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

Vivek Desai on Pohjois-Amerikan Chief Technology Officer RLDatixissa, joka on terveydenhuollon operaatioiden ohjelmisto- ja palveluyritys. RLDatix on tehtävänään muuttaa terveydenhuoltoa. He auttavat organisaatioita turvallisemman, tehokkaamman ja turvallisemman hoidon toteuttamisessa tarjoamalla hallinto-, riski- ja vaatimustenmukaisuustyökaluja, jotka edistävät yleistä parannusta ja turvallisuutta.

Mikä alun perin veti sinut tietojenkäsittelytieteeseen ja kyberturvaan?

Olin kiinnostunut tietojenkäsittelytieteen ja kyberturvan monimutkaisuuksista – aina on uusi haaste tutkittavaksi. Hyvä esimerkki tästä on, kun pilvi alkoi saada jalansijaa. Se tarjosi suuren luvun, mutta herätti myös kysymyksiä työkuormituksen turvallisuudesta. Se oli selvää jo varhain, että perinteiset menetelmät olivat tilapäisiä ratkaisuja, ja että organisaatioiden oli kehitettävä uusia prosesseja turvallisuuden varmistamiseksi pilvessä. Näiden uusien menetelmien navigointi oli erittäin mielenkiintoinen matka minulle ja monille muille, jotka työskentelevät tässä alalla. Tämä on dynaaminen ja kehittyvä ala, jossa jokainen päivä tuo uusia haasteita ja mahdollisuuksia.

Voitko kertoa joistakin nykyisistä tehtävistäsi 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, sairaaloiden ja terveydenhuoltojärjestelmien, datan käyttämisestä helpompaa. Tämän lisäksi työskentelen globaalissa tekoälystrategiassamme, jotta voimme parantaa datan saatavuutta ja käyttöä ekosysteemissämme.

Seuraaminen uusista trendeistä eri aloilla on myös tärkeä osa tehtävääni, jotta voimme varmistaa, että olemme oikealla strategisella suunnalla. Seuraan tällä hetkellä tarkkaan suuria kielioppeja (LLM). Yrityksenä me etsimme keinoja integroida LLM:t teknologiaamme, jotta voimme antaa ihmisille, erityisesti terveydenhuollon ammattilaisille, mahdollisuuden vähentää kognitiivista kuormitusta ja keskittyä potilaiden hoitoon.

LinkedIn-blogin kirjoituksessasi “A Reflection on My 1st Year as a CTO” kirjoitit, “CTO:t eivät työskentele yksin. He ovat osa tiimiä.” Voitko selittää joitakin haasteita, joita olet kohdannut, ja miten olet ratkaissut delegoinnin ja tiimityön haasteita teknisesti haastavissa projekteissa?

CTO:n rooli on muuttunut perustavasti viimeisen vuosikymmenen aikana. Aikaisemmin CTO:t työskentelivät palvelimohuoneissa, mutta nyt työ on paljon enemmän yhteistyöhön perustuvaa. Yhdessä liiketoimintayksiköiden kanssa määrittelemme organisaatiomme tavoitteet ja muunnamme ne teknisiksi vaatimuksiksi, jotka ajavat meitä eteenpäin. Sairaaloiden ja terveydenhuoltojärjestelmien on tällä hetkellä navigoitava monien päivittäisten haasteiden keskellä, kuten työvoiman hallinnasta taloudellisiin rajoituksiin, ja uuden teknologian omaksuminen ei aina ole prioriteetti. Tärkein tavoitteemme on osoittaa, miten teknologia voi auttaa näissä haasteissa, sen sijaan että se aiheuttaisi niitä, ja mitä arvoa se tuo heidän liiketoiminnalleen, työntekijöilleen ja potilailleen. Tämä ponnistus ei voi tapahtua yksin tai edes tiimini sisällä, joten yhteistyö monitieteisten yksiköiden kanssa on välttämätöntä kehittääksemme yhtenäistä strategiaa, joka osoittaa tämän arvon, olipa se sitten asiakkaiden datanäkymien avaaminen tai prosessien aktivoiminen, joita he eivät voi suorittaa.

Mikä on tekoälyn rooli terveydenhuollon tulevaisuudessa?

Kun integroitu data on saatavilla tekoälyn avulla, sitä voidaan käyttää erillisten järjestelmien yhdistämiseen ja turvallisuuden ja tarkin parantamiseen hoidon jatkumossa. Tämä terveydenhuollon operaatioiden yhdistäminen on kategoria, johon RLDatix on keskittynyt, ja se avaa toimintavälineitä ja näkymiä terveydenhuollon päätöksentekijöille – ja tekoäly on olennainen tämän toteuttamisessa.

