David Lareau, præsident og administrerende direktør for Medicomp Systems – Intervju-serie

David Lareau, præsident og administrerende direktør for Medicomp Systems, er en sundhedsøkonomisk teknologileder og iværksætter med en karriere, der strækker sig over næsten fem årtier. Efter at have startet sin karriere i computerrevision og ledelse, grundlagde han Dexcom Systems i 1987, hvor han hjalp med at udvikle nogle af de tidligste virksomhedskommunikationsnetværk og store skala LAN-miljøer for organisationer som Verdensbanken, DuPont og Sinai Hospital. Han tiltrådte Medicomp Systems i 1995 som chief operating officer og blev udnævnt til administrerende direktør i 2012, hvor han ledte virksomhedens udvikling fra en pionerende klinisk videnmotorleverandør til en moderne sundhedsøkonomisk AI- og interoperabilitetsvirksomhed. Under hans ledelse har Medicomp udvidet sin globale rækkevidde, avanceret evidensbaserede kliniske intelligensløsninger og fokuseret på at forbedre klinikerproduktivitet, dataanvendelighed og patientpleje gennem smartere sundhedsøkonomisk teknologi.

Medicomp Systems er en sundhedsøkonomisk teknologivirksomhed, der er bedst kendt for sin kliniske intelligens og videnmotor-teknologi, der omdanner komplekse, fragmenterede sundhedsøkonomiske data til struktureret, klinisk relevant information. Grundlagt omkring det patenterede MEDCIN kliniske videnmotor, hjælper virksomhedens flagskib Quippe-platformen sundhedsøkonomiske organisationer med at forbedre klinisk dokumentation, interoperabilitet, kvalitetsmåling, risikojustering og AI-drevet beslutningsstøtte. Designet til at spejle, hvordan klinikere tænker og arbejder, anvendes Medicomps løsninger af hospitaler, sundhedsøkonomiske systemer, EHR-leverandører og sundhedsøkonomiske organisationer verden over til at strømline arbejdsgange, reducere administrative byrder og levere mere meningsfulde patientindsigter på plejestedet. Virksomheden er blevet en anerkendt leder i kombinationen af kliniske videngraf, struktureret data og AI til at støtte mere præcis, effektiv og tillidsværdig sundhedsøkonomisk beslutningstagning

De har brugt næsten fire årtier på at arbejde inden for sundhedsøkonomisk IT, fra tidlige virksomheds kommunikationsnetværk og medicinske regningsystemer til at lede Medicomp Systems i mere end 30 år. Kigger tilbage på den udvikling, hvad er det grundlæggende sundhedsøkonomiske datapproblem, som du mener, industrien stadig ikke har løst?

Sundhedsøkonomisk industrien mangler stadig en integreret standard for klinisk data. De terminologiske standarder, vi er afhængige af, blev hver især skabt for at løse kodningsproblemer inden for en enkelt domæne: ICD-10 for diagnoser, CPT og HCPCS for procedurer og tests, LOINC for laboratorie-resultater og andre målinger, RxNorm for medicin og SNOMED CT for kliniske fund. Hver af dem blev bygget til fakturering, klassificering eller forskning. Ingen af dem blev bygget til at organisere en patients pleje.

Sundhedsøkonomiske informationssystemer anvender disse standarder til at fuldføre specifikke transaktioner, de fleste af dem er knyttet til refusion, snarere end at give leverandører en integreret visning af en patients status. Overvej en patient med diabetes. Den patients data er spredt over separate faneblade i sundhedsøkonomisk informationssystem, med ingen enkelt “diabetes-visning”, der trækker alt, der er relateret til tilstanden, sammen. Kodningssystemerne deler ingen fælles skema, hvilket gør dem komputermæssigt ineffektive, og denne ineffektivitet bliver et langt større problem i en verden med klinisk AI. AI afhænger af god data, og vores industri har endnu ikke det.

