Φαουάντ Μπάτ, Διευθύνων Σύμβουλος και Συνιδρυτής της Penguin Ai – Σειρά Συνεντεύξεων

Φαουάντ Μπάτ, Διευθύνων Σύμβουλος και Συνιδρυτής της Penguin Ai, είναι ένας έμπειρος εκτελεστικός της υγειονομικής περίθαλψης και της τεχνητής νοημοσύνης, ο οποίος ίδρυσε την εταιρεία μετά από ηγετικές θέσεις στο Kaiser Permanente, UnitedHealthcare και Optum, όπου είχε την ευθύνη για μεγάλης κλίμακας πρωτοβουλίες διακυβέρνησης δεδομένων, ανάλυσης, τεχνητής νοημοσύνης και επιχειρηματικών πλατφορμών. Η εμπειρία του στην ηγεσία της στρατηγικής δεδομένων μέσα σε κάποιες από τις μεγαλύτερες οργανώσεις ασφάλισης και παροχέων υγειονομικής περίθαλψης διαμόρφωσε την εστίαση της Penguin Ai στην επίλυση των διοικητικών ανεπάρκεων της υγειονομικής περίθαλψης με σκοπό να κατασκευαστεί τεχνητή νοημοσύνη, αντί να αναγκάζουν γενικές πλατφόρμες σε σύνθετες ροές εργασιών υγειονομικής περίθαλψης. Υπό την ηγεσία του, η Penguin Ai είναι τοποθετημένη γύρω από μια πρακτική θέση: η υγειονομική περίθαλψη χρειάζεται συστήματα τεχνητής νοημοσύνης που σχεδιάζονται ειδικά για τις επιχειρήσεις ασφάλισης και παροχέων, με την ικανότητα να μειώσουν το χειροκίνητο έργο, να βελτιώσουν την ακρίβεια και να βοηθήσουν τις ομάδες να δαπανήσουν περισσότερο χρόνο σε υψηλότερες κλινικές και επιχειρηματικές αποφάσεις.

Penguin Ai είναι μια εταιρεία τεχνητής νοημοσύνης που επικεντρώνεται στην αυτοματοποίηση διοικητικών και κλινικών επιχειρήσεων για ασφαλιστές, παροχείς, εταιρείες διαχείρισης κύκλου εσόδων και συνεργάτες τεχνολογίας υγειονομικής περίθαλψης. Η πλατφόρμα της συνδυάζει μοντέλα γλωσσών υγειονομικής περίθαλψης, ψηφιακούς εργαζόμενους, πράκτορες τεχνητής νοημοσύνης, διακυβέρνηση, ικανότητες συμμόρφωσης και αυτοματοποίηση ροής εργασιών για περιπτώσεις χρήσης όπως η προηγούμενη έγκριση, η επεξεργασία αιτημάτων, η ιατρική κωδικοποίηση, η διαχείριση ενδίκων, η ρύθμιση κινδύνου, η ακεραιότητα πληρωμών, η περίληψη ιατρικών γραφών, η περίληψη κλινικής τεκμηρίωσης και η επαλήθευση δικαιώματος. Η εταιρεία εξασφάλισε 29,7 εκατομμύρια δολάρια σε χρηματοδότηση από επιχειρηματίες, συμπεριλαμβανομένων 25 εκατομμυρίων δολαρίων σε μια σειρά Α με ηγεσία της Greycroft, για την επέκταση της προσλήψεων, της ανάπτυξης προϊόντων και των αναπτύξεων με ασφαλιστές και παροχείς, και έχει επίσης κυκλοφορήσει την Gwen, μια πλατφόρμα κατασκευής τεχνητής νοημοσύνης που σχεδιάζεται για να βοηθήσει τις ομάδες υγειονομικής περίθαλψης να δημιουργήσουν ψηφιακούς εργαζόμενους για διοικητικές ροές εργασιών.

