David Lareau, prezident a generální ředitel Medicomp Systems – rozhovor

David Lareau, prezident a generální ředitel Medicomp Systems, je zkušený manažer a podnikatel v oblasti zdravotnické technologie s kariérou trvající téměř pět desetiletí. Po začátku své kariéry v oblasti počítačového auditu a managementu založil v roce 1987 společnost Dexcom Systems, která pomáhala nasazovat některé z prvních podnikových komunikačních sítí a rozsáhlých lokálních sítí (LAN) pro organizace, jako je Světová banka, DuPont a Sinai Hospital. V roce 1995 se připojil k Medicomp Systems jako chief operating officer a v roce 2012 se stal generálním ředitelem, vedoucím transformaci společnosti z průkopnické společnosti poskytující klinické znalostní motory na moderní společnost pro zdravotnickou umělou inteligenci a interoperabilitu. Za jeho vedení Medicomp Systems rozšířila své globální působení, pokročila v oblasti založené na důkazech klinické inteligence a zaměřila se na zlepšování produktivity klinických pracovníků, využitelnosti dat a péče o pacienty prostřednictvím inteligentnější zdravotnické technologie.

Medicomp Systems je společnost pro zdravotnickou technologie, která je nejznámější svými klinickými znalostními motory a technologií, která transformuje komplexní a fragmentovanou zdravotnickou data na strukturované, klinicky relevantní informace. Založena na patentovaném klinickém znalostním motoru MEDCIN, vlajková loď společnosti Quippe pomáhá zdravotnickým organizacím zlepšovat klinickou dokumentaci, interoperabilitu, měření kvality, úpravy rizik a podporu rozhodnutí založenou na umělých inteligencích. Navržena tak, aby odrážela, jak klinici myslí a pracují, řešení Medicomp Systems jsou používána nemocnicemi, zdravotnickými systémy, poskytovateli elektronických zdravotnických záznamů a zdravotnickými organizacemi po celém světě, aby zefektivnily pracovní postupy, snížily administrativní zátěž a poskytly smysluplnější informace o pacientech v místě péče. Společnost se stala uznávaným lídrem v kombinaci klinických znalostních grafů, strukturovaných dat a umělých inteligencí na podporu přesnějších, efektivnějších a důvěryhodnějších zdravotnických rozhodnutí.

Vy jste strávil téměř čtyři desetiletí prací v oblasti zdravotnické informatiky, od raných podnikových komunikačních sítí a systémů pro lékařské fakturace až po vedení Medicomp Systems po více než 30 let. Ohlédneme-li se zpět na tuto evoluci, jaký základní problém se zdravotnickými daty si myslíte, že průmysl dosud nevyřešil?

Zdravotnický průmysl stále postrádá integrovaný standard pro klinická data. Terminologické standardy, na které se spoléháme, byly vytvořeny pro řešení kódovacích problémů v rámci jedné domény: ICD-10 pro diagnózy, CPT a HCPCS pro postupy a testy, LOINC pro laboratorní výsledky a další měření, RxNorm pro léky a SNOMED CT pro klinické nálezy. Každý z nich byl vytvořen pro fakturaci, klasifikaci nebo výzkum. Žádný z nich nebyl vytvořen pro organizaci péče o pacienta.

Zdravotnické informační systémy používají tyto standardy k dokončení konkrétních transakcí, většina z nich je vázána na úhradu, spíše než aby poskytly poskytovatelům integrovaný pohled na stav pacienta. Zvažte pacienta s diabetem. Data tohoto pacienta jsou rozdělena do samostatných záložek ve zdravotnickém informačním systému, bez jediného „pohledu na diabet“, který by spojil vše, co se týká tohoto stavu. Kódovací systémy nemají žádný společný schéma, což je z hlediska výpočtu neefektivní, a tato neefektivita se stává mnohem větším problémem ve světě klinické umělé inteligence. Umělá inteligence závisí na dobrých datech, a náš průmysl je dosud nemá.

