Dr. Jaime Bland, Mitgründerin und CEO von Aquila Health – Interview-Serie

Dr. Jaime Bland, Mitgründerin und CEO von Aquila Health, ist eine Führungskraft im Bereich Gesundheitstechnologie, die sich auf die Lösung einer der größten Herausforderungen der Branche konzentriert: fragmentierte und unzugängliche Daten. Sie gründete Aquila Health, um eine einheitliche Dateninfrastruktur aufzubauen, die es Gesundheitsorganisationen ermöglicht, über siloartige Systeme hinaus zu gehen und maschinelles Lernen und strukturierte Analysen zu nutzen, um handhabbare Erkenntnisse zu generieren, während klinische Überwachung aufrechterhalten wird. Ihre Arbeit konzentriert sich auf die Verbesserung der Interoperabilität, die Ermöglichung von Bevölkerungsgesundheitsintelligenz und die Unterstützung der frühen Erkennung von Gesundheitsbedrohungen durch integrierte klinische, Anspruchs- und genetische Daten.

Aquila Health ist eine künstliche Intelligenz-getriebene Gesundheitsdatenplattform, die darauf ausgelegt ist, disparate Datenquellen in ein einziges, interoperables System zu integrieren, das sowohl operationelle Effizienz als auch erweiterte Analysen unterstützt. Die Plattform verarbeitet große Mengen an Gesundheitsdaten im HL7- und FHIR-Format, ermöglicht eine nahtlose Integration über Krankenhäuser, öffentliche Gesundheitssysteme und andere Interessengruppen hinweg. Durch die Kombination von strukturierten maschinellen Lernansätzen mit einem menschlichen Validierungsmodell konzentriert sich Aquila darauf, zuverlässige Erkenntnisse für die Bevölkerungsgesundheitsverwaltung, die Anomalieerkennung und die Echtzeit-Entscheidungsfindung bereitzustellen, anstatt sich ausschließlich auf undurchsichtige KI-Systeme zu verlassen. Dies positioniert das Unternehmen an der Schnittstelle zwischen Dateninfrastruktur und angewandter KI, wo die Verbesserung der Datenqualität und -zugänglichkeit für die vollständige Ausschöpfung des Potenzials der Gesundheitsintelligenz von entscheidender Bedeutung ist.

Sie haben CyncHealth durch massives Wachstum geführt, die Interoperabilität über Millionen von Patientenakten und mehrere Bundesstaaten hinweg skaliert, bevor Sie Aquila Health gründeten. Welche Schlüsselbegrenzungen oder systemischen Fehler trafen Sie während dieser Reise an, die Sie letztendlich dazu veranlassten, Aquila von Grund auf aufzubauen?

Bei CyncHealth haben wir Jahre damit verbracht, die Infrastruktur aufzubauen, um Gesundheitsorganisationen über Nebraska und Iowa hinweg zu verbinden. Wir haben über 1.100 Behandlungsstellen und Millionen von Patientenakten verbunden, die eine Bevölkerung von über fünf Millionen Menschen umfassten.

Was wir jedoch immer wieder feststellten, war, dass das Verbinden von Systemen und das tatsächliche Nutzbarmachen der Daten zwei sehr unterschiedliche Probleme sind. Zum Beispiel haben wir uns bemüht, ein Dashboard für Opioid-Überdosierungen zu erstellen, das Daten koordinierte, die wir von mehreren Quellen erhalten hatten. Es dauerte Monate mit Hunderten von FTE-Stunden und Koordination über viele Interessengruppen hinweg, um diesen einzigen Datenpunkt in einem öffentlichen Gesundheits- und Gesundheitskontext verständlich zu machen. Und nach all dem war das Bild immer noch unvollständig.

