David Lareau, Président et PDG de Medicomp Systems – Série d’entretiens

David Lareau, Président et PDG de Medicomp Systems, est un dirigeant de l’industrie des soins de santé et un entrepreneur dont la carrière s’étend sur près de cinq décennies. Après avoir commencé sa carrière dans l’audit informatique et la gestion, il a fondé Dexcom Systems en 1987, aidant à déployer certains des premiers réseaux de communication d’entreprise et des environnements LAN à grande échelle pour des organisations telles que la Banque mondiale, DuPont et l’hôpital Sinai. Il a rejoint Medicomp Systems en 1995 en tant que directeur des opérations et a été nommé PDG en 2012, dirigeant l’évolution de l’entreprise d’un fournisseur de moteur de connaissances cliniques pionnier à une entreprise de soins de santé moderne basée sur l’IA et l’interopérabilité. Sous sa direction, Medicomp a étendu sa portée mondiale, amélioré les solutions d’intelligence clinique basées sur des preuves et se concentré sur l’amélioration de la productivité des cliniciens, de l’utilisabilité des données et des soins aux patients grâce à une technologie de soins de santé plus intelligente.

Medicomp Systems est une entreprise de technologie de soins de santé la plus connue pour son intelligence clinique et sa technologie de moteur de connaissances qui transforme des données de soins de santé complexes et fragmentées en informations structurées et cliniquement pertinentes. Fondée sur le moteur de connaissances cliniques MEDCIN breveté, la plate-forme Quippe de l’entreprise aide les organisations de soins de santé à améliorer la documentation clinique, l’interopérabilité, la mesure de la qualité, l’ajustement des risques et la prise de décision basée sur l’IA. Conçue pour refléter la façon dont les cliniciens pensent et travaillent, les solutions de Medicomp sont utilisées par des hôpitaux, des systèmes de santé, des fournisseurs de dossiers médicaux électroniques et des organisations de soins de santé dans le monde entier pour rationaliser les flux de travail, réduire la charge administrative et fournir des informations plus significatives sur les patients au point de service. L’entreprise est devenue un leader reconnu dans la combinaison de graphiques de connaissances cliniques, de données structurées et d’IA pour soutenir une prise de décision plus précise, plus efficace et plus fiable dans les soins de santé

Vous avez passé près de quatre décennies à travailler dans le domaine des technologies de l’information en matière de santé, des premiers réseaux de communication d’entreprise et des systèmes de facturation médicale à la direction de Medicomp Systems pendant plus de 30 ans. En regardant en arrière sur cette évolution, quel problème fondamental de données de santé pensez-vous que l’industrie n’a pas encore résolu ?

L’industrie des soins de santé manque encore d’un standard intégré pour les données cliniques. Les normes de terminologie sur lesquelles nous nous appuyons ont été créées pour résoudre des problèmes de codage dans un seul domaine : ICD-10 pour les diagnostics, CPT et HCPCS pour les procédures et les tests, LOINC pour les résultats de laboratoire et d’autres mesures, RxNorm pour les médicaments et SNOMED CT pour les constatations cliniques. Chacune d’elles a été conçue pour la facturation, la classification ou la recherche. Aucune n’a été conçue pour organiser les soins d’un patient.

Les systèmes d’information de santé utilisent ces normes pour effectuer des transactions spécifiques, la plupart desquelles sont liées au remboursement, plutôt que de fournir aux prestataires une vue intégrée de l’état d’un patient. Considérez un patient atteint de diabète. Les données de ce patient sont réparties sur des onglets distincts dans le système d’information de santé, sans aucune vue unique « diabète » qui rassemble tout ce qui est lié à l’affection. Les systèmes de codage partagent aucun schéma commun, ce qui les rend inefficaces sur le plan computationnel, et cette inefficacité devient un problème beaucoup plus important dans un monde d’IA clinique. L’IA dépend de bonnes données, et notre industrie ne les possède pas encore.

Imaginez un entrepôt Amazon (AMZN ) essayant de fonctionner sans unités de stockage (SKU), en s’appuyant plutôt sur des descriptions textuelles de chaque article, chaque description liée à une structure de données qui change d’un type d’article à l’autre. Presque toutes les industries ont une version de l’SKU. Les soins de santé n’en ont pas, et leurs données restent donc fragmentées et incohérentes.