Μετά την ηγεσία οργανισμών δεδομένων και ανάλυσης στο Kaiser Permanente, UnitedHealthcare και Optum, ποια συγκεκριμένα βιώματα σας έπεισαν ότι η υγειονομική περίθαλψη χρειάζεται μια σκοπό-κατασκευασμένη πλατφόρμα τεχνητής νοημοσύνης, και πώς αυτά τα μαθήματα διαμόρφωσαν την ιδέα της Penguin Ai;

Θα σας δώσω την ακριβή στιγμή που το κατάλαβα. Κάθησα σε μια ανασκόπηση σε έναν από τους μεγάλους ασφαλιστές, κοιτάζοντας μια ουρά προηγουμένων εγκρίσεων που είχαν επιστραφεί όλες τρεις φορές, και καμία από αυτές δεν είχε μια πραγματική κλινική ερώτηση. Μπουντσάρονταν επειδή ένα πεδίο δεν ταιριάζει ή η τεκμηρίωση εμφανίστηκε στη λάθος μορφή. Κάποιοι από τους καλύτερους χειριστές στη χώρα δαπάνησαν την ημέρα τους για να ταΐσουν μια μηχανή που παρήγαγε τίποτα για τον ασθενή που περίμενε στο άλλο άκρο. Είδα αυτή τη σπατάλη στο Kaiser, στο UnitedHealthcare, στο Optum, ακριβώς με διαφορετικά κοστούμια. Αυτό είναι όταν σταμάτησα να αγοράζω τη γραμμή της βιομηχανίας ότι η τριβή είναι το τίμημα της κλίμακας. Η όραση για την Penguin Ai ήρθε απευθείας από αυτή τη δυσαρέσκεια: κατασκευάστε μια πλατφόρμα που μιλάει ασφαλιστή και παροχέα, βάλτε το περιβάλλον υγειονομικής περίθαλψης μέσα στο σύστημα ώστε ένας εργαζόμενος τεχνητής νοημοσύνης να εφαρμόζει τα κριτήριά σας και να δείχνει την αιτιολογία του, διατηρήστε ένα άτομο υπεύθυνο για την κλινική κρίση, και αφαιρέστε το βαρύ έργο από όλους τους άλλους. Αυτό είναι όλο το ζητούμενο.

Η Penguin Ai εστιάζει στην αντιμετώπιση αυτού που περιγράφετε ως το δισεκατομμυρίων δολαρίων διοικητικό βάρος της υγειονομικής περίθαλψης. Ποια ροές εργασιών προτεραιότητα πρώτα, και γιατί η προηγούμενη έγκριση, η επεξεργασία αιτημάτων, η ιατρική κωδικοποίηση και η διαχείριση ενδίκων εμφανίστηκαν ως οι μεγαλύτερες ευκαιρίες για μετασχηματισμό με τεχνητή νοημοσύνη;

Πήγαμε εκεί όπου ο πόνος φωνάζει πιο δυνατά. Η προηγούμενη έγκριση, η επεξεργασία αιτημάτων, η ιατρική κωδικοποίηση και η διαχείριση ενδίκων ανέβηκαν στην κορυφή για έναν λόγο: είναι τεράστιες σωρούς επαναλαμβανόμενου έργου όπου οι περισσότερες περιπτώσεις ακολουθούν ένα μοτίβο, και οι εξαιρέσεις είναι αρκετά σπάνιες ώστε ένα άτομο να πρέπει να δει μόνο τις εξαιρέσεις. Η προηγούμενη έγκριση ηγήθηκε της λίστας επειδή εκεί μπορείτε να παρακολουθήσετε έναν ασθενή να υποφέρει ενώ η εργασία βρίσκεται σε μια ουρά, και κανείς δεν υπερασπίζεται αυτό με ένα ευθύ πρόσωπο. Όταν οι εργαζόμενοι μας τεχνητής νοημοσύνης μεταφέρουν το κανονικό όγκο και οδηγούν τις πραγματικές εξαιρέσεις σε ένα άτομο, τα αποτελέσματα δεν είναι λεπτά. Οι αναθεωρήσεις τρέχουν μέχρι 97 τοις εκατό ταχύτερα, οι απορρίψεις πέφτουν περισσότερο από το μισό, και περίπου 92 τοις εκατό των περιπτώσεων επιλύονται χωρίς χειροκίνητη επαφή. Έπαιξα αυτά τα τέσσερα επειδή μου επέτρεψαν να αποδείξω τη θέση γρήγορα: αφαιρέστε το διοικητικό βάρος και κάνετε την υγειονομική περίθαλψη καλύτερη για τον ασθενή, τον κλινικό ιατρό και το άτομο που κάνει το έργο. Όλοι κερδίζουν στην ίδια κίνηση, που είναι ακριβώς το λόγο που ξεκινήσαμε εκεί.

