Daniel Cane, Co-CEO και Συνιδρυτής της ModMed – Σειρά Συνεντεύξεων

Ο Daniel Cane είναι συν-CEO και συνιδρυτής της ModMed^®, μιας εταιρείας υγειονομικής τεχνολογίας με έδρα τη Νότια Φλόριντα, η οποία μεταμορφώνει την υγεία μέσω ειδικών, έξυπνων πλατφορμών για την αύξηση της αποδοτικότητας της πρακτικής και τη βελτίωση των αποτελεσμάτων των ασθενών.

Ιδρυθείσα τον Φεβρουάριο του 2010, η ModMed έχει μεγαλώσει σε πάνω από 1.200 υπαλλήλους και έχει συγκεντρώσει πάνω από 332 εκατομμύρια δολάρια σε συνολικές επενδύσεις. Γνωστή για την προοδευτική της ανάπτυξη ως εταιρεία ιατρικής τεχνολογίας, η ModMed αναγνωρίζεται συχνά τόσο σε εθνικό όσο και σε περιφερειακό επίπεδο για τις επιτεύξεις της υπό την ηγεσία του Daniel. Το 2020, η εταιρεία ονομάστηκε μια από τις Καλύτερες Εργασιακές Περιοχές στη Χώρα από το περιοδικό Inc. Μεταξύ του 2016 και του 2018, η εταιρεία ονομάστηκε μια από τις ταχύτερα αναπτυσσόμενες εταιρείες στη Βόρεια Αμερική στη λίστα Deloitte Technology Fast 500^™. Από το 2015, η εταιρεία έχει ονομαστεί ετησίως στη λίστα Inc. 5000, μια prestigιακή συλλογή από τις ταχύτερα αναπτυσσόμενες ιδιωτικές εταιρείες στη χώρα.

Μπορείτε να μοιραστείτε κάποιες γνώσεις σχετικά με το ιστορικό σας και πώς έχει επηρεάσει το έργο σας στη ModMed;

Η πορεία μου στην τεχνολογία ξεκίνησε κατά τα χρόνια των σπουδών μου στο Cornell όταν συνίδρυσα την Blackboard. Μεταμορφώσαμε την εκπαίδευση ψηφιοποιώντας τις σημειώσεις του μαθήματος και δημιουργώντας μια πλατφόρμα που έδωσε στους μαθητές και στους καθηγητές μια άνευ προηγουμένου ευελιξία και αλληλεπίδραση. Για μένα, η επιτυχία της Blackboard ολοκληρώθηκε το 2004 με την αρχική δημόσια προσφορά μετοχών, και ενώ οι λύσεις μας ήταν επαναστατικές στην εκπαίδευση, δεν μπορούσα να μην κοιτάζω για νέες προκλήσεις.

Μια τέτοια πρόκληση παρουσιάστηκε όταν πήγα για μια ρουτίνα ιατρική εξέταση με τον δερματολόγο μου. Είχαμε μια απίστευτη συζήτηση σχετικά με τις δυσκολίες της χρήσης παλαιών συστημάτων με χαρτί και τρόπους για να τα διορθώσω. Καταλαβαίνοντας τη γέφυρα μεταξύ της ιατρικής του εξειδίκευσης και της τεχνικής μου γνώσης, αποφασίσαμε να συνεργαστούμε και να δημιουργήσουμε τη ModMed μαζί με την πρώτη μας ηλεκτρονική ιατρική καταγραφή (EHR) πλατφόρμα.

Σε εκείνη την εποχή, κάποιες EHR ήδη υπήρχαν, αλλά δυστυχώς, μελέτες συχνά τις ανέφεραν ως одну από τις κύριες αιτίες της εξουθένωσης των ιατρών. Λαμβάνοντας μια διαφορετική προσέγγιση, σχεδιάσαμε το EHR μας να προσαρμόζεται στην εμπειρία του χρήστη στις συγκεκριμένες ροές εργασιών μιας ιατρικής ειδικότητας. Το σημαδιακό μας cloud-βασισμένο EHR, EMA, σχεδιάζεται και συνεχίζει να σχεδιάζεται από γιατρούς, για γιατρούς, το οποίο μας έχει διαφοροποιήσει και ορίζει το μυστικό μας στην αγορά. Με τα χρόνια, έχουμε επεκτείνει τις προσφερόμενες μας λύσεις για να περιλαμβάνουν ένα πλήρες σύνολο λύσεων που βοηθούν τους ιατρικούς παρόχους να απλοποιήσουν και να αυτοματοποιήσουν τις εργασίες της πρακτικής τους και να επιταχύνουν την παράδοση της φροντίδας.

