Daniel Cane, Co-CEO og Co-Founder af ModMed – Interview Serie

Daniel Cane er co-CEO og medstifter af det sydfloridabaserede ModMed^®, et sundheds-IT-selskab, der transformerer sundhedssektoren gennem specialitetsbestemte, intelligente platforme til at øge praksiseffektivitet og forbedre patientresultater.

ModMed blev grundlagt i februar 2010 og er vokset til over 1.200 ansatte og har samlet over 332 millioner dollars i total investering. Kendt for sin progressive vækst som et medicinsk teknologiselskab, bliver ModMed ofte anerkendt både nationalt og regionalt for sine præstationer under Daniels ledelse. I 2020 blev selskabet navngivet som et af de bedste arbejdspladser i landet af Inc. magazine. Mellem 2016 og 2018 blev selskabet navngivet som et af de hurtigst voksende selskaber i Nordamerika på Deloitte Technology Fast 500^™-listen. Fra 2015 er selskabet blevet årligt navngivet på den eksklusive Inc. 5000-liste, en prestigefyldt samling af de hurtigst voksende private selskaber i landet.

Kan du dele nogle indsigt i din baggrund og hvordan den har påvirket dit arbejde i ModMed?

Min rejse ind i tech begyndte under mine universitetsår på Cornell, hvor jeg var medstifter af Blackboard. Vi transformerede uddannelsen ved at digitalisere klassenoter og oprette en platform, der gav studerende og fakultet en hidtil uset fleksibilitet og interaktion. For mig kulminerede Blackboards succes i 2004 med dens børsnotering, og selvom vores løsninger var spilforvandrende i edTech, kunne jeg ikke lade være med at holde udkig efter nye udfordringer.

En sådan udfordring præsenterede sig, da jeg gik til en rutinecheck hos min dermatolog. Vi havde en fantastisk snak om de problemer, der var forbundet med brugen af forældede papirbaserede systemer, og måder at løse dem på. Da jeg indså broen mellem hans medicinske ekspertise og min tekniske viden, besluttede vi os for at samarbejde og oprette ModMed sammen med vores første elektroniske sundhedsjournal (EHR)-platform.

På det tidspunkt fandtes der allerede nogle EHR’er, men desværre citerede studier ofte dem som en af de førende årsager til lægeudbrændthed. Vi tog en anden tilgang og designede vores EHR til at tilpasse brugeroplevelsen til de specifikke arbejdsgange i en medicinsk specialitet. Vores flagskib, cloud-baserede EHR, EMA, er og fortsætter med at blive designet af læger, for læger, hvilket har sat os aparte og definerer vores hemmelige sauce på markedet. Over årene har vi udvidet vores produkttilbud til at omfatte en fuld suite af løsninger, der hjælper medicinske udbydere med at forenkle og strømline deres praksisoperationer og fremskynde leveringen af omsorg.

Hvordan ser du kampen for effektiv AI i sundhedssektoren som vundet eller tabt med data?

Vi begynder at se en stigning i antallet af AI-teknologier, der bruges i praksis til at strømline arbejdsgange og maksimere effektivitet. Da vi bevæger os ind i en æra, hvor vi bruger AI til at udføre mere avancerede opgaver – såsom at foreslå behandling eller andre kliniske understøttelsesforslag – er det afgørende at have den rette data og AI-træningsstrategi på plads. AI har muligheden for at betydeligt forbedre oplevelsen for patienter og udbydere og skabe systemisk forandring, der vil virkelig forbedre sundhedssektoren, men at gøre dette til virkelighed vil afhænge af store mængder af højkvalitetsdata, der bruges til at træne modellerne.

Hvorfor er data så kritisk for AI-udvikling i sundhedssektoren?

Data er livsblodet for AI, og dårlig datakvalitet vil påvirke AI’s præstation, hvilket kan føre til underoptimalt resultat. Dette kan have alvorlige konsekvenser i en sundhedsindstilling, hvor patienters liv kan være på spil. Men en mere sandsynlig scenario er, at disse negative oplevelser kan undergrave både patienters og udbyderes tillid til AI, hvilket kan bremse fremgangen og den positive effekt, denne revolutionerende teknologi kan have på sundhedssektoren.

