Andreas Cleve, Cortin perustaja ja toimitusjohtaja – Haastattelusarja

Andreas Cleve, Cortin perustaja ja toimitusjohtaja, on yrittäjä, joka on keskittynyt tekoälytekniikan kehittämiseen terveydenhuollossa. Hänen työnsä alalla alkoi Ovivosta, joka on keskustelupohjainen työvoiman suunnitteluohjelma sairaaloille, joka laajeni nopeasti koko Tanskaan ja myytiin vuonna 2013. Myöhemmin hän perusti Hyvin, joka on tutkimushanke, joka tutkii kontekstia tunnistavien kielimallien kehittämistä, jotka voivat ymmärtää monimutkaisia keskusteluja reaaliajassa, mikä lopulta kehittyi Cortiksi vuonna 2018. Yritysten perustamisen lisäksi Cleve on ollut avainroolissa vahvistamassa Pohjoismaiden tekoälyekosysteemiä aloitteiden kautta, kuten Nordic.ai ja neuvonantajana organisaatioille, kuten DIGITALEUROPE ja Tanskan kansallinen digitalisaatiokomitea.

Corti on Tanskan pääkaupungissa Kööpenhaminassa sijaitseva terveydenhuollon tekoälyyritys, joka kehittää erikoistuneita malleja, jotka voivat ymmärtää lääketieteellisiä keskusteluja ja tukea terveydenhuollon ammattilaisia reaaliajassa. Sen alusta toimii tekoälyavustajana terveydenhuollon ammattilaisille luomalla kliinistä dokumentaatiota, tuomalla esiin oivalluksia potilaskohtaamisissa ja automatisoimalla hallinnollisia työprosesseja. Tarjoamalla teknologiaansa API:en ja terveydenhuoltojärjestelmien integraatioina Corti pyrkii vähentämään terveydenhuollon ammattilaisten työtaakkaa parantamalla samalla tehokkuutta ja päätöksentekoa sairaaloissa ja digitaalisissa terveydenhuoltopalveluissa.

Kasvit siinä, missä terveydenhuolto oli jatkuvasti läsnä… Miten nuo varhaiset kokemukset vaikuttivat Cortin perustamiseen, ja mitkä tarkat ongelmat halusit ratkaista alusta alkaen?

Kasvaminen terveydenhuollon ympäröivässä maailmassa teki kaksi asiaa tuskaisesti selväksi: asiantuntemus on valtavan tärkeää, ja prosessit, jotka siirtävät tuon asiantuntemuksen, ovat hauraita ja usein epäonnistuvat niiden ihmisten kohdalla, jotka tarvitsevat sitä eniten. Nuo varhaiset kotikokemukset, jotka sisälsivät hoitajien kamppailun, tietämyksen häviämisen ja pelon, joka johtuu epäjohdonmukaisesta hoidosta, istuttivat uskon, että terveydenhuolto pitäisi olla ennustettavissa, ja että terveydenhuollon ammattilaiset eivät koskaan pitäisi olla yksin, kun vaikea päätös on tehtävä. Se kääntyi suoraan Cortin perustamismissionaan: rakentaa järjestelmiä, jotka turvaavat asiantuntemuksen, jotta terveydenhuollon ammattilaiset aina voisivat luottaa reaaliaikaiseen päätöksenteon tueen.

Alusta alkaen lähtökohtana oli osoittaa terveydenhuollon tarpeen ja tarjonnan epätasapaino: kuilu nykyaikaisen lääketieteen monimutkaisuuden ja rajatun inhimillisen kyvyn soveltamisen välillä kaikkialla, luomalla tekoälyä, joka vähentää vaihtelua, nopeuttaa havaitsemista ja tukee turvallisempia päätöksiä niissä hetkissä, jotka ovat tärkeimmät.

Corti asettaa itsensä terveydenhuollon tekoälyinfrastruktuuriksi, ei yksittäiseksi tekoälyavustajaksi. Mitä infrastruktuuri tarkoittaa tässä asiayhteydessä, ja mitkä kyvyt se avaa, joita pistekohtaiset ratkaisut tai chat-pohjaiset työkalut eivät voi?

Kun puhumme infrastruktuurista, tarkoitan, että emme toimita yksittäistä avustajaa tai työkalua; rakennamme perussarjaa, joka mahdollistaa kliinisen tason tekoälyn kaikkialla. Infrastruktuuri tarkoittaa tässä: terveydenhuoltoon liittyvät mallit ja data (ei yleisiä verkkodata), kliininen päättelykerros, joka tuo esiin vastauksia kliinisen kontekstin kanssa, elinkaari- ja hallintatyökalut (mallikortit, audit-merkit, verifioidut polut), käyttöönottovaihtoehdot, jotka täyttävät sääntelijöiden vaatimukset (joten suvereenit pilvet, paikalliset tai yksityiset päätepisteet), ja kehittäjien käyttöön tarkoitetut API:t ja SDK:t, jotka antavat sovellusryhmille mahdollisuuden liittää kliinistä älykkyyttä sovelluksiinsa ilman, että heidän tarvitsee tulla tekoäly- tai yhdenmukaisuusasiantuntijoiksi.