Ως υπεύθυνος για την αξιολόγηση αμέτρητων εταιρειών τεχνολογίας επιχειρήσεων ως εκτελεστικός υγειονομικής περίθαλψης, ποια είναι τα πιο συνηθισμένα λόγια για τα οποία τα νεοσύστατα τεχνητής νοημοσύνης δεν κερδίζουν έλξη μέσα σε μεγάλους οργανισμούς υγειονομικής περίθαλψης και ασφαλιστές;

Κάθησα στην πλευρά της αγοράς αρκετό καιρό για να δω τα νεοσύστατα να καίγονται με τον ίδιο τρόπο τρεις φορές. Ένα, τις αντιμετωπίζουν την υγειονομική περίθαλψη σαν οποιαδήποτε άλλη επιχειρηματική εταιρεία και πλήττονται από το χάος της ενσωμάτωσης, των συστημάτων κληρονομιάς και του βάρους κανονισμών που κανείς δεν τους προειδοποίησε. Δύο, πουλάνε αυτονομία και στη συνέχεια δεν μπορούν να απαντήσουν στο πρώτο σκληρό ερώτημα, το οποίο είναι πάντα κάποια εκδοχή του “δείξτε μου πώς έφτασε εκεί”. Χωρίς ιχνηλασία, χωρίς λόγο που θα αποδεχθεί μια ομάδα συμμόρφωσης, και η πιλότος πεθαίνει ακριβώς εκεί στη συσκευή. Τρία, που λύνουν την μια πλευρά της σχέσης ασφαλιστή-παροχέα και δεν καταλαβαίνουν ότι η τριβή ζει στη ραφή μεταξύ τους. Και ειλικρινά, κάθε αγοραστής που ξέρω είναι εξαντλημένος. Έχουν ένα συρτάρι γεμάτο εργαλεία που ενισχύονται με τεχνητή νοημοσύνη που πρόσθεσαν ένα πίνακα και μετακίνησαν κανένα έργο από το πιάτο κανενός. Η μπάρα είναι υψηλή και η υπομονή είναι λεπτή, και όποιος δεν μπορεί να δείξει έναν πραγματικό δρόμο από πιλότο σε παραγωγή αποβάλλεται.

Πολλοί οργανισμοί υγειονομικής περίθαλψης παραμένουν προσεκτικοί σχετικά με την ανάπτυξη τεχνητής νοημοσύνης σε αποφασιστικές επιχειρήσεις. Τι μοιάζει η επιτυχημένη υιοθέτηση τεχνητής νοημοσύνης μέσα σε έναν μεγάλο ασφαλιστή ή παροχέα οργανισμό, και ποια είναι τα λάθη που οι ηγέτες κάνουν όταν προσπαθούν να την κλιμακώσουν;