Vous avez décrit de nombreux dépôts de données de santé modernes comme des « marécages de données » plutôt que des lacs de données actionnables. Quelles sont les plus grandes erreurs architecturales que les systèmes de santé ont commises lors de la ruée vers la centralisation des données ?

L’erreur fondamentale a été d’organiser le référentiel de la même manière que les systèmes sources, autour de domaines et de transactions plutôt que autour du patient. La plupart des systèmes de santé séparent encore les informations cliniques en domaines distincts tels que les laboratoires, les médicaments, les procédures et les diagnostics. Les utilisateurs, et les logiciels sur lesquels ils s’appuient, doivent ensuite accéder à différents fichiers et emplacements pour assembler une image du patient, ce qui rend chaque processus plus lent et plus fastidieux.

Le problème plus profond est que chaque transaction, qu’il s’agisse d’une facture, d’une ordonnance, d’une commande de test ou d’un résultat de laboratoire, est stockée comme un élément autonome plutôt que comme une partie d’une vue intégrée de l’état du patient. La centralisation de ces données en un seul endroit ne résout pas le problème. Un lac de données rempli de dossiers fragmentés et liés à des domaines devient un marécage de données car le volume seul, sans organisation clinique, ne conduit pas à la compréhension.

Une grande partie des informations cliniquement significatives vit encore à l’intérieur des notes des médecins, des rapports d’imagerie et des résumés de sortie plutôt que dans des champs structurés. Pourquoi l’industrie a-t-elle tant de mal à exploiter les données cliniques non structurées à grande échelle ?

Cela change, et rapidement. Les grands modèles de langage (LLM) peuvent désormais générer des résumés de texte d’entretiens libres d’abréviations et de raccourcis idiosyncratiques, ce qui facilite grandement l’extraction de données codées structurées à partir de ce texte par le traitement automatique du langage naturel (NLP). Dans le passé, la capture de données structurées signifiait demander aux cliniciens de travailler à l’aide de listes de contrôle ou de formulaires, qu’ils trouvaient fastidieux et en grande partie inutilisables.

Aujourd’hui, la séquence fonctionne différemment. L’écoute ambiante produit une note de texte raisonnablement propre, un LLM résume cette note sous une forme semi-structurée, et le NLP s’exécute ensuite sur le résumé. Lorsque le NLP est dirigé vers une cible de données cliniques appropriée, qui représente des concepts cliniques plutôt qu’une liste plate de codes, il peut produire des données structurées à partir de texte narratif. La réalisation de cela nécessite toujours une combinaison de technologies travaillant ensemble, et elle dépend entièrement de disposer de cette cible de données cliniques appropriée.

Vous soutenez que le défi fondamental n’est pas la « qualité des données » mais la fragmentation des données. Pouvez-vous expliquer la différence, et pourquoi cette distinction est importante pour les systèmes de soins de santé basés sur l’IA ?

Les deux sont étroitement liés, mais ils décrivent des problèmes différents, et cette différence compte beaucoup pour l’IA. La qualité des données concerne la question de savoir si une pièce d’information individuelle est exacte, complète et correctement enregistrée. La fragmentation des données est structurelle. La fragmentation se produit lorsque les informations cliniques, quelle que soit leur qualité, sont divisées en domaines et systèmes de codage distincts et stockées dans différents formats et emplacements.

Cette fragmentation est la pratique actuelle car chaque système de codage a été conçu pour une utilisation transactionnelle distincte. L’approche était suffisante pour rédiger une ordonnance, générer une facture ou gérer d’autres tâches distinctes. Les soins globaux au patient sont un problème différent, qui nécessite que les informations provenant de plusieurs domaines soient rassemblées, traitées et affichées sous la forme d’une vue diagnostiquement connectée unique du patient. Un dossier peut être rempli de points de données individuellement exacts et néanmoins échouer le clinicien, car rien ne relie ces points dans cette vue.

Vous avez mis en évidence trois lacunes majeures dans la plupart des lacs de données de santé : l’extraction narrative par le NLP, les graphiques de connaissances cliniques et la réconciliation d’enregistrements contradictoires. Laquelle de ces capacités manquantes a actuellement le plus grand impact en aval sur les soins aux patients ?

