David Lareau, Presidente e Amministratore Delegato di Medicomp Systems – Serie di Interviste

David Lareau, Presidente e Amministratore Delegato di Medicomp Systems, è un dirigente di tecnologia sanitaria e imprenditore con una carriera che copre quasi cinque decenni. Dopo aver iniziato la sua carriera nel controllo dei computer e nella gestione, ha fondato Dexcom Systems nel 1987, aiutando a distribuire alcune delle prime reti di comunicazione aziendali e ambienti LAN su larga scala per organizzazioni come la Banca Mondiale, DuPont e l’Ospedale Sinai. Si è unito a Medicomp Systems nel 1995 come Direttore Operativo e è stato nominato Amministratore Delegato nel 2012, guidando l’evoluzione dell’azienda da fornitore di motori di conoscenza clinica pionieristici a un’azienda di tecnologia sanitaria moderna di intelligenza artificiale e interoperabilità. Sotto la sua guida, Medicomp ha ampliato la sua portata globale, avanzato soluzioni di intelligenza clinica basate sull’evidenza e si è concentrato sul miglioramento della produttività dei clinici, sull’usabilità dei dati e sull’assistenza ai pazienti attraverso una tecnologia sanitaria più intelligente.

Medicomp Systems è un’azienda di tecnologia sanitaria nota per la sua intelligenza clinica e tecnologia di motori di conoscenza che trasforma dati sanitari complessi e frammentati in informazioni strutturate e clinicamente rilevanti. Fondata intorno al motore di conoscenza clinica MEDCIN brevettato, la piattaforma Quippe dell’azienda aiuta le organizzazioni sanitarie a migliorare la documentazione clinica, l’interoperabilità, la misurazione della qualità, l’aggiustamento del rischio e il supporto decisionale guidato dall’intelligenza artificiale. Progettata per riflettere il modo in cui i clinici pensano e lavorano, le soluzioni di Medicomp sono utilizzate da ospedali, sistemi sanitari, fornitori di registri elettronici sanitari e organizzazioni sanitarie in tutto il mondo per semplificare i flussi di lavoro, ridurre l’onere amministrativo e fornire informazioni più significative ai pazienti nel punto di cura. L’azienda è diventata un leader riconosciuto nella combinazione di grafi di conoscenza clinica, dati strutturati e intelligenza artificiale per supportare decisioni sanitarie più accurate, efficienti e affidabili.

Ha trascorso quasi quattro decenni lavorando nel settore della tecnologia sanitaria, dalle prime reti di comunicazione aziendale e sistemi di fatturazione sanitaria alla guida di Medicomp Systems per oltre 30 anni. Guardando indietro a quell’evoluzione, qual è il problema fondamentale dei dati sanitari che ritiene l’industria non abbia ancora risolto?

L’industria sanitaria manca ancora di uno standard integrato per i dati clinici. Gli standard di terminologia su cui facciamo affidamento sono stati creati per risolvere problemi di codifica all’interno di un singolo dominio: ICD-10 per le diagnosi, CPT e HCPCS per le procedure e i test, LOINC per i risultati di laboratorio e altre misurazioni, RxNorm per i farmaci e SNOMED CT per le scoperte cliniche. Ognuno di essi è stato costruito per la fatturazione, la classificazione o la ricerca. Nessuno è stato costruito per organizzare le cure di un paziente.

I sistemi di informazione sanitaria utilizzano questi standard per completare transazioni specifiche, la maggior parte delle quali è legata al rimborso, piuttosto che fornire ai fornitori una visione integrata dello stato del paziente. Consideriamo un paziente con diabete. I dati di quel paziente sono sparsi in schede separate nel sistema di informazione sanitaria, senza una singola “visione del diabete” che riunisca tutto ciò che è relativo alla condizione. I sistemi di codifica condividono nessuno schema comune, il che li rende computazionalmente inefficienti, e quell’inefficienza diventa un problema molto più grande in un mondo di intelligenza artificiale clinica. L’intelligenza artificiale dipende da buoni dati, e il nostro settore non li ha ancora.

Immagina un magazzino Amazon che tenta di operare senza unità di gestione delle scorte (SKU), affidandosi invece a descrizioni testuali di ogni articolo, ogni descrizione collegata a una struttura di dati che cambia da un tipo di articolo all’altro. Quasi ogni industria ha una versione degli SKU. La sanità non ce l’ha, e quindi i suoi dati rimangono frammentati e inconsistenti.

Ha descritto molti moderni repository sanitari come “paludi di dati” piuttosto che laghi di dati azionabili. Quali sono gli errori architettonici più grandi che i sistemi sanitari hanno fatto durante la corsa alla centralizzazione dei dati?