Diese Erfahrung war der Samen für Aquila. Die traditionelle Methode, Schnittstellen ohne Verständnis für die Vollständigkeit und Qualität der Daten zu verbinden, wird den Bedarf mit den Fortschritten in der KI, die wir in den letzten Jahren gesehen haben, nicht decken. Wenn KI in Stunden das bewerkstelligen kann, was früher ein Team Monate gekostet hat, und es mit höherer Qualität und bei einem Bruchteil der Kosten tut, müssen Sie diese Erkenntnisse nutzen, um von Grund auf neu aufzubauen. Genau das haben wir mit Aquila getan. Wir konzentrieren uns auf moderne Werkzeuge, die die Kosten für die Verbindung senken, damit wir uns auf das Gesamtbild der Gesundheit konzentrieren können – nicht nur auf Daten, die aus herkömmlichen EHI-Quellen stammen, sondern auf das gesamte Bild.

Aquila ist kürzlich mit einer Plattform aus dem Verstecktem hervorgegangen, die sich auf die Vereinigung von fragmentierten Gesundheitsdaten in eine einzige, KI-fähige Schicht konzentriert. Welche waren die Kern-technologischen Durchbrüche, die dies möglich gemacht haben, im Gegensatz zu nur wenigen Jahren zuvor?

Die KI-Fähigkeiten haben diesen Wandel fast vollständig vorangetrieben.

Ich habe Jahre damit verbracht, geschickte Ingenieure zu beobachten, die Datenstandards manuell abgleichen, eine Quelle nach der anderen. Es funktionierte, aber dieses Modell kann nicht skaliert werden. Sie können nicht schnell genug einstellen, um mit dem Volumen und der Vielfalt der Daten Schritt zu halten, die die Gesundheitsbranche generiert.

Was sich geändert hat, ist, dass KI die Normalisierungsarbeit kontinuierlich auf der Datenebene leisten kann, während die Informationen durch das System fließen. Es handelt sich nicht um einen Batch-Prozess, der über Nacht läuft. Es passiert in Echtzeit. Das ändert, was für Kliniker und öffentliche Gesundheitsteams möglich ist, da die Daten, die sie benötigen, strukturiert und validiert sind, bevor sie sie erreichen.

Kliniker sind es gewohnt, Entscheidungen ohne das vollständige Patientenbild zu treffen. Öffentliche Gesundheit ist es gewohnt, Programme ohne aktuelle Daten zu betreiben, um sie zu unterstützen. Aquila verändert die Landschaft und bietet die Geschwindigkeit, die für effektives datengetriebenes Entscheidungsfinden im gesamten Gesundheitswesen erforderlich ist.

Wir haben TREUE als Rahmenwerk entwickelt, das EHR-abgeleitete klinische Daten, Labor-, öffentliche Gesundheits-, Anspruchs- und soziale Daten in eine einheitliche Struktur organisiert. Die KI ersetzt nicht gute Datenverwaltung; sie macht gute Datenverwaltung zum ersten Mal skalierbar.

Sie haben betont, dass die eigentliche Herausforderung in der Gesundheits-KI nicht die Modelle sind, sondern die Daten selbst. Welche sind die kritischsten Lücken in der heutigen Gesundheitsdateninfrastruktur, die die KI daran hindern, sinnvolle Ergebnisse zu liefern?

Die Branche spricht über das KI-Modell, aber das Modell ist nicht das harte Problem.

Das harte Problem ist, dass ein Patient an einem einzigen Tag in drei verschiedenen Einrichtungen gehen und in drei verschiedenen Systemen als drei verschiedene Personen erscheinen kann. Die Labors stimmen nicht mit den klinischen Notizen überein. Die Zahlungsnachweise haben eine andere Identifikationsnummer als die Krankenhausakte und die öffentliche Gesundheit verwendet eine völlig andere Identifikationsnummer. Sobald Sie all dies manuell sortieren, ist das klinische Zeitfenster geschlossen.

Starke technische Verbindungen können keine Aufzeichnungen reparieren, die unvollständig oder außerhalb der Reihenfolge eintreffen. KI kann kein Muster erkennen, das nicht in den Daten vorhanden ist, und sie kann keine zuverlässige Empfehlung aus einer Aufzeichnung ableiten, die die Hälfte der historischen oder aktuellen Informationen fehlt, die sie enthalten sollte.

Die Lücke ist nicht die Verarbeitungsleistung, sondern das Vertrauen in die zugrunde liegenden Daten. Das muss zuerst gelöst werden, und die Lösung im großen Maßstab ist, wo KI tatsächlich ihren Platz einnehmen kann.

