David Lareau, Medicomp Systemsin presidentti ja toimitusjohtaja – Haastattelusarja

David Lareau, Medicomp Systemsin presidentti ja toimitusjohtaja, on terveydenhuollon teknologiajohtaja ja yrittäjä, jolla on lähes viisi vuosikymmentä kestävä ura. Uransa alussa hän työskenteli tietokoneauditingissa ja -johtamisessa, ja perusti vuonna 1987 Dexcom Systemsin, jossa hän auttoi käyttöönotossa joitain varhaisimmista yritysverkkoyhteyksistä ja laajamittaisista LAN-ympäristöistä organisaatioille, kuten Maailmanpankki, DuPont ja Sinai-sairaala. Hän liittyi Medicomp Systemsiin vuonna 1995 toimitusjohtajana ja nimitettiin toimitusjohtajaksi vuonna 2012, jolloin hän johti yrityksen kehittymistä uranuurtavasta kliinisen tiedon moottorin tarjoajasta moderniksi terveydenhuollon AI- ja tietoliikenneyritykseksi. Hänen johdollaan Medicomp on laajentanut kansainvälistä ulottuvuuttaan, kehittänyt näyttöön perustuvia kliinisiä älyratkaisuja ja keskittynyt parantamaan kliinikoiden tuottavuutta, tietojen käytettävyyttä ja potilashoitoa älykkäämmän terveydenhuollon teknologian avulla.

Medicomp Systems on terveydenhuollon teknologia-alan yritys, joka on parhaiten tunnettu kliinisen älyn ja tietotekniikan kehittämisestä, joka muuttaa monimutkaiset, hajanaiset terveydenhuollon tiedot rakenteellisiksi, kliinisesti merkityksellisiksi tiedoiksi. Yrityksen perustuu patentoituun MEDCIN-kliiniseen tietotekniikkaan, ja sen Quippe-alusta auttaa terveydenhuollon organisaatioita parantamaan kliinistä dokumentaatiota, tietoliikennettä, laadun mittaamista, riskin mukauttamista ja tekoälypohjaista päätöksentekoa. Alusta on suunniteltu jäljittelemään, miten kliinikot ajattelevat ja työskentelevät, ja Medicompin ratkaisuja käytetään maailmanlaajuisesti sairaaloissa, terveydenhuoltojärjestelmissä, EHR-välittäjissä ja terveydenhuollon organisaatioissa virtaistamaan työnkulkua, vähentämään hallinnollista taakkaa ja tarjoamaan merkityksellisempiä potilastietoja hoitopisteenä.

Olet työskennellyt lähes neljä vuosikymmentä terveydenhuollon IT-alalla, alkaen varhaisista yritysverkkoyhteyksistä ja lääkärintodistuksista ja johtanut Medicomp Systemsiä yli 30 vuotta. Katsellessasi takaisin tähän kehitykseen, mikä on perustavanlaatuinen terveydenhuollon tietoratkaisu, jonka ala ei ole vielä ratkaissut?

Terveydenhuoltoalalla puuttuu yhä yhtenäinen standardi kliinistä tietoa varten. Terminologisen standardin, johon me luotamme, luotiin ratkaisemaan koodausongelmia yksittäisissä aloissa: ICD-10 diagnooseja varten, CPT ja HCPCS toimenpiteille ja tutkimuksille, LOINC laboratoriotuloksille ja mittaustuloksille, RxNorm lääkkeille ja SNOMED CT kliinisiä löydöksiä varten. Kukin niistä luotiin laskutukseen, luokitteluun tai tutkimukseen. Mikään niistä ei ollut suunniteltu potilaan hoidon järjestämiseksi.

Terveydenhuollon tietojärjestelmät käyttävät näitä standardeja erityisten transaktioiden suorittamiseen, joista suurin osa liittyy korvauksiin eikä antaa tarjoajille yhtenäistä näkymää potilaan tilasta. Kuvitellaan potilas, jolla on diabetes. Potilaan tiedot ovat jaettu eri välilehdille terveydenhuollon järjestelmässä, eikä ole yhtenäistä “diabetes-näkymää”, joka kerää kaiken sairauteen liittyvän tiedon yhteen. Koodijärjestelmät eivät jaksa yhteistä skeemaa, mikä tekee niistä laskennallisesti tehottomia, ja tehottomuus muodostuu paljon suuremmaksi ongelmaksi tekoälymaailmassa. Tekoäly riippuu hyvistä tiedoista, ja alanamme ei vielä ole sellaista.