Billed dig en Amazon-lager, der prøver at operere uden lagerstyringsenheder (SKU’er), men i stedet afhænger af tekstbeskrivelser af hvert enkelt produkt, hver beskrivelse knyttet til en datastruktur, der ændrer sig fra den ene varetype til den anden. Næsten hver industri har en eller anden version af SKU’en. Sundhedsøkonomisk industrien har ikke det, og derfor forbliver dataene fragmenterede og inkonsistente.

De har beskrevet mange moderne sundhedsøkonomiske lagre som “data-sumpe” snarere end handlelige data-søer. Hvad er de største arkitektoniske fejl, sundhedsøkonomiske systemer har begået under rushen til at centralisere data?

Den centrale fejl var at organisere lagret på samme måde, som kilde-systemerne var organiseret, omkring domæner og transaktioner snarere end omkring patienten. De fleste sundhedsøkonomiske systemer adskiller stadig klinisk information i separate domæner som laboratorie-resultater, medicin, procedurer og diagnoser. Brugere og softwaren, de afhænger af, skal så nå ind i separate filer og placeringer for at samle et billede af patienten, hvilket gør hver proces langsommere og mere besværlig.

Det dybere problem er, at hver transaktion, enten det er en regning, en recept, en testordre eller et laboratorie-resultat, gemmes som en selvstændig enhed snarere end som en del af en integreret visning af patientens tilstand. At centralisere den data på ét sted løser ikke problemet. Et data-lag fyldt med fragmenterede, domænebundne poster bliver en data-sump, fordi volumen alene uden klinisk organisation ikke giver indsigt.

En stor procentdel af klinisk meningsfuld information lever stadig inde i lægenotes, billedrapporter og udskrivningssummeringer snarere end strukturerede felter. Hvorfor har industrien kæmpet så meget for at operationalisere uklinisk klinisk data i stor skala?

Dette ændrer sig, og hurtigt. Store sprogmodeller (LLM’er) kan nu generere tekstsummeringer af møder fri for forkortelser og idiosynkratisk stenografi, hvilket gør det langt lettere for klinisk naturlig sprogbehandling (NLP) at trække struktureret, kodet data ud af den tekst. I fortiden betød indsamling af struktureret data, at klinikere skulle arbejde igennem checkliste eller skemaer, som de fandt besværlige og stort set ubrugelige.

I dag fungerer sekvensen anderledes. Ambient lytning producerer en rimelig ren tekstnote, en LLM summerer den note i en semi-struktureret form, og NLP kører så på summeringen. Når NLP er rettet mod et ordentligt klinisk data-mål, der repræsenterer kliniske begreber snarere end en flad liste af koder, kan det producere velstruktureret data fra narrativ tekst. At opnå dette kræver stadig en kombination af teknologier, der arbejder sammen, og det afhænger fuldstændigt af at have det ordentlige kliniske data-mål på plads.

De argumenterer for, at det grundlæggende problem ikke er “datakvalitet” men data-fragmentering. Kan de forklare forskellen, og hvorfor denne forskel er vigtig for AI-drevne sundhedsøkonomiske systemer?

De to er tæt forbundne, men de beskriver forskellige problemer, og den forskel betyder en hel del for AI. Datakvalitet handler om, hvorvidt et enkelt stykke information er præcis, fuldstændig og korrekt registreret. Data-fragmentering er strukturel. Fragmentering opstår, når klinisk information, uanset dens kvalitet, er delt over separate domæner og kodningssystemer og gemmes i forskellige formater og placeringer.

Denne fragmentering er den nuværende praksis, fordi hvert kodningssystem blev designet til en separat transaktionsrelateret brugsmodel. Tilgangen var tilstrækkelig til at skrive en recept, generere en regning eller håndtere andre diskrete opgaver. Samlet patientpleje er et andet problem, der kræver information fra flere domæner, der skal bringes sammen, bearbejdes og vises som en enkelt, diagnostisk forbundet visning af patienten. En journal kan være fuld af enkeltvis nøjagtige datapunkter og alligevel svigte klinikeren, fordi intet forbinder disse punkter til den visning.