L’errore centrale è stato organizzare il repository nel modo in cui erano organizzati i sistemi di origine, intorno a domini e transazioni piuttosto che intorno al paziente. La maggior parte dei sistemi sanitari separa ancora le informazioni cliniche in domini discreti come laboratori, farmaci, procedure e diagnosi. Gli utenti, e il software su cui fanno affidamento, devono quindi raggiungere file e posizioni diverse per assemblare un’immagine del paziente, il che rende ogni processo più lento e più faticoso.

Il problema più profondo è che ogni transazione, sia una fattura, una prescrizione, un ordine di test o un risultato di laboratorio, viene archiviato come un elemento autosufficiente piuttosto che come parte di una visione integrata della condizione del paziente. Centralizzare quei dati in un unico luogo non risolve il problema. Un lago di dati pieno di registri frammentati e legati a domini diventa una palude di dati perché il volume da solo, senza organizzazione clinica, non produce comprensione.

Una grande percentuale di informazioni clinicamente significative vive ancora all’interno delle note dei medici, dei referti di imaging e delle dimissioni piuttosto che in campi strutturati. Perché l’industria ha faticato così tanto a operazionalizzare i dati clinici non strutturati su larga scala?

Questo sta cambiando, e rapidamente. I grandi modelli di linguaggio (LLM) possono ora generare riassunti testuali di incontri liberi da abbreviazioni e abbreviazioni idiosincratiche, rendendo molto più facile per l’elaborazione del linguaggio naturale clinica (NLP) estrarre dati codificati strutturati da quel testo. In passato, catturare dati strutturati significava chiedere ai clinici di lavorare attraverso elenchi di controllo o moduli, che trovavano ingombranti e largamente inutilizzabili.

Oggi, la sequenza funziona diversamente. L’ascolto ambientale produce una nota testuale ragionevolmente pulita, un LLM riassume quella nota in una forma semi-strutturata e l’NLP esegue quindi il riassunto. Quando l’NLP è puntato su un bersaglio di dati clinici appropriato, che rappresenta concetti clinici piuttosto che un elenco piatto di codici, può produrre dati ben strutturati da testo narrativo. Raggiungere questo ancora richiede una combinazione di tecnologie che lavorano insieme, e dipende interamente dall’avere quel bersaglio di dati clinici appropriato in posizione.

Sostiene che la sfida fondamentale non sia la “qualità dei dati” ma la frammentazione dei dati. Può spiegare la differenza e perché quella distinzione è importante per i sistemi sanitari guidati dall’intelligenza artificiale?

I due sono strettamente collegati, eppure descrivono problemi diversi, e quella differenza è molto importante per l’intelligenza artificiale. La qualità dei dati riguarda se un pezzo di informazione è accurato, completo e registrato correttamente. La frammentazione dei dati è strutturale. La frammentazione si verifica quando le informazioni cliniche, indipendentemente dalla loro qualità, sono divise in domini e sistemi di codifica separati e archiviate in formati e posizioni diversi.

Quella frammentazione è l’attuale pratica perché ogni sistema di codifica è stato progettato per un caso d’uso transazionale separato. L’approccio era adeguato per scrivere una prescrizione, generare una fattura o gestire altre attività discrete. La cura complessiva del paziente è un problema diverso, che richiede informazioni da più domini da riunire, elaborate e visualizzate come una singola visione diagnostica connessa del paziente. Un record può essere pieno di punti di dati individualmente accurati eppure fallire il clinico, perché nulla collega quei punti in quella visione.

Ha evidenziato tre lacune principali nella maggior parte dei laghi di dati sanitari: estrazione narrativa attraverso l’NLP, grafi di conoscenza clinica e riconciliazione di registri in conflitto. Quale di quelle capacità mancanti sta attualmente causando il maggior impatto a valle sull’assistenza ai pazienti?

Due di esse sono strettamente collegate: la riconciliazione dei registri in conflitto e il fatto che un grafo di conoscenza clinica sia solo buono quanto i dati su cui opera. Di quelle tre, la riconciliazione sta attualmente facendo il maggior danno a valle, perché si trova a monte di tutto il resto.

Molto di ciò che vive in una cartella clinica è stato inserito copiando e incollando da precedenti incontri o consolidando informazioni da più fornitori. Spostare quelle informazioni tra sistemi con Risorse di interoperabilità sanitaria rapide (FHIR) rende più facile inviarle e riceverle, ma non fa nulla per migliorare la qualità sottostante. Eseguire l’intelligenza artificiale o un grafo di conoscenza clinica su quelle informazioni produrrà probabilmente risultati che portano le stesse incoerenze in avanti.

Consideriamo un paziente con diabete che viene valutato per retinopatia o cataratta. Quella valutazione non significa che il paziente abbia cataratta diabetica, poiché le cataratte possono essere cataratte correlate all’età non correlate al diabete. Un LLM potrebbe perdere quella distinzione, e l’associazione falsa entra quindi nel record del paziente e rimane lì mentre si sposta da un sistema all’altro. Un grafo di conoscenza dato dati scadenti produrrà risultati scadenti.