Představte si Amazonův sklad, který se snaží operovat bez jednotek zásob (SKU), místo toho spoléhající se na textové popisy každého položky, každá z nich je spojena s datovou strukturou, která se mění z jednoho typu položky na druhý. Téměř každá odvětví má nějakou verzi SKU. Zdravotnictví ji nemá, a proto jeho data zůstávají fragmentovaná a nekonzistentní.

Vy jste popsali mnoho moderních zdravotnických repozitářů jako „datové bažiny“ spíše než akční datové jezera. Jaké jsou největší architektonické chyby, kterých se dopustily zdravotnické systémy během spěchu centralizovat data?

Hlavní chyba spočívala v organizaci repozitáře způsobem, jakým byly organizovány zdrojové systémy, kolem domén a transakcí, spíše než kolem pacienta. Většina zdravotnických systémů stále rozděluje klinické informace do samostatných domén, jako jsou laboratoře, léky, postupy a diagnózy. Uživatelé, a software, na který se spoléhají, musí pak dosáhnout do různých souborů a umístění, aby sestavili obraz pacienta, což dělá každý proces pomalejším a zdlouhavějším.

Hlubší problém spočívá v tom, že každá transakce, ať už je to faktura, předpis, objednávka testu nebo laboratorní výsledek, je uložena jako samostatný položka, spíše než jako součást integrovaného pohledu na stav pacienta. Centralizace těchto dat na jednom místě problém nevyřeší. Datové jezero plné fragmentovaných, doménově vázaných záznamů se stává datovou bažinou, protože objem sám o sobě, bez klinické organizace, nevytváří porozumění.

Velký podíl klinicky významných informací stále žije uvnitř lékařských poznámek, zobrazovacích zpráv a výstupních souhrnů, spíše než ve strukturovaných polích. Proč se průmyslu tolik daří operacionalizovat nestrukturovaná klinická data ve velkém měřítku?

To se mění, a rychle. Velké jazykové modely (LLM) mohou nyní generovat textové souhrny setkání bez zkratků a idiosynkratického zkrácení, což usnadňuje klinickému přirozenému jazykovému zpracování (NLP) extrahovat strukturovaná, kódovaná data z tohoto textu. V minulosti znamenalo zachycení strukturovaných dat to, že klinici museli pracovat s kontrolními seznamy nebo formuláři, které považovali za zdlouhavé a většinou nepoužitelné.

Dnes funguje sekvence jinak. Ambientní naslouchání produkuje relativně čisté textové poznámky, LLM souhrnuje tyto poznámky do semi-strukturované formy a NLP pak běží na souhrnu. Když je NLP zaměřen na vhodný klinický cíl dat, který reprezentuje klinické koncepty spíše než plochý seznam kódů, může produkovat dobře strukturovaná data z narativního textu. Dosáhnutí tohoto stále vyžaduje kombinaci technologií, které spolu pracují, a závisí zcela na tom, že je k dispozici vhodný klinický cíl dat.

Vy jste argumentovali, že jádrem problému není „kvalita dat“, ale fragmentace dat. Můžete vysvětlit rozdíl a proč toto rozlišení záleží pro zdravotnické systémy založené na umělé inteligenci?

Oba jsou úzce spojeny, ale popisují různé problémy, a toto rozlišení má velký význam pro umělou inteligenci. Kvalita dat se týká toho, zda je jednotlivá položka informací přesná, úplná a správně zaznamenána. Fragmentace dat je strukturální. Fragmentace nastává, když jsou klinické informace, bez ohledu na jejich kvalitu, rozděleny do samostatných domén a kódovacích systémů a uloženy v různých formátech a umístěních.

Tato fragmentace je současnou praxí, protože každý kódovací systém byl navržen pro samostatný transakční případ použití. Tento přístup byl dostatečný pro generování předpisu, fakturaci nebo zpracování jiných samostatných úkolů. Celková péče o pacienta je jiný problém, který vyžaduje, aby informace z několika domén byly spojeny, zpracovány a zobrazeny jako jediný, diagnosticky propojený pohled na pacienta. Záznam může být plný jednotlivých přesných datových bodů a přesto selhat klinika, protože nic tyto body nezapojí do tohoto pohledu.

