David Lareau, Präsident und CEO von Medicomp Systems – Interview-Serie

David Lareau, Präsident und CEO von Medicomp Systems, ist ein Gesundheitstechnologie-Executive und Unternehmer mit einer Karriere, die fast fünf Jahrzehnte umfasst. Nachdem er seine Karriere im Computer-Auditing und -Management begonnen hatte, gründete er 1987 Dexcom Systems und half dabei, einige der ersten Unternehmenskommunikationsnetzwerke und großen LAN-Umgebungen für Organisationen wie die Weltbank, DuPont und das Sinai-Hospital zu implementieren. Er trat 1995 als Chief Operating Officer bei Medicomp Systems ein und wurde 2012 zum CEO ernannt, wobei er die Entwicklung des Unternehmens von einem Pionier-Unternehmen für klinische Wissensmotoren zu einem modernen Gesundheits-Unternehmen für KI und Interoperabilität leitete. Unter seiner Führung hat Medicomp seine globale Reichweite erweitert, evidenzbasierte klinische Intelligenzlösungen vorangetrieben und sich auf die Verbesserung der Produktivität von Klinikern, der Nutzbarkeit von Daten und der Patientenversorgung durch intelligentere Gesundheitstechnologie konzentriert.

Medicomp Systems ist ein Gesundheitstechnologie-Unternehmen, das am besten für seine klinische Intelligenz und Wissensmotor-Technologie bekannt ist, die komplexe, fragmentierte Gesundheitsdaten in strukturierte, klinisch relevante Informationen umwandelt. Gegründet auf dem patentierten MEDCIN-Wissensmotor, hilft die Flaggschiff-Plattform Quippe von Medicomp Gesundheitsorganisationen dabei, klinische Dokumentation, Interoperabilität, Qualitätsmessung, Risikoadjustierung und KI-gesteuerte Entscheidungsfindung zu verbessern. Die Lösungen von Medicomp sind so konzipiert, dass sie der Art und Weise, wie Kliniker denken und arbeiten, entsprechen, und werden von Krankenhäusern, Gesundheitssystemen, EHR-Anbietern und Gesundheitsorganisationen weltweit verwendet, um Workflows zu rationalisieren, administrative Belastungen zu reduzieren und bedeutsamere Patientenerkenntnisse an der Behandlungsschwelle zu liefern. Das Unternehmen ist zu einem anerkannten Leader im Bereich der Kombination von klinischen Wissensgraphen, strukturierten Daten und KI zur Unterstützung genauer, effizienter und vertrauenswürdiger Gesundheitsentscheidungen geworden.

Sie haben fast vier Jahrzehnte in der Gesundheits-IT gearbeitet, von frühen Unternehmenskommunikationsnetzwerken und medizinischen Abrechnungssystemen bis hin zur Leitung von Medicomp Systems für mehr als 30 Jahre. Wenn Sie auf diese Evolution zurückblicken, welches grundlegende Gesundheitsdatenproblem glauben Sie, dass die Branche noch nicht gelöst hat?

Die Gesundheitsbranche verfügt noch nicht über einen integrierten Standard für klinische Daten. Die Terminologiestandards, auf die wir angewiesen sind, wurden jeweils erstellt, um Kodierungsprobleme innerhalb eines einzelnen Bereichs zu lösen: ICD-10 für Diagnosen, CPT und HCPCS für Verfahren und Tests, LOINC für Laborergebnisse und andere Messungen, RxNorm für Medikamente und SNOMED CT für klinische Befunde. Jeder von ihnen wurde für die Abrechnung, Klassifizierung oder Forschung erstellt. Keiner von ihnen wurde erstellt, um die Versorgung eines Patienten zu organisieren.

Gesundheitsinformationssysteme verwenden diese Standards, um bestimmte Transaktionen abzuschließen, die meisten davon sind an die Abrechnung geknüpft und nicht an die Bereitstellung eines integrierten Überblicks über den Status eines Patienten. Betrachten Sie einen Patienten mit Diabetes. Die Daten dieses Patienten sind in separate Registerkarten im Gesundheitssystem aufgeteilt, ohne dass es einen einzigen “Diabetes-Überblick” gibt, der alles mit dem Zustand Zusammenhängende zusammenfasst. Die Kodiersysteme teilen keine gemeinsame Schematik, was sie rechenintensiv ineffizient macht, und diese Ineffizienz wird in einer Welt der klinischen KI zu einem viel größeren Problem. KI hängt von guten Daten ab, und unsere Branche verfügt noch nicht über diese.