Η πραγματική υιοθέτηση αρχίζει μικρή και κερδίζει τον δρόμο της. Επιλέξτε μια ροή εργασιών που πραγματικά πονάει, κρατήστε τους ανθρώπους σας στην ενημέρωση ώστε να μπορέσουν να δουν το έργο να γίνεται και να το εμπιστευτούν, και αφήστε την απόδειξη να σας αγοράσει την επέκταση. Όταν μια ομάδα δει έναν εργαζόμενο τεχνητής νοημοσύνης να καθαρίζει τις κανονικές περιπτώσεις σωστά και να τους χειρίζεται αυτές που πραγματικά χρειάζονται κρίση, σταματάνε να αντιστέκονται και αρχίζουν να ζητούν περισσότερα. Τα λάθη είναι επικίνδυνα προβλέψιμα. Οι ηγέτες προσπαθούν να βράσουν την θάλασσα και να αναπτύξουν παντού ταυτόχρονα. Αγοράζουν τεχνολογία και δεν ανασχεδιάζουν τη ροή εργασιών γύρω από αυτή, ώστε το βάρος να μεταφερθεί απλώς σε μια άλλη ουρά. Ή αφαιρούν τους ανθρώπους πολύ γρήγορα, καίγονται την εμπιστοσύνη και στη συνέχεια αναρωτιούνται γιατί κανείς δεν αγγίζει το πράγμα. Η κλιμάκωση της τεχνητής νοημοσύνης σε έναν οργανισμό υγειονομικής περίθαλψης είναι ένα έργο διαχείρισης αλλαγών που φέρει ένα κοστούμι τεχνολογίας. Οι ομάδες που κερδίζουν την αντιμετωπίζουν με αυτόν τον τρόπο και δεσμεύονται σε ένα σκληρό μέτρο από την πρώτη μέρα, ώστε όλοι να γνωρίζουν τι σημαίνει πραγματικά η επιτυχία.

Η Penguin Ai τονίζει τα μοντέλα και τις ροές εργασιών της τεχνητής νοημοσύνης που είναι φυσικές για την υγειονομική περίθαλψη, αντί για γενικές λύσεις επιχειρηματικής τεχνητής νοημοσύνης. Ποια μοναδικά προκλήματα στην υγειονομική περίθαλψη απαιτούν μια εξειδικευμένη προσέγγιση, και πού οι γενικές πλατφόρμες τεχνητής νοημοσύνης δεν είναι επαρκείς;

Η υγειονομική περίθαλψη δεν είναι μια γενική περίπτωση επιχειρηματικής χρήσης, και το να την αντιμετωπίζεις σαν τέτοια σας καίει. Έχει τη δική της γλώσσα, τους δικούς της κανόνες, τις δικές της συνέπειες, και κανένα από αυτά δεν είναι προαιρετικό. Ένα γενικό μοντέλο θα σας δώσει μια αυτοπεποίθηση, μια πιθανή απάντηση που είναι σιωπηλά λάθος, επειδή δεν μεταφέρει τα κριτήριά σας ιατρικής αναγκαιότητας και δεν μπορεί να δείξει την εργασία του με έναν τρόπο που θα αποδεχθεί ένας ελεγκτής ή ένας κλινικός ιατρός. Χωρίς νόημα. Κατασκευάσαμε την Penguin Ai σε στρώματα για ακριβώς αυτόν τον λόγο: ένα στρώμα δεδομένων που τραβούν τις πληροφορίες μαζί, ένα Στρώμα Πραγματικότητας που κρατάει την ειδική για την υγειονομική περίθαλψη αιτιολογία και διακυβέρνηση, και η εργαζόμενη τεχνητής νοημοσύνης που πραγματικά κάνει το έργο, συμπεριλαμβανομένων των προκατασκευασμένων λύσεων εργαζομένων τεχνητής νοημοσύνης και της Gwen, του κατασκευαστή που επιτρέπει στην ομάδα σας να δημιουργεί νέους εργαζόμενους τεχνητής νοημοσύνης. Οι γενικές πλατφόρμες τεχνητής νοημοσύνης δεν είναι επαρκείς επειδή αντιμετωπίζουν την εμπειρία υγειονομικής περίθαλψης σαν κάτι που μπορείτε να προωθήσετε με τον τρόπο σας. Δεν μπορείτε. Πρέπει να την κατασκευάσετε μέσα στο σύστημα, και αυτό είναι ολόκληρος ο σκοπός του τι κάναμε.

