Vivek Desai, yfirmaður tæknimála, Norður-Ameríku hjá RLDatix – Interview Series

Vivek Desai er Chief Technology Officer Norður-Ameríku kl RLDatix, a tengt rekstrarhugbúnaðar- og þjónustufyrirtæki í heilbrigðisþjónustu. RLDatix er í leiðangri til að breyta heilbrigðisþjónustu. Þeir hjálpa stofnunum að keyra öruggari, skilvirkari umönnun með því að bjóða upp á stjórnunarhætti, áhættu- og regluverkfæri sem knýja fram heildarumbætur og öryggi.

Hvað laðaði þig upphaflega að tölvunarfræði og netöryggi?

Ég var dregist að margbreytileika þess sem tölvunarfræði og netöryggi eru að reyna að leysa - það er alltaf að koma upp áskorun til að kanna. Frábært dæmi um þetta er þegar skýið byrjaði fyrst að ná gripi. Það gaf góð fyrirheit en vakti einnig spurningar um vinnuálagsöryggi. Það var mjög ljóst snemma að hefðbundnar aðferðir væru stopp og að stofnanir þvert á borð þyrftu að þróa nýja ferla til að tryggja á áhrifaríkan hátt vinnuálag í skýinu. Að sigla þessar nýju aðferðir var sérstaklega spennandi ferð fyrir mig og marga aðra sem starfa á þessu sviði. Þetta er kraftmikill iðnaður í þróun og því fylgir hver dagur eitthvað nýtt og spennandi.

Gætirðu deilt einhverjum af núverandi skyldum sem þú hefur sem tæknistjóri RLDatix?  

Eins og er er ég einbeittur að því að leiða gagnastefnu okkar og finna leiðir til að skapa samlegðaráhrif á milli vara okkar og gagna sem þær geyma, til að skilja betur þróun. Margar af vörum okkar geyma svipaðar tegundir af gögnum, þannig að starf mitt er að finna leiðir til að brjóta niður þessi síló og auðvelda viðskiptavinum okkar, bæði sjúkrahúsum og heilbrigðiskerfum, aðgang að gögnunum. Með þessu er ég líka að vinna að alþjóðlegri gervigreind (AI) stefnu okkar til að upplýsa þennan gagnaaðgang og nýtingu um allt vistkerfið.

Að fylgjast með nýjum straumum í ýmsum atvinnugreinum er annar mikilvægur þáttur í hlutverki mínu, til að tryggja að við stefnum í rétta stefnu. Ég er núna að fylgjast vel með stórum tungumálalíkönum (LLM). Sem fyrirtæki erum við að vinna að því að finna leiðir til að samþætta LLM í tækni okkar, til að styrkja og efla menn, sérstaklega heilbrigðisstarfsmenn, draga úr vitrænni álagi þeirra og gera þeim kleift að einbeita sér að því að sjá um sjúklinga.

Í LinkedIn bloggfærslunni þinni sem heitir "Hugleiðing um 1. ár mitt sem tæknistjóri“ skrifaðir þú, “CTOs vinna ekki einir. Þeir eru hluti af teymi." Gætirðu útskýrt nokkrar af þeim áskorunum sem þú hefur staðið frammi fyrir og hvernig þú hefur tekist á við úthlutun og teymisvinnu í verkefnum sem eru í eðli sínu tæknilega krefjandi?

Hlutverk tæknistjóra hefur breyst í grundvallaratriðum á síðasta áratug. Þeir dagar sem vinna í netþjónaherbergi eru liðnir. Nú er starfið miklu meira samstarfsverkefni. Saman, þvert á rekstrareiningar, samræmum við áherslur í skipulagi og breytum þeim vonum í tæknilegar kröfur sem knýja okkur áfram. Sjúkrahús og heilbrigðiskerfi sigla um þessar mundir í svo mörgum daglegum áskorunum, frá starfsmannastjórnun til fjárhagslegra þvingunar, og innleiðing nýrrar tækni er kannski ekki alltaf í forgangi. Stærsta markmið okkar er að sýna fram á hvernig tæknin getur hjálpað til við að draga úr þessum áskorunum, frekar en að bæta við þær, og heildarvirðið sem hún hefur í för með sér fyrir fyrirtæki þeirra, starfsmenn og sjúklinga í heild. Þetta átak er ekki hægt að gera eitt og sér eða jafnvel innan teymisins míns, svo samstarfið nær yfir þverfaglegar einingar til að þróa samræmda stefnu sem mun sýna það gildi, hvort sem það stafar af því að veita viðskiptavinum aðgang að ólæstum gagnainnsýn eða virkja ferla sem þeir geta ekki framkvæmt eins og er. .

Hvert er hlutverk gervigreindar í framtíð tengdrar heilbrigðisstarfsemi?

