Daniel Cane, ModMedin toimitusjohtaja ja perustaja – Haastattelusarja

Daniel Cane on ModMedin^® toimitusjohtaja ja perustaja, joka on Etelä-Floridassa toimiva terveydenhuollon IT-yritys, joka muuttaa terveydenhuoltoa erikoisalakohtaisilla, älykkäillä alustoilla, joilla parannetaan toimintaa ja potilastuloksia.

ModMed perustettiin helmikuussa 2010, ja se on kasvanut yli 1 200 työntekijän yritykseksi, joka on kerännyt yli 332 miljoonan dollarin sijoituksia. Tunnettu progressiivisesta kasvustaan lääketieteellisen teknologian yrityksenä, ModMed on usein tunnustettu sekä kansallisesti että alueellisesti saavutuksistaan Danielin johdolla. Vuonna 2020 yritys valittiin yhdeksi maan parhaista työpaikoista Inc.-lehden listalla. Vuosina 2016-2018 yritys valittiin yhdeksi Pohjois-Amerikan nopeimmin kasvavista yrityksistä Deloitte Technology Fast 500 -listalla. Vuodesta 2015 lähtien yritys on valittu vuosittain Inc. 5000 -listalle, joka on arvostettu kokoelma maan nopeimmin kasvavista yksityisistä yrityksistä.

Voitko jakaa joitain näkemyksiä taustastasi ja siitä, miten se on vaikuttanut työhösi ModMedissä?

Matkani teknologiaan alkoi undergraduate-vuosinaani Cornellissa, kun perustin Blackboardin. Muutimme koulutusta digitoimalla luokkaa ja luomalla alustan, joka antoi opiskelijoille ja henkilökunnalle ennenkokemattoman joustavuuden ja vuorovaikutuksen. Minulle Blackboardin menestys kulminoitui vuonna 2004, kun se listautui pörssiin, ja vaikka ratkaisumme olivat pelimuuttavia koulutuksessa, en voinut olla huomaamatta uusia haasteita.

Yksi tällainen haaste esitettiin, kun menin rutiinikontrolliin ihonhoitajalleni. Meillä oli uskomaton keskustelu vanhentuneiden paperipohjaisten järjestelmien käytöstä ja tavoista korjata niitä. Tajuamme sillan ihonhoitajan lääketieteellisen asiantuntemuksen ja teknisen osaamiseni välillä, ja päätimme luoda ModMedin yhdessä ensimmäisen sähköisen potilastietojärjestelmän (EHR) kanssa.

Tuolloin joitakin EHR-järjestelmiä oli jo olemassa, mutta valitettavasti tutkimukset usein mainitsivat ne yhtenä lääkärien uupumisen johtavista syistä. Otimme erilaisen lähestymistavan ja suunnittelimme EHR-järjestelmämme sopeutumaan eri lääketieteellisten erikoisalojen työnkulkuun. Meidän lipunmyynti- pilvipohjainen EHR, EMA, on suunniteltu lääkäreiden toimesta lääkäreille, mikä on erottanut meidät markkinassa ja määrittänyt salaisen kastikkeemme. Vuosien varrella olemme laajentaneet tuotevalikoimaamme kattamaan kokonaisvaltaisen ratkaisujen sarjan, joka auttaa terveydenhuollon tarjoajia yksinkertaistamaan ja suoristamaan toimintaa ja nopeuttamaan hoidon toimittamista.

Miten näet taistelun tehokkaan tekoälyn käytöstä terveydenhuollossa voitettavaksi tai hävittäväksi datan kanssa?

