Dr. Jaime Bland, Co-Founder dan CEO Aquila Health – Seri Wawancara

Dr. Jaime Bland, Co-Founder dan CEO Aquila Health, adalah pemimpin teknologi kesehatan yang fokus pada mengatasi salah satu tantangan industri yang paling persisten: data yang terfragmentasi dan tidak dapat diakses. Ia mendirikan Aquila Health untuk membangun infrastruktur data yang terunifikasi yang memungkinkan organisasi kesehatan untuk melampaui sistem yang terisolasi, dengan menggunakan pembelajaran mesin dan analitik terstruktur untuk menghasilkan wawasan yang dapat ditindaklanjuti sambil mempertahankan pengawasan klinis. Pekerjaannya berfokus pada meningkatkan interoperabilitas, memungkinkan intelijen kesehatan tingkat populasi, dan mendukung deteksi dini ancaman kesehatan yang muncul melalui sistem data klinis, klaim, dan genetik yang terintegrasi.

Aquila Health adalah platform data kesehatan yang didorong oleh AI yang dirancang untuk mengunifikasi sumber data yang berbeda-beda menjadi satu sistem yang interoperabel yang mendukung efisiensi operasional dan analitik lanjutan. Platform ini mengingest format data kesehatan dengan volume tinggi seperti HL7 dan FHIR, memungkinkan integrasi yang mulus di seluruh rumah sakit, sistem kesehatan masyarakat, dan pemangku kepentingan lainnya. Dengan menggabungkan pendekatan pembelajaran mesin yang terstruktur dengan model validasi manusia-dalam-litar, Aquila fokus pada menyampaikan wawasan yang dapat diandalkan untuk manajemen kesehatan populasi, deteksi anomali, dan pengambilan keputusan waktu nyata, daripada hanya mengandalkan sistem AI yang tidak transparan. Ini menempatkan perusahaan di persimpangan infrastruktur data dan AI yang diterapkan, di mana perbaikan kualitas data dan aksesibilitas adalah fondasi untuk membuka potensi penuh intelijen kesehatan.

Anda memimpin CyncHealth melalui pertumbuhan besar, menskala interoperabilitas di seluruh jutaan catatan pasien dan beberapa negara bagian, sebelum mendirikan Aquila Health. Apa keterbatasan atau kegagalan sistemik yang Anda temui selama perjalanan itu yang akhirnya mendorong Anda untuk membangun Aquila dari awal?

Di CyncHealth, kami menghabiskan waktu bertahun-tahun membangun infrastruktur untuk menghubungkan organisasi kesehatan di seluruh Nebraska dan Iowa. Kami menghubungkan lebih dari 1.100 situs perawatan dan jutaan catatan pasien, meliputi populasi lebih dari lima juta jiwa.

Namun, apa yang kami temui adalah bahwa menghubungkan sistem dan membuat data yang dapat digunakan adalah dua masalah yang sangat berbeda. Misalnya, kami bekerja untuk menciptakan dasbor overdosis opioid yang mengoordinasikan data yang kami terima dari beberapa sumber. Ini membutuhkan bulan dengan ratusan jam FTE dan koordinasi di seluruh banyak pemangku kepentingan untuk membuat satu titik data yang dapat dipahami dalam konteks kesehatan masyarakat dan kesehatan. Dan setelah semua itu, gambarannya masih belum lengkap.

Pengalaman itu adalah benih untuk Aquila. Cara warisan menghubungkan antarmuka tanpa memahami kelengkapan dan kualitas data ekspor tidak akan memenuhi kebutuhan dengan kemajuan AI yang telah kita lihat dalam beberapa tahun terakhir. Ketika AI dapat menyelesaikan dalam beberapa jam apa yang sebelumnya membutuhkan tim bulan, dan melakukannya dengan kualitas yang lebih tinggi dengan biaya yang jauh lebih rendah, Anda harus menggunakan pengetahuan itu untuk membangun dari fondasi baru. Itulah yang kami lakukan dengan Aquila, kami fokus pada alat modern yang mengurangi biaya penghubungan sehingga kami dapat fokus pada melengkapi gambaran keseluruhan kesehatan – tidak hanya data yang berasal dari sumber EHI tradisional, tetapi gambaran keseluruhan.

Aquila baru saja muncul dari stealth dengan platform yang berfokus pada mengunifikasi data kesehatan yang terfragmentasi menjadi lapisan tunggal yang siap AI. Apa saja terobosan teknis inti yang membuat ini memungkinkan sekarang, dibandingkan dengan beberapa tahun yang lalu?

Kemampuan AI telah mendrivir perubahan ini hampir sepenuhnya.