Πώς βλέπετε τη μάχη για την αποτελεσματική τεχνητή νοημοσύνη στην υγεία να κερδίζεται ή χάνεται με τα δεδομένα;

Αρχίζουμε να βλέπουμε μια αύξηση στην υιοθέτηση της τεχνολογίας της τεχνητής νοημοσύνης εντός των πρακτικών για να ροηματοποιήσουν τις ροές εργασιών και να μεγιστοποιήσουν την αποδοτικότητα. Όταν μεταβαίνουμε σε μια εποχή που χρησιμοποιούμε την τεχνητή νοημοσύνη για να κάνουμε πιο σύνθετα καθήκοντα – όπως να προτείνουμε θεραπεία ή άλλες κλινικές-υποστηρικτικές συστάσεις – είναι απαραίτητο να έχουμε τη σωστή στρατηγική δεδομένων και εκπαίδευσης της τεχνητής νοημοσύνης. Η τεχνητή νοημοσύνη έχει την ευκαιρία να βελτιώσει σημαντικά την εμπειρία για τους ασθενείς και τους παρόχους και να δημιουργήσει συστημικές αλλαγές που θα βελτιώσουν πραγματικά την υγεία, αλλά η πραγματοποίηση αυτού θα εξαρτηθεί από μεγάλες ποσότητες υψηλής ποιότητας δεδομένων που χρησιμοποιούνται για την εκπαίδευση των μοντέλων.

Γιατί τα δεδομένα είναι τόσο κρίσιμα για την ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική βιομηχανία;

Τα δεδομένα είναι η αιμοσφυξία της τεχνητής νοημοσύνης, και η κακή ποιότητα των δεδομένων θα επηρεάσει την απόδοση της τεχνητής νοημοσύνης, οδηγώντας σε υποβελτιστοποιημένα αποτελέσματα. Αυτό μπορεί να έχει σοβαρές συνέπειες σε ένα περιβάλλον υγείας, καθώς η ζωή των ασθενών μπορεί να κινδυνεύει. Αλλά μια πιο πιθανή περίπτωση είναι ότι αυτές οι αρνητικές εμπειρίες θα υπονομεύσουν και την εμπιστοσύνη των ασθενών και των παρόχων στη τεχνητή νοημοσύνη, επιβραδύνοντας την πρόοδο και την θετική επίδραση που αυτή η επαναστατική τεχνολογία μπορεί να έχει στην υγεία.

Για παράδειγμα, στο ιατρείο, τα εργαλεία της τεχνητής νοημοσύνης με περιβαλλοντική ακρόαση σχεδιάζονται για να προτείνουν περιεχόμενο για κλινικές σημειώσεις για τον παρόχο να αναθεωρήσει και να εγκρίνει. Ιδανικά, αυτό θα πρέπει να μειώσει τον χρόνο που ο παρόχος dànhει για την τεκμηρίωση εντός του EHR και να επιτρέψει περισσότερο ποιοτικό χρόνο με τον ασθενή. Ωστόσο, τα κακά δεδομένα και τα εργαλεία της τεχνητής νοημοσύνης που δεν έχουν εκπαιδευτεί καλά θα μπορούσαν να έχουν την αντίθετη επίδραση, αφήνοντας τους παρόχους να δαπανήσουν αντίθετα πολύ χρόνο για να διορθώσουν λάθη και να ξαναγράψουν σημειώσεις.

Επιπλέον, η προκατάληψη είναι ένα σημαντικό ρίσκο που συνδέεται με τους αλγόριθμους της τεχνητής νοημοσύνης, και η ποιότητα των δεδομένων μπορεί να παίξει einen κρίσιμο ρόλο στην μείωση των ανισοτήτων στην υγεία. Τα μοντέλα της τεχνητής νοημοσύνης μπορούν να μάθουν μοτίβα που αντιμετωπίζουν αποτελεσματικά ένα πληθυσμό ασθενών προτιμότερα σε σύγκριση με άλλους πληθυσμούς, συμπεριλαμβανομένων νομικά προστατευόμενων ομάδων. Με τον έλεγχο των εισαγωγών δεδομένων και την εκπαίδευση σε ρομποτικά και αντιπροσωπευτικά δεδομένα, οι έξοδοι της τεχνητής νοημοσύνης μπορούν να είναι πιο περιεκτικές και ακριβείς.