Stellen Sie sich ein Amazon-Lager vor, das ohne Artikelnummern (SKUs) arbeitet, sondern stattdessen auf Textbeschreibungen jedes Artikels angewiesen ist, die jeweils mit einer Datenstruktur verknüpft sind, die von einem Artikeltyp zum anderen wechselt. Fast jedes Industriezweig hat eine Version der SKU. Die Gesundheitsbranche verfügt nicht darüber, und so bleiben ihre Daten fragmentiert und inkonsistent.

Sie haben viele moderne Gesundheitsrepositorys als “Daten-Sümpfe” anstelle von handhabbaren Daten-Seen bezeichnet. Welche architektonischen Fehler haben Gesundheitssysteme während des Rausches zur Zentralisierung von Daten gemacht?

Der zentrale Fehler bestand darin, das Repository auf die gleiche Weise zu organisieren, wie die Quellsysteme, nämlich nach Bereichen und Transaktionen und nicht nach dem Patienten. Die meisten Gesundheitssysteme trennen klinische Informationen noch immer in separate Bereiche wie Labor, Medikamente, Verfahren und Diagnosen. Benutzer und die Software, auf die sie angewiesen sind, müssen dann in verschiedene Dateien und Speicherorte greifen, um ein Bild des Patienten zu erstellen, was jeden Prozess langsamer und umständlicher macht.

Das tiefer liegende Problem besteht darin, dass jede Transaktion, sei es eine Rechnung, ein Rezept, eine Testanforderung oder ein Laborergebnis, als eigenständiges Element gespeichert wird und nicht als Teil eines integrierten Überblicks über den Zustand des Patienten. Die Zentralisierung dieser Daten an einem Ort löst das Problem nicht. Ein Daten-See, der mit fragmentierten, bereichsgebundenen Aufzeichnungen gefüllt ist, wird zu einem Daten-Sumpf, weil die Menge allein, ohne klinische Organisation, nicht zu Verständnis führt.

Ein großer Teil der klinisch bedeutsamen Informationen lebt noch in ärztlichen Notizen, Bilddiagnosen und Entlassungsberichten und nicht in strukturierten Feldern. Warum hat die Branche so große Schwierigkeiten, unstrukturierte klinische Daten im großen Maßstab zu operationalisieren?

Dies ändert sich, und schnell. Große Sprachmodelle (LLM) können jetzt Textzusammenfassungen von Begegnungen erstellen, die frei von Abkürzungen und idiosynkratischen Abkürzungen sind, was es der klinischen natürlichen Sprachverarbeitung (NLP) viel einfacher macht, strukturierte, kodierte Daten aus diesem Text zu extrahieren. In der Vergangenheit bedeutete die Erfassung strukturierter Daten, dass Kliniker durch Checklisten oder Formulare arbeiten mussten, was sie als umständlich und weitgehend unbrauchbar empfanden.

Heute funktioniert die Sequenz anders. Ambient Listening produziert eine vernünftig saubere Textnotiz, ein LLM fasst diese Notiz in eine halbstrukturierte Form zusammen, und NLP wird dann auf die Zusammenfassung angewendet. Wenn die NLP auf ein geeignetes klinisches Datenziel ausgerichtet ist, das klinische Konzepte anstelle einer flachen Liste von Codes darstellt, kann sie gut strukturierte Daten aus narrativem Text produzieren. Dies zu erreichen, erfordert eine Kombination von Technologien, die zusammenarbeiten, und hängt vollständig davon ab, dass ein geeignetes klinisches Datenziel vorhanden ist.

Sie argumentieren, dass die Kernherausforderung nicht “Datenqualität” ist, sondern Datenfragmentierung. Können Sie den Unterschied erklären und warum diese Unterscheidung für KI-gesteuerte Gesundheitssysteme wichtig ist?

