممكنًا الآن، وليس قبل بضع سنوات؟

القدرات الذكية الاصطناعية هي التي دفعت هذا التحول تقريبًا بالكامل.

قضيت سنوات أشاهد مهندسين ماهرين ينسقون معايير البيانات يدوياً، مصدرًا تلو الآخر. كان ذلك يعمل، ولكن ذلك النموذج لا يمكن أن يتوسع. لا يمكنك توظيف طريقك خارج ذلك بسرعة كافية لمواكبة حجم وتنوع البيانات التي ينتجها قطاع الرعاية الصحية.

ما يختلف الآن هو أن الذكاء الاصطناعي يمكنه القيام بعمل التطبيع بشكل مستمر على مستوى البيانات أثناء تحرك المعلومات عبر النظام. ليس عملية دفعة تعمل ليلةً. يحدث ذلك في وقت قريب من الوقت الفعلي. هذا يغير ما هو ممكن للعاملين في مجال الصحة والفرق الصحية العامة، لأن البيانات التي يحتاجونها مهيكلة وموثقة (جاهزة للاستخدام) قبل وصولها إليهم.

العاملون في مجال الصحة معتادون على اتخاذ القرارات دون صورة كاملة للمريض. الصحة العامة معتادة على تشغيل البرامج دون بيانات حديثة لدعمها. Aquila تغير المنظر وتوفر السرعة التي تجعل اتخاذ القرارات القائم على البيانات فعّالًا في جميع أنحاء قطاع الرعاية الصحية.

لقد بنينا TREUE™ كإطار ينظم البيانات السريرية المشتقة من السجلات الصحية، والمختبرات، والصحة العامة، والمدفوعات، والصيدليات، والبيانات الاجتماعية في هيكل موحد. الذكاء الاصطناعي لا يغني عن الحوكمة الجيدة للبيانات؛ إنه يجعل الحوكمة الجيدة للبيانات قابلة للتوسع لأول مرة.

لقد شددت على أن التحدي الحقيقي في الذكاء الاصطناعي الصحي ليس في النماذج، ولكن في البيانات نفسها. ما هي الفجوات الأكثر حرجية في بنية البيانات الصحية الحالية التي تمنع الذكاء الاصطناعي من تقديم نتائج ذات معنى؟

الصناعة تتحدث عن نموذج الذكاء الاصطناعي، ولكن النموذج ليس الجزء الصعب.

الجزء الصعب هو أن مريضًا يمكنه الدخول إلى ثلاثة مرافق مختلفة في يوم واحد ويظهر كشخص مختلف في ثلاثة أنظمة مختلفة. مختبرات لا تتطابق مع الملاحظات السريرية. سجل الدافع يحتوي على معرف مختلف عن سجل المستشفى، ويستخدم الصحة العامة معرفًا مختلفًا تمامًا. بحل الوقت الذي تحل فيه كل ذلك يدوياً، يكون النافذة السريرية قد انغلقت.

الconnections الفنية القوية لا يمكن أن تحل مشاكل السجلات التي تصل غير كاملة أو غير متسلسلة. الذكاء الاصطناعي لا يمكنه كشف نمط لا يوجد في البيانات، ولا يمكنه تقديم توصية موثوقة من سجل ناقص المعلومات التاريخية أو الحالية.

الفجوة ليست في القدرة على المعالجة، بل في الثقة في البيانات الأساسية. هذا ما يجب حلّه أولاً، وحلّه بمقياس كبير هو حيث يمكن للذكاء الاصطناعي كسب مكانته.

