Daniel Cane, Co-CEO og medstifter af ModMed – Intervieuserie

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

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

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

Min rejse ind i teknologi begyndte under mine universitetsår på Cornell, hvor jeg var medstifter af Blackboard. Vi transformerer uddannelsen ved at digitalisere klassenoter og skabe en platform, der gav studerende og undervisere en hidtil uset fleksibilitet og interaktion. For mig kulminerede Blackboards succes i 2004 med børsnoteringen, 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 rutineundersøgelse hos min dermatolog. Vi havde en fantastisk snak om de udfordringer ved at bruge forældede papirbaserede systemer og måder at løse dem på. Da jeg indså broen mellem hans medicinske ekspertise og min tekniske viden, besluttede vi at samarbejde og skabe ModMed sammen med vores første elektroniske patientjournal (EHR)-platform.

På det tidspunkt eksisterede der allerede nogle EHR-systemer, men desværre citerede studier ofte disse 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-baseret EHR, EMA, er og bliver designet af læger til læger, hvilket har sat os aparte og definerer vores hemmelighed i markedet. Gennem årene har vi udvidet vores produkttilbud til at omfatte en fuld pakke af løsninger, der hjælper medicinske udbydere med at forenkle og strømline deres praksisoperationer og fremskynde leveringen af sundhedsydelser.

Hvordan ser du kampen for effektiv AI i sundhedssektoren ud, og hvordan kan den vindes eller tabes med data?

Vi begynder at se en stigende tilgang til AI-teknologi inden for praksis for at strømline arbejdsgange og maksimere effektiviteten. Da vi bevæger os ind i en æra, hvor vi bruger AI til mere avancerede opgaver – såsom at foreslå behandling eller andre kliniske anbefalinger – er det afgørende at have den rigtige 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’ens 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 erfaringer kan undergrave både patienters og udbyderes tillid til AI, hvilket kan bremse fremgangen og den positive indvirkning, denne revolutionerende teknologi kan have på sundhedssektoren.

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

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

Hvordan definerer ModMed “etisk AI” i sundhedssektorens kontekst?

Potentialen for, at AI kan have fordomme eller give urigtige oplysninger i form af “hallucinationer” eller udeladelser, kan påvirke patienters liv. Derfor handler etisk AI i sundhedssektoren om at sætte en høj standard for præcision og nøjagtighed. Det handler om at udvikle algoritmer omhyggeligt og ansvarligt og bruge højkvalitets- og divers data til at hjælpe med at aktivere mere præcise forudsigelser for hver bruger.

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

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

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 ikke overraskende, at 80% af læger ønsker at kende karakteristikkerne og funktionerne i design, udvikling og implementering af AI-værktøjer.

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 for at forenkle sundhedssektorens forretningsmodel og fremskynde kvalitetsydelser. 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 sidste faser af vores AI-ambient lytningpilotprogram for EMA, som vi tror vil være en game-changer for dens downstream-funktion og foreslåede strukturerede indhold. Vores AI-drevne dokumentationsløsning er designet til at strømline plejeprocessen ud over blot transskription eller udarbejdning af en SOAP-note. Ved at bruge store mængder struktureret data træner vi vores AI-modeller til at fange væsentlig information fra læge-patient-samtaler og, i samarbejde med vores EHR, til at foreslå relevant indhold for besøgsnoter, herunder ICD-10-koder, kirurgikoder og recepter. Dette sparer lægerne dyrebare tid og giver dem mulighed for at tilbringe mere kvalitetstid med deres patienter.

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

Intet 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 være effektive på en virkelig meningsfuld måde.

For eksempel er ModMeds EHR-systemer og AI-ambient lytningsværktøjer tilpasset specifikt til hver medicinsk specialitet, hvilket giver højrelevant og præcis støtte til kliniske specialister. Hver specialitets dokumentationsproces kræver forskellige komponenter i den strukturerede note, 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 trænge ind i næsten alle aspekter af sundhedssektoren på måder, vi ikke kan forestille os. Allerede nu bliver AI brugt til administrative opgaver, og i den nærmeste fremtid vil denne trend sandsynligvis stige, da AI’ens værdi bliver mere åbenbar.

Jeg ser også en fremtid, hvor AI bliver integreret gennemgående i læge-patient-interaktioner, hvor brugergrænsefladen eller UI er næsten usynlig. I stedet for i dag skal AI kunne tilbyde en blanding af virkelighed og forstærket virkelighed. Denne fremtidige AI kunne potentielt analysere sundhedsjournaler for at identificere kritiske indsighter, forudsige en patients risiko for forskellige sygdomme. Den store mængde data i sundhedsjournaler præsenterer en mulighed for, at AI kan forudsige fremtidige plejebehov og skabe og hjælpe med at administrere forebyggende behandlingsplaner.

Dette kan udvides til at blive en del af patientens daglige liv. AI-drevne wearables kunne give personlig støtte, besvare spørgsmål og planlægge aftaler blandt andet. AI kunne også overvåge vitale tegn på afstand, opdage og advare udbydere om potentielle sundhedsproblemer. Personlige behandlingsplaner, tilpasset enkelt patienter baseret på data og præferencer, kunne blive normen.

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

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge ModMed.