Aloimme nähdä tekoälytekniikan käytön kasvavan toimistoissa työnkulkujen suoristamiseksi ja tehokkuuden maksimoimiseksi. Siirryessämme aikakauteen, jossa käytetään tekoälyä monimutkaisempiin tehtäviin, kuten hoidon suosittelemiseen tai muihin kliinisiin tukiohjelmiin, on olennaista, että olemme oikean datan ja tekoälykoulutusstrategian kanssa. Tekoälyllä on mahdollisuus parantaa merkittävästi potilaiden ja tarjoajien kokemusta ja luoda järjestelmällinen muutos, joka parantaa terveydenhuoltoa, mutta tämän toteutuminen riippuu suurista määristä laadukkaita dataa, joita käytetään mallien kouluttamiseen.

Miksi data on niin kriittinen tekoälykehitykselle terveydenhuoltoalalla?

Data on tekoälyn elämänveri, ja huono data-laatu heikentää tekoälyn suorituskykyä, mikä johtaa alentuneisiin tuloksiin. Tämä voi johtaa vakaviin seurauksiin terveydenhuollossa, koska potilaiden henki on vaarassa. Mutta todennäköisempi skenaario on, että nämä negatiiviset kokemukset voivat heikentää sekä potilaiden että tarjoajien luottamusta tekoälyyn, hidastaen edistystä ja vähentäen vallankumouksellista vaikutusta, jonka tämä teknologia voi terveydenhuoltoon.

Esimerkiksi tutkimushuoneessa tekoälypohjaiset ambienttiset kuuntelutyökalut on suunniteltu ehdottamaan sisältöä kliinisiin muistiinpanoihin, joita tarjoaja tarkistaa ja hyväksyy. Ihannetapauksessa tämä pitäisi vähentää aikaa, jonka tarjoaja käyttää asiakirjojen laatimiseen EHR:ssä, ja sallia enemmän laadukasta aikaa potilaan kanssa. Mutta huono data-lähteistäminen ja tekoälytyökalujen puutteellinen koulutus voivat johtaa vastakkaiseen vaikutukseen, jolloin tarjoajat joutuvat käyttämään suuren osan ajastaan virheiden korjaamiseen ja muistiinpanojen uudelleenkirjoittamiseen.

Lisäksi tekoälyalgoritmeihin liittyy merkittävä riski, ja laadukas data voi pelata avainroolia terveydenhuollon epäkohtien vähentämisessä. Tekoälymallit voivat oppia kaavoja, jotka kohtelevat yhtä potilasväestöä suotuisammin kuin muita, mukaan lukien laillisesti suojeltuja ryhmiä. Seuraamalla data-syötteen ja kouluttamalla robusteja ja edustavia dataa tekoälytuotokset voivat olla kaikkien käyttäjien kannalta sisällyttävämpiä ja tarkempia.

Voitko selittää tarkemmin, mitä tyyppisiä dataa ModMed käyttää tekoälymallien kouluttamiseen ja miten tämä data on lähdettynä ja hallittu?

ModMedissä käytämme kattavaa erikoisalakohtaista dataa kouluttaa tekoälymallejamme tarkkuudella. Viimeisen 14 vuoden aikana olemme luoneet erikoisalakohtaisia, nimettömiä, rakenteellisia datajoukkoja, jotka ovat yhdenmukaisia tietosuojalakien kanssa, ja nyt hyödynnämme tätä sisäistä dataa kouluttaa tekoälymallejamme. Esimerkiksi ambienttinen kuuntelutyökalumme ModMed Scribe on koulutettu dermatologiaan, ensimmäiseen erikoisalaan, jossa on käytetty miljoonia rakenteellisia parametreja nimettömistä potilastapaamisista, jotka on poimittu 500 miljoonan potilastapaamisen kokoelmasta.

Miten ModMed määrittelee “eettisen tekoälyn” terveydenhuollon kontekstissa?

Tekoälyn mahdollisuus harhauttaa tai antaa virheellistä tietoa “hallusinaatioiden” tai puutteiden muodossa voi vaikuttaa potilaiden elämään. Tämän vuoksi terveydenhuollossa tekoäly on korkean tason tarkkuuden ja täsmällisyyden asettamista. Se tarkoittaa algoritmien kehittämistä huolellisesti ja vastuullisesti sekä korkealaatuisen ja monipuolisen datan käyttämistä tarkempien ennusteiden mahdollistamiseksi jokaiselle käyttäjälle.