Aquila positioniert sich als “Datenpräparierungsschicht” vor der KI-Eingabe. Können Sie uns durch diese Schicht führen, insbesondere wenn es um hochgradig heterogene Eingaben wie klinische Aufzeichnungen, Anspruchsdaten und Echtzeit-Feeds geht?

Wenn wir das Beispiel aus dem vorherigen Absatz betrachten, stellen Sie sich vor, was passiert, wenn ein Patientenkontakt Daten generiert. Sie erhalten eine HL7-Nachricht aus dem Krankenhaus, einen Anspruchsnachweis von der Versicherung, ein Laborergebnis von einem Referenzlabor mit einer anderen Identifikationsnummer und einen öffentlichen Gesundheitsbericht, der auf einem völlig anderen Zeitplan eingereicht wird. Keiner dieser Berichte wurde dafür entwickelt, mit den anderen abgeglichen zu werden.

Unsere Präparierungsschicht, TREUE, ist das, was zwischen diesen Eingaben und jeder nachgelagerten Analyse oder KI-Anwendung sitzt. Ihre Aufgabe ist es, jeden Datensatz zu bewerten, wenn er eintrifft, Identitäten über Quellen hinweg abzugleichen, Formate zu normalisieren und zu kennzeichnen, was fehlt oder inkonsistent ist, bevor die Daten weitergeleitet werden.

In der Praxis bedeutet dies, dass ein Kliniker, der einen Patienten betrachtet, von einer Aufzeichnung arbeitet, die validiert und über Quellen hinweg abgeglichen wurde, anstatt während eines Behandlungskontakts manuell vier verschiedene Systemansichten abzugleichen. Für öffentliche Gesundheitsteams bedeutet es, dass Ausbruchssignale nicht durch Daten verzögert werden, die in verschiedenen Formaten aus verschiedenen Gerichtsbarkeiten eingegangen sind.

Es ist Infrastrukturarbeit. Es ist nicht glamourös, aber nichts funktioniert ohne sie.

Interoperabilitätsstandards wie Fast Healthcare Interoperability Resources (FHIR) und United States Core Data for Interoperability (USCDI) gibt es bereits seit Jahren, doch die Fragmentierung bleibt bestehen. Was fehlt noch aus Sicht der Standards, und wie geht Aquila auf andere Weise diese Lücken an?

FHIR und USCDI haben der Branche eine gemeinsame Sprache für den Datenaustausch gegeben. Das war ein wichtiger Fortschritt. Aber eine gemeinsame Sprache für den Datenaustausch ist nicht dasselbe wie Daten, die konsistent verhalten, sobald sie eintreffen.

Hier ist die Lücke: Gesundheitsdaten stammen nicht aus einem einzigen Bereich. Klinische Systeme, öffentliche Gesundheitsregister, Labors und soziale Datensources haben jeweils ihre eigenen Governance-Anforderungen, Zeitleisten und Definitionen dessen, was ein Feld bedeutet. FHIR sagt Ihnen nicht, wie Sie eine soziale Determinanten-Datensatz mit einer klinischen Aufzeichnung aus einer anderen Gerichtsbarkeit abgleichen.

Was TREUE hinzufügt, ist ein einheitliches Rahmenwerk für die Organisation und Validierung von Daten aus all diesen Bereichen, während die Governance-Regeln, die für jede Quelle gelten, weiterhin respektiert werden. Das Ergebnis ist Daten, die tatsächlich über Bereiche hinweg analysiert werden können, nicht nur Daten, die erfolgreich übertragen wurden.

Aquila operiert in Umgebungen mit hohen Konsequenzen, in denen ein Versagen keine Option ist. Wie entwerfen Sie KI-Systeme, die Echtzeit-Leistung mit strengen Anforderungen an Governance, Prüfbarkeit und Vertrauen in Einklang bringen?

Sie müssen die Governance in die Architektur einbauen, bevor Sie die erste Zeile des Anwendungscode schreiben. Es sollte nicht eine Schicht sein, die Sie später hinzufügen.

