Tohtori Jaime Bland, Aquila Healthin perustaja ja toimitusjohtaja – Haastattelusarja

Tohtori Jaime Bland, Aquila Healthin perustaja ja toimitusjohtaja, on terveydenhuollon teknologiajohtaja, joka keskittyy yhden alan pitkäaikaisimman haasteen ratkaisemiseen: hajanaisen ja saavuttamattoman tiedon. Hän perusti Aquila Healthin rakentamaan yhtenäistä tietoinfrastruktuuria, joka mahdollistaa terveydenhuolto-organisaatioiden siirtymisen eristettyjen järjestelmien yli, hyödyntäen koneoppimista ja strukturoitua analytiikkaa luodakseen toimintavalmiisia näkemyksiä säilyttäen kuitenkin kliinisen valvonnan. Hänen työnsä keskittyy parantamaan yhteentoimivuutta, mahdollistaen väestötason terveyden älykkyyttä ja tukeakseen varhaisempaa havaitsemista uusista terveyden uhista integroiduilla kliinisillä, korvaus- ja genomitietojärjestelmillä.

Aquila Health on tekoälykäyttöinen terveydenhuollon tietojärjestelmä, joka on suunniteltu yhdistämään erilaiset tietolähteet yhdenmukaiseksi, yhteentoimivaksi järjestelmäksi, joka tukee sekä operatiivista tehokkuutta että edistynyttä analytiikkaa. Alusta hyödyntää suuritehoinen terveydenhuollon tietomuotoja, kuten HL7 ja FHIR, mahdollistaen vaivattoman integraation sairaaloiden, julkisen terveydenhuollon järjestelmien ja muiden sidosryhmien välillä. Yhdistämällä strukturoitujen koneoppimismenetelmien kanssa ihmisen valvontamallin, Aquila keskittyy toimittamaan luotettavia näkemyksiä väestöterveyden hallinnolle, poikkeaman havaitsemiselle ja reaaliaikaiselle päätöksenteolle, sen sijaan, että se riippuisi ainoastaan epäselvistä tekoälyjärjestelmistä. Tämä asettaa yhtiön tietoinfrastruktuurin ja sovelletun tekoälyn risteykseen, jossa tietojen laadun ja saatavuuden parantaminen on avainasemassa terveyden älykkyyden täysimääräisen potentiaalin avaamisessa.

Johtuitko sinä CyncHealthin massiivisesta kasvusta, jossa otettiin käyttöön yhteentoimivuus miljoonien potilastietojen ja useiden valtioiden kanssa, ennen kuin perustit Aquila Healthin? Mikä oli tärkein rajoitus tai järjestelmällinen epäonnistuminen, jonka kohtasit matkallasi, ja mikä lopulta johti Aquilan perustamiseen alusta alkaen?

CyncHealthissä vietimme vuosia rakentamassa infrastruktuuria terveydenhuolto-organisaatioiden yhdistämiseksi Nebraskan ja Iowan välillä. Yhdistimme yli 1 100 hoitopaikkaa ja miljoonia potilastietoja, jotka kattoivat yli viiden miljoonan ihmisen väestön.

Mitä kuitenkin jatkuvasti törmättiin, oli se, että järjestelmien yhdistäminen ja tiedon tekeminen käytettäväksi ovat kaksi erilaista ongelmaa. Esimerkiksi työskentelimme yhteistyössä opioidien yliannostuskojussa, joka koordinoi tietoja, joita vastaanotimme useista lähteistä. Se vaati kuukausia ja satoja työntekijöiden tuntia sekä useiden sidosryhmien yhteistyötä, jotta yksittäinen tietopiste olisi ymmärrettävissä julkisen terveydenhuollon ja terveydenhuollon kontekstissa. Ja kaiken jälkeen kuva oli edelleen epätäydellinen.

