Dr. Jaime Bland, spoluzakladatel a CEO Aquila Health – rozhovor

Dr. Jaime Bland, spoluzakladatel a CEO Aquila Health, je lídr v oblasti zdravotnických technologií, který se zaměřuje na řešení jedné z největším výzev odvětví: fragmentované a nepřístupné údaje. Spoluzakladatel Aquila Health, aby vytvořil jednotnou datovou infrastrukturu, která umožňuje zdravotnickým organizacím překročit systémy v izolaci, využívající strojové učení a strukturovanou analýzu k získání akčních poznatků, zatímco zachovává klinickou kontrolu. Jeho práce se zaměřuje na zlepšení interoperability, umožnění zdravotní inteligence na úrovni populace a podporu dřívějšího zjištění vznikajících zdravotních hrozeb prostřednictvím integrovaných klinických, pojistných a genomických datových systémů.

Aquila Health je platforma pro zdravotnické údaje poháněná umělou inteligencí, která je navržena tak, aby sjednotila rozdílné zdroje dat do jednoho, interoperabilního systému, který podporuje jak provozní efektivitu, tak i pokročilou analýzu. Platforma přijímá velké objemy zdravotnických dat ve formátech, jako je HL7 a FHIR, umožňující bezproblémovou integraci napříč nemocnicemi, systémy veřejného zdraví a dalšími subjekty. Kombinací strukturovaných přístupů strojového učení s modelem validace s lidskou účastí se Aquila zaměřuje na poskytování spolehlivých poznatků pro řízení zdravotní péče na úrovni populace, detekci anomálií a rozhodování v reálném čase, spíše než spoléhání se pouze na neprůhledné systémy umělé inteligence. To umístilo společnost na rozhraní datové infrastruktury a aplikované umělé inteligence, kde zlepšení kvality a dostupnosti dat je základem pro odemknutí plného potenciálu zdravotnické inteligence.

Vedl jste CyncHealth prostřednictvím masivního růstu, škálování interoperability napříč miliony zdravotních záznamů a několika státy, než jste založili Aquila Health. Jaké byly hlavní omezení nebo systémové selhání, se kterými jste se setkali během této cesty, které vás nakonec vedly k vybudování Aquila od základu?

V CyncHealth jsme strávili roky budováním infrastruktury pro propojení zdravotnických organizací napříč Nebraskou a Iowou. Propojili jsme více než 1 100 míst poskytování péče a miliony zdravotních záznamů, pokrývajících populaci více než pět milionů lidí.

Co jsme ale neustále naráželi na, bylo to, že propojení systémů a skutečné učinění dat použitelnými jsou dvě velmi rozdílné problémy. Například jsme pracovali na vytvoření dashboardu pro předávkování opioidy, který koordinoval data, která jsme obdrželi z více zdrojů. Trvalo to měsíce s stovkami hodin a koordinace napříč mnoha subjekty, aby se tato jediná datová položka stala srozumitelnou ve veřejném zdraví a zdravotnickém kontextu. A poté, co jsme to všechno udělali, byl obraz stále neúplný.

Tato zkušenost byla semínkem pro Aquila. Legacy způsob propojování rozhraní bez pochopení úplnosti a kvality exportovaných dat nebude splňovat potřeby s pokroky v oblasti umělé inteligence, které jsme viděli v posledních letech. Když umělá inteligence může za několik hodin dokázat to, co dříve trvalo týmu měsíce, a dělat to s vyšší kvalitou a nižšími náklady, musíte použít tyto znalosti k vybudování nové základny. To je to, co jsme udělali s Aquila, zaměřujeme se na moderní nástroje, které snižují náklady na propojení, aby jsme se mohli soustředit na dokončení celkového obrazu zdraví – ne pouze dat odvozených z tradičních zdrojů EHI, ale celého obrazu.

Aquila nedávno vyšla ze stealth módů s platformou zaměřenou na sjednocení fragmentovaných zdravotnických dat do jedné, AI-připravené vrstvy. Jaké byly hlavní technické průlomy, které to umožnily nyní, na rozdíl od několika let zpět?