تضع Aquila نفسها كـ “طبقة التحضير للبيانات” قبل ابتلاع الذكاء الاصطناعي. هل يمكنك شرح ما تفعله هذه الطبقة في الممارسة، خاصة عند التعامل مع مدخلات متنوعة للغاية مثل السجلات السريرية وبيانات المطالبات والبيانات في الوقت الفعلي؟

استخدم مثالًا من السابق، فكر في ما يصل عندما يولد مريض بيانات. تحصل على رسالة HL7 من المستشفى، وسجل مطالبة من شركة التأمين، وناتج مختبر من مختبر مرجعي يستخدم معرفًا مختلفًا، وتقرير صحي عام على جدول زمني مختلف تمامًا. لم تكن هذه المصادر مصممة لتكون متوافقة مع بعضها البعض.

طبقة التحضير لدينا، TREUE™، هي ما يقع بين تلك المدخلات وتطبيقات التحليل أو الذكاء الاصطناعي لاحقًا. مهمتها هي تقييم كل سجل عند وصوله، وتماثل الهويات عبر المصادر، وتنسيق التنسيقات، وتحديد ما هو مفقود أو غير متسلسل قبل تحرك البيانات إلى الأمام.

في الممارسة، هذا يعني أن العاملين في مجال الصحة ي nhìn إلى سجل مريض تم التحقق منه وتنسيقه عبر المصادر، بدلاً من المصادقة اليدوية على أربع وجهات نظر مختلفة للنظام خلال لقاء الرعاية.

من أجل فرق الصحة العامة، هذا يعني أن إشارات الوباء لا تتأخر بسبب بيانات وصلت بتنسيقات مختلفة من ولايات مختلفة.

هذه هي أعمال البنية التحتية. ليست مثيرة للإعجاب، ولكن لا شيء يعمل دونها.

معايير التبادلية مثل Fast Healthcare Interoperability Resources (FHIR) و United States Core Data for Interoperability (USCDI) موجودة منذ سنوات، ومع ذلك تستمر التجزئة. ما هو ما يزال مفقودًا من منظور المعايير، وكيف تتعامل Aquila مع تلك الفجوات بشكل مختلف؟

FHIR و USCDI قدمتا للصناعة لغة مشتركة لتبادل البيانات. ذلك كان تقدمًا مهمًا.

ومع ذلك، لغة مشتركة لتبادل البيانات ليست هي نفسها البيانات التي تتصرف بشكل متسلسل بمجرد وصولها.

هنا تكمن الفجوة: البيانات الصحية لا تأتي من مجال واحد. الأنظمة السريرية وسجلات الصحة العامة والمختبرات ومصادر البيانات الاجتماعية كلها لها متطلبات الحوكمة الخاصة بها، وأجندات زمنية، وdefinitions لما يعني حقل معين. FHIR لا يخبرك بكيفية مصادقة قاعدة بيانات للعوامل الاجتماعية مع سجل سريري من ولاية مختلفة.

ما يضيفه TREUE™ هو إطار موحد لتنظيم البيانات من جميع هذه المجالات معًا، مع احترام قواعد الحوكمة التي تنطبق على كل مصدر. النتيجة هي بيانات يمكن تحليلها فعلاً عبر المجالات، وليس فقط بيانات تم نقلها بنجاح.

تعمل Aquila في بيئات ذات عواقب عالية حيث لا يسمح بالفشل. كيف تصمم أنظمة الذكاء الاصطناعي التي توازن الأداء في الوقت الفعلي مع المتطلبات الصارمة حول الحوكمة والقابلية للتدقيق والثقة؟

يجب بناء الحوكمة في الهيكل قبل كتابة أول سطر من رمز التطبيق. لا ينبغي أن تكون طبقة تضاف فيما بعد.

في بيئات الرعاية الصحية والحكومة، القرارات التي يتم إعلامها من هذه البيانات تؤثر على رعاية المرضى، وستجابة لتفشي الأمراض، وكيف يتم تخصيص الموارد العامة. كل إجراءية يتم اتخاذها على البيانات يجب أن تكون قابلة للتعقب، ويجب أن يكون الوصول محكومًا بشكل صارم. النظام يجب أن يلبي متطلبات التطابق في البيئات التي يعمل فيها.