Tämä kokemus oli siemen Aquilan perustamiselle. Perinteinen tapa yhdistää rajapinnat ilman ymmärtämistä tiedon täydellisyydestä ja laadusta ei tyydy nykyään havaittuihin edistysaskeliin tekoälyssä. Kun tekoäly voi suorittaa tunneissa sen, mitä tiimi teki aiemmin kuukausissa, ja tehdä sen laadukkaammin ja pienemmällä kustannuksella, on pakko hyödyntää tietoa uuden perustan rakentamiseen. Tämä on sitä, mitä teimme Aquilassa, keskittyen moderniin työkaluihin, jotka laskevat yhdistämisen kustannuksia, jotta voimme keskittyä kokonaiskuvaan terveydestä – ei pelkästään perinteisten EHI-lähteiden tietoihin, vaan koko kuvaan.

Aquila on vastikään poistunut piilosta ja esitteli alustan, joka on keskittynyt yhdistämään hajanaisia terveydenhuollon tietoja yhdenmukaiseksi, tekoälyvalmiiksi kerrokseksi. Mitkä olivat keskeiset tekniset läpimurrot, jotka mahdollistivat tämän nyt, verrattuna vaikka vain muutamaan vuoteen sitten?

Tekoälyominaisuudet ovat ajaneet tämän muutoksen lähes kokonaan.

Olen viettänyt vuosia seuraamassa taitavia insinöörejä, jotka manuaalisesti sovittavat tietostandardeja yksi kerrallaan. Se toimii, mutta tämä malli ei voi koskaan skaalautua. Et voi palkata itsellesi ulos siitä nopeasti tarpeeksi, jotta saisit pidettyä aineiston määrän ja monimuotoisuuden terveydenhuollon tuottamasta tiedosta.

Se, mikä on erilaista nyt, on se, että tekoäly voi tehdä normalisointityön jatkuvasti tietotason tasolla, kun tieto siirtyy järjestelmän läpi. Se ei ole erillinen prosessi, joka suoritetaan yöaikaan. Se tapahtuu lähes reaaliajassa. Tämä muuttaa sitä, mitä on mahdollista klinikoille ja julkisen terveydenhuollon tiimeille, koska heidän tarvitsemansa tieto on strukturoitu ja validoituna (tehty käytettäväksi) ennen kuin se saapuu heille.

Klinikoille on tottunut tehdä päätöksiä ilman koko potilaskuvaa. Julkisen terveydenhuollon tiimit ovat tottuneet ohjaamaan ohjelmia ilman ajankohtaista tietoa, jota tukee. Aquila muuttaa maisemaa ja tarjoaa nopeuden, joka tekee tehokkaan tietopohjaisen päätöksenteon mahdolliseksi koko terveydenhuollon alalla.

Rakensimme TREUE™-kehyksen, joka järjestää EHR:stä johdetun kliinisen tiedon, laboratorion, julkisen terveydenhuollon, korvaus-, apteekki- ja sosiaalisen tiedon yhdenmukaiseen rakenteeseen. Tekoäly ei korvaa hyvää tietohallintaa; se tekee hyvän tietohallinnan skaalautuvaksi ensimmäistä kertaa.

Olet korostanut, että todellinen haaste terveydenhuollon tekoälyssä ei ole mallit, vaan itse tieto. Mitkä ovat kriittisimmät aukot nykyisessä terveydenhuollon tietoinfrastruktuurissa, jotka estävät tekoälyä toimimasta merkityksellisesti?

Alan keskustelu käsittelee tekoälymallia, mutta malli ei ole vaikea osa.

Vaikea osa on se, että potilas voi astua kolmeen eri laitokseen yhden päivän aikana ja näyttäytyä kolmena eri henkilönä kolmessa eri järjestelmässä. Laboratoriot eivät vastaa kliinisiä muistiinpanoja. Maksajien tietueissa on eri tunniste kuin sairaalan tietueilla ja julkisen terveydenhuollon käytössä on kokonaan eri tunniste. Kun lopulta selvität kaiken manuaalisesti, kliininen ikkuna on sulkeutunut.

Vahvat tekniset yhteydet eivät voi korjata tietueita, jotka saapuvat epätäydellisinä tai epäjärjestyksessä. Tekoäly ei voi havaita mallia, jota ei ole tiedoissa, eikä se voi antaa luotettavaa suositusta tietueesta, joka puuttuu puolet historiasta tai nykyisistä tiedoista, joita se pitäisi sisältää.

