डेविड लारेउ, मेडिकॉम्प सिस्टम्स के अध्यक्ष और सीईओ – साक्षात्कार श्रृंखला

डेविड लारेउ, मेडिकॉम्प सिस्टम्स के अध्यक्ष और सीईओ, एक स्वास्थ्य सेवा प्रौद्योगिकी कार्यकारी और उद्यमी हैं जिनका करियर लगभग पांच दशकों से अधिक का है। अपने करियर की शुरुआत कंप्यूटर ऑडिटिंग और प्रबंधन में करने के बाद, उन्होंने 1987 में डेक्सकॉम सिस्टम्स की स्थापना की, जिससे विभिन्न संगठनों जैसे कि विश्व बैंक, डुपॉन्ट और सिनाई अस्पताल के लिए पहले उद्यम संचार नेटवर्क और बड़े पैमाने पर लैन वातावरण तैनात करने में मदद मिली। उन्होंने 1995 में मेडिकॉम्प सिस्टम्स में मुख्य परिचालन अधिकारी के रूप में शामिल हुए और 2012 में सीईओ नियुक्त किए गए, जिससे कंपनी का विकास एक अग्रणी नैदानिक ज्ञान इंजन प्रदाता से एक आधुनिक स्वास्थ्य सेवा एआई और अंतरपरिवर्तनीयता कंपनी में हुआ। उनके नेतृत्व में, मेडिकॉम्प ने अपनी वैश्विक पहुंच बढ़ाई है, साक्ष्य-आधारित नैदानिक बुद्धिमत्ता समाधानों को आगे बढ़ाया है, और स्मार्ट स्वास्थ्य सेवा प्रौद्योगिकी के माध्यम से चिकित्सक उत्पादकता, डेटा उपयोगिता और रोगी देखभाल में सुधार पर ध्यान केंद्रित किया है।

मेडिकॉम्प सिस्टम्स एक स्वास्थ्य सेवा प्रौद्योगिकी कंपनी है जो अपनी नैदानिक बुद्धिमत्ता और ज्ञान-इंजन प्रौद्योगिकी के लिए जानी जाती है, जो जटिल, खंडित स्वास्थ्य सेवा डेटा को संरचित, नैदानिक रूप से प्रासंगिक जानकारी में परिवर्तित करती है। पेटेंटेड मेडसिन नैदानिक ज्ञान इंजन के आसपास स्थापित, कंपनी के फ्लैगशिप क्विप्पे प्लेटफ़ॉर्म स्वास्थ्य सेवा संगठनों को नैदानिक प्रलेखन, अंतरपरिवर्तनीयता, गुणवत्ता माप, जोखिम समायोजन और एआई-संचालित निर्णय समर्थन में सुधार करने में मदद करता है। चिकित्सकों के विचारों और कार्यों को दर्पण करने के लिए डिज़ाइन किया गया, मेडिकॉम्प के समाधान अस्पतालों, स्वास्थ्य प्रणालियों, ईएचआर विक्रेताओं और विश्वभर के स्वास्थ्य सेवा संगठनों द्वारा कार्यप्रवाह को सुव्यवस्थित करने, प्रशासनिक बोझ को कम करने और देखभाल के बिंदु पर अधिक अर्थपूर्ण रोगी अंतर्दृष्टि प्रदान करने के लिए उपयोग किए जाते हैं। कंपनी नैदानिक ज्ञान ग्राफ, संरचित डेटा और एआई को संयोजित करने में एक मान्यता प्राप्त नेता बन गई है ताकि अधिक सटीक, कुशल और विश्वसनीय स्वास्थ्य सेवा निर्णय लेने का समर्थन किया जा सके।

आप लगभग चार दशकों से स्वास्थ्य सेवा आईटी में काम कर रहे हैं, शुरुआती उद्यम संचार नेटवर्क और चिकित्सा बिलिंग प्रणालियों से लेकर मेडिकॉम्प सिस्टम्स का नेतृत्व करने तक। उस विकास पर वापस देखते हुए, क्या मूलभूत स्वास्थ्य सेवा डेटा समस्या है जिसे आप मानते हैं कि उद्योग अभी तक हल नहीं कर पाया है?