بالنسبة إلى Aquila، هذا يعني العمل داخل بنية تحتية حكومية من الدرجة الأولى، وسيطرة الوصول من النوع الصفري، وممارسات الأمان المنسقة مع معايير HIPAA والفيدرالية. لدينا عقود نشطة مع حكومات الولاية، والوكالات الفيدرالية، والمنظمات الصحية، وبيئات مختلفة لها متطلبات التطابق المختلفة التي يجب أن تلبيها المنصة في نفس الوقت.

مكون الحلقات البشرية مهم جدًا. الذكاء الاصطناعي يمكنه سطح الإشارات، ولكن الخبراء السريريون يصدرون التحقق من الشذوذ قبل أن يؤثر على القرارات التشغيلية. التكنولوجيا تجعل العثور على تلك الإشارات أسرع. لا يغني عن حكم الأشخاص الذين يجب أن يتصرفوا عليهم.

تدعم منصتك النشر الآمن لذكاء الأجهزة والسيادة على البيانات. ما مدى أهمية اللامركزية في الذكاء الاصطناعي الصحي، خاصة مع المخاوف المتزايدة حول خصوصية البيانات والامتثال التنظيمي؟

هي تصبح أساسية، وأعتقد أن الصناعة لم تبدأ بعد في مواجهة لماذا.

المنظمات الصحية تعمل تحت التزامات صارمة بشأن الخصوصية. لا يمكن نقل بيانات المرضى الحساسة ببساطة إلى بيئة مشتركة ومعالجتها. ولايات مختلفة لها قواعد مختلفة. الوكالات الفيدرالية لها قواعد مختلفة. البيانات الصحية الدولية لها مجموعة أخرى من القيود. أي هيكل يحتاج إلى نقل بيانات حساسة إلى موقع مركزي سوف يصطدم بتلك الحواجز بشكل متكرر.

الاتجاه الذي يعمل حقًا هو توليد رؤى أقرب إلى حيث تعيش البيانات بالفعل. المنظمات يمكنها أن تساهم في التحليلات المشتركة دون فقدان السيطرة على بياناتها الأساسية. هذا ما يسمح به النماذج الفيدرالية.

منصتنا مبنية للعمل في بيئة منظمات خاضعة للتنظيم، ولامركزية – الحوكمة التي تسافر مع البيانات بدلاً من تطبيقها في نقطة واحدة. إنه هيكل أكثر صعوبة في البناء، ولكن هذا هو الهيكل المتوافق مع كيفية عمل حوكمة البيانات الصحية في الممارسة.

كثير من الشركات الناشئة في الذكاء الاصطناعي تعتمد بشكل كبير على نماذج الصندوق الأسود، في حين تدمج Aquila التحقق البشري في الحلقة. أين ترى الخط الفاصل بين التأتمتة والرقابة البشرية في أنظمة الذكاء الاصطناعي السريرية؟

أعتقد أن الذكاء الاصطناعي جيد جدًا في العثور على الأنماط في مجموعات بيانات كبيرة. إنه ليس جيدًا في معرفة ما يعني نمطًا معينًا لمريض معين مع تاريخ معين في سياق مجتمعي معين. ذلك لا يزال قرارًا بشريًا.

الدور الصحيح للذكاء الاصطناعي في الأنظمة السريرية هو سطح الإشارات التي قد يفوتها الإنسان عند الحجم، وليس استبدال العقل السريري الذي يلي ذلك. في Aquila، الشذوذ والإشارات التي يتم وضع علامة عليها من قبل النظام تذهب إلى العاملين في مجال الصحة والخبراء في المجال قبل أن تدفع القرارات التشغيلية. التكنولوجيا تخبرك أين تنظر، والمهني يخبرك ماذا يعني ذلك.

أين أعتقد أن ينتمي الخط: تلقيم الكشف، والحفاظ على التفسير مع الأشخاص الذين يتحملون المسؤولية عن النتيجة.

