Tim Vasil, medstifter og Chief Technology Officer hos Hospital IQ – Interview Series

Tim Vasil er medstifter og Chief Technology Officer hos Hospitalets IQ, en driftsstyringsplatform, der bruger data til at levere nøglefærdige maskinlæringsbaserede AI-løsninger til hurtige, bæredygtige driftsforbedringer.

Hvad tiltrak dig oprindeligt til datalogi?

Baby bøger. Som en undergraduat usikker på, hvilken karriere jeg skulle forfølge, udforskede jeg en deltids-webudviklerstilling hos BabyZone.com. Oplevelsen var utrolig! Et af mine første projekter var at tage et fysisk medie, babybøger, og bringe det ind i den digitale tidsalder, komplet med lyde, overgangseffekter og en interaktiv gæstebog. Jeg skrev noget kode, klikkede på en knap for at uploade det til webstedet, og pludselig havde tusindvis af forældre en måde at komme i kontakt med fjerne venner og slægtninge på.

Den e-babybog-app afslørede datalogi som et felt, hvor jeg kunne være lidt af en kunstner, ingeniør og måske endda tryllekunstner og bruge disse færdigheder til at forbedre mange menneskers liv. Jeg så, at jeg kunne skrive kode én gang og have en varig indflydelse overalt. Wow!

Kan du fortælle os tilblivelseshistorien bag Hospital IQ?

Medstifteren Rich Krueger og jeg gik sammen for at udforske områder, der er forsømt af teknologi. Man skulle tro, at hospitaler ikke ville være et af disse områder, givet de milliarder af dollars, de bruger hvert år på medicinsk udstyr, elektroniske lægejournaler og lignende. Disse områder er bestemt godt dækket. Det, vi så, var dog en helt anden side af hospitaler, den operationelle side. Denne side handler om at finde ud af, hvornår man skal planlægge operationer, hvor man skal overføre patienter, hvilke test der skal prioriteres, hvordan man bedst planlægger i morgen, og så videre. Disse er særligt udfordrende problemer, og traditionel medicinsk software rører det bare ikke.

For at udforske muligheden mødtes vi med hospitalsledere og frontlinjepersonale. Vi så heltemod hver dag. Vi så sygeplejeplanlæggere lave non-stop opkald og stille spørgsmål for at sende personale til de mest nødvendige steder. Vi så operationsstueledere med noter og whiteboards, der gjorde deres bedste for at fordele operationsstuens tid mellem kirurger. Vi så operationelle ekspertiseledere med massive regneark, der forsøgte simuleringer for at finde ud af, hvor mange hospitalssenge der skulle omfordeles. Kort sagt så vi så meget manuel indsats på problemer, fordi softwareværktøjerne kom til kort, og vi ville gerne hjælpe.

Som mange nystartede virksomheder var vores produktudviklingsrejse ikke en lige vej. Vores tidlige "hjælp" kom i form af strategiske værktøjer, som vi troede ville løse de sværeste problemer, men de krævede en masse data og en masse matematik. Mekanikken i det virker imponerende: vi kunne samle modeller automatisk for at simulere det indre arbejde på et hospital og komme med anbefalinger til, om det kirurgiske skema skal ændres, eller om den nye fløj skal bygges. Men selvom spørgsmålene, de besvarede, var store, blev de også sjældent stillet.

Den sande tilblivelse af Hospital IQ, som den eksisterer i dag, er ikke en inspireret vej af Rich eller mig, men af ​​hele vores team, der arbejder sammen med vores kunder og indser, at vores vigtigste rolle ikke er at hjælpe hospitaler med at besvare store, sjældne spørgsmål, det er snarere de tilsyneladende små, hyppige. Det er de spørgsmål, der bestemmer, hvordan alles oplevelse er, både patienten, der skal opereres, og plejeteamet, der guider dem gennem denne rejse.

Kunne du diskutere, hvordan softwaren gør det muligt for sundhedssystemer at opnå og opretholde den højeste operationelle ydeevne?

Vores software handler om at møde sundhedspersonale, hvor de er i dag, i deres daglige arbejdsgange. I stedet for at forvente, at de gør noget radikalt anderledes, såsom at køre en simulering eller fortolke en prognose eller optimere personaleplaner fra bunden, omfavner vi de velkendte trin, de tager hver dag, på to måder. Vi digitaliserer dem, så de kan kommunikere mere effektivt med hinanden, og så lægger vi lag på forudsigelser og anbefalinger. Dette lader sundhedspersonalet arbejde mere effektivt og mere effektivt. Det bedste af det hele er, at det frigør dem til at bruge mere tid på patientpleje.