Tämä lähestymistapa avaa kolme asiaa, joita pistekohtaiset ratkaisut eivät voi: (1) käyttöönotettavuus, tarkoittaen malleja ja suoritusaikoja, jotka kestävät todellisia kliinisiä rajoituksia (viive, data-asuminen, auditointi); (2) skaalautuvuus eri erikoisalojen yli, tarkoittaen uudelleen käytettäviä, sertifioituja rakennuspalikoita (puhe, koodaus, kliinisesti määritellyt päätepisteet), jotka vähentävät useiden pystykohtaisen sovellusten rakentamisen kustannuksia; ja (3) sääntely- ja yritysten luottamus, tarkoittaen käytäntöjä, BAA:ja ja yhdenmukaisuusprimitiivejä, jotka on sisällytetty alustaan, jotta asiakkaat voivat siirtyä koekäytöistä tuotantoon. Lyhyesti sanottuna, infrastruktuuri muuttaa kliinisen tutkimuksen ja kehityksen toimiviksi palveluiksi, joita kehittäjät ja sairaalat voivat toimittaa, sertifioida ja skaalata.

Yleiskäyttöiset tekoälymallit sovelletaan usein kliinisiin ympäristöihin sekavien tuloksien kanssa. Mitkä ovat yleisimmät tavat, joilla nämä mallit epäonnistuvat, kun niitä käytetään todellisissa terveydenhuollon ympäristöissä?

Yleiskäyttöiset mallit ovat tehneet merkittävää edistystä, ja monissa tehtävissä ne toimivat hyvin. Mutta terveydenhuolto palkitsee syvyyttä tavoin, jota vaakasuora tekoäly ei voi helposti toistaa. Kliininen päättely riippuu hienoisista vihjeistä, erikoistuneesta sanastosta, laitoksen kontekstista ja ymmärryksestä, miten dokumentaatio virtaa sääntely- ja korvausjärjestelmissä. Saavuttaminen oikein edellyttää koulutusta kliinisen datan kanssa, validointia kliinisten vertailukohtien kanssa ja yhdenmukaisuuden rakentamista tietoturvaan alusta alkaen. Se ei ole kysymys ohjauksesta; se on tutkimusongelma, josta johtuu, että terveydenhuolto tarvitsee omistetun tekoälylaboratorion, joka voi mennä syvemmälle aiheeseen kuin laajasti useiden aiheiden yli.

Corti toimii ympäri Eurooppaa, Yhdysvaltoja ja muualla, joissa on erilaiset hoitomallit ja hallinto. Miten suunnittelet tekoälyjärjestelmiä, jotka sopeutuvat tähän todelliseen monimutkaisuuteen?

Suunnittelemme monimutkaisuuden hallitsemiseksi omistamalla enemmän pinosta ja tekemällä käyttöönoton ja hallinnon ensisijaisiksi kansalaisiksi. Käytännössä se tarkoittaa koulutusta terveydenhuoltoon liittyvillä ainoastaan datoilla ja mallejen säätämistä kliiniseen päättelyyn; rakentamista audit-merkeille, mallikorteille ja BAA-valmiille API:ille; ja arkkitehtuuri, jossa valvontaa ohjataan maantieteellisen ja riskiprofiilin perusteella. Asiakkaille, jotka tarvitsevat sitä, tarjoamme suvereenin pilven ja paikallisen käyttöönoton vaihtoehdot, jotta tarjoajat voivat valita, missä heidän datansa elää, ja ylläpitää valvontaa malleista, jotka suoritetaan siinä.

Tämä joustavuus antaa meille mahdollisuuden suorittaa samaa kliinistä tekoälyä eri hoitomalleissa kunnioittaen paikallisia dokumentaatiostandardeja, yksityisyyden lakeja ja laitosten hallintoa. Tärkeää on, että käsittelemme tutkimusta portaikossa tuotantoon; jokainen edistys on jäljitettävä, testattavissa ja käyttöönotettavissa todellisessa maailmassa, ei ainoastaan lupaavaa laboratoriossa. Se on, mitä tarkoittaa olemassaoloon rakentaminen kliinisen todellisuuden keskellä.

Katsoessa nykyisiä eturintamien kliinisiä työprosesseja, missä Corti tarjoaa välittömimmän, mitattavimman vaikutuksen, ja miksi nämä alueet ovat tärkeimmät ylirasitettujen terveydenhuollon ammattilaisten kannalta?