Die beiden sind eng miteinander verbunden, beschreiben jedoch unterschiedliche Probleme, und dieser Unterschied ist für KI von entscheidender Bedeutung. Datenqualität bezieht sich darauf, ob ein einzelnes Informationsstück genau, vollständig und richtig aufgezeichnet ist. Datenfragmentierung ist strukturell. Fragmentierung tritt auf, wenn klinische Informationen, unabhängig von ihrer Qualität, in separate Bereiche und Kodiersysteme aufgeteilt und in verschiedenen Formaten und Speicherorten gespeichert werden.

Diese Fragmentierung ist die aktuelle Praxis, weil jedes Kodiersystem für einen separaten transaktionalen Anwendungsfall entwickelt wurde. Der Ansatz war ausreichend für die Erstellung eines Rezepts, die Generierung einer Rechnung oder die Bearbeitung anderer separater Aufgaben. Die Gesamtpatientenversorgung ist ein anderes Problem, das erfordert, dass Informationen aus mehreren Bereichen zusammengeführt, verarbeitet und als ein einzelner, diagnostisch verbundener Überblick über den Patienten dargestellt werden. Ein Datensatz kann voller individuell genauer Datenpunkte sein und den Kliniker dennoch im Stich lassen, weil nichts diese Punkte in einen Überblick zusammenfügt.

Sie haben drei große Lücken in den meisten Gesundheitsdaten-Seen hervorgehoben: narrative Extraktion durch NLP, klinische Wissensgraphen und die Versöhnung widersprüchlicher Aufzeichnungen. Welche dieser fehlenden Fähigkeiten hat derzeit den größten nachgelagerten Einfluss auf die Patientenversorgung?

Zwei der drei sind eng miteinander verbunden: die Versöhnung widersprüchlicher Aufzeichnungen und die Tatsache, dass ein klinischer Wissensgraph nur so gut ist wie die Daten, auf denen er basiert. Von den drei ist die Versöhnung derzeit der größte Schaden, weil sie vor allem anderen liegt.

Viele der Informationen, die in einer Patientenakte leben, wurden durch Kopieren und Einfügen aus früheren Begegnungen oder durch Konsolidierung von Informationen aus mehreren Anbietern eingefügt. Die Übertragung dieser Informationen zwischen Systemen mit Fast Healthcare Interoperability Resources (FHIR) erleichtert es, sie zu senden und zu empfangen, tut jedoch nichts, um die zugrunde liegende Qualität zu verbessern. Wenn man KI oder einen klinischen Wissensgraph auf diese Informationen anwendet, werden die Ergebnisse wahrscheinlich die gleichen Inkonsistenzen weitergeben.

Betrachten Sie einen Patienten mit Diabetes, der auf Retinopathie oder Katarakte untersucht wird. Diese Untersuchung bedeutet nicht, dass der Patient diabetische Katarakte hat, da die Katarakte altersbedingt sein können und nicht mit dem Diabetes zusammenhängen. Ein LLM kann diese Unterscheidung übersehen, und die falsche Assoziation wird dann in die Patientenakte aufgenommen und bleibt dort, wenn sie von System zu System übertragen wird. Ein Wissensgraph, der mit schlechten Daten arbeitet, liefert schlechte Ergebnisse.

Standards wie SNOMED CT, LOINC, RxNorm, FHIR und C-CDA werden oft als Interoperabilitätslösungen diskutiert. In der Praxis haben viele Organisationen Schwierigkeiten, Standards-Konformität in klinisch nützliche Systeme umzusetzen. Warum?

Viele Systeme und Organisationen verfügen über schlecht kodifizierte Daten, weil ihre Benutzeroberflächen es dem Benutzer am einfachsten machen, das erste vorgeschlagene Element auszuwählen. Diese Oberflächen sind so konzipiert, dass sie den Code für die Abrechnung so schnell wie möglich weiterleiten, anstatt dem Benutzer den klinischen Kontext zu liefern, der es ihm ermöglichen würde, den Zustand genau zu erfassen.