स्वास्थ्य सेवा उद्योग अभी भी एक एकीकृत मानक के लिए नैदानिक डेटा की कमी है। हम जिन शब्दावली मानकों पर निर्भर करते हैं वे प्रत्येक एक ही डोमेन के भीतर कोडिंग समस्याओं को हल करने के लिए बनाए गए थे: आईसीडी-10 निदान के लिए, सीपीटी और एचसीपीसीएस प्रक्रियाओं और परीक्षणों के लिए, लोइनसी प्रयोगशाला परिणामों और अन्य मापों के लिए, आरएक्सनॉर्म दवाओं के लिए, और एसएनओएमईडी सीटी नैदानिक निष्कर्षों के लिए। प्रत्येक का निर्माण बिलिंग, वर्गीकरण या अनुसंधान के लिए किया गया था। किसी का निर्माण रोगी की देखभाल को व्यवस्थित करने के लिए नहीं किया गया था।

स्वास्थ्य सेवा जानकारी प्रणाली इन मानकों का उपयोग विशिष्ट लेन-देन को पूरा करने के लिए करती हैं, जिनमें से अधिकांश प्रतिपूर्ति से जुड़े हुए हैं, न कि प्रदाताओं को रोगी की स्थिति का एक एकीकृत दृश्य प्रदान करने के लिए। एक मधुमेह रोगी पर विचार करें। उस रोगी का डेटा स्वास्थ्य सेवा प्रणाली में अलग-अलग टैब में फैला हुआ है, जिसमें मधुमेह से संबंधित सभी चीजों को एक साथ लाने वाला कोई एक “मधुमेह दृश्य” नहीं है। कोडिंग प्रणालियों में कोई सामान्य योजना साझा नहीं की गई है, जो उन्हें गणनात्मक रूप से अक्षम बनाती है, और यह अक्षमता एक नैदानिक एआई की दुनिया में एक बहुत बड़ी समस्या बन जाती है। एआई अच्छे डेटा पर निर्भर करता है, और हमारे उद्योग में अभी तक ऐसा नहीं है।

एक अमेज़ॅन गोदाम की कल्पना करें जो स्टॉक-keeping यूनिट (एसकेयू) के बिना संचालित होता है, इसके बजाय प्रत्येक आइटम के लिए पाठ विवरण पर निर्भर करता है, प्रत्येक विवरण एक डेटा संरचना से जुड़ा होता है जो एक आइटम प्रकार से दूसरे आइटम प्रकार में बदलता रहता है। लगभग हर उद्योग में एसकेयू का कुछ संस्करण है। स्वास्थ्य सेवा में नहीं है, और इसलिए इसका डेटा खंडित और असंगत रहता है।

आपने कई आधुनिक स्वास्थ्य सेवा भंडारों को “डेटा स्वाम्प” के रूप में वर्णित किया है, न कि क्रियाशील डेटा झीलों के रूप में। स्वास्थ्य सेवा प्रणालियों ने डेटा को केंद्रीकृत करने की हड़बड़ाहट के दौरान क्या सबसे बड़ी वास्तुकला गलतियां की?

मुख्य गलती यह थी कि भंडार को स्रोत प्रणालियों के संगठन के तरीके से व्यवस्थित किया गया, न कि रोगी के आसपास। अधिकांश स्वास्थ्य प्रणालियों में अभी भी नैदानिक जानकारी को विभिन्न डोमेन में विभाजित किया जाता है, जैसे कि प्रयोगशाला, दवाएं, प्रक्रियाएं और निदान। उपयोगकर्ता, और उन पर निर्भर सॉफ्टवेयर, तब अलग-अलग फाइलों और स्थानों में जाने के लिए एक रोगी की तस्वीर को इकट्ठा करने के लिए हैं, जो प्रत्येक प्रक्रिया को धीमा और अधिक जटिल बनाता है।