Aukko ei ole prosessointikapasiteetti, vaan luottamus perustiedoihin. Se on ratkaistava ensin, ja ratkaiseminen skaalautuvasti on siellä, missä tekoäly voi ansaita paikkansa.

Aquila asettaa itsensä “tietojen valmistelukerrokseksi” ennen tekoälyn syöttämistä. Voitko kuljettaa meidät läpi sen, mitä tämä kerros tekee käytännössä, erityisesti silloin, kun on kyse hyvin heterogeenisistä syötteistä, kuten kliinisistä tiedoista, korvaustiedoista ja reaaliaikaisista syötteistä?

Käytetään aiemman esimerkin mukaista tapausta, jossa potilaan kohtaaminen tuottaa tietoja. Saadaan HL7-viesti sairaalasta, korvaustietue vakuutusyhtiöltä, laboratoriotulos viitekokeen laboratoriosta, joka käyttää eri tunnistetta, ja julkisen terveydenhuollon raportti, joka on toimitettu kokonaan eri aikataululla. Yhtään näistä ei ollut suunniteltu sovittamaan toisiinsa.

Valmistelukerros, TREUE™, on se, joka sijaitsee näiden syötteiden ja alijärjestelmien välimaastossa tai tekoälysovelluksessa. Sen tehtävänä on arvioida jokainen tietue, kun se saapuu, vastata identiteettejä lähteiden välillä, normalisoida formaatteja ja merkitä, mitä puuttuu tai on epäjohdonmukaista, ennen kuin tieto siirtyy eteenpäin.

Käytännössä tämä tarkoittaa, että klinikoille, jotka tarkastelevat potilasta, työskentelevät tietueesta, joka on validoituna ja linjattuna lähteiden yli, sen sijaan, että heidän olisi manuaalisesti sovittava neljää eri järjestelmänäkymää hoitokokouksen aikana. Julkisen terveydenhuollon tiimille se tarkoittaa, että epidemian signaalit eivät ole viivästyneitä tietojen saapumisesta eri muodoissa eri hallintoalueilta.

Se on infrastruktuurin työtä. Se ei ole glamourosaa, mutta mikään alijärjestelmä ei toimi ilman sitä.

Yhteentoimivuusstandardit, kuten Fast Healthcare Interoperability Resources (FHIR) ja United States Core Data for Interoperability (USCDI), ovat olleet olemassa vuosia, mutta hajanaisuus säilyy. Mitä puuttuu edelleen standardin näkökulmasta, ja miten Aquila lähestyy näitä aukkoja toisin?

FHIR ja USCDI antoivat alan yhteisen kielen tietojen vaihtamiseen. Se oli tärkeä edistysaskel. Mutta jaettu kieli tietojen lähettämiseen ei ole sama asia kuin tieto, joka käyttäytyy johdonmukaisesti, kun se saapuu.

Tässä on aukko: terveydenhuollon tieto ei tule yhdestä alasta. Kliiniset järjestelmät, julkisen terveydenhuollon rekisterit, laboratoriot ja sosiaalisen tiedon lähteet kaikki omat hallinnolliset vaatimukset, aikataulut ja määritelmät siitä, mitä kenttä tarkoittaa. FHIR ei kerro, miten yhdistää sosiaalisen määritysmallin kliiniseen tietueeseen eri hallintoalueelta.

Se, mitä TREUE™ lisää, on yhdenmukainen kehys siitä, miten tieto kaikista näistä alueista voidaan järjestää ja validoida yhdessä, kunnioittaen kuitenkin jokaisen lähteen hallintosääntöjä. Tuloksena on tietoa, jota voidaan todella analysoida alueiden yli, ei vain tietoa, joka on siirretty onnistuneesti.

Aquila toimii korkean vaaran ympäristöissä, joissa epäonnistuminen ei ole vaihtoehto. Miten suunnittelet tekoälyjärjestelmiä, jotka tasapainottavat reaaliaikaisen suorituskyvyn tiukkojen hallinnon, auditoinnin ja luotettavuuden vaatimusten kanssa?

On rakennettava hallinto arkkitehtuuriin ennen kuin kirjoitat yhden sovelluksen koodirivin. Se ei ole kerros, jonka lisäät myöhemmin.