Μπορείτε να εξηγήσετε τους τύπους δεδομένων που χρησιμοποιεί η ModMed για την εκπαίδευση των μοντέλων της τεχνητής νοημοσύνης και πώς αυτά τα δεδομένα προέρχονται και διαχειρίζονται;

Στη ModMed, χρησιμοποιούμε綜合적인 ειδικές-ειδικότητας δεδομένα για να βοηθήσουμε στην εκπαίδευση των μοντέλων της τεχνητής νοημοσύνης μας με ακρίβεια. Κατά τα τελευταία 14 χρόνια, έχουμε δημιουργήσει ειδικές-ειδικότητας, ανωνυμοποιημένα δομημένα σύνολα δεδομένων που συμμορφώνονται με τους νόμους περί προστασίας της ιδιωτικής ζωής και τώρα αξιοποιούμε αυτά τα εσωτερικά δεδομένα για την εκπαίδευση των μοντέλων της τεχνητής νοημοσύνης μας. Για παράδειγμα, το εργαλείο μας με περιβαλλοντική ακρόαση ModMed Scribe έχει εκπαιδευτεί για την δερματολογία, την πρώτη μας ειδικότητα, σε εκατομμύρια δομημένα παραμέτρους από ανωνυμοποιημένα ιατρικά αρχεία που δείγματα από μια συλλογή 500 εκατομμυρίων επαφών ασθενών.

Πώς ορίζει η ModMed την “ηθική τεχνητή νοημοσύνη” στο контέκστ της υγείας;

Η δυνατότητα της τεχνητής νοημοσύνης να έχει προκαταλήψεις ή να παρέχει ανακριβείς πληροφορίες με τη μορφή “οπτασιακών” ή παραλείψεων μπορεί να επηρεάσει την ζωή των ασθενών. Για αυτόν τον λόγο, η ηθική τεχνητή νοημοσύνη στην υγεία είναι για να ορίσουμε ένα υψηλό πρότυπο για ακρίβεια και ακρίβεια. Αυτό σημαίνει την ανάπτυξη αλγορίθμων με φροντίδα και υπευθυνότητα και τη χρήση υψηλής ποιότητας και ποικίλων δεδομένων για να βοηθήσουν στην ενεργοποίηση πιο ακριβών προβλέψεων για κάθε χρήστη.

Η ηθική τεχνητή νοημοσύνη είναι επίσης για να διασφαλιστεί ότι οι άνθρωποι παραμένουν στο σύστημα. Μια τεχνητή νοημοσύνη δεν πρέπει να “υπερβεί τον γιατρό” αλλά αντίθετα να μειώσει το διοικητικό βάρος που οι γιατροί και το προσωπικό τους αντιμετωπίζουν, ώστε να μπορέσουν να επικεντρωθούν περισσότερο στην βοήθεια των ασθενών.

Ποια μέτρα υπάρχουν στη ModMed για να επιτρέψουν την ανάπτυξη και την ανάπτυξη της τεχνητής νοημοσύνης με ηθική;

Η δομημένη μας προσέγγιση δεδομένων—συντηρώντας υψηλής ποιότητας, αντιπροσωπευτικά σύνολα δεδομένων εκπαίδευσης—μας βοηθά να κάνουμε την υπεύθυνη τεχνητή νοημοσύνη πραγματικότητα. Σχετικά και ανωνυμοποιημένα δεδομένα που συλλέγονται από τα συστήματα μας EHR από μια μεγάλη ποικιλία πρακτικών μας παρέχουν μια ποικιλία συνόλων δεδομένων εκπαίδευσης που αντανακλούν διαφορετικούς πληθυσμούς ασθενών.

Επιπλέον, η ομάδα μας ανάπτυξης ενθαρρύνει την καθαρισμό των δεδομένων για να διευκολύνει τη συλλογή και τη χρήση υψηλής ποιότητας δεδομένων. Αυτή η διαδικασία μας επιτρέπει να αναγνωρίσουμε, να διορθώσουμε και να αφαιρέσουμε ασυνέπειες, λάθη και λείψανα από το σύνολο δεδομένων. Μέσω αυτής της τακτικής συντήρησης, μπορούμε να ενημερώνουμε συνεχώς την τεχνητή νοημοσύνη με βάση τα δεδομένα απόδοσης, ιδιαίτερα κλινικά δεδομένα, όπου τα αποτελέσματα των ασθενών μπορούν να επηρεαστούν.