Cortin välittömin vaikutus tänään on kliinisissä ja hallinnollisissa työprosesseissa, jotka kantavat suurimman taakan. Meidän mallimme ja API:imme mahdollistavat ambientin dokumentaation, koodauksen ja agenttien ohjaaman automaation terveydenhuollon ohjelmistojen sisällä, joita terveydenhuollon ammattilaiset käyttävät joka päivä.

Nämä alueet ovat tärkeitä, koska dokumentaatio ja laskutus ovat yksi työllistävimmistä ja virheherkkimmistä osista hoitotoimenpiteistä. Kun keskustelut muuttuvat rakenteellisiksi, EHR-valmiiksi muistiinpanoiksi reaaliajassa, kun koodaus on täydellisempi ja tarkempi, ja kun tavalliset työprosessit automatisoidaan turvallisesti säädellyissä järjestelmissä, terveydenhuollon ammattilaiset viettävät vähemmän aikaa papereiden parissa, ja organisaatiot näkevät mitattavia parannuksia tehokkuudessa ja korvauslaadussa.

Terveydenhuolto ei ole yksi monoliittinen ongelma, vaan tuhannet erikoisalojen mukaiset työprosessit, jotka toimivat sääntelyn paineessa. Rakentamalla tuotantoon soveltuvaa tekoälyä, joka menestyy kliinisessä todellisuudessa, mahdollistamme ohjelmistoyritysten ja terveydenhuollon järjestelmien ratkaisemisen näitä ongelmia laajassa mittakaavassa. Siinä on, missä terveydenhuollon tekoälylaboratorio tarjoaa käytännöllisen, mitattavan palautteen.

Corti tukee satoja tuhansia potilaskohtaamisia joka päivä. Mitkä oppitunnit ovat nousseet esiin toimimalla tekoälyllä tuossa mittakaavassa, jotka eivät ole ilmeisiä koekäytöissä tai laboratorioympäristöissä?

Toimiminen laajassa mittakaavassa paljastaa kitkaa, jonka koekäytöt piilevät: heterogeeninen datan laatu (ei kaksi EHR:ää tai puheluiden transkriptiota näytä samalta), tuotannon viive ja suorituskykyrajoitukset, oikeudellinen ja sopimussääntely asiakkaiden ja maantieteellisen alueen yli, ja jatkuva reunatapaukset, jotka tulevat esiin ainoastaan kuormituksessa. Laboratoriot voivat mitata tarkin luettavuuden kuratoiduilla joukoilla; tuotanto pakottaa ratkaisemaan reitityksen, havainnollistamisen, virheen havaitsemisen, mallin palauttamisen ja vastuullisen audit-merkin jäljittämisen. Toinen oppitunti: todellinen luottamus ansaitaan tekemällä malleja selitettäviksi, toistettaviksi ja sertifioitaviksi, eikä yksittäisen sivuston suorituskyvyn perusteella. Lopulta, koekäytöt aliarvioivat ylläpitämisen kokonaiskustannuksia: kehittäjät tuotannossa tarvitsevat SDK:ita, johdonmukaisia päätepisteitä ja hallintoprimitiivejä ylläpitämään turvallisuutta ja iteroida tuotteellisesti.

Terveydenhuolto vaatii selkeämpää selitettävyyttä kuin kuluttajien tekoäly. Miten lähestyt kliinistä päättelyä, läpinäkyvyyttä ja vastuuta, kun tekoäly vaikuttaa lääkinnällisiin päätöksiin?

Terveydenhuolto vaatii korkeampaa standardia, koska virheen kustannus on todellinen. Kliininen tekoäly ei voi ainoastaan tuottaa uskottavaa kieltä; se on pakko päättää monimutkaisista, säädellyistä, korkean panoksen tiedoista tavalla, joka on läpinäkyvä ja tarkasteltavissa.

Siksi kehittimme GIM:n, eli Gradient Interaction Modifications -menetelmän, jotta kliininen päättely olisi tulkitettavampaa mallitasolla. GIM on saavuttanut Hugging Face Mechanistic Interpretability Benchmark -johtajan sijan, ja se on tärkeää, koska tulkitettavuus ei ole akateeminen harjoitus terveydenhuollossa – se on perusta luottamukseen, turvallisuuteen ja sääntelyadopptioon.

Tutkimuksen ulkopuolella läpinäkyvyys on pakollista. Tarjoamme mallikortteja, validointibenchmarkkejä, audit-merkkejä ja versiohallintaa, jotta asiakkaat tietävät tarkalleen, mitä on suoritettavissa ja miten se on arvioitu. Tulokset ovat sidottu näyttöön, epävarmuus on eksplisiittinen, ja järjestelmät on suunniteltu tukemaan terveydenhuollon ammattilaisia päätöksenteon turvallisuuden takuuksi, eikä korvata heitä epäselvällä mustalla laatikolla.