For eksempel i undersøgelsesrummet er AI-aktiverede ambient lyttingværktøjer designet til at foreslå indhold for kliniske noter til udbyderen til gennemgang og godkendelse. Ideelt set burde dette reducere den tid, en udbyder bruger på at dokumentere i EHR, og tillade mere kvalitets tid med patienten. Men dårlig datakilde og dårligt trænet AI-værktøj kan have den modsatte effekt, hvilket får udbydere til at bruge en uhensigtsmæssig mængde tid på at rette fejl og genskrive noter.

Derudover er bias en betydelig risiko forbundet med AI-algoritmer, og kvalitetsdata kan spille en nøglerolle i at mindske sundhedsforskelle. AI-modeller kan lære mønstre, der effektivt behandler en patientpopulation foretrukket i forhold til andre populationer, herunder lovmæssigt beskyttede grupper. Ved at overvåge dataindgangene og træne på robuste og repræsentative data kan AI-outputs være mere inklusive og nøjagtige.

Kan du uddybe de typer af data, som ModMed bruger til at træne sine AI-modeller, og hvordan denne data indsamles og administreres?

I ModMed bruger vi omfattende specialitetsbestemt data til at træne vores AI-modeller med præcision. Over de sidste 14 år har vi oprettet specialitetsbestemte, anonymiserede strukturerede datasæt i overensstemmelse med privatlivslove og udnytter nu denne interne data til at træne vores AI-modeller. For eksempel er vores ambient lyttingværktøj ModMed Scribe blevet trænet for dermatologi, vores første specialitetslancering, på millioner af strukturerede parametre fra anonymiserede patientjournaler, der er samplet fra en samling af 500 millioner patientmøder.

Hvordan definerer ModMed “etisk AI” i sundhedssektoren?

Muligheden for, at AI kan have fordomme eller levere upræcis information i form af “hallucinationer” eller udeladelser, kan påvirke patienters liv. Derfor handler etisk AI i sundhedssektoren om at sætte en høj standard for nøjagtighed og præcision. Det handler om at udvikle algoritmer omhyggeligt og ansvarligt og bruge højkvalitets- og divers data til at hjælpe med at aktivere mere nøjagtige forudsigelser for alle brugere.

Etisk AI handler også om at sikre, at mennesker forbliver en del af ligningen. En AI skal ikke “overlæge lægen” men i stedet reducere den administrative byrde, som læger og deres personale oplever, så de kan fokusere mere på at hjælpe patienter.

Hvilke foranstaltninger er der i ModMed for at tillade AI-teknologier at blive udviklet og implementeret på en etisk måde?

Vores strukturerede datatilgang – kurering af højkvalitets-, repræsentative træningsdatasæt – hjælper os med at gøre ansvarlig AI til virkelighed. Relevant og anonymiseret data indsamlet fra vores EHR-systemer fra en bred vifte af praksis giver os en divers samling af træningsdata, der afspejler forskellige patientpopulationer.

Derudover omfatter vores udviklingsteam datarensning for at facilitere indsamling og brug af højkvalitetsdata. Denne proces giver vores teams mulighed for at identificere, rette og fjerne inkonsistenser, fejl og manglende værdier fra datasættet. Gennem denne regelmæssige vedligeholdelse kan vi konstant opdatere AI’en på basis af performancesdata, især klinisk data, hvor patientresultater kan påvirkes.

Kan du diskutere betydningen af gennemsigtighed og ansvarlighed i AI-udvikling, især i sundhedssektoren?

Gennemsigtighed gør ansvarlighed mulig, hvilket er hvorfor det er så afgørende for enhver AI-løsning i sundhedssektoren. Lægers top-prioriteter er patientpleje og -sikkerhed, så det er ingen overraskelse, at 80% af læger ønsker at kende karakteristikkerne og funktionerne af design, udvikling og implementering af AI-værktøjer.

Derudover er ikke alle data lige. Det er vigtigt at vide, hvor og hvordan data lagres og indsamles, og hvor ofte det opdateres. Vi er heldige, at ModMed siden sin grundlæggelse har været forpligtet til en datastrategi, der prioriterer gennemsigtighed og nøjagtighed. Vi har en grundig forståelse af vores datas kilder og kvalitet og er sikre på, at vores AI-integrationer vil levere betydelig værdi til vores kunder.

