David Lareau, Presidente y CEO de Medicomp Systems – Serie de Entrevistas

David Lareau, Presidente y CEO de Medicomp Systems, es un ejecutivo y emprendedor de tecnología sanitaria con una carrera que abarca casi cinco décadas. Después de comenzar su carrera en auditoría informática y gestión, fundó Dexcom Systems en 1987, ayudando a desplegar algunas de las primeras redes de comunicaciones empresariales y entornos de LAN a gran escala para organizaciones como el Banco Mundial, DuPont y el Hospital Sinai. Se unió a Medicomp Systems en 1995 como Director de Operaciones y fue nombrado CEO en 2012, liderando la evolución de la empresa desde un proveedor pionero de motores de conocimiento clínico hasta una empresa moderna de inteligencia artificial y interoperabilidad sanitaria. Bajo su liderazgo, Medicomp ha expandido su alcance global, avanzado en soluciones de inteligencia clínica basada en evidencia y se ha centrado en mejorar la productividad de los clínicos, la usabilidad de los datos y la atención al paciente a través de tecnología sanitaria más inteligente.

Medicomp Systems es una empresa de tecnología sanitaria mejor conocida por su inteligencia clínica y tecnología de motor de conocimiento que transforma datos sanitarios complejos y fragmentados en información estructurada y clínicamente relevante. Fundada en torno al motor de conocimiento clínico patentado MEDCIN, la plataforma Quippe de la empresa ayuda a las organizaciones sanitarias a mejorar la documentación clínica, la interoperabilidad, la medición de la calidad, el ajuste de riesgo y el apoyo a la toma de decisiones impulsada por la inteligencia artificial. Diseñada para reflejar la forma en que los clínicos piensan y trabajan, las soluciones de Medicomp se utilizan en hospitales, sistemas de salud, proveedores de registros electrónicos de salud y organizaciones sanitarias de todo el mundo para optimizar los flujos de trabajo, reducir la carga administrativa y ofrecer información más significativa sobre los pacientes en el punto de atención. La empresa se ha convertido en un líder reconocido en la combinación de gráficos de conocimiento clínico, datos estructurados y inteligencia artificial para respaldar una toma de decisiones sanitarias más precisa, eficiente y fiable

Ha pasado casi cuatro décadas trabajando en tecnología sanitaria, desde las primeras redes de comunicaciones empresariales y sistemas de facturación médica hasta liderar Medicomp Systems durante más de 30 años. Al mirar hacia atrás en esa evolución, ¿cuál es el problema fundamental de datos sanitarios que cree que la industria aún no ha resuelto?

La industria sanitaria todavía carece de un estándar integrado para los datos clínicos. Los estándares de terminología en los que confiamos se crearon cada uno para resolver problemas de codificación dentro de un dominio único: ICD-10 para diagnósticos, CPT y HCPCS para procedimientos y pruebas, LOINC para resultados de laboratorio y otras mediciones, RxNorm para medicamentos, y SNOMED CT para hallazgos clínicos. Cada uno se creó para la facturación, la clasificación o la investigación. Ninguno se creó para organizar la atención del paciente.

Los sistemas de información sanitaria utilizan estos estándares para completar transacciones específicas, la mayoría de las cuales están vinculadas a la reembolsación, en lugar de brindar a los proveedores una visión integrada del estado del paciente. Considere a un paciente con diabetes. Los datos de ese paciente se encuentran dispersos en pestañas separadas en el sistema de información de salud, sin una sola “vista de diabetes” que reúna todo lo relacionado con la afección. Los sistemas de codificación no comparten un esquema común, lo que los hace computacionalmente ineficientes, y esa ineficiencia se convierte en un problema mucho mayor en un mundo de inteligencia artificial clínica. La inteligencia artificial depende de buenos datos, y nuestra industria aún no los tiene.

Imagínese un almacén de Amazon (AMZN ) tratando de operar sin unidades de stock (SKUs), confiando en lugar de eso en descripciones de texto de cada artículo, cada descripción vinculada a una estructura de datos que cambia de un tipo de artículo a otro. Casi todas las industrias tienen alguna versión de la SKU. La atención sanitaria no, y por lo tanto sus datos permanecen fragmentados e inconsistentes.