गहरा मुद्दा यह है कि प्रत्येक लेन-देन, चाहे वह एक बिल हो, एक नुस्खा, एक परीक्षण आदेश हो, या एक प्रयोगशाला परिणाम हो, एक एकीकृत दृष्टिकोण के एक हिस्से के रूप में संग्रहीत किया जाता है, न कि एक स्वायत्त आइटम के रूप में। डेटा को एक स्थान पर केंद्रीकृत करने से समस्या का समाधान नहीं होता है। एक डेटा झील जो खंडित, डोमेन-आधारित रिकॉर्ड से भरी हुई है, एक डेटा स्वाम्प बन जाती है क्योंकि मात्रा अकेले, नैदानिक व्यवस्था के बिना, समझ को जन्म नहीं देती है।

एक बड़ा प्रतिशत नैदानिक रूप से महत्वपूर्ण जानकारी अभी भी चिकित्सक नोट्स, इमेजिंग रिपोर्ट और निर्वहन सारांश के भीतर रहती है, संरचित क्षेत्रों के बजाय। उद्योग ने इतनी कठिनाई से बड़े पैमाने पर अनसंरचित नैदानिक डेटा को परिचालन करने का कारण क्या है?

यह बदल रहा है, और जल्दी। बड़े भाषा मॉडल (एलएलएम) अब मुळों से मुक्त, संक्षिप्त शब्दों और विशिष्ट लेखन शैली से मुक्त पाठ सारांश उत्पन्न कर सकते हैं, जिससे नैदानिक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) के लिए उस पाठ से संरचित, कोडित डेटा निकालना बहुत आसान हो जाता है। अतीत में, संरचित डेटा को पकड़ने का अर्थ था चिकित्सकों से चेकलिस्ट या फॉर्म के माध्यम से काम करने के लिए कहना, जिसे उन्होंने जटिल और बड़े पैमाने पर अप्रयोगी पाया।

आज, क्रम अलग है। परिवेशी सुनवाई एक तर्कसंगत रूप से साफ पाठ नोट उत्पन्न करती है, एक एलएलएम उस नोट को एक अर्ध-संरचित रूप में सारांशित करता है, और एनएलपी तब उस सारांश पर चलता है। जब एनएलपी एक उचित नैदानिक डेटा लक्ष्य पर इंगित किया जाता है, जो नैदानिक概念ों का प्रतिनिधित्व करता है, न कि एक समतल सूची कोड, तो यह कथात्मक पाठ से अच्छी तरह से संरचित डेटा उत्पन्न कर सकता है। इसे प्राप्त करने के लिए अभी भी प्रौद्योगिकियों के संयोजन की आवश्यकता है, और यह पूरी तरह से एक उचित नैदानिक डेटा लक्ष्य के स्थान पर निर्भर करता है।

आप तर्क देते हैं कि मूल चुनौती “डेटा गुणवत्ता” नहीं है, बल्कि डेटा खंडीकरण है। आप इस अंतर को समझा सकते हैं और बता सकते हैं कि यह अंतर एआई-संचालित स्वास्थ्य सेवा प्रणालियों के लिए क्यों महत्वपूर्ण है?

दोनों密密 से जुड़े हुए हैं, फिर भी वे अलग-अलग समस्याओं का वर्णन करते हैं, और यह अंतर एआई के लिए बहुत महत्वपूर्ण है। डेटा गुणवत्ता एक व्यक्तिगत टुकड़े की जानकारी की सटीकता, पूर्णता और सही रिकॉर्डिंग के बारे में है। डेटा खंडीकरण संरचनात्मक है। खंडीकरण तब होता है जब नैदानिक जानकारी को अलग-अलग डोमेन और कोडिंग प्रणालियों में विभाजित किया जाता है और विभिन्न प्रारूपों और स्थानों में संग्रहीत किया जाता है।