Terveydenhuollossa selitettävyys ei ole ominaisuus. Se on edellytys luottamukseen. Siksi lähestymme kliinistä tekoälyä laboratoriokäytännöksi ensin ja varmistamme, että tutkimus toimitetaan tuotantoon soveltuvissa järjestelmissä, jotka voidaan tarkastella, hallita ja turvallisesti käyttöönottaa.

Tekoälyn suvereniteetti on kriittinen aihe säädellyissä toimialoilla. Mitä suvereniteetti tarkoittaa terveydenhuollossa, ja miten tarjoajat voivat ylläpitää valvontaa hyödyntäen edistynyttä tekoälyä?

Terveydenhuollossa suvereniteetti tarkoittaa, että tarjoajat säilyttävät valvonnan datan asuinpaikassa, mallin valinnassa ja operatiivisessa hallinnossa. Käytännössä suvereniteetti saavutetaan paikallisen tai alueellisen isännöinnin (suvereenien pilvien ja paikallisten päätepisteiden) kautta, yksityisten mallipäätepisteiden, täydellisen audit- ja elinkaaren hallinnan, sekä sopimussääntelyn ja teknisten takeiden kautta (BAA:t, SLA:t, DPIA:t). Suvereniteetti ei ole vastakkainen pilveen; se on antaa tarjoajille mahdollisuus valita, missä heidän työkuormansa suoritetaan, ja antaa heille verifioidun valvonnan ja jäljittämismahdollisuuden malleihin ja dataan. Se yhdistelmä antaa tarjoajille pääsyn edistyneisiin kykyihin täyttäen samalla oikeudelliset ja laitosten velvoitteet.

Perustajana ja neuvonantajana EU-aloitteissa, miten näet sääntelyn kehittyvän, ja missä sääntelijät aliarvioivat vielä tekoälyn teknisiä realiteetteja?

Eurooppa on oikeassa ottaa sääntelyt tosissaan. Terveydenhuollossa auditointi, jäljitettävyys ja vastuu eivät ole vapaaehtoisia; ne ovat luottamuksen edellytyksiä.

Missä sääntelijät usein aliarvioivat todellisuutta, on siinä, miten operatiivinen kliininen tekoäly on. Sertifiointi ei ole kertaluontoinen hyväksyntä; se edellyttää jatkuva seurantaa, versiohallintaa ja jatkuva validointia. Samalla meidän on vältettävä ylisääntelyä. Jos yhdenmukaisuus muuttuu epäsuhteelliseksi, innovaatio hidastuu, ja hyödylliset työkalut eivät koskaan pääse terveydenhuollon ammattilaisten käsiin.

Cortissa oletamme sääntelyä alusta alkaen. Rakennamme auditointia, mallien hallintaa ja suvereenien käyttöönottovaihtoehtoja suoraan malleihimme ja API:ihimme, jotta start-upit ja vakiintuneet toimijat eivät tarvitse jälkikäteen muokata yhdenmukaisuutta. Terveydenhuolto on monimutkainen ja hajanainen, ja ainoa tapa edetä vauhdilla on sisällyttää sääntelyvalmius perustaan. Euroopan tarvitsee tasapaino, joka on tiukka mutta käytännöllinen: suojella potilaita, mutta mahdollistaa turvallinen rakentaminen ja käyttöönotto laajassa mittakaavassa.

Katsoessa eteenpäin 12–24 kuukauden ajanjaksolle, mitkä suuret muutokset terveydenhuollon johtajien tulisi odottaa Cortilta, ja miten nämä suunnitelmat luo perustan vuodelle 2026?

Odotetaan, että Corti panostaa enemmän laboratorioon ja tuotantoon: toimittaa tutkimukseen perustuvia, kliinisiä malleja ja pakkaa ne toimivaksi infrastruktuuriksi (puhe, koodaus ja agenttien ohjaus, kliininen päättelykerros ja suvereenit käyttöönoton vaihtoehdot), jotka on suunniteltu siirtämään asiakkaita koekäytöistä sertifioituun tuotantoon. Tulevat suunnitelmat sisältävät parannettuja STT- ja viivebenchmarkkejä, ääniagenteja, lääketieteellisiä koodausmalleja, jotka menevät tuotantoon, ja useita suvereenien pilvien julkaisuja, kaikki on suunniteltu siirtämään asiakkaita koekäytöistä sertifioituun tuotantoon. Corti ei ole yksittäinen sovellus; se on terveydenhuollon tekoälylaboratorio, joka on rakennettu mahdollistamaan koko luokan turvallisia, tarkastettavissa olevia kliinisiä ohjelmistoja – perusta vuoden 2026 tavoitteille.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Cortissa.