Η προηγούμενη έγκριση παραμένει μια από τις πιο εκνευριστικές διαδικασίες για τους παροχείς και τους ασθενείς. Πώς βλέπετε την τεχνητή νοημοσύνη να ανασχηματίζει την προηγούμενη έγκριση τα επόμενα πέντε χρόνια, και ποια είναι τα απαραίτητα μέτρα για να διασφαλιστεί ότι η αυτοματοποίηση βελτιώνει τα αποτελέσματα χωρίς να δημιουργεί νέες εμπόδια;

Πέντε χρόνια μετά, οι απλές εγκρίσεις επιστρέφουν μέσα σε λίγα λεπτά, εφαρμόζονται συνεχώς ενάντια στις οδηγίες σας, με τον κλινικό ιατρό στην ενημέρωση για οτιδήποτε που απαιτεί ιατρική κρίση. Αυτό είναι η καλή εκδοχή. Εδώ είναι το μέρος που οι άνθρωποι σκιούν: η αυτοματοποίηση μπορεί να βελτιώσει τα εμπόδια με τον ίδιο τρόπο αν την κατασκευάσετε με λάθος τρόπο. Ένας ταχύτερος τρόπος να αρνηθείτε την περίθαλψη είναι κακοπραξία με καλύτερη απόδοση. Έτσι, οι μετρήσεις είναι όλο το ζητούμενο. Κάθε σύσταση που κάνει ένας εργαζόμενος τεχνητής νοημοσύνης πρέπει να μεταφέρει την αιτιολογία του και μια πλήρη ιχνηλασία, αυτό που ονομάζουμε γυάλινο κουτί, ώστε όποιος να μπορεί να δει ακριβώς πώς έφτασε εκεί. Η ταχύτητα δεν πρέπει ποτέ να γίνει κάλυψη για έναν σιωπηλό τοίχο αυτοματοποιημένων απορρίψεων. Και ένας καταρτισμένος άνθρωπος παραμένει υπεύθυνος για την κλινική κρίση, πάντα. Πάρτε το σωστό και η προηγούμενη έγκριση σταματάει να είναι το πράγμα που οι ασθενείς και οι γιατροί φοβούνται. Πάρτε το λάθος και έχετε κατασκευάσει έναν ταχύτερο τρόπο του προβλήματος. Είμαι μόνο ενδιαφερμένος για το πρώτο.

Η βιομηχανία μιλάει ολοένα και περισσότερο για πράκτορες τεχνητής νοημοσύνης και αυτόνομες ροές εργασιών. Ποια είναι τα μεγαλύτερα τεχνικά και επιχειρηματικά εμπόδια για την ανάπτυξη τεχνητής νοημοσύνης που μπορεί να χειριστεί σύνθετες διοικητικές εργασίες υγειονομικής περίθαλψης με ελάχιστη ανθρώπινη παρέμβαση;