Lad os tage et eksempel: personaleplanlægning. Det er en udfordring at finde ud af, hvor mange sygeplejersker der skal være i hver enhed for hver vagt. Nogle medarbejdere melder sig syge. En uventet stigning i efterspørgslen kan opstå. Sygeplejersker, der kan "flyde" på tværs af enheder, skal fordeles retfærdigt. Alles færdigheder, kvalifikationer og præferencer skal også tages i betragtning. Sæt det hele sammen, og du kan se, hvorfor telefonen på et typisk personalekontor ringer af røret. Men på samme dag som en go-live med Hospital IQ, bliver telefonerne tavse. Meget af arbejdet er det samme, men med al information centraliseret i Hospital IQ-platformen er alle overvejelser flyttet fra regneark, whiteboards og post-it-sedler til slanke kommunikationsværktøjer, automatiseret variansanalyse og forslag til personalebalancering. Sygeplejerske planlæggere kan udføre deres job mere effektivt og underholdende end nogensinde før. Det er også nemt at opretholde denne ydeevne, fordi værktøjerne er bygget til at understøtte den eksisterende arbejdsgang. Vi er ikke en konsulentvirksomhed, der kommer ind for at ændre den måde, arbejdet foregår på, kun for at se det glide tilbage til status quo.

Hvad er nogle af de forskellige maskinlæringsteknologier, der bruges?

Vores data science-team anvender de metoder, vi har brug for, for at få fantastiske resultater til vores kunders use cases. Vi har brugt statistiske analyser til at forstå ELLER-brug, ARIMA-modeller til at forudsige kirurgisk volumen, Profet til at forudsige folketælling, tilfældige skove til at klassificere indlæggelsesstatus, neurale netværk til genindlæggelsesscoring og meget mere. Vores datavidenskabsteam holder sig ajour med den nyeste forskning, datakilder og værktøjer med løbende "journal club"-møder og innoverer også regelmæssigt på egen hånd. Med et så vidt åbent felt er der så mange overbevisende use cases og interessante datasæt at udforske og flette ind i Hospital IQ-platformen.

En af de særlige udfordringer for os er at håndtere det unikke, vi ser hos hver af vores hospitalskunder. De tjener forskellige demografiske grupper. De har forskellige specialiseringer. De kliniske og operationelle data på hvert hospital kommer fra forskellig software konfigureret på forskellige måder med sine egne mangler. Hvis vi skulle bygge en omfattende model på tværs af alle vores kunder, eller endda på tværs af alle campusser inden for et enkelt sundhedssystem, ville det ikke passe særlig godt. Alligevel er det ikke en skalerbar eller robust tilgang at bygge manuelt tilpassede og engangsløsninger. I stedet er vi afhængige af at forstå de særskilte karakteristika af hver kundes data, udvikle generaliserbare modeller og har bygget værktøjer til at automatisere modelopbygning, løbende træning og nøjagtighedsmåling og -overvågning for individuelle campusser.

Det gratis, offentligt tilgængelige værktøj COVID-19 Regional Forecast Dashboard har mere end 76,000 brugere fra hundredvis af hospitaler. Hvad er dette værktøj præcist?

Da vi først byggede COVID-19 Regional Forecast Dashboard i marts 2020, var vi bekymrede for, at USA kunne løbe tør for tilgængelige hospitalssenge, og vi ønskede at give et tidligt varslingssystem, ikke kun til vores kunder, men til alle hospitaler. For at få det til at ske, søgte vi efter datasæt som bemandet sengekapacitet efter amt, sandsynlige overførsels- og dødsrater for COVID-19 efter aldersgruppe og snesevis af andre ting. Vi byggede endda en SEIR-model til at forudsige virussens bane på amt-for-amt-basis og forsøgte at give så meget kontekst som muligt, inklusive det øjeblik, hvor ICU og læge-/kirurgikapacitet ville blive overtrådt, hvor mange mennesker ville komme sig, og endda hvor mange der ville dø. Vores mål var at samle et komplet amt-for-amt-perspektiv fra forskellige pålidelige datakilder.

Hospitaler har brugt vores dashboard som et værktøj til at træffe vigtige beslutninger, som hvornår de skal åbne overspændingsenheder, eller hvornår de skal skrue ned for elektive operationer for at give plads til kommende bølger af inficerede patienter. Interessant nok har selv enkeltpersoner derhjemme fundet en vis brug og endda trøst fra værktøjet, da det tilføjede en smule klarhed til en meget skræmmende og ny global pandemi.