Deux d’entre elles sont étroitement liées : la réconciliation des enregistrements contradictoires et le fait qu’un graphique de connaissances cliniques n’est aussi bon que les données sur lesquelles il opère. Des trois, la réconciliation fait actuellement le plus de dégâts en aval, car elle se situe en amont de tout le reste.

Une grande partie de ce qui se trouve dans le dossier d’un patient a été saisi en copiant et en collant à partir de rencontres précédentes ou en consolidant des informations provenant de plusieurs prestataires. Le fait de déplacer ces informations entre les systèmes avec les ressources interopérables de soins de santé (FHIR) facilite leur envoi et leur réception, mais ne fait rien pour améliorer la qualité sous-jacente. Exécuter l’IA ou un graphique de connaissances cliniques sur ces informations fera probablement que les résultats porteront les mêmes incohérences vers l’avant.

Les normes telles que SNOMED CT, LOINC, RxNorm, FHIR et C-CDA sont souvent discutées comme des solutions d’interopérabilité. Dans la pratique, pourquoi de nombreuses organisations ont-elles encore du mal à transformer la conformité aux normes en systèmes cliniquement utiles ?

De nombreux systèmes et organisations contiennent des données mal codées car leurs interfaces utilisateur les rendent les plus faciles à coder pour la facturation le plus rapidement possible, plutôt que pour fournir le contexte clinique qui permettrait à l’utilisateur d’enregistrer l’affection avec précision.

Par exemple, l’ICD-10 comprend un code pour « neuropathie motrice et sensorielle héréditaire », une catégorie qui ne distingue pas la maladie de Charcot-Marie-Tooth de la syndrome de Roussy-Lévy, même si les deux se situent dans celle-ci. Si une interface utilisateur présente d’abord cette catégorie et rend plus difficile la sélection de l’affection spécifique, l’utilisateur choisira probablement la catégorie. La catégorie peut suffire pour faire payer une réclamation, mais elle est beaucoup moins utile sur le plan clinique que l’affection spécifique. Toutes les terminologies de codage transactionnel partagent une version de ce problème.

Medicomp a passé des années à construire une terminologie cliniquement connectée et des moteurs de pertinence autour de systèmes comme MEDCIN. Quelle est l’importance d’un graphique de connaissances cliniques pour rendre l’IA de santé fiable et consciente du contexte ?

Un graphique de connaissances cliniques est essentiel car il rend les données utilisables au moment où un clinicien ou un réviseur en a réellement besoin. Le test est simple. Lorsqu’un patient a une affection spécifique qui est gérée, l’utilisateur peut-il voir tout ce qui est lié à cette affection immédiatement, ou doit-il trier tout le dossier, onglet par onglet, pour reconstruire le contexte clinique ? Un graphique de connaissances cliniques construit sur des données cliniques propres peut afficher ce contexte en un instant. Sans cela, trouver les mêmes informations prend beaucoup trop de temps.

C’est pourquoi, chaque fois que je visite mon méga-hôpital, on me demande de remplir un formulaire de quatre pages et six écrans d’histoire médicale avec les mêmes informations que j’ai fournies le mois précédent. Trouver quelque chose dans les systèmes d’information de santé actuels est simplement trop difficile. Medicomp a passé plus de 45 ans à construire MEDCIN et son graphique de connaissances cliniques pour combler exactement cette lacune, afin que l’IA fonctionnant sur des données propres et connectées puisse être à la fois fiable et consciente du contexte clinique d’un patient.

De nombreuses organisations de soins de santé déployent désormais des copilotes d’IA génératifs et des systèmes de documentation ambiante. Quels risques apparaissent lorsque ces systèmes d’IA sont formés ou exploités sur des données cliniques fragmentées et mal contextualisées ?

L’hallucination et la mauvaise catégorisation des informations sont deux des risques les plus courants, et les deux deviennent plus probables lorsque les données sous-jacentes sont fragmentées et mal contextualisées.

Un exemple personnel : mon père est décédé d’un cancer du foie à 78 ans, mais lors d’une visite récente, on m’a demandé combien de temps j’avais été en rémission. Le système de documentation ambiante avait enregistré un historique personnel de cancer du foie dans mon propre dossier. Un collègue a rencontré quelque chose de similaire. Il avait une maladie pulmonaire obstructive chronique (MPOC) enregistrée dans son dossier car son fournisseur, en utilisant la documentation ambiante, avait commandé une radiographie pulmonaire pour l’exclure. Lorsqu’il a plus tard demandé une assurance-vie, il a été refusé, et la raison donnée était le diagnostic de MPOC que la commande de radiographie précédente avait involontairement généré.