यह खंडीकरण वर्तमान पрак्टिस है क्योंकि प्रत्येक कोडिंग प्रणाली एक अलग लेन-देन उपयोग के मामले के लिए डिज़ाइन की गई थी। यह दृष्टिकोण विशिष्ट कार्यों के लिए पर्याप्त था, जैसे कि एक नुस्खा लिखना, एक बिल उत्पन्न करना या अन्य विचारों को संभालना। समग्र रोगी देखभाल एक अलग समस्या है, जिसमें जानकारी को एक साथ लाने और प्रदर्शित करने की आवश्यकता होती है ताकि रोगी की स्थिति का एक एकीकृत दृश्य प्रदान किया जा सके। एक रिकॉर्ड में व्यक्तिगत रूप से सटीक डेटा बिंदु हो सकते हैं और फिर भी चिकित्सक को विफल कर सकते हैं, क्योंकि कुछ भी उन बिंदुओं को एक दृश्य में जोड़ता नहीं है।

आपने तीन प्रमुख अंतरालों को अधिकांश स्वास्थ्य सेवा डेटा झीलों में बताया है: एनएलपी के माध्यम से कथात्मक निष्कर्षण, नैदानिक ज्ञान ग्राफ, और विरोधाभासी रिकॉर्ड का पुनर्मिलन। इनमें से कौन सी लापता क्षमता वर्तमान में रोगी देखभाल पर सबसे बड़ा डाउनस्ट्रीम प्रभाव डाल रही है?

दो में से एक करीब से जुड़े हुए हैं: विरोधाभासी रिकॉर्ड का पुनर्मिलन, और यह तथ्य कि एक नैदानिक ज्ञान ग्राफ केवल उतना ही अच्छा है जितना डेटा यह संचालित करता है। इनमें से, पुनर्मिलन वर्तमान में सबसे अधिक डाउनस्ट्रीम नुकसान पहुंचा रहा है, क्योंकि यह सब कुछ के ऊपर है।

एक रोगी के चार्ट में बहुत सारी जानकारी पहले के मुठभेड़ों से कॉपी और पेस्ट करके या कई प्रदाताओं से जानकारी को समेकित करके दर्ज की जाती है। फास्ट हेल्थकेयर इंटरऑपरेबिलिटी रिसोर्सेज (फीएचआईआर) के साथ इस जानकारी को एक प्रणाली से दूसरी प्रणाली में ले जाना आसान बनाता है, लेकिन यह जानकारी की अंतर्निहित गुणवत्ता में सुधार नहीं करता है। एआई या एक नैदानिक ज्ञान ग्राफ पर इस जानकारी को चलाने से परिणाम सबसे अधिक संभावना है कि समान असंगतियों को आगे बढ़ाएगा।

मानकों जैसे एसएनओएमईडी सीटी, एलओआईएनसी, आरएक्सनॉर्म, एफएचआईआर और सी-सीडीए अक्सर अंतरपरिवर्तनीयता समाधान के रूप में चर्चा की जाती हैं। व्यवहार में, कई संगठनों को मानक अनुपालन को नैदानिक रूप से उपयोगी प्रणालियों में क्यों परिवर्तित करने में कठिनाई होती है?

बहुत से सिस्टम और संगठन खराब कोडित डेटा ले जाते हैं क्योंकि उनके उपयोगकर्ता इंटरफेस यह सबसे आसानी से पहली आइटम का चयन करने के लिए बनाते हैं जो प्रस्तुत किया जाता है। ये इंटरफेस बिलिंग के लिए जल्दी से कोड को आगे बढ़ाने के लिए बनाए जाते हैं, न कि चिकित्सकों को सटीक रूप से स्थिति रिकॉर्ड करने के लिए क्लिनिकल संदर्भ प्रदान करने के लिए।

आईसीडी-10 में एक कोड “वंशानुगत मोटर और संवेदी न्यूरोपैथी” के लिए है, जो शार्को-मारी टूथ रोग से चारकोट-मारी रोग को अलग नहीं करता है, हालांकि दोनों इसके भीतर आते हैं। यदि एक उपयोगकर्ता इंटरफेस पहले श्रेणी को प्रस्तुत करता है और विशिष्ट स्थिति का चयन करना अधिक कठिन बनाता है, तो उपयोगकर्ता सबसे अधिक संभावना श्रेणी का चयन करेगा। श्रेणी दावे का भुगतान करने के लिए पर्याप्त हो सकती है, लेकिन यह सटीक स्थिति की तुलना में नैदानिक रूप से बहुत कम उपयोगी है। सभी लेन-देन कोडिंग शब्दावली में इस समस्या का कुछ संस्करण है।

