Vivek Desai, Chief Technology Officer, North America at RLDatix – Haastattelusarja

Vivek Desai on Chief Technology Officer Pohjois-Amerikassa RLDatixissa, joka on yhteydessä oleva terveydenhuollon operaatioiden ohjelmisto- ja palveluyritys. RLDatix on tehtävänä muuttaa terveydenhuoltoa. He auttavat organisaatioita ajamaan turvallisempaa, tehokkaampaa hoitoa tarjoamalla hallinto-, riski- ja vaatimustenmukaisuustyökaluja, jotka ajavat koko paranemisen ja turvallisuuden parantamista.

Mihin sinut alun perin veti tietokoneiden tieteeseen ja kyberturvaan?

Minut vedottiin tietokoneen tieteeseen ja kyberturvaan niiden monimutkaisuuksien vuoksi, joita ne yrittävät ratkaista – aina on uusi haaste, jota voi tutkia. Erinomainen esimerkki tästä on, kun pilvi alkoi saada jalansijaa. Se tarjosi suuria lupauksia, mutta herätti myös joitain kysymyksiä työkuormien turvallisuudesta. Se oli selvää jo alusta alkaen, että perinteiset menetelmät olivat vain väliaikaisia ratkaisuja, ja että organisaatioiden kaikkien oli kehitettävä uusia prosesseja suojelemaan työkuormia pilvessä. Näiden uusien menetelmien navigointi oli erittäin jännittävä matka minulle ja monille muille, jotka työskentelevät tässä alalla. Se on dynaaminen ja kehittyvä ala, joten jokainen päivä tuo jotain uutta ja jännittävää.

Voitko jakaa joitain nykyisiä vastuutehtäviäsi RLDatixin CTO:nä?

Tällä hetkellä keskityn johtamaan datastrategiaamme ja etsimään keinoja luoda synergioita tuotteidemme ja niiden sisältämän datan välille, jotta voimme paremmin ymmärtää trendejä. Monet tuotteistamme sisältävät samanlaisia tietoja, joten tehtäväni on löytää keinoja murtamaan nämä silot ja tehdä asiakkaidemme, sekä sairaaloiden että terveydenhuoltojärjestelmien, käyttää tietoja helpommin. Tämän ohella työskentelen myös globaalissa tekoälystrategiassamme informoidaksemme tätä datakäyttöä ja hyödyntämistä koko ekosysteemissä.

Pysyminen ajan tasalla nousevissa trendeissä eri aloilla on myös tärkeä osa tehtävääni, jotta varmistamme, että olemme menossa oikeaan strategiseen suuntaan. Seuraan tällä hetkellä tarkkaan suuria kielen malleja (LLM). Yrityksenä työskentelemme keinojen löytämiseksi integroida LLM:t teknologiaamme, jotta voimme antaa ihmisille, erityisesti terveydenhuollon ammattilaisille, mahdollisuuden vähentää kognitiivista kuormitusta ja keskittyä potilaiden hoitoon.

Sinun LinkedIn-blogipostissasi, joka on otsikoitu “A Reflection on My 1st Year as a CTO“, kirjoitit, “CTO:t eivät työskentele yksin. He ovat osa joukkuetta.” Voitko selittää tarkemmin joitain haasteita, joita olet kohdannut, ja miten olet ratkaissut delegoinnin ja tiimityön haasteita teknisesti haastavissa projekteissa?

CTO:n rooli on perustavanlaatuisesti muuttunut viimeisen vuosikymmenen aikana. Ne ajat, jolloin työskenteli palvelimohuoneessa, ovat hävinneet. Nyt työ on paljon enemmän yhteistyöhön perustuvaa. Yhdessä liiketoimintayksiköiden kanssa määrittelemme organisaation tärkeimmät tavoitteet ja muunnamme ne teknisiksi vaatimuksiksi, jotka ajavat meitä eteenpäin. Sairaaloiden ja terveydenhuoltojärjestelmien on tällä hetkellä navigoitava monien päivittäisten haasteiden läpi, kuten työvoiman hallinnasta taloudellisiin rajoituksiin, ja uuden teknologian omaksuminen ei aina ole ensisijainen tavoite. Suurin tavoitteemme on osoittaa, miten teknologia voi auttaa lieventämään näitä haasteita, sen sijaan että se lisäisi niitä, ja mitä arvoa se tuo heidän liiketoimintaansa, työntekijöilleen ja potilailleen laajemmin. Tämä ponnistus ei voida tehdä yksin tai edes tiimini kanssa, joten yhteistyö kattaa useita monitieteisiä yksiköitä kehittääksemme yhtenäisen strategian, joka osoittaa tämän arvon, riippumatta siitä, johtuuko se asiakkaiden antamasta datanäkymästä tai prosessien aktivoinnista, joita he tällä hetkellä eivät voi suorittaa.

Mikä on tekoälyn rooli yhteydessä olevan terveydenhuollon operaatioiden tulevaisuudessa?

