David Lareau, Presiden dan CEO Medicomp Systems – Seri Wawancara

David Lareau, Presiden dan CEO Medicomp Systems, adalah eksekutif teknologi kesehatan dan wirausaha dengan karir yang hampir lima dekade. Setelah memulai karirnya di bidang audit komputer dan manajemen, ia mendirikan Dexcom Systems pada tahun 1987, membantu menerapkan beberapa jaringan komunikasi perusahaan dan lingkungan LAN skala besar pertama untuk organisasi seperti Bank Dunia, DuPont, dan Rumah Sakit Sinai. Ia bergabung dengan Medicomp Systems pada tahun 1995 sebagai Chief Operating Officer dan diangkat sebagai CEO pada tahun 2012, memimpin evolusi perusahaan dari penyedia mesin pengetahuan klinis yang berani menjadi perusahaan kesehatan AI dan interoperabilitas modern. Di bawah kepemimpinannya, Medicomp telah memperluas jangkauan globalnya, memajukan solusi intelijen klinis berbasis bukti, dan fokus pada meningkatkan produktivitas klinisi, kegunaan data, dan perawatan pasien melalui teknologi kesehatan yang lebih cerdas.

Medicomp Systems adalah perusahaan teknologi kesehatan yang paling dikenal karena kecerdasan klinis dan teknologi mesin pengetahuan yang mengubah data kesehatan yang kompleks dan terfragmentasi menjadi informasi yang terstruktur dan klinis yang relevan. Didirikan di sekitar mesin pengetahuan klinis MEDCIN yang dipatenkan, platform Quippe andalan perusahaan membantu organisasi kesehatan memperbaiki dokumentasi klinis, interoperabilitas, pengukuran kualitas, penyesuaian risiko, dan dukungan keputusan yang didorong oleh AI. Dirancang untuk mencerminkan bagaimana klinisi berpikir dan bekerja, solusi Medicomp digunakan oleh rumah sakit, sistem kesehatan, vendor EHR, dan organisasi kesehatan di seluruh dunia untuk mempermudah alur kerja, mengurangi beban administratif, dan menyampaikan wawasan pasien yang lebih bermakna di titik perawatan. Perusahaan ini telah menjadi pemimpin yang diakui dalam menggabungkan grafik pengetahuan klinis, data terstruktur, dan AI untuk mendukung keputusan kesehatan yang lebih akurat, efisien, dan tepercaya

Anda telah menghabiskan hampir empat dekade bekerja di bidang kesehatan IT, dari jaringan komunikasi perusahaan dan sistem billing medis hingga memimpin Medicomp Systems selama lebih dari 30 tahun. Mengingat evolusi itu, apa masalah data kesehatan dasar yang Anda percaya industri masih belum memecahkan?

Industri kesehatan masih kekurangan standar terintegrasi untuk data klinis. Standar terminologi yang kita andalkan masing-masing dibuat untuk memecahkan masalah pengkodean dalam domain tunggal: ICD-10 untuk diagnosis, CPT dan HCPCS untuk prosedur dan tes, LOINC untuk hasil laboratorium dan pengukuran lainnya, RxNorm untuk obat-obatan, dan SNOMED CT untuk temuan klinis. Masing-masing dibangun untuk billing, klasifikasi atau penelitian. Tidak satu pun dibangun untuk mengatur perawatan pasien.

Sistem informasi kesehatan menggunakan standar ini untuk menyelesaikan transaksi tertentu, sebagian besar di antaranya terkait dengan pembayaran, bukan untuk memberikan penyedia layanan gambaran terintegrasi tentang status pasien. Pertimbangkan pasien dengan diabetes. Data pasien tersebut tersebar di tab terpisah dalam sistem informasi kesehatan, tanpa satu “tampilan diabetes” yang mengumpulkan semua yang terkait dengan kondisi tersebut. Sistem pengkodean tidak berbagi skema umum, yang membuatnya tidak efisien secara komputasi, dan ketidakefisienan itu menjadi masalah yang jauh lebih besar dalam dunia AI klinis. AI bergantung pada data yang baik, dan industri kita belum memiliki itu.

Bayangkan gudang Amazon (AMZN ) yang mencoba beroperasi tanpa unit penyimpanan stok (SKU), bergantung pada deskripsi teks dari setiap item, masing-masing deskripsi terkait dengan struktur data yang berbeda dari satu jenis item ke item lainnya. Hampir setiap industri memiliki beberapa versi SKU. Kesehatan tidak, dan karena itu data tetap terfragmentasi dan tidak konsisten.