Μπορείτε να συζητήσετε τη σημασία της διαφάνειας και της ευθύνης στην ανάπτυξη της τεχνητής νοημοσύνης, ιδιαίτερα στην υγεία;

Η διαφάνεια κάνει την ευθύνη δυνατή, γι’ αυτό είναι τόσο κρίσιμη για οποιαδήποτε λύση της τεχνητής νοημοσύνης στην υγεία. Οι γιατροί έχουν ως πρώτη προτεραιότητα την φροντίδα και την ασφάλεια των ασθενών, οπότε δεν είναι έκπληξη ότι 80% των γιατρών θέλουν να γνωρίζουν τις ιδιότητες και τα χαρακτηριστικά του σχεδιασμού, της ανάπτυξης και της ανάπτυξης των εργαλείων της τεχνητής νοημοσύνης.

Επιπλέον, δεν όλα τα δεδομένα είναι ισάξια. Είναι σημαντικό να γνωρίζουμε από πού και πώς τα δεδομένα αποθηκεύονται και προέρχονται και πώς συχνά ενημερώνονται. Είμαστε τυχεροί που από την ίδρυση της ModMed, έχουμε δεσμευτεί σε μια στρατηγική δεδομένων που προτεραιότητα δίνει στη διαφάνεια και την ακρίβεια. Έχουμε μια πλήρη κατανόηση των πηγών και της ποιότητας των δεδομένων μας και είμαστε βέβαιοι ότι οι ενσωματώσεις της τεχνητής νοημοσύνης μας θα προσφέρουν σημαντική αξία στους πελάτες μας.

Πώς η τεχνητή νοημοσύνη ενσωματώνεται στα ειδικές-ειδικότητας συστήματα EHR της ModMed όπως το EMA και το gGastro;

Σε όλο το χαρτοφυλάκιο μας, έχουμε χρησιμοποιήσει τη μηχανική μάθηση για κάποιο χρόνο και ενισχύουμε την επένδυσή μας σε προηγμένη και γεννητική τεχνητή νοημοσύνη για να απλοποιήσουμε το επιχείρημα της ιατρικής και να επιταχύνουμε την ποιότητα της φροντίδας. Κτίζουμε μια ολοκληρωμένη εμπειρία πρακτικής που βασίζεται στην τεχνητή νοημοσύνη, η οποία ξεκινά πριν ο ασθενής μπει στην πόρτα, εκτείνεται μέσω του ιατρείου, μέχρι το τμήμα λογιστικής.

Στο κλινικό περιβάλλον, βρισκόμαστε στο τελικό στάδιο του πιλοτικού μας προγράμματος για την τεχνητή νοημοσύνη με περιβαλλοντική ακρόαση για το EMA, το οποίο πιστεύουμε ότι θα είναι ένας game-changer για τη λειτουργία του και το προτεινόμενο δομημένο περιεχόμενο. Η λύση μας για τεκμηρίωση με τεχνητή νοημοσύνη σχεδιάζεται για να ροηματοποιήσει τη διαδικασία φροντίδας πέρα από τη μεταγραφή ή το σχέδιο μιας SOAP σημείωσης. Χρησιμοποιώντας τεράστιες ποσότητες δομημένων δεδομένων, εκπαιδεύουμε τα μοντέλα της τεχνητής νοημοσύνης μας να συλλάβουν τις απαραίτητες πληροφορίες από τις συνομιλίες γιατρού-ασθενούς και, εργαζόμενοι παράλληλα με το EHR μας, να προτείνουν σχετικό περιεχόμενο για σημειώσεις επίσκεψης, συμπεριλαμβανομένων κωδικών ICD-10, χειρουργικών κωδικών και συνταγών. Αυτό σώζει τους γιατρούς πολύτιμο χρόνο και τους επιτρέπει να περάσουν περισσότερο ποιοτικό χρόνο με τους ασθενείς τους.

Τι συγκεκριμένα οφέλη παρέχουν οι λύσεις της τεχνητής νοημοσύνης που είναι ειδικές για κάθε ειδικότητα στην υγεία σε παρόχους και ασθενείς;

Κανένα δύο ιατρικά ειδικά δεν είναι ίδια. Διαφέρουν ευρέως με τους ασθενείς που βλέπουν, τις καταστάσεις που θεραπεύουν και τους ιατρικούς κωδικούς που χρησιμοποιούν για τις αμοιβές. Οι λύσεις της τεχνητής νοημοσύνης πρέπει να προσαρμοστούν για να τακτοποιήσουν αυτές τις διαφορές για να είναι αποτελεσματικές με οποιονδήποτε真正意义.