Terveydenhuollossa ja hallintoympäristöissä päätökset, jotka perustuvat tietoihin, vaikuttavat potilashoitoon, epidemianvastaiseen toimintaan ja julkisten varojen jakoon. Jokainen toimenpide, joka suoritetaan tiedoilla, on jäljitettävissä, ja pääsy on tiukasti säädelty. Järjestelmän on täytettävä ympäristöjen vaatimukset, joissa se toimii.

Aquilalle tämä tarkoittaa toimimista hallituksen luokan pilvi-infrastruktuurissa, nollatrust-luotettavuuden hallinnassa ja tietoturva käytännöissä, jotka ovat linjassa HIPAA:n ja liittovaltion standardien kanssa. Meillä on aktiivisia sopimuksia valtionhallinnon, liittovaltion virastojen ja terveydenhuollon organisaatioiden kanssa, ja näillä ympäristöillä on erilaiset vaatimukset, joita alustan on täytettävä samanaikaisesti.

Ihmisvoimin varmistettu osuus on yhtä tärkeä. Tekoäly voi pintaa signaaleja, mutta kliiniset asiantuntijat validoi poikkeamat ennen kuin ne ohjaavat operatiivisia päätöksiä. Teknologia kertoo, mihin kannattaa katsoa, ja ammattilainen kertoo, mitä se tarkoittaa.

Aquilan alusta tukee turvallista, laitteen päällä olevaa tekoälynkäyttöä ja tietosuvereniteettia. Kuinka tärkeäksi hajanaisuus on muodostumassa terveydenhuollon tekoälyssä, erityisesti kasvavien tietosuojan ja sääntelyn huolenaiheiden valossa?

Se on muodostumassa välttämättömäksi, ja luulen, että alan on vasta alkanut ymmärtää, miksi.

Terveydenhuolto-organisaatiot toimivat tiukkojen tietosuojavelvoitteiden alaisina. Arkalointavia potilastietoja ei voida keskitettynä prosessoida jaettussa ympäristössä. Erilaisilla osavaltioilla on erilaiset säännöt. Liittovaltion virastot ovat erilaisia. Kansainvälinen terveydenhuollon tieto on vielä eri joukko rajoituksia. Mikään arkkitehtuuri, joka edellyttää herkkien tietojen siirtämistä keskitettyyn sijaintiin, törmää noihin esteisiin toistuvasti.

Suunta, joka toimii, on luoda oivalluksia lähellä sitä, missä tieto jo on. Organisaatiot voivat osallistua jaettuun analyysiin ilman, että menettävät määräysvaltaa perustiedostaan. Se on sitä, mitä federatiiviset mallit sallivat.

Meidän alustamme on rakennettu toimimaan sellaisessa säädellyssä, hajanaisessa ympäristössä – hallinto, joka liikkuu tiedon mukana, ei sovelleta yhdessä pisteessä. Se on vaikeampi arkkitehtuuri rakentaa, mutta se on se, joka on todella yhdenmukainen terveydenhuollon tietohallinnon toimintatavoilla.

Monet tekoälystart-upit nojaavat voimakkaasti mustiin laatikoihin -malliin, mutta Aquila sisällyttää ihmisen valvontaan. Missä piirissä näet rajan tekoäly ja ihmisen valvonnan välillä kliinisten tekoälyjärjestelmien osalta?

Aloittelin urani sairaanhoitajana. Se kokemus muovaa, miten ajattelen tekoälyn roolia kliinisessä ympäristössä ja siinä, missä se ei kuulu.

Tekoäly on erittäin hyvä havaitsemaan malleja suurissa tietojoukoissa. Se ei ole hyvä tietämään, mitä malli merkitsee tietyn potilaan kohdalla, jolla on tietty historia ja yhteisökonteksti. Se on edelleen ihmisen arviointipäätös.