Anda telah menggambarkan banyak repositori kesehatan modern sebagai “rawa data” daripada danau data yang dapat digunakan. Apa kesalahan arsitektur terbesar yang dilakukan sistem kesehatan selama terburu-buru untuk mengentralisasi data?

Kesalahan terbesar adalah mengorganisir repositori dengan cara sistem sumber diorganisir, di sekitar domain dan transaksi daripada di sekitar pasien. Sebagian besar sistem kesehatan masih memisahkan informasi klinis menjadi domain diskrit seperti lab, obat-obatan, prosedur, dan diagnosis. Pengguna, dan perangkat lunak yang mereka andalkan, kemudian harus mencapai ke berbagai file dan lokasi untuk merakit gambaran tentang pasien, yang membuat setiap proses lebih lambat dan lebih merepotkan.

Isu yang lebih dalam adalah bahwa setiap transaksi, apakah tagihan, resep, pesanan tes, atau hasil laboratorium, disimpan sebagai item mandiri daripada sebagai bagian dari gambaran terintegrasi tentang kondisi pasien. Mengentralisasi data tersebut di satu tempat tidak memecahkan masalah. Danau data yang dipenuhi dengan catatan terfragmentasi dan terikat domain menjadi rawa data karena volume saja, tanpa organisasi klinis, tidak menghasilkan pemahaman.

Sebagian besar informasi klinis yang bermakna masih hidup di dalam catatan dokter, laporan pencitraan, dan ringkasan pulang karena tidak ada di bidang terstruktur. Mengapa industri bergelut untuk mengoperasikan data klinis tidak terstruktur pada skala besar?

Hal ini berubah, dan dengan cepat. Model bahasa besar (LLM) sekarang dapat menghasilkan ringkasan teks dari pertemuan bebas dari singkatan dan bahasa sandi idiosinkratik, membuatnya jauh lebih mudah bagi pemrosesan bahasa alami klinis (NLP) untuk mengekstrak data terstruktur dan terkodifikasi dari teks tersebut. Di masa lalu, menangkap data terstruktur berarti meminta klinisi untuk bekerja melalui daftar periksa atau formulir, yang mereka temukan merepotkan dan sebagian besar tidak dapat digunakan.

Hari ini, urutan kerja berbeda. Pemrosesan ambient menghasilkan catatan teks yang cukup bersih, LLM merangkum catatan tersebut ke dalam bentuk semi-terstruktur, dan NLP kemudian berjalan pada ringkasan. Ketika NLP diarahkan pada target data klinis yang tepat, yang mewakili konsep klinis daripada daftar kode datar, itu dapat menghasilkan data terstruktur yang baik dari teks naratif. Mencapai hal ini masih membutuhkan kombinasi teknologi yang bekerja bersama, dan itu bergantung sepenuhnya pada memiliki target data klinis yang tepat di tempat.

Anda berpendapat bahwa tantangan inti bukanlah “kualitas data” tetapi fragmentasi data. Bisakah Anda menjelaskan perbedaan, dan mengapa perbedaan itu penting untuk sistem kesehatan yang didorong oleh AI?

Kedua hal tersebut terkait erat, namun mereka menggambarkan masalah yang berbeda, dan perbedaan itu sangat penting untuk AI. Kualitas data adalah tentang apakah suatu potongan informasi akurat, lengkap, dan direkam dengan benar. Fragmentasi data adalah struktural. Fragmentasi terjadi ketika informasi klinis, terlepas dari kualitasnya, terbagi di seluruh domain dan sistem pengkodean yang berbeda dan disimpan dalam format dan lokasi yang berbeda.

Fragmentasi tersebut adalah praktik saat ini karena setiap sistem pengkodean dirancang untuk kasus penggunaan transaksional terpisah. Pendekatan itu memadai untuk menulis resep, menghasilkan tagihan, atau menangani tugas diskrit lainnya. Perawatan pasien secara keseluruhan adalah masalah yang berbeda, yang memerlukan informasi dari beberapa domain untuk dibawa bersama, diproses, dan ditampilkan sebagai gambaran terhubung tunggal tentang pasien. Catatan dapat dipenuhi dengan titik data yang akurat secara individual dan masih gagal klinisi, karena tidak ada yang menghubungkan titik-titik tersebut ke dalam gambaran tersebut.