मेडिकॉम्प ने क्लिनिकली जुड़े शब्दावली और प्रासंगिकता इंजनों के आसपास वर्षों से काम किया है, जैसे कि एमईडीसीआईएन। एक नैदानिक ज्ञान ग्राफ का एआई-संचालित स्वास्थ्य सेवा प्रणालियों को विश्वसनीय और संदर्भ-जागरूक बनाने के लिए कितना महत्वपूर्ण है?

एक नैदानिक ज्ञान ग्राफ आवश्यक है क्योंकि यह डेटा को तब उपयोगी बनाता है जब एक चिकित्सक या समीक्षक वास्तव में इसकी आवश्यकता होती है। परीक्षण सीधा है। जब एक रोगी की एक विशिष्ट स्थिति होती है जिसे प्रबंधित किया जा रहा है, तो क्या उपयोगकर्ता तुरंत उस स्थिति से संबंधित mọi चीज़ देख सकता है, या क्या उन्हें पूरे रिकॉर्ड के माध्यम से छानबीन करनी होगी ताकि नैदानिक संदर्भ को पुनर्निर्माण किया जा सके? एक नैदानिक ज्ञान ग्राफ साफ नैदानिक डेटा पर निर्मित उस संदर्भ को एक पल में सतह पर ला सकता है। इसके बिना, उसी जानकारी को खोजने में बहुत अधिक समय लगता है।

कई स्वास्थ्य सेवा संगठन अब एआई को-पायलट और परिवेशी प्रलेखन प्रणालियों को तैनात कर रहे हैं। जब उन एआई प्रणालियों को खंडित, खराब संदर्भित नैदानिक डेटा पर प्रशिक्षित या संचालित किया जाता है, तो कौन से जोखिम उत्पन्न होते हैं?

हॉलुसिनेशन और जानकारी का गलत वर्गीकरण दो सबसे सामान्य जोखिम हैं, और दोनों खंडित और खराब संदर्भित अंतर्निहित डेटा पर अधिक संभावना है।

एक व्यक्तिगत उदाहरण: मेरे पिता की 78 वर्ष की आयु में लिवर कैंसर से मृत्यु हो गई, लेकिन हाल ही में मुझसे पूछा गया कि मैं कितने समय से लिवर कैंसर से मुक्त हूं। परिवेशी प्रलेखन प्रणाली ने मेरे自己的 चार्ट में व्यक्तिगत इतिहास में लिवर कैंसर दर्ज किया था। एक सहयोगी को कुछ ऐसा ही मिला। उन्हें क्रोनिक ऑब्सट्रक्टिव पल्मोनरी रोग (सीओपीडी) का निदान किया गया था क्योंकि उनके प्रदाता ने परिवेशी प्रलेखन का उपयोग करके एक छाती एक्स-रे का आदेश दिया था। जब उन्होंने बाद में जीवन बीमा के लिए आवेदन किया, तो उन्हें अस्वीकार कर दिया गया, और कारण यह था कि पहले एक्स-रे ऑर्डर द्वारा अनजाने में उत्पन्न किया गया सीओपीडी निदान।

राष्ट्रीय अंतरपरिवर्तनीयता प्रगति के बारे में बढ़ती उत्साह के साथ, अब हर साल लाखों रिकॉर्ड का आदान-प्रदान किया जा रहा है। क्लिनिकians वास्तव में उन आदान-प्रदान किए गए डेटा पर भरोसा कर सकते हैं कि यह पूर्ण, सटीक और देखभाल के बिंदु पर नैदानिक रूप से प्रासंगिक है, इससे पहले कि क्या होना चाहिए?