Το σκληρό μέρος δεν είναι η επίδειξη, είναι τα άκρα. Χειρισμός εξαιρέσεων, ακατάστατα και ασυνεπή δεδομένα, και συστήματα κληρονομιάς που δεν κατασκευάστηκαν ποτέ για να μιλήσουν σε κάτι. Εκεί είναι που ζει η πραγματική μηχανική, και είναι βαθιά ασχημάτιστη. Το επιχειρηματικό εμπόδιο είναι η εμπιστοσύνη, η οποία δεν χορηγείται από κανέναν οργανισμό υγειονομικής περίθαλψης. Αν οι άνθρωποι σας δεν μπορούν να την ελέγξουν ή να την εξηγήσουν, δεν θα την κλιμακώσουν, πλήρης στάση. Ας αμφισβητήσω τώρα λίγο αυτή την παραδοχή. “Ελάχιστη ανθρώπινη παρέμβαση” είναι ο λάθος στόχος, και με ανησυχεί όταν ακούω γι’ αυτό. Το σημείο είναι να απελευθερώσετε τους ανθρώπους σας για τις σύνθετες περιπτώσεις και τις κρίσεις, όπου η εμπειρία τους πραγματικά χρησιμοποιείται. Οι εργαζόμενοι μας τεχνητής νοημοσύνης μεταφέρουν το επαναλαμβανόμενο όγκο και ξέρουν πότε να τραβήξουν έναν άνθρωπο. Να πιάσετε αυτήν την μεταφορά, αξιόπιστα και διαφανώς, σε πραγματική κλίμακα υγειονομικής περίθαλψης, είναι το σκληρό πρόβλημα που αξίζει να λυθεί. Όλα τα άλλα είναι ένα έργο επιστημονικής έκθεσης.

Η υγειονομική περίθαλψη είναι μια από τις πιο καλά ρυθμιζόμενες βιομηχανίες στον κόσμο. Πώς ισορροπείτε την ταχύτητα της καινοτομίας με την συμμόρφωση, τις απαιτήσεις ιδιωτικότητας, την ελεγκτότητα και την ανάγκη για ανθρώπινη ευθύνη σε συστήματα που οδηγούνται από τεχνητή νοημοσύνη;

Κερδίζετε το δικαίωμα να κινηθείτε γρήγορα κατασκευάζοντας πράγματα που αντέχουν. Στην υγειονομική περίθαλψη, η διακυβέρνηση είναι η βάση, και την χύσαμε πρώτα. Όταν χειρίζεστε δεδομένα ασθενών, η διακυβέρνηση δεδομένων είναι μια ηθική απαιτούμενη, και το εννοώ κυριολεκτικά. Έτσι, κάθε σύσταση τρέχει σε ένα πρότυπο γυάλινο κουτί, αιτιολόγηση μαζί με πλήρη διαδρομή ελέγχου, που είναι αυτό που επιτρέπει σε μια ομάδα συμμόρφωσης να εμπιστευτεί την ταχύτητα. Η ανθρώπινη ευθύνη είναι ενσωματωμένη στο σχέδιο, επειδή ένας καταρτισμένος άνθρωπος κατέχει οτιδήποτε αγγίζει κλινική κρίση, ενώ ο εργαζόμενος τεχνητής νοημοσύνης χειρίζεται τη συναρμολόγηση και το κανονικό φορτίο. Αυτός είναι ο τρόπος για να γίνετε γρήγορος και αξιόπιστος στο ίδιο σύστημα, και σε αυτήν τη βιομηχανία δεν μπορείτε να επιλέξετε το ένα και να παραλείψετε το άλλο. Οι περισσότεροι άνθρωποι θεωρούν τη συμμόρφωση και την ελεγκτότητα ως τα φρένα. Τα βλέπω ως το πράγμα που σας επιτρέπει να πατήσετε το πόδι σας, επειδή χωρίς αυτά δεν φτάνετε στην παραγωγή από την αρχή.

Κάνετε τη μετάβαση από την εποπτεία μεγάλης κλίμακας οργανισμών δεδομένων και ανάλυσης σε ένα νεοσύστατο από το μηδέν. Ποια είναι τα πιο απολαυστικά μέρη του ταξιδιού από τον χειριστή στον ιδρυτή, και ποια είναι τα πιο απροσδόκητα εμπόδια;