Eettinen tekoäly on myös ihmisten pysymistä yhteydessä. Tekoäly ei saa “ylittää lääkärin” vaan sen sijaan vähentää hallinnollista taakkaa, jonka lääkärit ja heidän henkilökuntansa kokevat, jotta he voivat keskittyä enemmän potilaiden avustamiseen.

Mitkä toimenpiteet ovat ModMedissä tekoälytekniikoiden kehittämiseksi ja käyttöönottoon etiikan mukaisesti?

Rakenteellinen data-lähestymistapa – laadukkaiden, edustavien koulutusdatajoukkoihin – auttaa meitä tekemään vastuullisesta tekoälystä todellisuutta. Asiaankuuluvat ja nimettömät data, jotka on kerätty EHR-järjestelmistämme laajasta joukosta toimistoja, antavat meille monipuolisen koulutusdatan, joka heijastaa erilaisia potilasväestöjä.

Lisäksi kehitystiimimme omaksuu data-puhdistuksen helpottamaan laadukkaiden datan keräämistä ja käyttämistä. Tämä prosessi mahdollistaa tiimillemme tunnistaa, oikaista ja poistaa epäjohdonmukaisuudet, virheet ja puutteet datajoukosta. Säännöllisen ylläpidon kautta voimme päivittää tekoälyä suorituskykydataa, erityisesti kliinistä dataa, jossa potilastulokset voivat vaikuttaa.

Voitko keskustella avoimuuden ja vastuullisuuden tärkeydestä tekoälykehityksessä, erityisesti terveydenhuollossa?

Avoimuus mahdollistaa vastuullisuuden, mikä tekee siitä olennaisen perustan millekään terveydenhuollon tekoälyratkaisuun. Lääkärien ensisijaiset prioriteetit ovat potilaiden hoito ja turvallisuus, joten ei ole yllättävää, että 80% lääkäreistä haluaa tietää tekoälytyökalujen suunnittelun, kehittämisen ja käyttöönoton ominaisuuksista ja piirteistä.

Lisäksi ei kaikki data ole luotettavaa. On tärkeää tietää, mistä ja miten data on tallennettu ja miten se on päivitetty. Olemme onnekkaampia, että ModMedin perustamisesta lähtien olemme omistautuneet datastrategialle, joka priorisoi avoimuutta ja tarkkuutta. Meillä on perusteellinen ymmärrys datamme lähteistä ja laadusta, ja olemme varmoja, että tekoäly-integrointimme toimittaa merkittävää arvoa asiakkaillemme.

Miten tekoäly on integroitu ModMedin erikoisalakohtaisiin EHR-järjestelmiin, kuten EMA:an ja gGastrotiin?

Yrityksiemme portfolion laajuisesti olemme käyttäneet koneoppimista jo jonkin aikaa ja vahvistaneet panostustamme edistyneeseen ja generatiiviseen tekoälyyn yksinkertaistamaan lääketieteen liiketoimintaa ja nopeuttamaan laadukasta hoitoa. Rakennamme kokonaista tekoälyvoittoista toimintakokemusta, joka alkaa ennen kuin potilas astuu oven läpi, jatkuu tutkimushuoneessa ja jatkuu laskutusosastolle saakka.