Kuvitellaan Amazonin varastoa, joka toimii ilman tuotekoodien (SKU) avulla, sen sijaan, että jokainen tuote on kuvattu tekstillä, joka on liitetty tietorakenteeseen, joka muuttuu tuotetyypin mukaan. Melkein jokaisella alalla on jokin versio tuotekoodista. Terveydenhuoltoala ei ole sellaista, ja siksi sen tiedot pysyvät hajanaisina ja epäjohdonmukaisina.

Kuvailet useita moderneja terveydenhuollon tietovaroja “tietosohjoiksi” eikä toimiviksi tietojärjestelmiksi. Mitkä ovat suurimmat arkkitehtuuriset virheet, joita terveydenhuoltojärjestelmät tekivät tietojen keskittämisessä?

Päävirhe oli järjestelmän organisointi lähtöjärjestelmien mukaan, eikä potilaan mukaan. Useimmat terveydenhuoltojärjestelmät erottavat edelleen kliinisen tiedon eri aloihin, kuten laboratoriotuloksiin, lääkkeisiin, toimenpiteisiin ja diagnooseihin. Käyttäjien ja heidän käyttämänsä ohjelmistojen on siis etsittävä tietoja eri tiedostoista ja sijainnista, mikä tekee jokaisen prosessin hitaammaksi ja kömpelömmäksi.

Syvempi ongelma on, että jokainen transaktio, olipa se lasku, resepti, tutkimus tai laboratoriotulos, tallennetaan itsenäisenä kohteena eikä osana potilaan tilan yhtenäistä näkymää. Tiedon keskittäminen yhteen paikkaan ei ratkaise ongelmaa. Tietojärjestelmä, joka on täynnä hajanaisia, alakohtaisia tietoja, muodostuu tietosohjoksi, koska pelkästään tietojen määrä ilman kliinistä järjestelmää ei tuota ymmärrystä.

Suuri osa kliinisesti merkityksellisistä tiedoista on edelleen sisäänkirjattu lääkärien muistiinpanoihin, kuvatutkimusraportteihin ja potilasraportteihin eikä rakenteellisiin kenttiin. Miksi alan on vaikea käyttää laajamittaisesti epästrukturoidun kliinisen tiedon toimintaa?

Tämä on muuttumassa nopeasti. Suuret kielimallit (LLM) voivat nyt luoda tekstin yhteenvedot tapaamisista, joissa ei ole lyhenteitä tai epätyypillisiä lyhenteitä, mikä tekee kliinisen luonnollisen kielen prosessoinnista (NLP) helpompaa. Aikaisemmin strukturoitujen tietojen tallentaminen vaati klinikoilta täytettäväksi tarkistusluetteloita tai lomakkeita, joita he kokivat kömpelöiksi ja käyttökelvottomiksi.

Nykyään järjestelmä toimii toisin. Ambient listening tuottaa kohtuullisen puhtaan tekstin, LLM tiivistää tekstin puolistructuroituun muotoon, ja NLP suoritetaan tiivistelmästä. Kun NLP on suunnattu oikeaan kliiniseen tietotekniseen kohteeseen, joka edustaa kliinisiä käsitteitä eikä pelkästään koodiluetteloa, se voi tuottaa hyvin strukturoitua tietoa narratiivisesta tekstistä. Tämän saavuttaminen edellyttää useiden teknologioiden yhteistyötä, ja se riippuu täysin siitä, onko oikea kliininen tietotekninen kohde paikallaan.

Väität, että perusongelma ei ole “tietojen laatu” vaan tietojen hajanaisuus. Voitko selittää eron ja miksi tämä ero on tärkeä tekoälypohjaisille terveydenhuollon järjestelmille?