Για παράδειγμα, τα EHR και τα εργαλεία της τεχνητής νοημοσύνης με περιβαλλοντική ακρόαση της ModMed είναι ειδικά σχεδιασμένα για κάθε ιατρική ειδικότητα, παρέχοντας υψηλά σχετικές και ακριβείς υποστηρίξεις στους κλινικούς. Η διαδικασία τεκμηρίωσης κάθε ιατρικής ειδικότητας απαιτεί διαφορετικά στοιχεία εντός της δομημένης σημείωσης δεδομένων, συμπεριλαμβανομένων μοναδικών ιατρικών κωδικών και ορολογίας. Αυτή η εξειδίκευση επιτρέπει στην τεχνητή νοημοσύνη να κατανοήσει και να προβλέψει καλύτερα τις μοναδικές ανάγκες και τις ροές εργασιών των διαφορετικών ειδικοτήτων, που πιστεύουμε ότι θα οδηγήσει σε πιο αποτελεσματική εφαρμογή, ταχύτερη υιοθέτηση και μεγαλύτερη συνολική αποτελεσματικότητα στην βελτίωση της λειτουργικής αποδοτικότητας.

Πού βλέπετε τις μεγαλύτερες ευκαιρίες για την τεχνητή νοημοσύνη στην υγεία τα επόμενα πέντε έως δέκα χρόνια;

Στο μέλλον, η τεχνητή νοημοσύνη θα διεισδύσει αναμφισβήτητα σχεδόν σε κάθε аспέκτ της υγείας με τρόπους που δεν μπορούμε να φανταστούμε. Ήδη, η τεχνητή νοημοσύνη αξιοποιείται για διοικητικά καθήκοντα, και στο κοντινό μέλλον, αυτή η τάση θα πιθανότατα αυξηθεί καθώς η αξία της τεχνητής νοημοσύνης θα γίνει πιο εμφανής.

Βλέπω επίσης ένα μέλλον όταν η τεχνητή νοημοσύνη θα είναι αβίαστα ενσωματωμένη σε όλες τις αλληλεπιδράσεις γιατρού-ασθενή, όπου το “περιβάλλον εργασίας” ή η διεπαφή χρήστη θα είναι πρακτικά αόρατη. Αντί των σημερινών αλληλεπιδράσεων με οθόνη, η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει μια σύντηξη της πραγματικότητας και της επαυξημένης πραγματικότητας. Αυτή η μελλοντική κατάσταση της τεχνητής νοημοσύνης θα μπορούσε να αναλύσει τα ιατρικά αρχεία για να ανακαλύψει κρίσιμες γνώσεις, προβλέποντας τον κίνδυνο του ασθενή για διάφορες ασθένειες. Η τεράστια ποσότητα δεδομένων στα ιατρικά αρχεία παρουσιάζει μια ευκαιρία για την τεχνητή νοημοσύνη να προβλέψει τις μελλοντικές ανάγκες φροντίδας και να δημιουργήσει και να βοηθήσει στη διαχείριση προγραμματισμένων σχεδίων θεραπείας.

Αυτή η εμπειρία θα μπορούσε να εκτείνεται πέρα από το περιβάλλον της πρακτικής και να γίνεται ολοκληρωμένη στο日θηή ζωή του ασθενή. Τα wearables με τεχνητή νοημοσύνη θα μπορούσαν να παρέχουν προσωποποιημένη υποστήριξη, να απαντούν σε ερωτήσεις και να προγραμματίζουν ραντεβού μεταξύ άλλων. Η τεχνητή νοημοσύνη θα μπορούσε επίσης να παρακολουθεί τις ζωτικές σημάνσεις από απόσταση, ανιχνεύοντας και ειδοποιώντας τους παρόχους για πιθανές υγείας προβλήματα. Τα προσωποποιημένα σχέδια θεραπείας, τα οποία είναι προσαρμοσμένα σε κάθε ασθενή με βάση τα δεδομένα και τις προτιμήσεις, θα μπορούσαν να γίνουν η κανόνας.

Αυτή είναι πραγματικά μια συναρπαστική εποχή για την υγεία. Τα επόμενα πέντε έως δέκα χρόνια είναι γεμάτα ευκαιρίες για να μεταμορφώσουμε περαιτέρω την βιομηχανία και να βελτιώσουμε την εμπειρία του ασθενή.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν ModMed.