Vy jste zdůraznili tři hlavní mezery ve většině zdravotnických datových jezerech: extrakce narativu prostřednictvím NLP, klinické znalostní grafy a rekonsolidace rozporuplných záznamů. Která z těchto chybějících schopností目前 způsobuje největší následný dopad na péči o pacienta?

Dvě z nich jsou úzce spojeny: rekonsolidace rozporuplných záznamů a fakt, že klinický znalostní graf je pouze tak dobrý, jako jsou data, na kterých funguje. Z těchto tří je rekonsolidace目前 způsobující největší následný dopad, protože se nachází výše všeho ostatního.

Velké množství toho, co žije v pacientově kartě, bylo zkopírováno a vloženo z předchozích setkání nebo konsolidováno z více poskytovatelů. Přesunutí této informace mezi systémy pomocí Fast Healthcare Interoperability Resources (FHIR) usnadňuje její odesílání a přijímání, ale nic nedělá pro zlepšení základní kvality. Spuštění umělých inteligencí nebo klinického znalostního grafu na těchto informacích povede pravděpodobně k výsledkům, které budou nést stejné nekonzistence dále.

Standardy, jako je SNOMED CT, LOINC, RxNorm, FHIR a C-CDA, jsou často diskutovány jako řešení interoperability. V praxi proč mnoho organizací stále zápasí s tím, aby standardní soulad proměnily v klinicky užitečné systémy?

Mnohé systémy a organizace nesou špatně kódovaná data, protože jejich uživatelské rozhraní činí nejsnadnější výběr první položky, která je zobrazena. Tato rozhraní jsou navržena tak, aby kód posunuly co nejrychleji pro fakturaci, spíše než aby poskytly klinický kontext, který by umožnil uživateli zaznamenat stav přesně.

ICD-10, například, zahrnuje kód pro „dědičnou motorickou a senzorickou neuropatii“, kategorii, která nerozlišuje Charcot-Marie-Toothovu chorobu od Roussy-Lévyho syndromu, ačkoli obě spadají do ní. Pokud uživatelské rozhraní zobrazí tuto kategorii jako první a udělá výběr konkrétního stavu obtížnějším, uživatel pravděpodobně vybere kategorii. Kategorie může být dostatečná pro uhrazení nároku, ale je mnohem méně klinicky užitečná než konkrétní stav. Všechny transakční kódovací terminologie sdílejí nějakou verzi tohoto problému.

Medicomp Systems strávil roky budováním klinicky propojené terminologie a relevance motorů kolem systémů, jako je MEDCIN. Jak důležité je klinický znalostní graf pro to, aby zdravotnická umělá inteligence byla důvěryhodná a kontextově vědomá?

Klinický znalostní graf je nezbytný, protože činí data využitelnými v okamžiku, kdy je klinika nebo recenzent skutečně potřebuje. Test je přímočarý. Když má pacient konkrétní stav, který je léčen, může uživatel vidět vše, co se týká tohoto stavu, okamžitě, nebo musí procházet celý záznam, kartu po kartě, aby rekonstruoval klinický kontext? Klinický znalostní graf postavený na čistých klinických datech může tento kontext zobrazit okamžitě. Bez něj nalezení stejné informace trvá příliš dlouho.

Mnohé zdravotnické organizace nyní nasazují generativní AI kopiloty a ambientní dokumentační systémy. Jaké rizika vznikají, když tyto systémy AI jsou trénovány nebo provozovány na fragmentovaných, špatně kontextualizovaných klinických datech?

Hallucinace a nesprávná kategorie informací jsou dvěma z nejčastějších rizik, a obě se stávají pravděpodobnějšími, když jsou podkladová data fragmentovaná a špatně kontextualizovaná.