Schopnosti umělé inteligence poháněly tento posun téměř zcela.

Strávil jsem roky sledováním zkušených inženýrů, kteří manuálně sjednocovali datové standardy, jeden zdroj po druhém. To fungovalo, ale tento model se nemůže škálovat. Nemůžete si najmout dostatečně rychle, aby jste drželi krok s objemem a rozmanitostí dat, kterou zdravotnictví generuje.

Co je nyní jiné, je to, že umělá inteligence může provádět normalizační práci kontinuálně na datové vrstvě, zatímco informace procházejí systémem. Není to dávkový proces, který běží přes noc. To se děje v近 real-time. To mění to, co je možné pro klinické a veřejné zdravotnické týmy, protože data, která potřebují, jsou strukturovaná a validovaná (učinění použitelnými) předtím, než se dostanou k nim.

Klinici jsou zvyklí dělat rozhodnutí bez úplného obrazu pacienta. Veřejné zdraví je zvyklé vést programy bez nedávných dat, která je podporují. Aquila mění krajinu a poskytuje rychlost, která umožňuje efektivní rozhodování založené na datech napříč celým zdravotnictvím.

Vyvinuli jsme TREUE™ jako rámec, který organizuje EHR-derived klinická data, laboratorní, veřejné zdraví, pojistná a sociální data do jednotné struktury. Umělá inteligence nenahrazuje dobré datové governance; činí dobré datové governance škálovatelné poprvé.

Vous jste zdůraznili, že skutečná výzva ve zdravotnické AI není v modelech, ale v datech samotných. Jaké jsou nejkritičtější mezery v dnešní zdravotnické datové infrastruktuře, které brání AI v poskytování smysluplných výsledků?

Průmysl mluví o modelu AI, ale model není tvrdou částí.

Tvrdá část je, že pacient může vejít do tří různých zařízení v jeden den a objevit se jako tři různé osoby ve třech různých systémech. Laboratoře neodpovídají klinickým poznámkám. Pojistný záznam má jiný identifikátor než nemocniční záznam a veřejné zdraví používá zcela jiný identifikátor. Do té doby, než všechnu tu práci vyřešíte manuálně, klinické okno se uzavře.

Silná technická propojení nemohou opravit záznamy, které přicházejí neúplné nebo v nesprávném pořadí. Umělá inteligence nemůže detekovat vzorec, který není v datech, a nemůže učinit spolehlivou doporučení z záznamu, který chybí polovinu historických nebo současných informací, které by měl obsahovat.

Mezera není ve zpracování, ale v důvěře v základní data. To je to, co musí být vyřešeno jako první, a řešení to v měřítku je tam, kde může umělá inteligence skutečně získat své místo.

Aquila se позиционирует jako “datová přípravná vrstva” před ingestí AI. Můžete nás provést tím, co tato vrstva skutečně dělá v praxi, zejména při manipulaci s vysoce heterogenními vstupy, jako jsou klinické záznamy, pojistná data a datové toky v reálném čase?

Použijme příklad z dříve, zvažte, co přichází, když pacientův kontakt generuje data. Získáte HL7 zprávu z nemocnice, pojistný záznam od pojišťovny, laboratorní výsledek z referenční laboratoře pomocí jiného identifikátoru a zprávu o veřejném zdraví podanou v úplně jiném časovém rámci. Žádný z nich nebyl navržen tak, aby byl sjednocen s ostatními.

Naše přípravná vrstva, TREUE™, je to, co sedí mezi těmito vstupy a jakoukoli downstream analytikou nebo aplikací AI. Jeho úkolem je vyhodnotit každý záznam, jakmile přijde, shodit identity napříč zdroji, normalizovat formáty a označit, co chybí nebo je nekonzistentní, než se data dostanou dále.

V praxi to znamená, že klinici, kteří se dívají na pacienta, pracují s záznamem, který byl validován a sladěn napříč zdroji, spíše než manuálně sjednocují čtyři různé systémy během péče. Pro veřejné zdravotnické týmy to znamená, že signály o propuknutí nejsou zpožděny daty, která přicházejí v různých formátech z různých jurisdikcí.