Ved at levere et offentligt værktøj ved vi, at vi har en vigtig pligt til at indsamle og analysere data trofast og hyppigt og til at vælge de bedste tilgængelige datakilder. Nogle gange betyder det, at man skal bytte bedre modeller ind, efterhånden som de bliver tilgængelige. I tilfældet med vores egen SEIR-model bragte vi til sidst, med tilladelse, Institute for Health Metrics and Evaluation (IHME) model på statsniveau, da den bliver en anerkendt standard af Det Hvide Hus og andre kilder. Vi fandt en måde at sætte disse forudsigelser i sammenhæng med specifikke amter, såvel som specifikke hospitaler i disse amter, for at give hospitaler time for time vejledning om COVID-19s fortsatte påvirkninger.

Hospitals IQ-dataforskere og ingeniører deltager ofte i hackathons, hvad er nogle af de interessante ideer eller projekter, der er kommet fra disse?

Hver måned opfordrer vi medlemmer af vores datavidenskabs- og ingeniørteams til at tage en fridag for at fremme deres faglige udvikling og antænde idéer til innovation, uanset om det er at deltage i en industrikonference, tage et onlinekursus for at lære en ny færdighed eller enhver anden aktivitet, der styrker dem fagligt.

Som en del af dette vælger flere ingeniører og dataforskere at bruge deres faglige udviklingsdag på at deltage i Hospital IQs hackathons. Hackathons kræver, at deltagerne er skrappe, innovative og på en enkelt dag skubber en idé, der er svær at omdanne til fungerende software. I dagene op til vores seneste hackathon i oktober 2020 dannede deltagerne tre teams og crowdsourcede ideer fra hele virksomheden. Intet emne blev betragtet som forbudt; ideer, der ikke var relevante for virksomhedens platform, eller endda sundhedsområdet, var helt acceptable. Som det dog viser sig, endte alle tre teams med at vælge ideer, der nu bliver implementeret i den virkelige verden.

Det første team – Team Cara – fokuserede på hospitalsgenindlæggelser og satte sig for at bygge en løsning, der kunne forudsige, hvilke patienter der er i risiko for genindlæggelse, før de overhovedet bliver udskrevet fra hospitalet. Hospitalsgenindlæggelser koster sundhedssystemet milliarder af dollars hvert år, så en forudsigelig og proaktiv løsning som denne ville bevæbne udskrivelsessygeplejersker og plejeledere med den yderligere indsigt, der er nødvendig for at reducere risikoen, reducere omkostningerne og vide, hvad hver patient har brug for at blive. ud af hospitalet. Team Cara tog data fra Hospital IQ's operations management platform og byggede ved hjælp af en patientspecifik maskinlæringsramme, der tidligere var udviklet af datavidenskabsteamet, en forudsigelsesmodel. For hver patient på hospitalet tildeler modellen en score, der angiver sandsynligheden for genindlæggelse. De første resultater fra modellen viste en høj grad af nøjagtighed.

Det andet team – Team Burt Reynolds – satte sig for at bygge en regional overvågningsløsning, der visualiserede lag af data på et kort. Holdet ønskede at integrere kort i Hospital IQs eksisterende platforms pivottabelinfrastruktur, hvilket tilbyder en måde at plotte en metrisk af interesse arrangeret efter bredde- og længdegradskoordinater ved hjælp af folderet.js-biblioteket. Til deres proof of concept brugte de hospitalsoverførselscenterdata til at fremhæve, hvilke tilknyttede selskaber der var indrømmende kilder og med hvilke mængder. Resultaterne viste overførselssager i et helt nyt lys og afklarede, hvilke geografier de fleste patienter var hentet fra, samt muligheder for vækst.

Det tredje team – Team Raptor Strikeforce – søgte at udvikle en løsning, der viser investeringsafkastet (ROI) Hospital IQ's operations management platform giver. Holdet byggede en grænseflade til at tilpasse forskellige input til finansielle modeller, såsom gennemsnitlig margin pr. elektiv procedure, og brugte input til at spore ændringer i et hospitals økonomiske helbred over tid. Disse visualiseringer fortæller en overbevisende historie om, hvordan betydelige operationelle effektivitetsinitiativer og investeringen i Hospital IQ-platformen, der gør dem i stand, betaler sig.

De tre løsninger udviklet til hackathonet viste, at de kunne give større værdi for vores kunder. Som følge heraf har Hospital IQ indarbejdet alle tre løsninger i den eksisterende platform, og de bliver brugt af hospitalerne i dag.

Er der andet, du gerne vil dele om Hospital IQ?

Hospital IQ's store, dristige, dristige mål er at forbedre effektiviteten og glæden for enhver sundhedsmedarbejder hver dag. Vi er stolte af den indflydelse, vi har haft på sundhedsvæsenet indtil videre, men vores rejse er lige begyndt. For enhver medfølende, missionsdrevet dataforsker eller ingeniør derude, som er interesseret i at tackle en af ​​verdens hårdeste udfordringer – at forbedre effektiviteten i sundhedsvæsenet – vil vi meget gerne have dig med!

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge Hospitalets IQ.