De har fremhævet tre store huller i de fleste sundhedsøkonomiske data-lagre: narrativ udtrækning gennem NLP, kliniske videngraf og afklaring af modstridende poster. Hvilken af disse manglende funktioner er i øjeblikket årsag til den største downstream-påvirkning på patientpleje?

To af de tre er tæt forbundne: afklaring af modstridende poster og det faktum, at en klinisk videngraf kun er så god som de data, den opererer på. Af de tre er afklaring i øjeblikket årsag til den største downstream-skade, fordi det ligger opstrøms af alt andet.

En stor del af det, der lever i en patients journal, blev indtastet ved at kopiere og indsætte fra tidligere møder eller konsolidering af information fra flere leverandører. At flytte den information mellem systemer med Fast Healthcare Interoperability Resources (FHIR) gør det lettere at sende og modtage, men det gør intet for at forbedre den underliggende kvalitet. Kør AI eller en klinisk videngraf på den information, og resultaterne vil sandsynligvis bære de samme inkonsistenser videre.

Standarder som SNOMED CT, LOINC, RxNorm, FHIR og C-CDA diskuteres ofte som interoperabilitetsløsninger. I praksis hvorfor kæmper mange organisationer stadig for at omdanne standardoverholdelse til klinisk nyttige systemer?

Mange systemer og organisationer har dårligt kodet data, fordi deres brugergrænseflader gør det lettest at vælge det første fremførte element. Disse grænseflader er bygget til at flytte koden videre til fakturering så hurtigt som muligt, snarere end at supplere den kliniske kontekst, der ville låse brugeren til at registrere tilstanden nøjagtigt.

ICD-10 inkluderer f.eks. en kode for “arvelig motorisk og sensorisk neuropati”, en kategori, der ikke skelner mellem Charcot-Marie-Tooth-syndrom og Roussy-Lévy-syndrom, selvom begge falder inden for den. Hvis en brugergrænseflade viser denne kategori først og gør den specifikke tilstand sværere at vælge, vil brugeren sandsynligvis vælge kategorien. Kategorien kan være nok til at få en krav godkendt, men den er langt mindre klinisk nyttig end den specifikke tilstand. Alle transaktionskodningsterminologier deler en eller anden version af dette problem.

Medicomp har brugt årtier på at bygge klinisk forbundne terminologier og relevansmotorer omkring systemer som MEDCIN. Hvor vigtigt er en klinisk videngraf for at gøre sundhedsøkonomisk AI tillidsværdig og kontekstbevidst?

En klinisk videngraf er afgørende, fordi den gør data brugbar i det øjeblik, en kliniker eller gennemgående faktisk har brug for det. Testen er ligefrem. Når en patient har en specifik tilstand, der behandles, kan brugeren se alt, der er relateret til den tilstand, med det samme, eller må de sortere gennem hele journalen, faneblad for faneblad, for at genskabe den kliniske kontekst? En klinisk videngraf bygget på ren klinisk data kan overflade den kontekst i et øjeblik. Uden en, tager det lang tid at finde den samme information.

Dette er hvorfor, hver gang jeg besøger mit mega-hospital, bliver jeg bedt om at udfylde en fire-siders, seks-skærmers medicinsk historieformular med den samme information, jeg gav måneden før. At finde noget i nuværende sundhedsøkonomiske informationssystemer er simpelthen for svært. Medicomp har brugt mere end 45 år på at bygge MEDCIN og dens kliniske videngraf for at lukke lige netop den lukning, så AI, der kører på ren, forbundet data, kan være både tillidsværdig og kontekstbevidst.

Mange sundhedsøkonomiske organisationer udruller nu generative AI-kopiloter og ambient dokumentationssystemer. Hvad er risikoen, når disse AI-systemer trænes eller opererer på fragmenterede, dårligt kontekstualiserede kliniske data?

Hallucination og mis-kategorisering af information er to af de mest almindelige risici, og begge bliver mere sandsynlige, når den underliggende data er fragmenteret og dårligt kontekstualiseret.