Το πιο απολαυστικό μέρος είναι ότι τελικά κατασκευάζετε το σωστό από την αρχή. Μέσα σε έναν μεγάλο οργανισμό, η αλλαγή κινείται με το ρυθμό του ιδρύματος. Κάθε διόρθωση πρέπει να διασχίσει συστήματα κληρονομιάς, ανταγωνιστικές προτεραιότητες και επίπεδα έγκρισης, ώστε μια αλλαγή που ξέρετε ότι είναι σωστή μπορεί να πάρει δεκαοκτώ μήνες για να γίνει, αν γίνει. Αυτός ο ρυθμός θα σας φάει όταν μπορείτε να δείτε ακριβώς τι πρέπει να γίνει. Στο χώρο του ιδρυτή, αυτό το όριο εξαφανίζεται. Κατασκευάζουμε από το μηδέν, σχεδιάζουμε την πλατφόρμα γύρω από το πρόβλημα αντί γύρω από τριάντα χρόνια συσσωρευμένων εργασιών, και αποστέλλουμε τη σωστή απάντηση ενώ ακόμα μετράει. Όταν ακούω ότι μια νοσοκόμα πήρε τις βραδιές της πίσω, ή ένας ασθενής πήρε μια απάντηση σε ώρες όπου πήρε μέρες, αυτό γίνεται με έναν τρόπο που καμία ανασκόπηση οδικού χάρτη δεν έκανε ποτέ. Το πιο απροσδόκητο εμπόδιο, και με έκανε να ντρέπομαι, είναι πόσο πολύ από αυτήν τη δουλειά είναι αφήγηση. Ήρθα από τα δεδομένα και τα συστήματα, και έπρεπε να πιστέψω ότι η τεχνολογία θα μετέφερε το επιχείρημα. Δεν το κάνει. Ζητάτε από τους ανθρώπους να πιστέψουν ότι ένας διαφορετικός τρόπος εργασίας είναι δυνατός, και κερδίζετε αυτήν την πίστη ένα σημείο απόδειξης κάθε φορά. Ο ρυθμός είναι αμείλικτος, και φορούσα σαράντα καπέλα πριν από το μεσημέρι, και είναι ακόμα η πιο σημαντική δουλειά που έχω κάνει ποτέ.

Κοιτάζοντας μπροστά, αν η τεχνητή νοημοσύνη αφαιρέσει επιτυχώς πολύ από το διοικητικό βάρος της υγειονομικής περίθαλψης, πώς νομίζετε ότι οι ασφαλιστές, οι παροχείς και οι ασθενείς θα βιώσουν το σύστημα υγειονομικής περίθαλψης διαφορετικά τα επόμενα δέκα χρόνια;

Δέκα χρόνια μετά, αν το κάνουμε σωστά, το σύστημα τελικά μοιάζει με περίθαλψη. Οι ασθενείς λαμβάνουν πραγματικές απαντήσεις όταν είναι φοβισμένοι και ευάλωτοι, και σταματάνε να πρέπει να αποκτήσουν ένα μικρό πτυχίο σε γραφειοκρατία ασφάλισης για να πάρουν αυτό που ο γιατρός τους έχει ήδη διατάξει. Οι κλινικοί γιατροί δαπάνησαν τις ώρες τους στην τέχνη της ιατρικής και στους ανθρώπους μπροστά τους, αντί να γδύνουν το εβδομηκοστό έβδομο κανονικό περίπτωση πριν από το μεσημέρι. Το προσωπικό λειτουργιών και διοίκησης, κάποιοι από τους πιο υποτιμημένους ανθρώπους σε ολόκληρο αυτόν τον κλάδο, τελικά κάνουν δουλειά που χρησιμοποιεί την πραγματική τους εμπειρία. Και οι ασφαλιστές και οι παροχείς συντονίζονται αντί να ρίχνουν χαρτιά πίσω και μπροστά σε μια διεπαφή που κανείς δεν κατέχει. Αυτή είναι η υγειονομική περίθαλψη που χτίζω. Το σκορ που μετρώ είναι βαρετό και συγκεκριμένο: χρόνος που επιστρέφεται στην περίθαλψη ασθενών, και καθυστέρηση που αφαιρείται από την εμπειρία ασθενών. Όλα τα άλλα που κάνουμε είναι στην υπηρεσία αυτών των δύο αριθμών.

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