In Gesundheits- und Regierungsumgebungen haben die Entscheidungen, die durch diese Daten informiert werden, Auswirkungen auf die Patientenversorgung, die Reaktion auf Ausbrüche und die Verteilung öffentlicher Ressourcen. Jede Aktion, die auf den Daten basiert, muss nachvollziehbar sein, und der Zugriff muss streng kontrolliert werden. Das System muss den Compliance-Anforderungen der Umgebungen entsprechen, in denen es operiert.

Für Aquila bedeutet dies, in einer Regierungs-Cloud-Infrastruktur zu operieren, mit Zero-Trust-Zugriffskontrollen und Sicherheitspraktiken, die mit HIPAA- und Bundesstandards übereinstimmen. Wir haben aktive Verträge mit staatlichen Regierungen, Bundesbehörden und Gesundheitsorganisationen, und diese Umgebungen haben sehr unterschiedliche Compliance-Anforderungen, denen die Plattform gleichzeitig entsprechen muss.

Der menschliche Faktor ist ebenso wichtig. KI kann Signale erkennen, aber klinische Experten validieren Anomalien, bevor sie operationelle Entscheidungen beeinflussen. Die Technologie macht das Erkennen dieser Signale schneller. Sie ersetzt nicht die Urteilsfähigkeit der Menschen, die auf sie reagieren müssen.

Ihre Plattform unterstützt sichere, auf dem Gerät ausgeführte KI-Bereitstellung und Datenhoheit. Wie wichtig wird die Dezentralisierung im Gesundheitswesen, insbesondere angesichts der wachsenden Bedenken hinsichtlich Datenschutz und regulatorischer Compliance?

Es wird wesentlich, und ich denke, die Branche beginnt gerade, zu begreifen, warum.

Gesundheitsorganisationen operieren unter strengen Verpflichtungen zum Datenschutz. Sensible Patientendaten können nicht einfach zentralisiert und in einer gemeinsamen Umgebung verarbeitet werden. Verschiedene Staaten haben unterschiedliche Regeln. Bundesbehörden haben unterschiedliche Regeln. Internationale Gesundheitsdaten haben einen anderen Satz von Einschränkungen. Jede Architektur, die den Transfer sensibler Daten in einen zentralen Standort erfordert, wird wiederholt an diese Wände stoßen.

Die Richtung, die tatsächlich funktioniert, ist die Erzeugung von Erkenntnissen näher an dem Ort, an dem die Daten bereits existieren. Organisationen können zu gemeinsamen Analysen beitragen, ohne die Kontrolle über ihre zugrunde liegenden Daten aufzugeben. Das ermöglichen föderale Modelle.

Unsere Plattform ist so konzipiert, dass sie in einer regulierten, dezentralen Umgebung operiert – Governance, die mit den Daten reist, anstatt an einem einzigen Punkt angewendet zu werden. Es ist eine schwierigere Architektur zu bauen, aber es ist die, die tatsächlich mit der Funktionsweise der Gesundheitsdatengovernance kompatibel ist.

Viele KI-Startups verlassen sich stark auf Black-Box-Modelle, während Aquila eine Validierung durch den Menschen integriert. Wo sehen Sie die Grenze zwischen Automatisierung und menschlicher Aufsicht in klinischen KI-Systemen?

Ich begann meine Karriere als Krankenpflegerin. Diese Erfahrung prägt, wie ich über die Rolle der KI in einer klinischen Umgebung denke und wo sie nicht hingehört.

KI ist sehr gut darin, Muster in großen Datensätzen zu erkennen. Sie ist nicht gut darin, zu wissen, was ein Muster für einen bestimmten Patienten mit einer bestimmten Geschichte in einem bestimmten Gemeinschaftskontext bedeutet. Das ist immer noch ein menschliches Urteilsvermögen.

Die richtige Rolle der KI in klinischen Systemen ist es, Signale zu erkennen, die ein Mensch bei einer großen Menge übersehen könnte, und nicht die klinische Argumentation zu ersetzen, die folgt. Bei Aquila werden Anomalien und Erkenntnisse, die vom System gekennzeichnet sind, an Kliniker und Fachexperten zur Überprüfung weitergeleitet, bevor sie operationelle Entscheidungen beeinflussen. Die Technologie sagt Ihnen, wo Sie hinschauen sollen, und der Fachmann sagt Ihnen, was es bedeutet.