Saya menghabiskan waktu bertahun-tahun menonton insinyur terampil yang secara manual merekonsiliasi standar data, satu sumber pada satu waktu. Ini berhasil, tetapi model itu tidak pernah dapat diskalakan. Anda tidak bisa menyewa cukup cepat untuk menjaga agar tetap dengan volume dan keragaman data yang dihasilkan kesehatan.

Apa yang berbeda sekarang adalah AI dapat melakukan pekerjaan normalisasi secara terus-menerus pada lapisan data saat informasi bergerak melalui sistem. Ini bukan proses batch yang berjalan semalam. Ini terjadi dalam waktu nyata. Ini mengubah apa yang memungkinkan untuk tim kesehatan masyarakat dan klinis, karena data yang mereka butuhkan sudah terstruktur dan divalidasi (dibuat dapat digunakan) sebelum mencapai mereka.

Klinisi terbiasa membuat keputusan tanpa gambaran pasien yang lengkap. Kesehatan masyarakat terbiasa mengemudi program tanpa data terkini untuk mendukungnya. Aquila mengubah lanskap dan menyediakan kecepatan yang membuat pengambilan keputusan berbasis data yang efektif memungkinkan di seluruh kesehatan.

Kami membangun TREUE sebagai kerangka yang mengatur data klinis yang berasal dari EHR, laboratorium, kesehatan masyarakat, klaim, farmasi, dan data sosial ke dalam struktur yang terunifikasi. AI tidak menggantikan tata kelola data yang baik; itu membuat tata kelola data yang baik dapat diskalakan untuk pertama kalinya.

Anda menekankan bahwa tantangan nyata dalam AI kesehatan bukanlah modelnya, tetapi data itu sendiri. Apa celah kritis dalam infrastruktur data kesehatan saat ini yang mencegah AI menghasilkan hasil yang bermakna?

Industri membicarakan tentang model AI, tetapi model itu tidaklah sulit.

Bagian yang sulit adalah bahwa pasien dapat berjalan ke tiga fasilitas yang berbeda dalam satu hari dan muncul sebagai tiga orang yang berbeda dalam tiga sistem yang berbeda. Lab tidak sesuai dengan catatan klinis. Catatan pembayar memiliki pengidentifikasi yang berbeda dari catatan rumah sakit dan kesehatan masyarakat menggunakan pengidentifikasi yang sepenuhnya berbeda. Dengan waktu Anda menyortir semua itu secara manual, jendela klinis telah ditutup.

Koneksi teknis yang kuat tidak dapat memperbaiki catatan yang tidak lengkap atau tidak berurutan. AI tidak dapat mendeteksi pola yang tidak ada dalam data, dan tidak dapat membuat rekomendasi yang dapat diandalkan dari catatan yang hilang setengah dari informasi sejarah atau saat ini yang seharusnya dikandungnya.

Celahnya bukanlah kekuatan pemrosesan, tetapi kepercayaan pada data yang mendasarinya. Itulah yang harus diselesaikan terlebih dahulu, dan menyelesaikannya dengan skala adalah tempat AI dapat benar-benar mendapatkan tempatnya.

Aquila memposisikan diri sebagai “lapisan persiapan data” sebelum penggunaan AI. Bisakah Anda menjelaskan apa yang dilakukan lapisan itu dalam praktek, terutama ketika menangani input yang sangat heterogen seperti catatan klinis, data klaim, dan umpan waktu nyata?

Menggunakan contoh dari sebelumnya, pertimbangkan apa yang tiba ketika pertemuan pasien menghasilkan data. Anda mendapatkan pesan HL7 dari rumah sakit, catatan klaim dari asuransi, hasil lab dari lab referensi yang menggunakan pengidentifikasi yang berbeda, dan laporan kesehatan masyarakat yang diajukan pada timeline yang sepenuhnya berbeda. Tidak ada yang dirancang untuk direkonsiliasi dengan yang lain.

Lapisan persiapan kami, TREUE, adalah apa yang berada di antara input tersebut dan aplikasi analitik atau AI hilir. Tugasnya adalah mengevaluasi setiap catatan saat tiba, mencocokkan identitas di seluruh sumber, menormalkan format, dan menandai apa yang hilang atau tidak konsisten sebelum data bergerak lebih jauh.

Dalam praktek, ini berarti seorang klinisi yang melihat pasien bekerja dari catatan yang telah divalidasi dan diselaraskan di seluruh sumber, bukan merekonsiliasi empat pandangan sistem yang berbeda secara manual selama pertemuan perawatan. Untuk tim kesehatan masyarakat, ini berarti sinyal wabah tidak tertunda oleh data yang tiba dalam format yang berbeda dari yurisdiksi yang berbeda.

Ini adalah pekerjaan infrastruktur. Ini tidak glamor, tetapi tidak ada yang berfungsi di hilir tanpa itu.