Je to infrastrukturní práce. Není to glamurní, ale nic downstream nefunguje bez ní.

Standardy interoperability, jako je Fast Healthcare Interoperability Resources (FHIR) a United States Core Data for Interoperability (USCDI), existují již roky, ale fragmentace přetrvává. Co ještě chybí z hlediska standardů a jak Aquila řeší tyto mezery jinak?

FHIR a USCDI daly průmyslu sdílený jazyk pro výměnu dat. To bylo důležité pokroky.

Zde je mezera: zdravotnická data nepřicházejí z jednoho domény. Klinické systémy, veřejné zdravotnické registry, laboratoře a sociální datové zdroje mají každý své vlastní požadavky na governance, časové rámce a definice toho, co znamená pole. FHIR neříká, jak sjednotit dataset sociálních determinant s klinickým záznamem z jiné jurisdikce.

Co TREUE™ přidává, je jednotný rámec pro to, jak data z všech těchto domén mohou být organizována a validována společně, zatímco stále respektuje governance pravidla, která se vztahují na každý zdroj. Výsledkem je data, která můžete skutečně analyzovat napříč doménami, ne pouze data, která byla úspěšně přenesena.

Aquila operuje ve vysokých důsledcích prostředí, kde selhání není možností. Jak navrhujete AI systémy, které vyvažují výkon v reálném čase se striktními požadavky na governance, auditovatelnost a důvěru?

Musíte postavit governance do architektury, než napíšete první řádek kódu aplikace. Nemělo by to být vrstva, kterou přidáte později.

Ve zdravotnických a vládních prostředích jsou rozhodnutí informovaná těmito daty ovlivňují péči o pacienta, reakci na propuknutí a alokaci veřejných zdrojů. Každá akce provedená na datech musí být stopovatelná a přístup musí být těsně kontrolován. Systém musí splňovat požadavky na compliance prostředí, ve kterých operuje.

Pro Aquila to znamená provozování v rámci vládního cloudového infrastrukturního prostředí, kontrolách přístupu s nulovou důvěrou a bezpečnostními postupy v souladu s HIPAA a federálními standardy. Máme aktivní smlouvy s vládními agenturami, zdravotnickými organizacemi a dalšími subjekty, a tato prostředí mají velmi rozdílné požadavky na compliance, které musí platforma splňovat současně.

Lidská účast je stejně důležitá. Umělá inteligence může povýšit signály, ale kliničtí odborníci validují anomálie předtím, než informují provozní rozhodnutí. Technologie dělá nalezení těchto signálů rychlejší. Nenahrazuje úsudky lidí, kteří musí jednat na jejich základě.

Vaše platforma podporuje zabezpečené nasazení AI na zařízení a suverenitu dat. Jak důležité je to, aby se decentralizace stala ve zdravotnickém AI, zejména s ohledem na rostoucí obavy kolem ochrany soukromí a souladu s předpisy?

Stává se to nezbytným, a myslím, že průmysl teprve začíná chápat, proč.

Zdravotnické organizace operují pod přísnými povinnostmi ochrany soukromí. Citlivá pacientská data nemohou být prostě centralizována a zpracována ve sdíleném prostředí. Rozdílné státy mají rozdílná pravidla. Federální agentury mají rozdílná pravidla. Mezinárodní zdravotnická data mají další sadu omezení. Jakékoli architektury, které vyžadují přesunutí citlivých dat do centrální lokace, budou narazet na tyto zdi opakovaně.

Směr, který skutečně funguje, je generovat poznatky blíže k místu, kde data již žijí. Organizace mohou přispět ke sdílené analýze bez ztráty kontroly nad svými základními daty. To je to, co umožňují federované modely.

Naše platforma je navržena tak, aby fungovala v tomto regulovaném, decentralizovaném prostředí – governance, která cestuje s daty, spíše než je aplikována v jednom bodě. Je to složitější architektura, ale je to ta, která je skutečně kompatibilní s tím, jak funguje governance zdravotnických dat v praxi.

Mnohé AI startupy se silně spoléhají na černé skříňky, zatímco Aquila zahrnuje validaci s lidskou účastí. Kde vidíte hranici mezi automatizací a lidskou kontrolou v klinických AI systémech?