Oikea rooli tekoälyssä kliinisissä järjestelmissä on pintaa signaaleja, joita ihminen voi missata suuressa määrin, eikä korvata kliinistä päättelyä, jota seuraa. Aquilassa poikkeamat ja oivallukset, joita järjestelmä merkitsee, menevät kliinikoille ja asiantuntijoille tarkastettavaksi ennen kuin ne ohjaavat operatiivisia päätöksiä. Teknologia kertoo, mihin kannattaa katsoa, ja ammattilainen kertoo, mitä se tarkoittaa.

Missä piiri on: automatisoi havainnon, pidä tulkinta ihmisillä, jotka ovat vastuussa lopputuloksesta.

Aquila toimii julkisen terveydenhuollon, hallituksen järjestelmien ja säädellyjen alojen parissa. Miten vaatimukset tekoälyn infrastruktuurille eroavat näissä ympäristöissä verrattuna perinteisiin yritysten tekoälynkäyttöön?

Tyypillisessä yritysten tekoälynkäyttöönotossa työskentelet yleensä yhden organisaation tietoympäristössä, yhden hallintosäännön, yhden sääntelyn kehyksen mukaisesti.

Julkisen terveydenhuollon ja hallituksen ympäristöt ovat rakenteellisesti erilaisia. Koordinoidaan useiden hallintoalueiden, useiden virastojen ja useiden kliinisten ympäristöjen välillä, jotka toimivat eri raportointiaikatauluilla ja eri oikeudellisilla vaatimuksilla. Sairaala yhdessä osavaltiossa, julkisen terveydenhuollon virasto toisessa osavaltiossa, liittovaltion ohjelma, jolla on omat tietovaatimukset. Kaikkien näiden on jaettava tietoja ja luotava oivalluksia ilman, että yksikin yksikkö voi päättää toisen tietoihin käsiksi.

Infrastruktuurin on tuettava suuritehoinen prosessi ylläpitäen samalla tiukkaa auditointia kaikkien näiden rajojen yli. Se on integroitava perinteisten terveydenhuollon viestintämuotojen kanssa, koska ne järjestelmät eivät häviä. Se on toimittava luotettavasti ympäristöissä, joissa downtime ei ole vain liiketoimintavirhe, vaan potilasturvallisuuden ongelma.

Tämä monimutkaisuus on syynä, miksi aloimme Aquilan näissä ympäristöissä eikä perinteisillä yritysmarkkinoilla. Jos voit rakentaa infrastruktuuria, joka toimii täällä, se toimii kaikkialla.

Tekoälyominaisuudet kehittyvät nopeammin kuin hallintokehykset. Mitkä ovat perustajien ja alustojen rakentajien vastuut varmistamaan, että nämä järjestelmät otetaan käyttöön eettisesti ja turvallisesti alusta alkaen?

Luulen, että vastuu on suora, vaikka sen täyttäminen ei olekaan. Jos rakennat tekoälyä, joka vaikuttaa kliinisiin päätöksiin tai julkisen terveydenhuollon tuloksiin, et voi käsitellä hallintoa tuotteen tiieroitelmaksi, johon pääset vielä. Se on suunniteltava alusta alkaen.

Mikä se käytännössä tarkoittaa, on, että jokainen toimenpide, joka suoritetaan tiedoilla, on jäljitettävissä. Malleilla on oltava tulkittavuutta riittävästi, jotta klinikoille voidaan selittää, miksi signaali on merkitty. Kliiniset asiantuntijat on oltava osana tarkasteluprosessia, eikä jälkijunassa. Organisaation on oltava rehellinen siitä, mitä järjestelmä voi ja mitä se ei voi luotettavasti tehdä.

Olen viettänyt urani ympäristöissä, joissa tietojen epäonnistuminen on oikeasti vaikuttanut ihmisten elämään. Se muotoaa, miten ajattelen tätä. Kyvyt kehittyvät nopeasti, ja niiden käyttöön liittyvän vastuun on oltava samassa tahdissa. Perustajien on pidettävä kyseistä standardia itselleen, eikä odottaa, että sääntely asettaa sen.

Kiitos mielenkiintoisesta keskustelusta. Lukijoille, jotka ovat kiinnostuneita tutkimaan alustaa ja sen lähestymistapaa terveydenhuollon tietoinfrastruktuuriin, voivat oppia lisää vierailemalla Aquila Health-sivustolla.