Standar interoperabilitas seperti Fast Healthcare Interoperability Resources (FHIR) dan United States Core Data for Interoperability (USCDI) telah ada selama bertahun-tahun, namun fragmentasi masih berlanjut. Apa yang masih hilang dari perspektif standar, dan bagaimana Aquila mengatasi celah-celah tersebut dengan cara yang berbeda?

FHIR dan USCDI memberikan industri bahasa bersama untuk bertukar data. Itu adalah kemajuan penting. Tetapi bahasa bersama untuk mengirim data bukanlah hal yang sama dengan data yang berperilaku konsisten saat tiba.

Inilah celahnya: data kesehatan tidak berasal dari satu domain. Sistem klinis, registri kesehatan masyarakat, lab, dan sumber data sosial memiliki persyaratan tata kelola, timeline, dan definisi bidang yang berbeda. FHIR tidak memberitahu Anda bagaimana merekonsiliasi dataset determinan sosial dengan catatan klinis dari yurisdiksi yang berbeda.

Apa yang TREUE tambahkan adalah kerangka terunifikasi untuk bagaimana data dari semua domain tersebut dapat diatur dan divalidasi bersama, sambil tetap menghormati aturan tata kelola yang berlaku untuk setiap sumber. Hasilnya adalah data yang sebenarnya dapat dianalisis di seluruh domain, bukan hanya data yang telah berhasil dikirim.

Aquila beroperasi di lingkungan dengan konsekuensi tinggi di mana kegagalan tidak dapat diterima. Bagaimana Anda merancang sistem AI yang menyeimbangkan kinerja waktu nyata dengan persyaratan ketat sekitar tata kelola, auditabilitas, dan kepercayaan?

Anda harus membangun tata kelola ke dalam arsitektur sebelum Anda menulis baris kode aplikasi pertama. Ini tidak boleh menjadi lapisan yang Anda tambahkan setelahnya.

Di lingkungan kesehatan dan pemerintahan, keputusan yang diinformasikan oleh data ini mempengaruhi perawatan pasien, respon wabah, dan bagaimana sumber daya publik dialokasikan. Setiap tindakan yang diambil pada data harus dapat dilacak, dan akses harus dikontrol secara ketat. Sistem harus memenuhi persyaratan kepatuhan lingkungan yang dioperasikan.

Untuk Aquila, ini berarti beroperasi dalam infrastruktur cloud kelas pemerintah, kontrol akses zero-trust, dan praktik keamanan yang sejalan dengan HIPAA dan standar federal. Kami memiliki kontrak aktif dengan pemerintah negara bagian, lembaga pemerintah federal, dan organisasi kesehatan, dan lingkungan tersebut memiliki persyaratan kepatuhan yang sangat berbeda yang harus dipenuhi platform secara bersamaan.

Komponen manusia-dalam-litar sangat penting. AI dapat menyampaikan sinyal, tetapi ahli klinis memvalidasi anomali sebelum mereka menginformasikan keputusan operasional. Teknologi membuat penemuan sinyal lebih cepat. Ini tidak menggantikan penilaian orang-orang yang harus bertindak atas nama mereka.

Platform Anda mendukung penerapan AI yang aman, on-device, dan kedaulatan data. Seberapa pentingkah desentralisasi menjadi dalam AI kesehatan, terutama mengingat kekhawatiran yang meningkat sekitar privasi data dan kepatuhan peraturan?

Ini menjadi sangat penting, dan saya pikir industri hanya baru saja menyadari mengapa.

Organisasi kesehatan beroperasi di bawah kewajiban privasi yang ketat. Data pasien yang sensitif tidak dapat dipusatkan dan diproses dalam lingkungan yang dibagikan. Negara bagian yang berbeda memiliki aturan yang berbeda. Lembaga pemerintah federal memiliki aturan yang berbeda. Data kesehatan internasional memiliki set konstrain yang berbeda. Arsitektur apa pun yang memerlukan pemindahan data sensitif ke lokasi pusat akan terus-menerus menabrak dinding-dinding itu.

Arah yang sebenarnya berhasil adalah menghasilkan wawasan lebih dekat dengan tempat data sudah ada. Organisasi dapat berkontribusi pada analisis bersama tanpa kehilangan kontrol atas data yang mendasarinya. Itulah yang diizinkan oleh model federasi.

Platform kami dibangun untuk beroperasi dalam lingkungan yang diatur, terdesentralisasi – tata kelola yang bepergian dengan data daripada diterapkan pada satu titik. Ini adalah arsitektur yang lebih sulit untuk dibangun, tetapi ini adalah satu yang sebenarnya kompatibel dengan cara tata kelola data kesehatan bekerja dalam praktek.