Kun integroitu data tulee saataville tekoälyn avulla, sitä voidaan käyttää yhdistämään erillisiä järjestelmiä ja parantamaan turvallisuutta ja tarkkuutta hoidon jatkumossa. Tämä yhteydessä olevan terveydenhuollon operaatioiden käsite on kategoria, johon RLDatix keskittyy, koska se lukitsee toimivat datanäkymät ja -näkymät terveydenhuollon päätöksentekijöille – ja tekoäly on olennainen osa tämän toteuttamisessa.

Turvallinen ja vaatimustenmukainen datan käyttö on ehdoton asia tässä integraatiossa. Me olemme markkinajohtaja politiikassa, riskienhallinnassa ja turvallisuudessa, mikä tarkoittaa, että meillä on runsaasti dataa perustaa LLM:lle tarkkuudella ja luotettavuudella. Saavuttaaksemme todellisen yhteydessä olevan terveydenhuollon operaation, ensimmäinen askel on yhdistää erilliset ratkaisut, ja toinen on poistaa data ja normalisoida se näiden ratkaisujen yli. Sairaalat hyötyvät suuresti joukosta toisiinsa kytkettyjä ratkaisuja, jotka voivat yhdistää tietojoukkoja ja tarjota käyttäjille toimivaa arvoa, sen sijaan että ylläpitäisivät erillisiä tietojoukkoja yksittäisistä pistekohtaisista ratkaisuista.

Vuoden 2023 keynote-esitelmässään Chief Product Officer Barbara Staruk kertoi, miten RLDatix hyödyntää generatiivista tekoälyä ja suuria kielen malleja potilasturvallisuusilmoitusten suoristamiseen ja automatisointiin. Voitko selittää, miten tämä toimii?

Tämä on erittäin merkittävä aloite RLDatixille ja erinomainen esimerkki siitä, miten hyödynnämme LLM:n mahdollisuuksia. Kun sairaalat ja terveydenhuoltojärjestelmät täyttävät ilmoituksia tapahtumista, on tällä hetkellä kolme standardiformaattia määrittämään vahingon taso, joka ilmenee ilmoituksessa: Agency for Healthcare Research and Qualityn Common Formats, National Coordinating Council for Medication Error Reporting and Prevention ja Healthcare Performance Improvement (HPI) Safety Event Classification (SEC). Voimme helposti kouluttaa LLM:n lukemaan ilmoituksen tekstiä. Jos potilas kuolee, esimerkiksi, LLM voi helposti poimia tämän tiedon. Haaste kuitenkin piilee LLM:n kouluttamisessa tunnistamaan konteksti ja erottamaan monimutkaisemmat luokat, kuten vakava pysyvä vahinko, joka on osa HPI SEC: n luokittelua, verrattuna vakavaan tilapäiseen vahinkoon. Jos ilmoittaja ei sisälly riittävästi kontekstia, LLM ei voi määrittää oikean vahingon tason potilasturvallisuuden tapahtumalle.

RLDatix pyrkii toteuttamaan yksinkertaisemman taksonomian maailmanlaajuisesti koko portfolion yli, jossa on konkreettisia luokkia, joita LLM voi helposti erottaa. Ajan myötä käyttäjät voivat vain kirjoittaa, mitä tapahtui, ja LLM hoitaa loput poistamalla kaiken tärkeän tiedon ja esitäyttämällä ilmoituslomakkeet. Tämä ei ole vain merkittävä ajan säästäjä jo kovin kuormitettujen työvoimien kannalta, vaan kun malli kehittyy edelleen, pystymme myös tunnistamaan kriittisiä trendejä, jotka mahdollistavat terveydenhuolto-organisaatioille turvallisemmat päätökset koko laajuisesti.

Mitkä ovat muut tavat, joilla RLDatix on aloittanut LLM:n integroimisen toimintoihinsa?

Toinen tapa, jolla hyödynnämme LLM:ää sisäisesti, on akkreditointiprosessin suoristaminen. Kunkin tarjoajan akkreditointi on muotoiltu eri tavoin ja sisältää yksilöllistä tietoa. Ajattele, miten jokaisen henkilön ansioluettelo näyttää erilaiselta – fonteista työkokemukseen, koulutukseen ja yleiseen muotoiluun. Akkreditointi on samanlaista. Mihin korkeakouluun tarjoaja kävi? Mikä on hänen sertifikaattinsa? Mihin artikkeleihin hän on julkaissut? Jokainen terveydenhuollon ammattilainen antaa tämän tiedon omalla tavallaan.

RLDatixissa LLM: t mahdollistavat meidän lukemisen näiden akkreditointitietojen läpi ja poistamisen standardoituun muotoon, jotta data-entryyn työskentelevät eivät tarvitse etsiä tietoa laajasti, mikä mahdollistaa heidän keskittymisensä merkityksellisiin tehtäviin, jotka lisäävät arvoa.