ICD-10 beispielsweise enthält einen Code für “erbliche motorische und sensorische Neuropathie”, eine Kategorie, die nicht zwischen der Charcot-Marie-Tooth-Krankheit und dem Roussy-Lévy-Syndrom unterscheidet, obwohl beide in diese Kategorie fallen. Wenn eine Benutzeroberfläche diese Kategorie zuerst anzeigt und es dem Benutzer schwer macht, den spezifischen Zustand auszuwählen, wird der Benutzer wahrscheinlich die Kategorie auswählen. Die Kategorie mag ausreichend sein, um einen Anspruch zu bezahlen, ist jedoch klinisch viel weniger nützlich als der spezifische Zustand. Alle transaktionalen Kodierungs-Terminologien teilen ein ähnliches Problem.

Medicomp hat Jahre damit verbracht, klinisch verbundene Terminologien und Relevanz-Engines um Systeme wie MEDCIN herum aufzubauen. Wie wichtig ist ein klinischer Wissensgraph für die Erstellung vertrauenswürdiger und kontextbewusster Gesundheits-KI?

Ein klinischer Wissensgraph ist unerlässlich, weil er Daten nutzbar macht, wenn ein Kliniker oder Prüfer sie tatsächlich benötigt. Der Test ist einfach. Wenn ein Patient einen bestimmten Zustand hat, der behandelt wird, kann der Benutzer alles, was mit diesem Zustand zusammenhängt, sofort sehen, oder muss er durch die gesamte Akte blättern, um den klinischen Kontext zu rekonstruieren? Ein klinischer Wissensgraph, der auf sauberen klinischen Daten basiert, kann diesen Kontext in einem Moment darstellen. Ohne einen solchen Graphen dauert es viel zu lange, diese Informationen zu finden.

Dies ist der Grund, warum ich jedes Mal, wenn ich mein Mega-Krankenhaus besuche, aufgefordert werde, ein vierseitiges, sechsscreeniges medizinisches Geschichte-Formular mit den gleichen Informationen auszufüllen, die ich im Monat zuvor bereits bereitgestellt habe. In aktuellen Gesundheitsinformationssystemen ist es einfach zu schwierig, etwas zu finden. Medicomp hat mehr als 45 Jahre damit verbracht, MEDCIN und seinen klinischen Wissensgraph aufzubauen, um genau diese Lücke zu schließen, damit KI, die auf sauberen, verbundenen Daten arbeitet, vertrauenswürdig und kontextbewusst sein kann.

Viele Gesundheitsorganisationen setzen derzeit generative KI-Co-Piloten und ambient Dokumentationssysteme ein. Welche Risiken entstehen, wenn diese KI-Systeme auf fragmentierten, schlecht kontextualisierten klinischen Daten trainiert oder betrieben werden?

Halluzination und die Fehlkategorisierung von Informationen sind zwei der häufigsten Risiken, und beide werden wahrscheinlicher, wenn die zugrunde liegenden Daten fragmentiert und schlecht kontextualisiert sind.

Ein persönliches Beispiel: Mein Vater starb im Alter von 78 Jahren an Leberkrebs, aber bei einem kürzlichen Besuch wurde ich gefragt, wie lange ich bereits in Remission war. Das ambient Dokumentationssystem hatte eine persönliche Vorgeschichte von Leberkrebs in meiner eigenen Akte aufgenommen. Ein Kollege hatte ein ähnliches Erlebnis. Er hatte COPD in seiner Akte, weil sein Anbieter, der ambient Dokumentation verwendet hatte, eine Brust-X-Ray zur Ausschlussdiagnose bestellt hatte. Als er später eine Lebensversicherung beantragte, wurde er abgelehnt, und der Grund war die COPD-Diagnose, die die frühere X-Ray-Bestellung unbeabsichtigt generiert hatte.

Die Kontextfehler können noch seltsamer sein. In einem kürzlichen Fall wurde ein männlicher Patient, der zum Frühstück Eier aß, als weiblich eingestuft, vermutlich weil das System das Wort “Eier” mit weiblicher Biologie assoziierte. Jeder dieser Fehler ist leicht zu belächeln, wenn man sie isoliert betrachtet. Sobald sie jedoch in eine Akte aufgenommen und zwischen Systemen ausgetauscht werden, hören sie auf, lustig zu sein.