Ha descrito muchos repositorios sanitarios modernos como “pantanos de datos” en lugar de lagos de datos accionables. ¿Cuáles son los errores arquitectónicos más grandes que los sistemas de salud cometieron durante la carrera por centralizar los datos?

El error central fue organizar el repositorio de la manera en que estaban organizados los sistemas de origen, alrededor de dominios y transacciones en lugar de alrededor del paciente. La mayoría de los sistemas de salud todavía separan la información clínica en dominios discretos como laboratorios, medicamentos, procedimientos y diagnósticos. Los usuarios, y el software en el que confían, deben llegar a diferentes archivos y ubicaciones para ensamblar una imagen del paciente, lo que hace que cada proceso sea más lento y engorroso.

El problema más profundo es que cada transacción, ya sea una factura, una receta, una orden de prueba o un resultado de laboratorio, se almacena como un artículo autocontenido en lugar de como una parte de una visión integrada del estado del paciente. Centralizar esos datos en un solo lugar no soluciona el problema. Un lago de datos lleno de registros fragmentados y vinculados a dominios se convierte en un pantano de datos porque el volumen solo, sin organización clínica, no produce comprensión.

Una gran proporción de información clínica significativa todavía vive dentro de las notas de los médicos, los informes de imágenes y las resúmenes de alta, en lugar de campos estructurados. ¿Por qué la industria ha luchado tanto para operacionalizar los datos clínicos no estructurados a gran escala?

Esto está cambiando, y rápidamente. Los grandes modelos de lenguaje (LLM) pueden generar resúmenes de texto de encuentros libres de abreviaturas y abreviaturas idiosincrásicas, lo que hace que sea mucho más fácil para el procesamiento de lenguaje natural clínico (NLP) extraer datos codificados estructurados de ese texto. En el pasado, capturar datos estructurados significaba pedir a los clínicos que trabajaran a través de listas de verificación o formularios, que encontraban engorrosos y en gran medida inútiles.

Hoy en día, la secuencia funciona de manera diferente. La escucha ambiental produce una nota de texto razonablemente limpia, un LLM resume esa nota en una forma semiestructurada, y el NLP luego se ejecuta en el resumen. Cuando el NLP se dirige a un objetivo de datos clínicos adecuado, que representa conceptos clínicos en lugar de una lista plana de códigos, puede producir datos estructurados bien organizados a partir de texto narrativo. Lograr esto todavía requiere una combinación de tecnologías que trabajen juntas, y depende por completo de tener ese objetivo de datos clínicos adecuado en su lugar.

Argumenta que el desafío central no es la “calidad de los datos”, sino la fragmentación de los datos. ¿Puede explicar la diferencia y por qué esa distinción es importante para los sistemas de atención sanitaria impulsados por la inteligencia artificial?

Los dos están estrechamente relacionados, pero describen problemas diferentes, y esa diferencia es muy importante para la inteligencia artificial. La calidad de los datos se refiere a si una pieza individual de información es precisa, completa y registrada correctamente. La fragmentación de los datos es estructural. La fragmentación ocurre cuando la información clínica, independientemente de su calidad, se divide en dominios y sistemas de codificación separados y se almacena en formatos y ubicaciones diferentes.

Esta fragmentación es la práctica actual porque cada sistema de codificación se diseñó para un caso de uso transaccional separado. El enfoque fue adecuado para generar una receta, crear una factura u otros tareas discretas. La atención general al paciente es un problema diferente, que requiere que la información de varios dominios se reúna, se procese y se muestre como una visión única y conectada del paciente. Un registro puede estar lleno de puntos de datos individualmente precisos y aún así fallar al clínico, porque nada conecta esos puntos en esa visión.

Ha resaltado tres brechas importantes en la mayoría de los lagos de datos sanitarios: extracción narrativa a través del NLP, gráficos de conocimiento clínico y reconciliación de registros en conflicto. ¿Cuál de esas capacidades que faltan está causando actualmente el mayor impacto en la atención al paciente?

Dos de las tres están estrechamente relacionadas: la reconciliación de registros en conflicto y el hecho de que un gráfico de conocimiento clínico solo es tan bueno como los datos sobre los que opera. De las tres, la reconciliación es actualmente la que causa el mayor daño en la atención al paciente, porque se encuentra aguas arriba de todo lo demás.