Nämä kaksi ovat läheisesti kytköksissä, mutta ne kuvaavat eri ongelmia, ja tämä ero on tärkeä tekoälylle. Tietojen laatu liittyy siihen, onko yksittäinen tieto oikein, täydellinen ja oikein tallennettu. Tietojen hajanaisuus on rakenteellista. Hajanaisuus tapahtuu, kun kliinistä tietoa, riippumatta sen laadusta, jaetaan eri aloihin ja koodijärjestelmiin ja tallennetaan eri muodoissa ja sijainnissa.

Tämä hajanaisuus on nykyinen käytäntö, koska jokainen koodijärjestelmä on suunniteltu eri transaktiokäyttötarkoitukseen. Tämä lähestymistapa oli riittävä reseptin kirjoittamiseen, laskun lähettämiseen tai muiden erillisten tehtävien suorittamiseen. Kokonaisvaltainen potilashoito on eri ongelma, joka vaatii useista aloista tulevien tietojen yhdistämistä, prosessointia ja näyttämistä yhtenäisenä, diagnostisesti yhtenäisenä potilaan näkymänä. Tiedosto voi olla täynnä yksittäisiä tarkkoja tietoja ja silti epäonnistua klinikoilla, koska mikään ei yhdistä näitä tietoja tähän näkymään.

Olet korostanut kolmea suurta aukkoa useimmissa terveydenhuollon tietojärjestelmissä: narratiivisen tiedon poisto NLP:n avulla, kliinisen tiedon verkostot ja ristiriitaisten tietojen sovittaminen. Mikä näistä puuttuvista ominaisuuksista aiheuttaa suurimman vaikutuksen potilashoitoon?

Kaksi näistä kolmesta on läheisesti kytköksissä: ristiriitaisten tietojen sovittaminen ja se, että kliininen tiedon verkosto on vain niin hyvä kuin siihen tallennettu tieto. Näistä kolmesta sovittaminen aiheuttaa suurimman vaikutuksen, koska se sijaitsee kaiken muun edellä.

Paljon sitä, mitä potilkaan kartassa on tallennettu, on kopioitu aiemmista kohtaamisista tai useiden tarjoajien tietojen yhdistämisestä. Tiedon siirtäminen järjestelmistä toisiin FHIR:in avulla tekee siitä helpompaa lähettää ja vastaanottaa, mutta se ei paranna tiedon perustasoa. Tekoäly tai kliininen tiedon verkosto, joka toimii tämän tiedon pohjalta, tuottaa todennäköisesti samat epäjohdonmukaisuudet eteenpäin.

Otetaan esimerkki potilaasta, jolla on diabetes, jota arvioidaan retinopatian tai kataraktin vuoksi. Tämä arviointi ei tarkoita, että potilas on diabeettinen katarakti, koska katarakti voi olla ikäriippuvainen katarakti, joka ei liity diabetekseen. LLM voi missata tämän eron, ja väärä yhdistäminen sisällytetään potilaan tietoihin ja pysyy siellä, kun se siirretään järjestelmästä toiseen. Kliininen tiedon verkosto, jolle annetaan huonot tiedot, palauttaa huonot tulokset.

Standardeja, kuten SNOMED CT, LOINC, RxNorm, FHIR ja C-CDA, käsitellään usein tietoliikenne ratkaisuina. Käytännössä miksi monilla organisaatioilla on edelleen vaikeuksia muuttaa standardien noudattamista kliinisesti hyödyllisiksi järjestelmiksi?

Monet järjestelmät ja organisaatiot sisältävät huonosti koodattuja tietoja, koska niiden käyttöliittymät tekevät helpoksi valita ensimmäinen esitetty kohde. Nämä käyttöliittymät on suunniteltu siirtämään koodin nopeasti laskutukseen, eikä niitä ole suunniteltu antamaan kliinistä kontekstia, joka mahdollistaisi käyttäjälle tallentaa tilan tarkasti.