Tärkeä asia tässä integroinnissa on varmistaa, että datan käyttö on turvallista ja vaatimustenmukaista, ja riskit ovat ymmärretty. Olemme markkinajohtaja politiikassa, riskissä ja turvallisuudessa, mikä tarkoittaa, että meillä on runsaasti dataa perustekoälyjen kouluttamiseen tarkkuuden ja luotettavuuden kanssa. Saavuttaaksemme todellisen terveydenhuollon operaatioiden yhdistämisen, ensimmäinen askel on yhdistää erilliset ratkaisut, ja toinen on poimia data ja normalisoida se näiden ratkaisujen yli. Sairaalat hyötyvät suuresti yhtenäisistä ratkaisuista, jotka voivat yhdistää tietojoukkoja ja tarjota käyttäjille toimintavälineitä, sen sijaan että ylläpitäisivät erillisiä tietojoukkoja yksittäisistä pistekohtaisista ratkaisuista.

Voitko selittää, miten RLDatix hyödyntää tekoälyä ja suuria kielioppeja potilasturvallisuuden parantamiseksi?

Tämä on erittäin merkittävä aloite RLDatixille, ja se on hyvä esimerkki siitä, miten hyödynnämme suuria kielioppeja. Kun sairaalat ja terveydenhuoltojärjestelmät täyttävät ilmoituslomakkeita, on kolme standardiformaattia vahingon määrän määrittämiseksi 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 suuren kieliopin lukemaan ilmoituslomakkeen tekstiä. Jos potilas kuolee, esimerkiksi, suuri kielioppi voi helposti poimia tämän tiedon. Haaste on kuitenkin kouluttaa suuri kielioppi ymmärtämään kontekstin ja erottamaan monimutkaisemmat luokat, kuten vakavaa pysyvää vahinkoa, joka on osa HPI SEC: n taksonomiaa, verrattuna vakavaan tilapäiseen vahinkoon. Jos ilmoittaja ei sisälly riittävästi kontekstia, suuri kielioppi ei voi määrittää oikeaa vahingon luokkaa kyseiselle potilasturvallisuuden ilmoitukselle.

RLDatix pyrkii toteuttamaan yksinkertaisemman taksonomian maailmanlaajuisesti koko portfoliollamme, jossa on konkreettisia luokkia, joita suuri kielioppi voi helposti erottaa. Ajan myötä käyttäjät voivat yksinkertaisesti kirjoittaa, mitä tapahtui, ja suuri kielioppi hoitaa loput poimimalla kaikki tärkeät tiedot ja esitietäen ilmoituslomakkeita. Tämä ei ole vain merkittävä ajan säästäjä jo valmiiksi rasittuneelle työvoimalle, vaan myös mahdollistaa kriittisten trendien tunnistamisen, jotka mahdollistavat terveydenhuolto-organisaatioiden turvallisemmat päätökset.

Mitkä ovat muut tavat, joilla RLDatix on alkanut hyödyntää suuria kielioppeja?

Toinen tapa, jolla hyödynnämme suuria kielioppeja, on akkreditointiprosessin sujuvoittaminen. Kunkin tarjoajan akkreditointi on muotoiltu eri tavoin ja sisältää yksilöllisiä tietoja. Ajattele, miten jokaisen henkilön ansioluettelo näyttää erilaiselta – fonteista työkokemukseen, koulutukseen ja yleiseen muotoiluun. Akkreditointi on samanlaista. Missä tarjoaja on opiskellut? Mikä on hänen sertifikaattinsa? Mitkä artikkelit hän on julkaissut? Jokainen terveydenhuollon ammattilainen antaa tämän tiedon omalla tavallaan.

RLDatixissa suuret kieliopit mahdollistavat meille akkreditointitietojen lukemisen ja niiden siirtämisen standardoituun muotoon, jotta data-entryyn työskentelevät henkilöt eivät tarvitse etsiä tietoja laajasti, vaan voivat keskittyä merkityksellisiin tehtäviin, jotka lisäävät arvoa.

Kyberturva on aina ollut haasteellista, erityisesti siirtymisen aikana pilvipohjaisiin teknologioihin. Voitko keskustella joistakin näistä haasteista?