Anda telah menyoroti tiga celah utama dalam kebanyakan danau data kesehatan: ekstraksi naratif melalui NLP, grafik pengetahuan klinis, dan rekonsiliasi catatan yang bertentangan. Mana dari kemampuan yang hilang ini yang saat ini menyebabkan dampak hilir terbesar pada perawatan pasien?

Dua dari tiga kemampuan tersebut terkait erat: rekonsiliasi catatan yang bertentangan, dan fakta bahwa grafik pengetahuan klinis hanya sebaik data yang dioperasikannya. Dari ketiga, rekonsiliasi saat ini menyebabkan kerusakan hilir terbesar, karena berada di hulu dari semua yang lain.

Banyak dari apa yang hidup dalam catatan pasien dimasukkan dengan menyalin dan menempel dari pertemuan sebelumnya atau dengan mengkonsolidasikan informasi dari beberapa penyedia. Memindahkan informasi tersebut antara sistem dengan Sumber Daya Interoperabilitas Kesehatan Cepat (FHIR) membuatnya lebih mudah untuk mengirim dan menerima, namun tidak melakukan apa pun untuk meningkatkan kualitas dasar. Jalankan AI atau grafik pengetahuan klinis pada informasi tersebut dan hasilnya kemungkinan akan membawa ketidakkonsistenan yang sama ke depan.

Standar seperti SNOMED CT, LOINC, RxNorm, FHIR, dan C-CDA sering dibahas sebagai solusi interoperabilitas. Dalam praktiknya, mengapa banyak organisasi masih bergelut untuk mengubah kepatuhan standar menjadi sistem klinis yang berguna?

Banyak sistem dan organisasi membawa data yang dikodekan dengan buruk karena antarmuka penggunanya membuatnya paling mudah untuk memilih item pertama yang ditampilkan. Antarmuka tersebut dibangun untuk memindahkan kode secepat mungkin untuk billing, bukan untuk menyediakan konteks klinis yang akan memungkinkan pengguna untuk merekam kondisi dengan akurat.

ICD-10, misalnya, mencakup kode untuk “neuropati motorik dan sensorik turun-temurun,” kategori yang tidak membedakan penyakit Charcot-Marie-Tooth dari sindrom Roussy-Lévy, meskipun keduanya jatuh dalam kategori tersebut. Jika antarmuka pengguna menampilkan kategori tersebut pertama dan membuat kondisi spesifik lebih sulit dipilih, pengguna kemungkinan akan memilih kategori. Kategori tersebut mungkin cukup untuk memiliki klaim yang dibayar, namun jauh kurang berguna secara klinis daripada kondisi spesifik. Semua terminologi pengkodean transaksional berbagi beberapa versi masalah ini.

Medicomp telah menghabiskan bertahun-tahun membangun terminologi klinis yang terhubung dan mesin relevansi di sekitar sistem seperti MEDCIN. Seberapa penting grafik pengetahuan klinis untuk membuat AI kesehatan yang dapat dipercaya dan sadar konteks?

Grafik pengetahuan klinis sangat penting karena membuat data dapat digunakan pada saat klinisi atau peninjau sebenarnya membutuhkannya. Tesnya sederhana. Ketika pasien memiliki kondisi spesifik yang sedang dikelola, apakah pengguna dapat melihat semua yang terkait dengan kondisi tersebut segera, atau apakah mereka harus menyortir seluruh catatan, tab demi tab, untuk merekonstruksi konteks klinis? Grafik pengetahuan klinis yang dibangun di atas data klinis yang bersih dapat menampilkan konteks tersebut dalam sekejap. Tanpa itu, menemukan informasi yang sama membutuhkan waktu terlalu lama.

Banyak organisasi kesehatan sekarang menerapkan kopilot AI generatif dan sistem dokumentasi ambient. Apa risiko yang muncul ketika sistem AI tersebut dilatih atau dioperasikan pada data klinis yang terfragmentasi dan tidak terkait konteks?

Halusinasi dan pengklasifikasian informasi yang salah adalah dua risiko paling umum, dan keduanya menjadi lebih mungkin ketika data dasar terfragmentasi dan tidak terkait konteks.