दो चीजें होनी चाहिए। पहला, उन मुठभेड़ों पर हस्ताक्षर करने वाले प्रदाताओं को हस्ताक्षर करने से पहले, परिवेशी सुनवाई उपकरणों के साथ एलएलएम के साथ उत्पन्न होने वाले डेटा के लिए आसानी से उपयोग किए जाने वाले गार्डरेल्स की आवश्यकता है। एक बार गलत जानकारी चार्ट में आ जाने के बाद, हर नीचे का उपयोग उस समस्या को विरासत में मिल जाता है, और इसे बाद में सुधारना मुश्किल हो जाता है।

आगे देखते हुए पांच साल, एक “सक्रिय” स्वास्थ्य सेवा डेटा वातावरण क्या दिखता है जब एआई, अंतरपरिवर्तनीयता मानक, नैदानिक संदर्भ और चिकित्सक कार्यप्रवाह अंततः एक अर्थपूर्ण तरीके से संरेखित होते हैं?

संरेखण इस बात पर निर्भर करेगा कि हर पार्टी के पास एक विश्वसनीय नैदानिक डेटा फाउंडेशन तक पहुंच है, जो प्रत्येक रोगी को प्रभावी ढंग से प्रबंधित करने और वास्तविक जनसंख्या स्वास्थ्य प्रबंधन को वास्तविकता बनाने के लिए डिज़ाइन किया गया है। इस फाउंडेशन को दिया गया, संरेखण व्यक्तिगत रोगी के साथ शुरू होता है।

प्रत्येक मुठभेड़ से पहले, एक एआई एजेंट सभी उपलब्ध डेटा को उस रोगी के लिए स्वास्थ्य जानकारी नेटवर्क, एक्सचेंज, पेयर और उद्यमों से एकत्र करता है, जबकि दूसरा एजेंट डुप्लिकेट को हटाता है और शेष डेटा को व्यवस्थित करता है। एक ऐप, कियोस्क या सहभागी एजेंट के माध्यम से, रोगी तब वर्तमान निदान, दवाएं, हाल के प्रयोगशाला परिणाम और किसी भी नए मुद्दों की पुष्टि करता है, साथ ही साथ कोई त्रुटियां भी ठीक करता है। उन परिवर्तनों का एक मसौदा चिकित्सक को समीक्षा के लिए जाता है।

मुठभेड़ के दौरान, चाहे वह आभासी हो या भौतिक, चिकित्सक जानकारी की समीक्षा करता है और उन स्थितियों पर ध्यान केंद्रित करता है जिन्हें ध्यान देने की आवश्यकता है। एक एजेंट प्रत्येक मौजूदा स्थिति या नए शिकायत के लिए नैदानिक रूप से प्रासंगिक संदर्भ को सतह पर लाता है, और परिवेशी सुनवाई बातचीत को पकड़ती है। एक दूसरा एजेंट इसे चिकित्सक की समीक्षा, सुधार और अनुमोदन के लिए सारांशित करता है।

इसके बाद, एजेंट डाउनस्ट्रीम काम संभालते हैं: आवश्यक प्राधिकरण सुरक्षित करना, फार्मेसी में नुस्खे भेजना, दावे जमा करना, अनुवर्ती देखभाल की योजना बनाना और अनुमोदित पार्टियों के लिए जानकारी पैकेज करना। पूरे में, पृष्ठभूमि एजेंट नैदानिक जोखिम का मूल्यांकन करते हैं और गुणवत्ता, जोखिम-समायोजन और नियामक प्रलेखन के लिए प्रेरित करते हैं। पूरा मॉडल प्रत्येक चरण में साफ, विश्वसनीय डेटा पर निर्भर करता है, चिकित्सकों को लूप में रखकर, जो जानकारी उत्पन्न करता है जो व्यक्तिगत रोगी देखभाल और प्रभावी जनसंख्या स्वास्थ्य प्रबंधन दोनों का समर्थन करता है।

धन्यवाद इस महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें मेडिकॉम्प सिस्टम्स पर जाना चाहिए।