Et personligt eksempel: Min far døde af leverkræft i en alder af 78, men under et nyligt besøg blev jeg bedt om, hvor længe jeg havde været i remission. Det ambient dokumentationssystem havde registreret en personlig historie med leverkræft i min egen journal. En kollega stødte på noget lignende. Han havde kronisk obstruktiv lungesyge (COPD) indført i sin journal, fordi hans leverandør, der anvendte ambient dokumentation, havde bestilt en brystkasse-røntgen for at udelukke det. Da han senere ansøgte om livsforsikring, blev han afvist, og årsagen var COPD-diagnosen, som den tidligere røntgenordre havde utilsigtet genereret.

Kontekstfejl kan være endnu underligere. I et nyligt tilfælde blev en mandlig patient, der nævnte at spise æg til morgenmad, omklassificeret som kvinde, sandsynligvis fordi systemet associerede ordet “æg” med kvindelig biologi. Hver af disse fejl er let at lede ad i isolation. Når de først er skrevet ind i en journal og udvekslet mellem systemer, holder de op med at være morsomme.

Der er en voksende begejstring om national interoperabilitetsfremskridt, med hundredvis af millioner af poster, der nu udveksles årligt. Hvor meget mere skal ske, før klinikere virkelig kan stole på, at udvekslet data er komplet, præcis og klinisk relevant på plejestedet?

To ting skal ske. Først skal de leverandører, der godkender møder, som stadig mere genereres af ambient lytningsværktøjer med LLM-summering, have lettilgængelige sikkerhedsforanstaltninger til rådighed, før de godkender, lige før dataene indgår i patientjournalen. Når forkert information først er kommet ind i journalen, arver hver efterfølgende brug af den “skrald ind, skrald ud”-problemet, og at korrigere det bagefter er svært.

For det andet skal en kliniker kunne finde, hvad de har brug for, uden at skulle gå igennem alt andet i journalen. At udveksle hundredvis af millioner af poster gør ikke meget godt, hvis den modtagende kliniker ikke kan lokalisere den relevante information eller stole på, at den afspejler patientens sande kliniske billede. Validering på plejestedet og let adgang er, hvad gør udvekslet data til noget, en kliniker kan virkelig stole på.

Set fem år frem, hvad ser et “aktiveret” sundhedsøkonomisk data-miljø ud, når AI, interoperabilitetsstandarder, klinisk kontekst og lægearbejdsgange endelig er tilrettelagt på en meningsfuld måde?

Tilrettelæggelse afhænger af, at hver part har adgang til en pålidelig klinisk datagrundlag, designet til at håndtere hver patient effektivt og samlet til at gøre sand sundhedsøkonomisk styring til virkelighed. Givet det grundlag, starter tilrettelæggelse med den enkelte patient.

Før hvert møde samler en AI-agent alle tilgængelige data for den patient fra sundhedsøkonomiske netværk, udvekslinger, betalere og virksomheder, mens en anden fjerner duplikater og organiserer de resterende data. Gennem en app, en kiosk eller en konversationsagent, bekræfter patienten derefter nuværende diagnoser, medicin, nylige laboratorie-resultater og eventuelle nye problemer, og retter eventuelle fejl undervejs. En udkast til disse ændringer sendes til en kliniker til gennemsyn.

Ved mødet gennemgår klinikeren den information med patienten og vender sig til de tilstande, der kræver opmærksomhed. En agent overflader diagnostisk relevant kontekst for hver eksisterende tilstand eller ny klage, og ambient lytning fanger samtalen. En anden agent summerer den for klinikeren til gennemsyn, korrektion og godkendelse.

Derefter håndterer agenter det efterfølgende arbejde: sikrer eventuelle nødvendige autorisationer, sender recepter til apoteket, indsender krav, planlægger efterfølgende pleje og pakker information til godkendte parter. Gennem det hele vurderer baggrundagenter klinisk risiko og påmindelse om kvalitet, risikojustering og regulatorisk dokumentation. Hele modellen hviler på ren, pålidelig data på hvert trin, med klinikere holdt i løkken, og producerer information, der støtter både individuel patientpleje og effektiv sundhedsøkonomisk styring.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Medicomp Systems.