Contoh pribadi: ayah saya meninggal karena kanker hati pada usia 78, namun pada kunjungan baru-baru ini, saya ditanya berapa lama saya telah sembuh. Sistem dokumentasi ambient telah merekam riwayat pribadi kanker hati dalam catatan saya sendiri. Seorang rekan saya mengalami sesuatu yang serupa. Ia memiliki penyakit paru obstruktif kronis (PPOK) yang dimasukkan dalam catatannya karena penyedia, menggunakan dokumentasi ambient, telah memesan sinar-X dada untuk mengesampingkannya. Ketika ia kemudian mengajukan asuransi jiwa, ia ditolak, dan alasan yang diberikan adalah diagnosis PPOK yang dihasilkan oleh pesanan sinar-X sebelumnya.

Ada kegembiraan yang tumbuh sekitar kemajuan interoperabilitas nasional, dengan ratusan juta catatan yang sekarang dipertukarkan setiap tahunnya. Apa yang masih perlu terjadi sebelum klinisi dapat benar-benar mempercayai bahwa data yang dipertukarkan lengkap, akurat, dan relevan secara klinis pada titik perawatan?

Dua hal harus terjadi. Pertama, penyedia yang menandatangani pertemuan, yang semakin banyak dihasilkan oleh alat ambient dengan ringkasan LLM, memerlukan pengaman yang mudah digunakan dan tersedia sebelum mereka menandatangani, pada titik tepat sebelum data tersebut memasuki catatan pasien. Begitu informasi yang salah masuk ke dalam catatan, setiap penggunaan hilir dari itu mewarisi masalah “sampah masuk, sampah keluar” yang sudah lama, dan memperbaikinya setelah itu sulit.

Kedua, bahkan ketika data akurat, klinisi harus dapat menemukan apa yang mereka butuhkan tanpa harus menyortir semua yang lain dalam catatan. Mempertukarkan ratusan juta catatan tidak banyak membantu jika klinisi penerima tidak dapat menemukan informasi yang relevan atau mempercayai bahwa itu mencerminkan gambaran klinis pasien yang sebenarnya. Validasi pada titik perawatan dan pengambilan yang mudah adalah apa yang membuat data yang dipertukarkan sesuatu yang klinisi benar-benar dapat mengandalkan.

Menghadap ke depan lima tahun, apa yang tampak seperti lingkungan data kesehatan yang “diaktifkan” ketika AI, standar interoperabilitas, konteks klinis, dan alur kerja dokter akhirnya selaras dengan cara yang bermakna?

Penyelarasan akan bergantung pada setiap pihak memiliki akses ke fondasi data klinis yang dapat diandalkan, yang dirancang untuk mengelola setiap pasien secara efektif dan, secara kolektif, untuk membuat manajemen kesehatan populasi yang sebenarnya menjadi kenyataan. Dengan fondasi itu, penyelarasan dimulai dengan pasien individu.

Sebelum setiap pertemuan, satu agen AI mengumpulkan semua data yang tersedia untuk pasien tersebut dari jaringan informasi kesehatan, pertukaran, pembayar, dan perusahaan, sementara agen lain menghapus duplikat dan mengatur data yang tersisa. Melalui aplikasi, kios, atau agen percakapan, pasien kemudian memverifikasi diagnosis saat ini, obat-obatan, hasil laboratorium terbaru, dan masalah baru, memperbaiki kesalahan di sepanjang jalan. Konsep perubahan tersebut dikirim ke klinisi untuk ditinjau.

Pada pertemuan, virtual atau fisik, klinisi meninjau informasi tersebut dengan pasien dan beralih ke kondisi yang memerlukan perhatian. Agen menampilkan konteks diagnostik yang relevan untuk setiap kondisi yang ada atau keluhan baru, dan pemrosesan ambient menangkap percakapan. Agen kedua merangkumnya untuk klinisi untuk meninjau, memperbaiki, dan menyetujui.

Dari sana, agen menangani pekerjaan hilir: mengamankan otorisasi yang diperlukan, mengirim resep ke apotek, mengirimkan klaim, menjadwalkan perawatan lanjutan, dan mengemas informasi untuk pihak yang disetujui. Di sepanjang jalan, agen latar belakang menilai risiko klinis dan memicu dokumentasi kualitas, penyesuaian risiko, dan regulasi. Seluruh model ini bertumpu pada data yang bersih dan dapat diandalkan pada setiap langkah, dengan klinisi yang tetap dalam loop, menghasilkan informasi yang mendukung perawatan pasien individu dan manajemen kesehatan populasi yang efektif.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Medicomp Systems.