Una gran cantidad de lo que vive en la carta de un paciente se ingresó copiando y pegando de encuentros anteriores o consolidando información de varios proveedores. Mover esa información entre sistemas con Recursos de Interoperabilidad de Atención Sanitaria Rápidos (FHIR) hace que sea más fácil enviar y recibir, pero no mejora la calidad subyacente. Ejecutar inteligencia artificial o un gráfico de conocimiento clínico en esa información probablemente hará que las mismas inconsistencias se lleven adelante.

Considere a un paciente con diabetes que se evalúa para retinopatía o cataratas. Esa evaluación no significa que el paciente tenga cataratas diabéticas, ya que las cataratas pueden ser cataratas relacionadas con la edad no relacionadas con la diabetes. Un LLM puede perder esa distinción, y la asociación falsa luego entra en el registro del paciente y permanece allí a medida que se mueve de sistema en sistema. Un gráfico de conocimiento dado datos pobres devolverá resultados pobres.

Estándares como SNOMED CT, LOINC, RxNorm, FHIR y C-CDA a menudo se discuten como soluciones de interoperabilidad. En la práctica, ¿por qué muchas organizaciones todavía luchan por convertir el cumplimiento de los estándares en sistemas clínicamente útiles?

Muchos sistemas y organizaciones transportan datos mal codificados porque sus interfaces de usuario hacen que sea más fácil seleccionar el primer elemento presentado. Esas interfaces están diseñadas para mover el código lo más rápido posible para la facturación, en lugar de suministrar el contexto clínico que permitiría al usuario registrar la afección con precisión.

El ICD-10, por ejemplo, incluye un código para “neuropatía motora y sensorial hereditaria”, una categoría que no distingue la enfermedad de Charcot-Marie-Tooth de la síndrome de Roussy-Lévy, aunque ambas caen dentro de ella. Si una interfaz de usuario presenta esa categoría primero y hace que la afección específica sea más difícil de seleccionar, el usuario probablemente elegirá la categoría. La categoría puede ser suficiente para que se pague una reclamación, pero es mucho menos clínicamente útil que la afección específica. Todos los términos de codificación transaccional comparten algún tipo de problema.

Medicomp ha pasado años construyendo terminología y motores de relevancia clínicamente conectados alrededor de sistemas como MEDCIN. ¿Cuán importante es un gráfico de conocimiento clínico para hacer que la inteligencia artificial sanitaria sea confiable y consciente del contexto?

Un gráfico de conocimiento clínico es esencial porque hace que los datos sean utilizables en el momento en que un clínico o revisor realmente los necesita. La prueba es sencilla. Cuando un paciente tiene una afección específica que se está gestionando, ¿puede el usuario ver todo lo relacionado con esa afección de inmediato, o debe buscar en todo el registro, pestaña por pestaña, para reconstruir el contexto clínico? Un gráfico de conocimiento clínico construido sobre datos clínicos limpios puede superficiar ese contexto en un instante. Sin uno, encontrar la misma información lleva demasiado tiempo.

Esto es por qué, cada vez que visito mi mega-hospital, me piden que complete un formulario de historia médica de cuatro páginas y seis pantallas con la misma información que proporcioné el mes anterior. Encontrar algo en los sistemas de información de salud actuales es simplemente demasiado difícil. Medicomp ha pasado más de 45 años construyendo MEDCIN y su gráfico de conocimiento clínico para cerrar exactamente esa brecha, para que la inteligencia artificial que opera sobre datos limpios y conectados pueda ser confiable y consciente del contexto clínico del paciente.

Muchas organizaciones sanitarias están desplegando ahora copilotos de inteligencia artificial generativa y sistemas de documentación ambiental. ¿Qué riesgos surgen cuando esos sistemas de inteligencia artificial se entrenan u operan en datos clínicos fragmentados y mal contextualizados?

La alucinación y la mala categorización de la información son dos de los riesgos más comunes, y ambos se vuelven más probables cuando los datos subyacentes están fragmentados y mal contextualizados.