Eftir því sem samþætt gögn verða aðgengilegri með gervigreind, er hægt að nota þau til að tengja saman ólík kerfi og bæta öryggi og nákvæmni í gegnum samfellda umönnun. Þessi hugmynd um tengda heilsugæslustarfsemi er flokkur sem við einbeitum okkur að hjá RLDatix þar sem hún opnar hagnýt gögn og innsýn fyrir þá sem taka ákvarðanir í heilbrigðisþjónustu – og gervigreind er ómissandi í því að gera það að veruleika.

Óumsemjanlegur þáttur þessarar samþættingar er að tryggja að gagnanotkun sé örugg og í samræmi við kröfur og að áhættan sé skilin. Við erum leiðandi á markaði í stefnu, áhættu og öryggi, sem þýðir að við höfum nægt magn af gögnum til að þjálfa grunnskólanám með meiri nákvæmni og áreiðanleika. Til að ná fram raunverulegum tengdum heilsugæslustarfsemi er fyrsta skrefið að sameina hinar ólíku lausnir og hið síðara er að draga út gögn og staðla þau yfir þessar lausnir. Sjúkrahús munu hagnast mjög á hópi samtengdra lausna sem geta sameinað gagnasöfn og veitt notendum hagnýt gildi, frekar en að viðhalda aðskildum gagnasöfnum frá einstökum punktalausnum.

Í nýlegri framsöguræðu deildi framkvæmdastjóri vöruframkvæmda, Barbara Staruk, því hvernig RLDatix nýtir sér skapandi gervigreind og stór tungumálalíkön til að hagræða og gera sjálfvirkan tilkynning um öryggisatvik sjúklinga. Gætirðu útskýrt nánar hvernig þetta virkar?

Þetta er virkilega mikilvægt framtak fyrir RLDatix og frábært dæmi um hvernig við erum að hámarka möguleika LLMs. Þegar sjúkrahús og heilbrigðiskerfi fylla út atvikaskýrslur eru nú þrjú staðlað snið til að ákvarða skaðastig sem tilgreint er í skýrslunni: Sameiginleg snið Rannsóknastofnunar fyrir heilbrigðisþjónustu og gæði, Samhæfingarráð fyrir tilkynningar um lyfjamistök og forvarnir og árangur í heilbrigðisþjónustu. Umbætur (HPI) Safety Event Classification (SEC). Núna getum við auðveldlega þjálfað LLM í að lesa í gegnum texta í atvikaskýrslu. Ef sjúklingur deyr, til dæmis, getur LLM valið þær upplýsingar óaðfinnanlega út. Áskorunin felst hins vegar í því að þjálfa LLM til að ákvarða samhengi og greina á milli flóknari flokka, eins og alvarlegs varanlegs skaða, flokkunarfræði sem er innifalin í HPI SEC til dæmis, á móti alvarlegum tímabundnum skaða. Ef aðilinn sem tilkynnir inniheldur ekki nægilegt samhengi mun LLM ekki geta ákvarðað viðeigandi skaðastig fyrir það tiltekna öryggisatvik fyrir sjúklinga.

RLDatix miðar að því að innleiða einfaldari flokkun á heimsvísu í eigu okkar, með áþreifanlegum flokkum sem auðvelt er að greina á milli með LLM. Með tímanum munu notendur geta einfaldlega skrifað það sem gerðist og LLM mun sjá um það þaðan með því að draga út allar mikilvægar upplýsingar og fylla út atvikseyðublöð. Þetta er ekki aðeins verulegur tímasparnaður fyrir vinnuafl sem þegar er þvingað, heldur eftir því sem líkanið verður enn þróaðra munum við einnig geta greint mikilvægar þróun sem gerir heilbrigðisstofnunum kleift að taka öruggari ákvarðanir á öllum sviðum.

Hvað eru aðrar leiðir sem RLDatix hefur byrjað að fella LLMs inn í starfsemi sína?

Önnur leið sem við erum að nýta LLM innbyrðis er að hagræða skilríkisferlinu. Skilríki hvers veitanda eru sniðin á mismunandi hátt og innihalda einstakar upplýsingar. Til að setja það í samhengi, hugsaðu um hvernig ferilskrá hvers og eins lítur öðruvísi út - frá leturgerð, til starfsreynslu, til menntunar og heildarsniðs. Skilríki er svipað. Hvar sótti veitandinn háskóla? Hver er vottun þeirra? Í hvaða greinum eru þær birtar? Sérhver heilbrigðisstarfsmaður mun veita þessar upplýsingar á sinn hátt.

Hjá RLDatix gera LLMs okkur kleift að lesa í gegnum þessi skilríki og draga öll þessi gögn út á staðlað snið þannig að þeir sem vinna við innslátt gagna þurfi ekki að leita mikið að þeim, sem gerir þeim kleift að eyða minni tíma í stjórnunarhlutann og einbeita sér að tíma í þroskandi verkefni sem auka verðmæti.

Netöryggi hefur alltaf verið krefjandi, sérstaklega með breytingunni yfir í skýjatengda tækni, gætirðu rætt nokkrar af þessum áskorunum?