Wo ich denke, dass die Grenze hingehört: Automatisieren Sie die Erkennung, behalten Sie die Interpretation bei den Menschen, die für das Ergebnis verantwortlich sind.

Aquila arbeitet im Bereich der öffentlichen Gesundheit, Regierungssysteme und regulierten Branchen. Wie unterscheiden sich die Anforderungen an die KI-Infrastruktur zwischen diesen Umgebungen im Vergleich zu herkömmlichen Unternehmens-KI-Einsätzen?

In einem typischen Unternehmens-KI-Einsatz arbeiten Sie normalerweise innerhalb der Datenumgebung eines Unternehmens, eines Satzes von Governance-Regeln, eines Compliance-Rahmens.

Öffentliche Gesundheits- und Regierungsumgebungen sind strukturell anders. Sie koordinieren über mehrere Gerichtsbarkeiten, mehrere Agenturen, mehrere klinische Umgebungen hinweg, die alle unter unterschiedlichen Berichtszeitplänen und rechtlichen Rahmenbedingungen operieren. Ein Krankenhaus in einem Staat, eine öffentliche Gesundheitsagentur in einem anderen, ein Bundesprogramm mit eigenen Datenanforderungen. All diese müssen Daten austauschen und Erkenntnisse generieren, ohne dass eine einzelne Entität unkontrollierten Zugriff auf die Aufzeichnungen einer anderen hat.

Die Infrastruktur muss eine hohe Verarbeitungskapazität unterstützen, während sie gleichzeitig eine strenge Prüfbarkeit über alle Grenzen hinweg aufrechterhält. Sie muss sich mit herkömmlichen Gesundheitsnachrichtenformaten integrieren, da diese Systeme nicht verschwinden. Und sie muss zuverlässig in Umgebungen operieren, in denen Ausfallzeit nicht nur ein Geschäftsproblem, sondern ein Patientensicherheitsproblem ist.

Diese Komplexität ist der Grund, warum wir Aquila mit diesen Umgebungen begonnen haben, anstatt mit dem herkömmlichen Unternehmensmarkt. Wenn Sie eine Infrastruktur aufbauen können, die hier funktioniert, funktioniert sie überall.

Die KI-Fähigkeiten entwickeln sich schneller als die Governance-Rahmen. Welche Verantwortung haben Gründer und Plattform-Entwickler, um sicherzustellen, dass diese Systeme von Anfang an ethisch und sicher eingesetzt werden?

Ich denke, die Verantwortung ist einfach, auch wenn es schwierig ist, sie zu erfüllen. Wenn Sie KI aufbauen, die klinische Entscheidungen oder öffentliche Gesundheitsergebnisse beeinflusst, dürfen Sie Governance nicht als Produkt-Roadmap-Element behandeln, das Sie irgendwann erreichen werden. Es muss von Anfang an entworfen werden.

Was das praktisch bedeutet, ist, dass jede Aktion auf den Daten prüfbar sein muss. Die Modelle müssen interpretierbar genug sein, damit ein Kliniker versteht, warum ein Signal gekennzeichnet wurde. Klinische Experten müssen Teil des Überprüfungsprozesses sein, nicht eine Nachgedanke. Und die Organisation muss ehrlich sein, was das System zuverlässig kann und nicht kann.

Ich habe mein ganzes Berufsleben in Umgebungen verbracht, in denen Datenfehler reale Konsequenzen für reale Menschen haben. Das prägt, wie ich darüber denke. Die Fähigkeiten entwickeln sich schnell, und die Verantwortung für ihre Bereitstellung kann nicht zurückstehen. Gründer, die diese Systeme aufbauen, müssen diesen Standard für sich selbst setzen, anstatt auf eine Regelung zu warten, die sie auferlegt.

Vielen Dank für die aufschlussreiche Diskussion. Leser, die sich für die Plattform und ihren Ansatz zur Gesundheitsdateninfrastruktur interessieren, können mehr erfahren, indem sie Aquila Health besuchen.