Kyberturva on aina ollut haasteellista, erityisesti siirryttäessä pilvipohjaisiin teknologioihin, voitko keskustella joistakin näistä haasteista?

Kyberturva on haasteellista, joten on tärkeää työskennellä oikean kumppanin kanssa. Varmistaminen, että LLM:t pysyvät turvallisina ja vaatimustenmukaisina, on tärkein huomio, kun hyödynnetään tätä teknologiaa. Jos organisaatiossasi ei ole omia resursseja sisäisesti, voidaan se olla erittäin haasteellista ja aikaa vievää. Tämän vuoksi työskentelemme Amazon Web Servicesin (AWS) kanssa useimmissa kyberturva-alalla olevissa aloitteissamme. AWS auttaa meitä sisällyttämään turvallisuuden ja vaatimustenmukaisuuden periaatteet teknologiaamme, jotta RLDatix voi keskittyä siihen, mitä me teemme parhaiten – rakentamalla loistavia tuotteita asiakkaillemme kaikissa vastaavissa pystyissä.

Mitkä ovat joitakin uusia tietoturva-uhkia, joita olet nähnyt LLM:n nopean omaksumisen myötä?

RLDatixin näkökulmasta on useita seikkoja, joita työskentelemme läpi kehittäessämme ja kouluttaessamme LLM:ää. Tärkeä painopiste meillä on torjua harhaa ja epäoikeudenmukaisuutta. LLM:t ovat vain niin hyviä kuin data, jolla ne on koulutettu. Tekijät kuten sukupuoli, rotu ja muut demografiat voivat sisältää monia sisäänrakennettuja harhoja, koska itse tietojoukko on harhainen. Esimerkiksi ajattele, miten kaakkois-Yhdysvallat käyttää sanaa “y’all” arkikielenään. Tämä on yksilöllinen kielellinen harha, joka on ominaista tietyn potilasväestölle, ja jota tutkijoiden on otettava huomioon kouluttaessaan LLM:ää tunnistamaan kielelliset nuanssit verrattuna muihin alueisiin. Nämä kaltaiset harhat on ratkaistava laajassa mittakaavassa hyödyntäessä LLM:ää terveydenhuollossa, koska yhden potilasväestön mallin kouluttaminen ei välttämättä tarkoita, että malli toimii toisessa.

Turvallisuuden, avoimuuden ja vastuullisuuden ylläpitäminen ovat myös tärkeitä painopisteitä organisaatiollemme, samoin kuin harhauksien ja virheellisten tietojen torjunta. Varmistaminen, että olemme aktiivisesti ratkaisemassa mitä tahansa yksityisyyden huolia, ymmärtäminen, miten malli saavutti tietyn vastauksen, ja turvallisen kehityskiertoon panostaminen ovat kaikki tärkeitä osia tehokkaan toteutuksen ja ylläpidon kannalta.

Mitkä ovat muut koneoppimisen algoritmit, joita RLDatix käyttää?

Koneoppimisen (ML) käyttäminen kriittisten aikataulutusnäkymien paljastamiseen on ollut mielenkiintoinen käyttötapaus organisaatiollemme. Yhdistyneessä kuningaskunnassa olemme tutkineet, miten voimme hyödyntää ML:ää ymmärtääksemme paremmin, miten hoitajien ja lääkärien aikataulutus (rostering) tapahtuu. RLDatixilla on pääsy valtavaan määrään aikataulutusdataa viimeisen vuosikymmenen ajalta, mutta mitä voimme tehdä kaiken tämän tiedon kanssa? Siinä tulee ML mukaan. Käytämme ML-mallia analysoimaan tätä historiallista dataa ja antamaan näkemyksiä siitä, miten henkilöstötilanne saattaa näyttää kahden viikon kuluttua tietyn sairaalan tai alueen osalta.

Tämä tietty käyttötapaus on erittäin saavutettavissa oleva ML-malli, mutta pyrimme työntämään sen edelleen liittämällä sen todellisiin tapahtumiin. Mitä jos tarkastelisimme jokaisen alueen jalkapallotilastoa? Tiemme, että urheilutapahtumat johtavat yleensä enemmän vammoja ja että paikallinen sairaala todennäköisesti on enemmän potilaita tapahtumapäivänä verrattuna normaaliin päivään. Työskentelemme AWS:n ja muiden kumppaneiden kanssa tutkimassa, mitä julkisia tietojoukkoja voimme käyttää aikataulutuksen suoristamiseen. Meillä on jo dataa, joka osoittaa, että näemme potilaiden määrän kasvavan suurten urheilutapahtumien tai jopa epäsuotuisan sään aikana, mutta ML-malli voi viedä sen askelen eteenpäin ottamalla tämän tiedon ja tunnistamalla kriittisiä trendejä, jotka auttavat varmistamaan, että sairaalat ovat riittävästi henkilöstöity, mikä lopulta vähentää työvoiman rasitusta ja edistää turvallisempaa hoitoa kaikille.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla RLDatix.