Netöryggi is krefjandi og þess vegna er mikilvægt að vinna með réttum maka. Að tryggja að LLMs haldist örugg og samræmd er mikilvægasta atriðið þegar nýta þessa tækni. Ef fyrirtækið þitt hefur ekki hollt starfsfólk innanhúss til að gera þetta, getur það verið ótrúlega krefjandi og tímafrekt. Þess vegna vinnum við með Amazon Web Services (AWS) að flestum netöryggisverkefnum okkar. AWS hjálpar okkur að innræta öryggi og samræmi sem meginreglur innan tækni okkar svo að RLDatix geti einbeitt okkur að því sem við gerum í raun vel - sem er að byggja upp frábærar vörur fyrir viðskiptavini okkar í öllum lóðréttum okkar.

Hverjar eru nokkrar af nýju öryggisógnunum sem þú hefur séð með nýlegri hröðri upptöku LLMs?

Frá RLDatix sjónarhorni eru nokkur atriði sem við erum að vinna í þegar við erum að þróa og þjálfa LLM. Mikilvæg áhersla fyrir okkur er að draga úr hlutdrægni og ósanngirni. LLM eru aðeins eins góð og gögnin sem þeir eru þjálfaðir á. Þættir eins og kyn, kynþáttur og önnur lýðfræði geta falið í sér margar innbyggðar hlutdrægni vegna þess að gagnasafnið sjálft er hlutdrægt. Hugsaðu til dæmis um hvernig suðausturhluta Bandaríkjanna notar orðið „y'all“ í daglegu máli. Þetta er einstök tungumálahlutdrægni sem felst í tilteknum sjúklingahópi sem vísindamenn verða að hafa í huga þegar þeir þjálfa LLM til að greina nákvæmlega blæbrigði tungumálsins samanborið við önnur svæði. Þessar tegundir hlutdrægni verður að bregðast við í mælikvarða þegar kemur að því að nýta LLMS innan heilsugæslunnar, þar sem þjálfun líkans innan eins sjúklingahóps þýðir ekki endilega að líkanið virki í öðru.

Að viðhalda öryggi, gagnsæi og ábyrgð eru einnig stórir áherslupunktar fyrir samtökin okkar, auk þess að draga úr tækifærum fyrir ofskynjanir og rangar upplýsingar. Að tryggja að við séum virkir að takast á við hvers kyns persónuverndarvandamál, að við skiljum hvernig líkan náði ákveðnu svari og að við höfum örugga þróunarlotu til staðar eru allir mikilvægir þættir í skilvirkri innleiðingu og viðhaldi.

Hvaða önnur reiknirit fyrir vélanám eru notuð hjá RLDatix?

Notkun vélanáms (ML) til að afhjúpa mikilvæga innsýn í tímasetningar hefur verið áhugavert notkunartilvik fyrir fyrirtæki okkar. Sérstaklega í Bretlandi höfum við verið að kanna hvernig á að nýta ML til að skilja betur hvernig vaktaskráning, eða tímasetningar hjúkrunarfræðinga og lækna, eiga sér stað. RLDatix hefur aðgang að gríðarlegu magni af tímasetningargögnum frá síðasta áratug, en hvað getum við gert við allar þessar upplýsingar? Það er þar sem ML kemur inn. Við erum að nota ML líkan til að greina þessi söguleg gögn og veita innsýn í hvernig starfsmannaaðstæður geta litið út eftir tvær vikur, á tilteknu sjúkrahúsi eða á ákveðnu svæði.

Þetta sérstaka notkunartilfelli er mjög framkvæmanlegt ML líkan, en við erum að ýta nálinni enn lengra með því að tengja það við raunverulega atburði. Til dæmis, hvað ef við skoðuðum alla fótboltadagskrá innan svæðisins? Við vitum af eigin raun að íþróttaviðburðir leiða venjulega til fleiri meiðsla og að sjúkrahús á staðnum mun líklega hafa fleiri legusjúklinga á viðburðardegi samanborið við venjulegan dag. Við erum að vinna með AWS og öðrum samstarfsaðilum til að kanna hvaða opinber gagnasöfn við getum sett til að gera tímasetningu enn straumlínulagaðri. Við höfum nú þegar gögn sem benda til þess að við munum sjá fjölgun sjúklinga í kringum stóra íþróttaviðburði eða jafnvel slæmt veður, en ML líkanið getur tekið það skrefi lengra með því að taka þessi gögn og bera kennsl á mikilvægar þróun sem mun hjálpa til við að tryggja að sjúkrahús séu nægilega vel. mönnuð, sem á endanum minnkar álagið á vinnuafl okkar og tekur iðnaðinn okkar skrefi lengra í að ná öruggari umönnun fyrir alla.

Þakka þér fyrir frábært viðtal, lesendur sem vilja læra meira ættu að heimsækja RLDatix.