Un ejemplo personal: mi padre murió de cáncer de hígado a los 78 años, pero en una visita reciente, me preguntaron cuánto tiempo había estado en remisión. El sistema de documentación ambiental había registrado una historia personal de cáncer de hígado en mi propia carta. Un colega se encontró con algo similar. Tenía enfermedad pulmonar obstructiva crónica (EPOC) registrada en su registro porque su proveedor, utilizando la documentación ambiental, había ordenado una radiografía de tórax para descartarla. Cuando más tarde solicitó un seguro de vida, se le denegó, y la razón que se dio fue el diagnóstico de EPOC que la orden de radiografía anterior había generado involuntariamente.

Los fallos de contexto pueden ser aún más extraños. En un caso reciente, un paciente masculino que mencionó comer huevos para el desayuno fue reclasificado como femenino, presumiblemente porque el sistema asoció la palabra “huevos” con biología femenina. Cada uno de estos errores es fácil de reír en aislamiento. Una vez que se escriben en una carta y se intercambian entre sistemas, dejan de ser divertidos.

Hay un entusiasmo creciente en torno al progreso de la interoperabilidad nacional, con cientos de millones de registros que ahora se intercambian anualmente. ¿Qué todavía necesita suceder antes de que los clínicos puedan confiar genuinamente de que los datos intercambiados son completos, precisos y clínicamente relevantes en el punto de atención?

Dos cosas deben suceder. Primero, los proveedores que firman los encuentros, que cada vez más se generan mediante herramientas de escucha ambiental con resúmenes de LLM, necesitan guardrails fáciles de usar disponibles antes de firmar, en el punto justo antes de que those datos entren en el registro del paciente. Una vez que la información incorrecta aterriza en la carta, cada uso posterior de ella hereda el problema tradicional de “basura dentro, basura fuera”, y corregirlo después del hecho es difícil.

En segundo lugar, incluso cuando los datos son precisos, un clínico debe poder encontrar lo que necesita sin tener que buscar en todo el registro. Intercambiar cientos de millones de registros no hace mucho bien si el clínico receptor no puede localizar la información relevante o confiar en que refleje la imagen clínica real del paciente. La validación en el punto de atención y la recuperación fácil son lo que convierten los datos intercambiados en algo en lo que un clínico realmente puede confiar.

Mirando hacia adelante cinco años, ¿cómo se ve un entorno de datos sanitarios “activado” cuando la inteligencia artificial, los estándares de interoperabilidad, el contexto clínico y los flujos de trabajo de los médicos finalmente se alinean de una manera significativa?

La alineación dependerá de que todas las partes tengan acceso a una base de datos clínicos confiable, diseñada para gestionar a cada paciente de manera efectiva y, colectivamente, para hacer que la gestión de la salud poblacional sea una realidad. Dada esa base, la alineación comienza con el paciente individual.

Antes de cada encuentro, un agente de inteligencia artificial reúne todos los datos disponibles para ese paciente de redes de información de salud, intercambios, pagadores y empresas, mientras que otro agente elimina los duplicados y organiza los datos restantes. A través de una aplicación, un quiosco o un agente conversacional, el paciente luego verifica los diagnósticos actuales, los medicamentos, los resultados de laboratorio recientes y cualquier nuevo problema, corrigiendo cualquier error en el camino. Un borrador de those cambios se envía a un clínico para su revisión.

En el encuentro, virtual o físico, el clínico revisa esa información con el paciente y se centra en las afecciones que requieren atención. Un agente superficia la contexto clínicamente relevante para cada afección existente o nueva queja, y la escucha ambiental captura la conversación. Un segundo agente resume para que el clínico lo revise, corrija y apruebe.

Desde allí, los agentes manejan el trabajo posterior: asegurando las autorizaciones requeridas, enviando recetas a la farmacia, presentando reclamaciones, programando atención de seguimiento y empaquetando información para partes aprobadas. A lo largo de todo el proceso, los agentes de fondo evalúan el riesgo clínico y solicitan documentación de calidad, ajuste de riesgo y regulación. El modelo completo se basa en datos limpios y confiables en cada paso, con los clínicos mantenidos en el bucle, produciendo información que respalda tanto la atención al paciente individual como la gestión efectiva de la salud poblacional.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Medicomp Systems.