Kliinisessä ympäristössä olemme viimeisissä vaiheissa tekoälyambienttisen kuuntelupilotin EMA:lle, joka uskomme olevan pelinmuuttaja sen alihankkijoiden toiminnalle. AI-pohjainen dokumentointiratkaisumme on suunniteltu suoristamaan hoitoprosessia siirtymällä pelkästä transkriptiosta tai SOAP-muistiinpanojen luomisesta. Hyödyntäen valtavia määriä rakenteellista dataa olemme kouluttaneet tekoälymallejamme kaappaamaan olennaisen tiedon lääkäri-potilas-keskusteluista ja työskentelemällä EHR: n kanssa ehdottamaan relevanttia sisältöä vierailumerkinnöistä, mukaan lukien ICD-10 -koodit, kirurgiset koodit ja reseptit. Tämä säästää lääkäreille arvokasta aikaa ja mahdollistaa enemmän laadukasta aikaa potilaiden kanssa.

Mitkä ovat erikoisalakohtaisille tekoälyratkaisuille terveydenhuollon tarjoajille ja potilaille tarjoamat edut?

Kaksi lääketieteellistä erikoisalaa eivät ole samanlaisia. Ne vaihtelevat laajasti potilaiden kanssa, joita he hoitavat, olosuhteista, joita he hoitavat, ja lääketieteellisistä koodauksista, joita he käyttävät korvauksiin. Tekoälyratkaisujen on sopeuduttava näihin vaihteluihin ollakseen tehokkaita millään tavalla.

Esimerkiksi ModMedin EHR: t ja tekoälyambienttiset kuuntelutyökalut on suunniteltu nimenomaan kullekin lääketieteelliselle erikoisalalle, tarjoamalla korkeasti relevanttia ja tarkkaa tukea kliinikoille. Kunkin erikoisalan asiakirjojen prosessi vaatii eri osia rakenteellisessa data-muistiinpanossa, mukaan lukien yksilölliset lääketieteelliset koodit ja terminologia. Tämä erikoistuminen mahdollistaa tekoälylle ymmärtää ja ennakoida eri erikoisuuksien tarpeita ja työnkulkua, mikä johtaa tehokkaampaan toteutukseen, nopeampaan omaksumiseen ja suurempaan tehokkuuteen toiminnan tehokkuuden parantamisessa.

Missä näet suurimmat mahdollisuudet tekoälylle terveydenhuollossa seuraavien viiden-kymmenen vuoden aikana?

Tulevaisuudessa tekoäly tullee varmasti läpäisemään lähes jokaista terveydenhuollon osa-aluetta tavoin, joita emme voi kuvitella. Jo nyt tekoälyä käytetään hallinnollisiin tehtäviin, ja lähitulevaisuudessa tämä trendi todennäköisesti kasvaa, kun tekoälyn arvo tulee yhä ilmeisemmäksi.

Näen myös tulevaisuuden, jossa tekoäly on käytännössä lääkäri-potilas-vuorovaikutuksessa, jossa “käyttöliittymä” tai UI on käytännössä näkymätön. Sen sijaan, että nykyään näytönpohjaiset vuorovaikutukset, tekoäly voisi tarjota sekoituksen todellisuutta ja lisättyä todellisuutta. Tämä tulevaisuuden tekoäly voisi analyysin avulla tunnistaa tärkeitä oivalluksia terveydenhuoltoon, ennustaa potilaan sairastumisen riskiä ja luoda ja hallita ennaltaehkäiseviä hoitosuunnitelmia.

Tämä kokemus voisi laajentua terveydenhuoltopalvelujen ulkopuolelle ja tulla osaksi potilaan päivittäistä elämää. Tekoälypohjaiset laitteet voivat tarjota henkilökohtaista tukea, vastata kysymyksiin ja aikatauluun mukaan. Tekoäly voisi myös seurata elintarvikkeita etäältä, havaita ja hälyttää tarjoajia mahdollisista terveydellisistä ongelmista. Henkilökohtaiset hoidon suunnitelmat, jotka on räätälöity yksittäisten potilaiden tarpeisiin ja mieltymyksiin, voivat tulla normiksi.

Tämä on todella jännittävä aika terveydenhuollossa. Seuraavat viisi-kymmenen vuotta ovat täynnä mahdollisuuksia muuttaa alan ja parantaa potilaskokemusta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla ModMedissa.