ICD-10 sisältää koodin “perinnöllinen motorinen ja sensorinen hermoston tauti”, joka ei erota Charcot-Marie-Toothin tautia Roussy-Lévyn oireyhtymästä, vaikka molemmat kuuluvat siihen. Jos käyttöliittymä näyttää tämän kategorian ensin ja tekee tietyn tilan valinnan vaikeammaksi, käyttäjä valitsee todennäköisesti kategorian. Kategoria voi olla riittävä saadakseen korvauksen, mutta se on vähemmän kliinisesti hyödyllinen kuin tietty tila. Kaikki transaktiotietojen koodausjärjestelmät jakavat jonkin version tästä ongelman.

Medicomp on viettänyt vuosia kehittämään kliinisesti yhtenäistä terminologiaa ja merkityssuhteita, kuten MEDCIN-järjestelmää. Kuinka tärkeä on kliininen tiedon verkosto tekoälylle, jotta se olisi luotettava ja kontekstuaalinen?

Kliininen tiedon verkosto on välttämätön, koska se tekee tiedon käytettäväksi silloin, kun klinikoilla on tarve siihen. Testi on yksinkertainen. Kun potilaalla on tietty tila, jota hoidetaan, voi käyttäjä nähdä kaiken siihen liittyvän tiedon heti, vai onko hänen sortattava koko rekisteriä, välilehti välilehdeltä, jotta hän voi koota klinisen kontekstin? Kliininen tiedon verkosto, joka on rakennettu puhtaalle kliiniselle tiedolle, voi näyttää tämän kontekstin yhdessä hetkessä. Ilman sitä tiedon etsintä kestää liian kauan.

Tämä on syynä, miksi jokaisella kerralla, kun vieraan mega-sairaalassa, minua pyydetään täyttämään nelisivuinen, kuusiruutuinen lääkärintodistus, jossa on sama tieto, jonka annoin edellisenä kuukautena. Tiedon löytäminen nykyisistä terveydenhuollon tietojärjestelmistä on yksinkertaisesti liian vaikeaa. Medicomp on viettänyt yli 45 vuotta kehittämään MEDCIN-järjestelmää ja kliinistä tiedon verkostoa tätä aukkoa sulkeakseen, jotta tekoäly, joka toimii puhtaalla, yhtenäisellä tiedolla, voi olla sekä luotettavaa että tietoinen potilaan klinisestä kontekstista.

Monet terveydenhuollon organisaatiot ottavat käyttöön tekoälyavustajia ja ambienttisia dokumentaatiojärjestelmiä. Mitkä riskit syntyvät, kun nämä tekoälyjärjestelmät on koulutettu tai toimivat hajanaisilla, huonosti kontekstualisoiduilla kliinisillä tiedoilla?

Harhaluulo ja tiedon väärä luokittelu ovat kaksi yleisintä riskiä, ja molemmat ovat todennäköisempiä, kun taustatiedot ovat hajanaisia ja huonosti kontekstualisoiduja.

Henkilökohtainen esimerkki: isäni kuoli maksasyövasta 78-vuotiaana, mutta viimekerralla, kun kävin siellä, minua pyydettiin kertomaan, kuinka kauan olen ollut remissiossa. Ambienttinen dokumentaatiojärjestelmä oli tallentanut henkilökohtaisen lääkärintodistukseni, jossa mainittiin maksasyöpä. Kollegani kohtasi samanlaisen asian. Hänellä oli krooninen obstruktiivinen keuhkosairaus (COPD) tallennettuna hänen rekisteriinsä, koska hänen tarjoajansa oli käyttänyt ambienttista dokumentaatiota ja tilannut röntgenkuvausta sen poissulkemiseksi. Kun hän myöhemmin haki eläkevakuutusta, hänen hakemuksensa hylättiin, ja syyksi ilmoitettiin COPD-diagnoosi, jonka aikaisempi röntgenkuvaus oli vahingossa aiheuttanut.

Kontekstin epäonnistumiset voivat olla vielä outoja. Yhdessä tapauksessa miespotilas, joka mainitsi syöneensä munia aamiaiseksi, luokiteltiin uudelleen naiseksi, koska järjestelmä yhdisti sanan “munat” naisten biologiaan. Jokainen näistä virheistä on helppo nauraa erillään. Kun ne kirjoitetaan potilaskarttaan ja siirretään järjestelmästä toiseen, ne loppuvat olemaan hauskoja.