Banyak perusahaan rintisan AI cenderung sangat bergantung pada model black-box, namun Aquila mengintegrasikan validasi manusia-dalam-litar. Di mana Anda melihat garis antara otomatisasi dan pengawasan manusia dalam sistem AI klinis?

Saya memulai karir saya sebagai perawat staf. Pengalaman itu membentuk bagaimana saya memikirkan di mana AI berada dalam pengaturan klinis, dan di mana itu tidak.

AI sangat baik dalam menemukan pola dalam dataset besar. Ini tidak baik dalam mengetahui apa arti pola untuk pasien tertentu dengan sejarah tertentu dalam konteks komunitas tertentu. Itu masih merupakan keputusan yang diambil oleh manusia.

Peran yang tepat untuk AI dalam sistem klinis adalah untuk menyampaikan sinyal yang mungkin dilewatkan oleh manusia dalam volume, bukan menggantikan penalaran klinis yang mengikuti. Di Aquila, anomali dan wawasan yang diberi label oleh sistem pergi ke klinisi dan ahli domain untuk ditinjau sebelum mereka menginformasikan keputusan operasional. Teknologi memberitahu Anda di mana harus melihat, dan profesional memberitahu Anda apa artinya.

Di mana saya pikir garisnya berada: otomatisasi deteksi, pertahankan interpretasi dengan orang-orang yang bertanggung jawab atas hasilnya.

Aquila bekerja di seluruh kesehatan masyarakat, sistem pemerintah, dan industri yang diatur. Bagaimana persyaratan untuk infrastruktur AI berbeda antara lingkungan ini dibandingkan dengan penerapan AI perusahaan tradisional?

Dalam penerapan AI perusahaan tradisional, Anda biasanya bekerja dalam satu lingkungan data organisasi, satu set aturan tata kelola, satu kerangka kepatuhan.

Lingkungan kesehatan masyarakat dan pemerintahan secara struktural berbeda. Anda mengkoordinasikan di seluruh beberapa yurisdiksi, beberapa lembaga, beberapa pengaturan klinis, masing-masing beroperasi pada timeline pelaporan yang berbeda dan di bawah kerangka hukum yang berbeda. Rumah sakit di satu negara bagian, lembaga kesehatan masyarakat di negara bagian lain, program federal dengan persyaratan data yang berbeda. Semua itu perlu bertukar data dan menghasilkan wawasan tanpa satu entitas memiliki akses yang tidak terkendali ke catatan lain.

Infrastruktur harus mendukung pemrosesan volume tinggi sambil mempertahankan auditabilitas yang ketat di seluruh semua batasan tersebut. Ini harus terintegrasi dengan format pesan kesehatan warisan, karena sistem tersebut tidak akan pergi. Dan ini harus beroperasi dengan andal dalam lingkungan di mana downtime bukan hanya masalah bisnis, tetapi juga masalah keselamatan pasien.

Kesulitan itu adalah mengapa kami memulai Aquila dengan lingkungan tersebut daripada pasar perusahaan tradisional. Jika Anda dapat membangun infrastruktur yang bekerja di sini, itu akan bekerja di mana saja.

Kemampuan AI terus berkembang lebih cepat daripada kerangka tata kelola. Apa tanggung jawab yang dimiliki pendiri dan pembangun platform untuk memastikan sistem ini diterapkan dengan etis dan aman dari hari pertama?

Saya pikir tanggung jawabnya sederhana, bahkan jika memenuhinya tidak. Jika Anda membangun AI yang mempengaruhi keputusan klinis atau hasil kesehatan masyarakat, Anda tidak dapat mengobati tata kelola sebagai item jalan produk yang akan Anda capai suatu hari nanti. Ini harus dirancang dari awal.

Apa yang ini maksudkan secara praktis adalah setiap tindakan pada data harus dapat diaudit. Model harus dapat diinterpretasikan cukup sehingga seorang klinisi dapat memahami mengapa sinyal diberi label. Ahli klinis harus menjadi bagian dari proses tinjauan, bukan sebagai pemikiran belakangan. Dan organisasi harus jujur tentang apa yang dapat dan tidak dapat sistem lakukan dengan andal.

Saya telah menghabiskan karir saya di lingkungan di mana kegagalan data memiliki konsekuensi nyata bagi orang-orang nyata. Itu membentuk bagaimana saya memikirkan ini. Kemampuan AI berkembang dengan cepat, dan akuntabilitas untuk bagaimana mereka diterapkan tidak dapat dibiarkan tertinggal. Pendiri yang membangun sistem ini harus memegang standar untuk diri mereka sendiri, bukan menunggu peraturan untuk mengenakan.

Terima kasih atas diskusi yang mendalam. Pembaca yang tertarik untuk menjelajahi platform dan pendekatannya terhadap infrastruktur data kesehatan dapat mempelajari lebih lanjut dengan mengunjungi Aquila Health.