Osobní příklad: můj otec zemřel na rakovinu jater ve věku 78 let, ale během nedávné návštěvy jsem byl požádán, jak dlouho jsem byl v remisi. Ambientní dokumentační systém zaznamenal osobní anamnézu rakoviny jater do mé vlastní karty. Kolega narazil na něco podobného. Měl chronickou obstrukční plicní nemoc (COPD) zaznamenanou v jeho záznamu, protože jeho poskytovatel, pomocí ambientního dokumentování, objednal rentgen hrudníku, aby vyloučil COPD. Když později požádal o životní pojištění, byl odmítnut, a důvod, který byl uveden, byla diagnóza COPD, kterou dříve objednávka rentgenu náhodou vygenerovala.

Existuje rostoucí nadšení kolem národního pokroku v interoperabilitě, s stovkami milionů záznamů, které jsou nyní ročně vyměňovány. Co ještě musí nastat, než mohou klinici skutečně důvěřovat, že vyměňovaná data jsou kompletní, přesná a klinicky relevantní v místě péče?

Dvě věci musí nastat. Za prvé, poskytovatelé, kteří potvrzují setkání, která jsou stále častěji generována ambientním nasloucháním s LLM shrnutím, potřebují rychlá, snadno použitelná zábrany před potvrzením, v okamžiku právě předtím, než tato data vstoupí do pacientovy karty. Jakmile jsou nesprávné informace zapsány do karty, každý následný použití jich dědí problém „špatný vstup, špatný výstup“, a opravování jich po skutečnosti je obtížné.

Zadruhé, i když jsou data přesná, klinika musí být schopna najít, co potřebuje, bez procházení všeho ostatního v kartě. Výměna stovek milionů záznamů nemá žádný prospěch, pokud přijímající klinika nemůže nalézt relevantní informace nebo důvěřovat, že odrážejí skutečný klinický obraz pacienta. Ověření v místě péče a snadné načtení jsou to, co dělá vyměňovaná data něčím, na co se klinika může skutečně spolehnout.

Pohledem do budoucnosti pět let, co vypadá „aktivované“ zdravotnické datové prostředí, když AI, standardy interoperability, klinický kontext a pracovní postupy lékařů jsou konečně sladěny smysluplným způsobem?

Soulad bude záviset na tom, že každá strana bude mít přístup k spolehlivému klinickému datovému základu, který je navržen tak, aby efektivně spravoval každého pacienta, a společně, aby učinil skutečné řízení populace zdravotní péče realitou. S tímto základem začíná soulad u jednotlivého pacienta.

Před každým setkáním jeden agent shromažďuje všechny dostupné údaje pro tohoto pacienta ze zdravotnických informačních sítí, výměn, plátců a podniků, zatímco jiný odstraňuje duplikáty a organizuje zbývající data. Prostřednictvím aplikace, kiosku nebo konverzačního agenta pacient poté ověřuje aktuální diagnózy, léky, recentní laboratorní výsledky a nové problémy, opravuje chyby na cestě. Koncept těchto změn je odeslán klinika k přezkumu.

Během setkání, virtuálního nebo fyzického, klinika přezkoumá tyto informace s pacientem a obrátí se na stavy, které vyžadují pozornost. Agent zobrazí diagnosticky relevantní kontext pro každý existující stav nebo novou stížnost, a ambientní naslouchání zachytí konverzaci. Druhý agent souhrnuje ji pro klinika k přezkumu, opravě a schválení.

Od tohoto okamžiku agenti zpracovávají následnou práci: zajišťují požadovaná povolení, odesílají předpisy do lékárny, podávají nároky, naplánují následnou péči a balí informace pro schválené strany. Na pozadí agenti hodnotí klinické riziko a vyzývají k dokumentaci kvality, úpravy rizika a regulace. Celý model spočívá na čistých, spolehlivých datech na každém kroku, s klinici v smyčce, produkující informace, které podporují jak péči o jednotlivé pacienty, tak efektivní řízení populace zdravotní péče.

Děkuji za skvělý rozhovor, čtenáři, kteří si přejí dozvědět se více, by měli navštívit Medicomp Systems.