Kyberturva on haasteellista, miksi on tärkeää työskennellä oikean kumppanin kanssa. Varmistaa, että suuret kieliopit pysyvät turvallisina ja vaatimustenmukaisina, on tärkein asia, kun hyödynnämme tätä teknologiaa. Jos organisaatiollasi ei ole omia resursseja sisäisesti, tämä voi 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 periaatteita teknologiaamme, jotta RLDatix voi keskittyä siihen, mitä me oikeasti teemme hyvin – eli rakentaa hyviä tuotteita asiakkaillemme kaikilla alueillamme.

Mitkä ovat joitakin uusia tietoturva-uhkia, joita olet havainnut suurten kielioppimallien nopean omaksumisen myötä?

RLDatixin näkökulmasta on useita seikkoja, joita työskentelemme läpi kehittäessämme ja kouluttaessamme suuria kielioppeja. Tärkeä painopiste meille on vähentää harhaa ja epäoikeudenmukaisuutta. Suuret kieliopit ovat vain yhtä 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-Yhdysvalloissa käytetään sanaa “y’all” arkikielessä. Tämä on yksilöllinen kielellinen harha, jota tutkijoiden on otettava huomioon kouluttaessaan suuria kielioppeja tunnistamaan kielelliset nuancet tarkasti verrattuna muihin alueisiin. Nämä kaltaiset harhat on ratkaistava laajassa mittakaavassa hyödyntäessä suuria kielioppeja terveydenhuollossa, koska mallin kouluttaminen yhdessä potilasväestössä ei välttämättä tarkoita, että malli toimii toisessa.

Mahdollisuuksien vähentäminen hallucinaatioille ja virheelliselle informaatiolle on myös tärkeä painopiste organisaatiollemme, samoin kuin turvallisuuden, avoimuuden ja vastuun ylläpitäminen. Varmistaminen, että olemme aktiivisesti ratkaisemassa kaikki yksityisyyden suhteen olevat huolenaiheet, ymmärtäminen, miten malli saavutti tietyn vastauksen, ja turvallisen kehityskiertueen käyttöönotto ovat kaikki tärkeitä osia tehokkaan toteutuksen ja ylläpidon kannalta.

Mitkä ovat muut koneoppimisalgoritmit, joita RLDatix käyttää?

Koneoppimisen käyttäminen kriittisten aikataulutietojen paljastamiseksi on ollut mielenkiintoinen sovellus organisaatiollemme. Yhdistyneessä kuningaskunnassa olemme tutkineet, miten voimme hyödyntää koneoppimista paremmin ymmärtääksemme, miten hoitajien ja lääkärien aikataulutus (rostering) tapahtuu. RLDatixilla on pääsy massiiviseen määrään aikataulutietoja viimeisen vuosikymmenen ajalta, mutta mitä voimme tehdä kaiken tämän tiedon kanssa? Tässä koneoppiminen tulee kuvaan. Käytämme koneoppimismallia analysoimaan tätä historiallista dataa ja antamaan näkymää, miten henkilöstötilanne saattaa näyttää kahden viikon kuluttua tietyn sairaalan tai alueen osalta.

Tämä tietty sovellus on erittäin saavutettavissa oleva koneoppimismalli, mutta pyrimme vieköön sen eteenpäin liittämällä sen todellisiin tapahtumiin. Mitä jos tarkastelisimme jokaisen alueen jalkapallotilastoa? Tiemme on ensimmäinen, että urheilutapahtumat johtavat usein enemmän vammoja, ja paikallinen sairaala on todennäköisesti täydellinen potilaiden kanssa tapahtumapäivänä verrattuna normaaliin päivään. Työskentelemme AWS:n ja muiden kumppaneiden kanssa tutkimassa, mitä julkisia tietoja voimme siirtää, jotta aikataulutus voisi olla vielä sujuvampaa. Meillä on jo dataa, joka osoittaa, että näemme potilaiden määrän kasvavan suurten urheilutapahtumien tai jopa huonon sään aikana, mutta koneoppimismalli voi viedä sen askelen eteenpäin ottamalla tämän datan ja tunnistamalla kriittisiä trendejä, jotka auttavat varmistamaan, että sairaalat ovat riittävästi henkilöstöity, vähentäen työvoiman kuormitusta ja vieköön alan turvallisemman hoidon saavuttamiseen.

Kiitos haastattelusta. Lukijat, jotka haluavat oppia lisää, voivat vierailla RLDatixin verkkosivuilla.