Aquila تعمل عبر الصحة العامة، والأنظمة الحكومية، والصناعات الخاضعة للتنظيم. كيف تختلف متطلبات البنية التحتية للذكاء الاصطناعي بين هذه البيئات مقارنة بالتطبيقات التقليدية للذكاء الاصطناعي في الشركات؟

في تطبيق الذكاء الاصطناعي التقليدي للشركات، عادة ما تعمل داخل بيئة بيانات واحدة للشركة، ومجموعة واحدة من قواعد الحوكمة، وإطار واحد للامتثال.

البيئات الصحية العامة والحكومية هيكليًا مختلفة. أنت تتنسيق عبر ولايات متعددة، ووكالات متعددة، ومواقع رعاية سريرية متعددة، كلها تعمل على جداول زمنية مختلفة وتحت إطارات قانونية مختلفة. مستشفى في ولاية واحدة، ووكالة صحة عامة في ولاية أخرى، وبرنامج فيدرالي مع متطلبات بيانات خاصة به. جميعها تحتاج إلى تبادل البيانات وتوليد رؤى دون أن يكون هناك كيان واحد لديه وصول غير خاضع للرقابة إلى سجلات الآخرين.

البنية التحتية يجب أن تدعم معالجة عالية الحجم مع الحفاظ على قابلية التدقيق الصارم عبر جميع تلك الحدود. يجب أن تتكامل مع تنسيقات الرسائل الصحية التقليدية، لأن تلك الأنظمة لن تختفي. ويجب أن تعمل بشكل موثوق في بيئات حيث انقطاع الخدمة ليس فقط مشكلة أعمال، بل أيضًا مشكلة سلامة المرضى.

هذه التعقيد هي السبب في أننا بدأنا Aquila مع تلك البيئات بدلاً من السوق التقليدي للشركات. إذا كنت تستطيع بناء بنية تحتية تعمل هنا، فإنها تعمل في كل مكان.

تستمر قدرات الذكاء الاصطناعي في التقدم بشكل أسرع من الإطارات الحوكمة. ما هي المسؤوليات التي يتحملها المؤسسون وبناة المنصات لضمان نشر هذه الأنظمة بطريقة أخلاقية وآمنة من اليوم الأول؟

أعتقد أن المسؤولية بسيطة، حتى لو كان الوفاء بها ليس كذلك. إذا كنت تبني الذكاء الاصطناعي الذي يؤثر على القرارات السريرية أو نتائج الصحة العامة، فلا تحصل على معاملة الحوكمة كعنصر في خارطة المنتج التي سوف تصل إليها في النهاية. يجب تصميمها من البداية.

ما يعنيه ذلك عمليًا هو أن كل إجراءية على البيانات يجب أن تكون قابلة للتدقيق. النماذج يجب أن تكون قابلة للتفسير بما يكفي ليكون السريرية قادرًا على فهم لماذا تم وضع علامة على إشارة. يجب أن يكون الخبراء السريريون جزءًا من عملية المراجعة، وليس فكرة لاحقة. ويجب على المنظمة أن تكون صادقة حول ما يمكن للنظام أن يفعله بشكل موثوق به وما لا يستطيع فعله.

لقد قمت ببناء مسيري في بيئات حيث فشل البيانات له عواقب حقيقية على أشخاص حقيقيين. ذلك يؤثر على كيفية تفكيري في هذا. القدرات تتطور بسرعة، والمسؤولية عن كيفية نشرها لا يمكن أن تتأخر.

المؤسسون الذين يبناءون هذه الأنظمة يجب أن يحملوا ذلك المعيار لأنفسهم، لا ينتظروا التنظيم ليفرضه.

شكرًا على المناقشة المثيرة. القراء المهتمون باستكشاف المنصة ونهجها لبنية البيانات الصحية يمكنهم معرفة المزيد بالزيارة Aquila Health.