Les défaillances de contexte peuvent être encore plus étranges. Dans un cas récent, un patient masculin qui a mentionné avoir mangé des œufs pour le petit déjeuner a été reclassé en femelle, probablement parce que le système a associé le mot « œufs » à la biologie féminine. Chacune de ces erreurs est facile à rire en isolement. Une fois qu’elles sont écrites dans un dossier et échangées entre les systèmes, elles cessent d’être drôles.

Il y a un enthousiasme croissant autour des progrès de l’interopérabilité nationale, avec des centaines de millions de dossiers échangés chaque année. Qu’est-ce qui doit encore se produire avant que les cliniciens puissent vraiment faire confiance à ce que les données échangées sont complètes, exactes et cliniquement pertinentes au point de service ?

Deux choses doivent se produire. Premièrement, les prestataires qui valident les entretiens, qui sont de plus en plus générés par des outils d’écoute ambiante avec des résumés de LLM, ont besoin de garde-fous faciles à utiliser disponibles avant de valider, au moment juste avant que ces données n’entrent dans le dossier du patient. Une fois que les informations incorrectes atterrissent dans le dossier, chaque utilisation ultérieure en hérite du problème traditionnel de « mauvaise qualité des données, mauvais résultats », et la correction après coup est difficile.

Deuxièmement, même lorsque les données sont exactes, un clinicien doit être en mesure de trouver ce dont il a besoin sans avoir à trier tout le dossier. L’échange de centaines de millions de dossiers ne fait aucun bien si le clinicien qui reçoit ne peut pas localiser les informations pertinentes ou faire confiance à ce qu’elles reflètent l’image clinique réelle du patient. La validation au point de service et la récupération facile sont ce qui rend les données échangées quelque chose sur quoi un clinicien peut vraiment compter.

En regardant cinq ans dans le futur, à quoi ressemble un environnement de données de santé « activé » lorsque l’IA, les normes d’interopérabilité, le contexte clinique et les flux de travail des médecins sont enfin alignés de manière significative ?

L’alignement dépendra de ce que chaque partie ait accès à une fondation de données cliniques fiable, conçue pour gérer chaque patient de manière efficace et, collectivement, pour rendre la gestion réelle de la santé de la population une réalité. Étant donné cette fondation, l’alignement commence avec le patient individuel.

Avant chaque entretien, un agent d’IA assemble toutes les données disponibles pour ce patient à partir de réseaux d’information de santé, d’échanges, de payeurs et d’entreprises, tandis qu’un autre supprime les doublons et organise les données restantes. À travers une application, un kiosque ou un agent de conversation, le patient vérifie ensuite les diagnostics actuels, les médicaments, les résultats de laboratoire récents et tout nouveau problème, en corrigeant les erreurs au fur et à mesure. Un brouillon de ces modifications est envoyé à un clinicien pour examen.

Au cours de l’entretien, virtuel ou physique, le clinicien examine ces informations avec le patient et se tourne vers les affections qui nécessitent une attention. Un agent affiche un contexte diagnostiquement pertinent pour chaque affection existante ou nouvelle plainte, et l’écoute ambiante capture la conversation. Un deuxième agent résume celle-ci pour que le clinicien puisse l’examiner, la corriger et l’approuver.

À partir de là, les agents gèrent le travail en aval : sécuriser les autorisations requises, envoyer des ordonnances à la pharmacie, soumettre des réclamations, planifier des soins de suivi et emballer les informations pour les parties autorisées. Tout au long du processus, des agents en arrière-plan évaluent les risques cliniques et sollicitent la documentation de qualité, l’ajustement des risques et la documentation réglementaire. Le modèle entier repose sur des données propres et fiables à chaque étape, avec des cliniciens maintenus dans la boucle, produisant des informations qui soutiennent à la fois les soins individuels aux patients et une gestion efficace de la santé de la population.

Thank you for the great interview, readers who wish to learn more should visit Medicomp Systems.