Začal jsem svou kariéru jako sestra. Tato zkušenost formuje, jak přemýšlím o tom, kde patří AI ve zdravotnickém prostředí, a kde ne.

AI je velmi dobrá v nalezení vzorců v velkých datech. Není dobrá v tom, aby věděla, co vzorec znamená pro konkrétního pacienta s konkrétní historií v konkrétním komunitním kontextu. To je stále lidské rozhodnutí.

Správná role AI v klinických systémech je povýšit signály, které by člověk mohl přehlédnout ve velkém objemu, ne nahradit klinické úsudky, které následují. V Aquila jdou anomálie a poznatky povýšené systémem k klinickým odborníkům na přezkum, než informují provozní rozhodnutí. Technologie vám říká, kam se podívat, a odborník vám říká, co to znamená.

Kde si myslím, že patří hranice: automatizujte detekci, držte interpretaci u lidí, kteří jsou zodpovědní za výsledek.

Aquila pracuje napříč veřejným zdravotnictvím, vládními systémy a regulovanými odvětvími. Jak se požadavky na AI infrastrukturu liší mezi těmito prostředími ve srovnání s tradičními nasazeními podnikového AI?

V typickém podnikovém nasazení AI obvykle pracujete v rámci jednoho organizace, jednoho souboru pravidel governance, jednoho rámce compliance.

Veřejné zdravotnické a vládní prostředí jsou strukturálně odlišná. Koordinujete napříč několika jurisdikcemi, několika agenturami, několika klinickými prostředími, každé fungující v rozdílných časových rámcích a pod rozdílnými právními rámci. Nemocnice v jednom státě, agentura veřejného zdraví v jiném státě, federální program se svými vlastními požadavky na data. Všechny tyto potřebují vyměňovat data a generovat poznatky bez toho, aby jedna entita měla nekontrolovaný přístup k záznamům druhé.

Infrastruktura musí podporovat zpracování velkého objemu, zatímco zachovává striktní auditovatelnost napříč všemi těmito hranicemi. Musí se integrovat s legacy zdravotnickými formáty zpráv, protože tyto systémy nezmizí. A musí fungovat spolehlivě v prostředích, kde downtime není pouze obchodním problémem, ale problémem bezpečnosti pacientů.

Tato komplexita je důvodem, proč jsme začali Aquila s těmito prostředími, spíše než s tradičním podnikovým trhem. Pokud můžete postavit infrastrukturu, která funguje zde, funguje všude.

Schopnosti AI pokračují v pokroku rychleji než rámce governance. Jaké jsou odpovědnosti zakladatelů a tvůrců platforem za zajištění, že tyto systémy jsou nasazeny eticky a bezpečně od samého počátku?

Myslím, že odpovědnost je přímá, i když splnění této odpovědnosti není snadné. Pokud stavíte AI, která ovlivňuje klinická rozhodnutí nebo výsledky veřejného zdraví, nemůžete považovat governance za položku produktového plánu, na kterou se dostanete později. Musí být navržena od samého počátku.

Co to znamená prakticky, je to, že každá akce na datech musí být auditovatelná. Modely musí být dostatečně interpretovatelné, aby klinický pracovník mohl pochopit, proč byl signal povýšen. Kliničtí odborníci musí být součástí procesu přezkumu, ne pouze následné myšlenky. A organizace musí být upřímná o tom, co systém může a nemůže spolehlivě udělat.

Strávil jsem svou kariéru v prostředích, kde selhání dat má skutečné důsledky pro skutečné lidi. To formuje, jak přemýšlím o tomto. Schopnosti pokročily rychle, a odpovědnost za to, jak jsou nasazeny, nemůže být dovolena zpoždění. Zakladatelé, kteří staví tyto systémy, musí držet tento standard pro sebe, nečekat na regulaci, aby je uvalila.

Děkuji za hlubokou diskuzi. Čtenáři, kteří se zajímají o prohlížení platformy a jejího přístupu k zdravotnické datové infrastruktuře, se mohou dozvědět více navštívením Aquila Health.