Hvordan integreres AI i ModMeds specialitetsbestemte EHR-systemer som EMA og gGastro?

På tværs af vores portefølje har vi brugt maskinel læring i nogen tid og styrker vores investering i avanceret og generativ AI til at forenkle sundhedssektoren og fremskynde kvalitetspleje. Vi bygger en hel AI-drevet praksisoplevelse, der starter før en patient kommer ind ad døren, strækker sig gennem undersøgelsesrummet og hele vejen til regnskabsafdelingen.

I den kliniske indstilling er vi i de endelige faser af vores AI-ambient lyttingpilotprogram for EMA, som vi tror vil være en game-changer for dens downstream-funktionalitet og foreslået struktureret indhold. Vores AI-drevne dokumentationsløsning er designet til at strømline plejeprocessen ud over blot transkription eller udarbejdelse af en SOAP-note. Ved at bruge store mængder struktureret data træner vi vores AI-modeller til at fange essentiel information fra læge-patient-samtaler og, arbejdende sammen med vores EHR, til at foreslå relevant indhold for besøgsnoter, herunder ICD-10-koder, kirurgikoder og recepter. Dette sparer lægerne dyrebart tid og giver dem mulighed for at tilbringe mere kvalitets tid med deres patienter.

Hvilke specifikke fordele giver specialitetsbestemte AI-løsninger til sundhedsudbydere og patienter?

Ingen to medicinske specialiteter er ens. De varierer bredt med de patienter, de ser, de tilstande, de behandler, og de medicinske koder, der bruges til refundering. AI-løsninger må tilpasses for at imødekomme disse variationer for at være effektive på en virkelig meningsfuld måde.

For eksempel er ModMeds EHR’er og AI-ambient lyttingværktøjer tilpasset specifikt til hver medicinsk specialitet, hvilket giver højrelevant og præcis støtte til klinikerne. Hver specialitets dokumentationsproces kræver forskellige komponenter i den strukturerede datanote, herunder unikke medicinske koder og terminologi. Denne specialisering giver AI mulighed for bedre at forstå og forudse de unikke behov og arbejdsgange i varierende specialitetspraksis, hvilket vi tror vil resultere i mere effektiv implementering, hurtigere adoption og større samlet effektivitet i forbedring af operations-effektivitet.

Hvor ser du de største muligheder for AI i sundhedssektoren over de næste fem til ti år?

I fremtiden vil AI uden tvivl gennemtrænge næsten alle aspekter af sundhedssektoren på måder, vi ikke kan forestille os. Allerede nu bruges AI til administrative opgaver, og i den nærmeste fremtid vil denne trend sandsynligvis stige, da AI’s værdi bliver mere åbenlys.

Jeg ser også en fremtid, hvor AI er næsten usynlig i læge-patient-interaktioner, hvor brugergrænsefladen eller UI er virtuelt usynlig. I stedet for i dagens skærm-baserede interaktioner kan AI tilbyde en blanding af virkelighed og forstærket virkelighed. Denne fremtidige AI kan potentielt analysere sundhedsjournaler for at identificere kritiske indsigt, forudsige en patients risiko for forskellige sygdomme. Den enorme mængde data i medicinske journaler præsenterer en mulighed for AI til at forudse fremtidige plejebehov og hjælpe med at oprette og administrere forebyggende behandlingsplaner.

Denne oplevelse kan strække sig ud over praksisindstillingen og blive en integreret del af patientens daglige liv. AI-drevne wearables kan give personlig støtte, besvare spørgsmål og planlægge møder blandt andet. AI kan også overvåge vitale tegn på afstand, opdage og advare udbydere om potentielle sundhedsproblemer. Personlige behandlingsplaner, tilpasset enkelt-patienter baseret på data og præferencer, kan blive normen.

Dette er virkelig en spændende tid for sundhedssektoren. De næste fem til ti år er fulde af muligheder for at yderligere transformere branchen og forbedre patientoplevelsen.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge ModMed.