On kasvava jännitys kansallisen tietoliikenteen edistymisestä, jossa satoja miljoonia tietoja vaihdetaan vuosittain. Mitä on vielä tehtävä, jotta klinikoilla voi luottaa, että vaihdettu tieto on täydellinen, oikein ja kliinisesti merkityksellinen hoitopisteenä?

Kaksi asiaa on tehtävä. Ensinnäkin tarvitaan nopeasti käytettävissä olevia esteitä niille, jotka allekirjoittavat kohtaamiset, jotka ovat yhä enenevässä määrin ambienttisen kuuntelun työkalujen ja LLM:n tiivistämisen avulla luotuja. Ennen kuin he allekirjoittavat, on oltava helppo korjata virheitä, ennen kuin ne pääsevät potilaskarttaan. Kun virheellinen tieto pääsee karttaan, jokainen myöhempi käyttö siitä periytyy “roska sisään, roska ulos” -ongelmaan, ja sen korjaaminen myöhemmin on vaikeaa.

Toiseksi, vaikka tieto on oikein, klinikoilla on oltava mahdollisuus löytää tarvitsemansa tieto ilman, että heidän on lähdettävä läpi koko karttaa. Satoja miljoonia tietojen vaihtoa ei ole hyödyllistä, jos vastaanottava klinikoilla ei pysty löytämään merkityksellistä tietoa tai luottamaan, että se heijastaa potilaan todellista klinistä kuvaa. Varmistus hoitopisteenä ja helppo noutaminen ovat se, mikä tekee vaihdetun tiedon asiaksi, johon klinikoilla voi luottaa.

Katsoen eteenpäin viisi vuotta, miltä “aktivoitu” terveydenhuollon tietoympäristö näyttää, kun tekoäly, tietoliikenne, kliininen konteksti ja lääkärien työnkulku lopulta ovat kohdattuneet merkityksellisellä tavalla?

Kohdattuminen riippuu siitä, että jokaisella osapuolella on pääsy luotettavaan kliiniseen tietopohjaan, joka on suunniteltu hallitsemaan jokaista potilasta tehokkaasti ja yhteisesti tekemään todellista väestön terveydenhuollon johtamista. Tällaisen perustan ollessa olemassa kohdattuminen alkaa yksittäisestä potilaasta.

Ennen jokaista kohtaamista yksi tekoälyagentti kokoaa kaiken saatavilla olevan tiedon potilaasta terveydenhuollon tietoverkoista, vaihtajista, maksajista ja yrityksistä, kun taas toinen agentti poistaa duplikaatit ja järjestää jäljelle jäävän tiedon. Potilas voi sitten vahvistaa nykyiset diagnoosinsa, lääkkeitään, viimeaikaiset laboratoriotuloksensa ja uudet ongelmat ja korjata virheitä. Luonnos näistä muutoksista lähetetään klinikoille tarkastettavaksi.

Kohtaamisen aikana, olipa se virtuaalinen tai fyysinen, klinikoilla on mahdollisuus tarkastella tietoja potilaan kanssa ja kääntyä tiloihin, jotka vaativat huomiota. Agentti näyttää diagnostisesti merkityksellisen kontekstin jokaiselle olemassaolevalle tilalle tai uudelle valitukselle, ja ambienttinen kuuntelu tallentaa keskustelun. Toinen agentti tiivistää sen klinikoille tarkastettavaksi, korjattavaksi ja hyväksyttäväksi.

Siitä eteenpäin agentit hoitavat jälkitoimet: hankkivat tarvittavat luvat, lähettävät reseptejä apteekkiin, lähettävät laskuja, ajoittavat seuraavat hoitokäynnit ja pakkaavat tiedon hyväksyttyjä osapuolille. Taustalla agentit arvioivat kliinistä riskiä ja kehottavat laadun, riskin mukauttamisen ja sääntelyn asiakirjojen täyttämiseen. Koko malli perustuu puhtaaseen, luotettavaan tietoon joka vaiheessa, ja klinikoilla on mahdollisuus osallistua, tuottaen tietoa, joka tukee sekä yksittäisen potilaan hoitoa että tehokasta väestön terveydenhuollon johtamista.