Es gibt eine wachsende Begeisterung für den nationalen Interoperabilitätsfortschritt, mit Hunderten von Millionen von Akten, die jährlich ausgetauscht werden. Was muss noch passieren, bevor Kliniker wirklich vertrauen können, dass der ausgetauschte Datenbestand vollständig, genau und klinisch relevant am Behandlungspunkt ist?

Zwei Dinge müssen passieren. Erstens benötigen die Anbieter, die Begegnungen abzeichnen, die zunehmend durch ambient Listening-Tools mit LLM-Zusammenfassung generiert werden, schnelle, benutzerfreundliche Schutzmechanismen, bevor sie unterzeichnen, direkt bevor diese Daten in die Patientenakte aufgenommen werden. Sobald falsche Informationen in die Akte gelangen, erbt jedes nachgelagerte Verwenden davon das altbekannte “Müll rein, Müll raus”-Problem, und die Korrektur nachträglich ist schwierig.

Zweitens muss selbst dann, wenn die Daten genau sind, ein Kliniker in der Lage sein, das zu finden, was er benötigt, ohne durch alles andere in der Akte zu blättern. Der Austausch von Hunderten von Millionen von Akten nützt nichts, wenn der empfangende Kliniker die relevanten Informationen nicht finden oder nicht vertrauen kann, dass sie das klinische Bild des Patienten widerspiegeln. Validierung am Behandlungspunkt und einfache Abrufbarkeit sind das, was den ausgetauschten Daten ermöglicht, dass ein Kliniker sich wirklich darauf verlassen kann.

Blicken Sie fünf Jahre voraus, was sieht eine “aktivierte” Gesundheitsdaten-Umgebung aus, wenn KI, Interoperabilitätsstandards, klinischer Kontext und Arbeitsabläufe von Ärzten endlich auf sinnvolle Weise ausgerichtet sind?

Ausrichtung hängt von jedem Beteiligten ab, der Zugang zu einer zuverlässigen klinischen Datenbasis hat, die so konzipiert ist, dass sie jeden Patienten effektiv managt und kollektiv echte Bevölkerungsgesundheitsverwaltung ermöglicht. Angesichts dieser Basis beginnt die Ausrichtung mit dem einzelnen Patienten.

Bevor jede Begegnung stattfindet, fasst ein KI-Agent alle verfügbaren Daten für diesen Patienten aus Gesundheitsinformationssystemen, Austauschsystemen, Zahlern und Unternehmen zusammen, während ein anderer Agent Duplikate entfernt und die verbleibenden Daten organisiert. Durch eine App, einen Kiosk oder einen konversationalen Agenten bestätigt der Patient dann aktuelle Diagnosen, Medikamente, kürzliche Laborergebnisse und neue Probleme und korrigiert Fehler auf dem Weg. Ein Entwurf dieser Änderungen geht an einen Kliniker zur Überprüfung.

Während der Begegnung, virtuell oder physisch, überprüft der Kliniker diese Informationen mit dem Patienten und wendet sich den Zuständen zu, die Aufmerksamkeit erfordern. Ein Agent stellt diagnostisch relevante Kontexte für jeden bestehenden Zustand oder neue Beschwerden bereit, und ambient Listening erfasst die Konversation. Ein zweiter Agent fasst sie für den Kliniker zusammen, um zu überprüfen, zu korrigieren und zu genehmigen.

Danach übernehmen Agenten die nachgelagerte Arbeit: Sicherstellung erforderlicher Genehmigungen, Versenden von Rezepten an die Apotheke, Einreichen von Ansprüchen, Planung von Nachsorge und Verpackung von Informationen für zugelassene Parteien. Im Hintergrund bewerten Agenten klinische Risiken und fordern zu Qualität, Risikoadjustierung und regulatorischer Dokumentation auf. Das gesamte Modell ruht auf sauberen, zuverlässigen Daten bei jedem Schritt, wobei Kliniker in die Schleife einbezogen werden, um Informationen zu produzieren, die sowohl die individuelle Patientenversorgung als auch die effektive Bevölkerungsgesundheitsverwaltung unterstützen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Medicomp Systems besuchen.