Standard come SNOMED CT, LOINC, RxNorm, FHIR e C-CDA sono spesso discussi come soluzioni di interoperabilità. Nella pratica, perché molte organizzazioni continuano a lottare per trasformare la conformità agli standard in sistemi clinicamente utili?

Molti sistemi e organizzazioni trasportano dati mal codificati perché le loro interfacce utente rendono più facile selezionare il primo elemento presentato. Quelle interfacce sono costruite per spostare il codice il più velocemente possibile per la fatturazione, piuttosto che fornire il contesto clinico che consentirebbe all’utente di registrare la condizione in modo accurato.

ICD-10, ad esempio, include un codice per “neuropatia motoria e sensoriale ereditaria”, una categoria che non distingue la malattia di Charcot-Marie-Tooth dalla sindrome di Roussy-Lévy, anche se entrambe rientrano in essa. Se un’interfaccia utente presenta per prima quella categoria e rende più difficile selezionare la condizione specifica, l’utente sceglierà probabilmente la categoria. La categoria potrebbe essere sufficiente per far pagare una richiesta, ma è molto meno clinicamente utile della condizione specifica. Tutte le terminologie di codifica transazionale condividono alcuni problemi di questo tipo.

Registrare la condizione più specifica, quindi, spetta ai progettisti del sistema e dell’interfaccia utente, e nel tempo scivola giù nella loro lista di priorità. Finché le transazioni continuano a fluire e le richieste vengono pagate, l’incentivo a progettare per la specificità clinica svanisce.

Medicomp ha trascorso anni costruendo terminologie clinicamente connesse e motori di rilevanza intorno a sistemi come MEDCIN. Quanto è importante un grafo di conoscenza clinica per rendere l’intelligenza artificiale sanitaria affidabile e consapevole del contesto?

Un grafo di conoscenza clinica è essenziale perché rende i dati utilizzabili nel momento in cui un clinico o un revisore li richiede effettivamente. La prova è semplice. Quando un paziente ha una condizione specifica che viene gestita, l’utente può vedere tutto ciò che è relativo a quella condizione subito, o deve sfogliare l’intero record, scheda per scheda, per ricostruire il contesto clinico? Un grafo di conoscenza clinica costruito su dati clinici puliti può superficiale quel contesto in un istante. Senza di esso, trovare le stesse informazioni richiede troppo tempo.

Questo è il motivo per cui, ogni volta che visito il mio mega-ospedale, mi viene chiesto di compilare un modulo di storia medica di quattro pagine e sei schermi con le stesse informazioni che ho fornito il mese precedente. Trovare qualcosa nei sistemi di informazione sanitaria attuali è semplicemente troppo difficile. Medicomp ha trascorso più di 45 anni costruendo MEDCIN e il suo grafo di conoscenza clinica per colmare proprio quella lacuna, in modo che l’intelligenza artificiale che opera su dati puliti e connessi possa essere sia affidabile che consapevole del contesto clinico del paziente.

Molte organizzazioni sanitarie stanno ora distribuendo copiloti di intelligenza artificiale generativa e sistemi di documentazione ambientale. Quali rischi sorgono quando quei sistemi di intelligenza artificiale vengono addestrati o operano su dati clinici frammentati e scarsamente contestualizzati?

Allucinazione e miscategorizzazione delle informazioni sono due dei rischi più comuni, e entrambi diventano più probabili quando i dati sottostanti sono frammentati e scarsamente contestualizzati.

Un esempio personale: mio padre è morto di cancro al fegato all’età di 78 anni, ma durante una recente visita, mi è stato chiesto quanto tempo fossi stato in remissione. Il sistema di documentazione ambientale aveva registrato una storia personale di cancro al fegato nel mio stesso record. Un collega si è imbattuto in qualcosa di simile. Aveva una malattia polmonare ostruttiva cronica (BPCO) registrata nel suo record perché il suo fornitore, utilizzando la documentazione ambientale, aveva ordinato una radiografia del torace per escluderla. Quando ha successivamente presentato domanda per un’assicurazione sulla vita, gli è stata negata e il motivo addotto è stata la diagnosi di BPCO che l’ordine di radiografia precedente aveva involontariamente generato.

I fallimenti del contesto possono essere ancora più strani. In un caso recente, un paziente maschio che ha menzionato di aver mangiato uova a colazione è stato riclassificato come femmina, presumibilmente perché il sistema ha associato la parola “uova” alla biologia femminile. Ognuno di questi errori è facile da ridere in isolamento. Una volta che vengono scritti in un record e scambiati tra sistemi, smettono di essere divertenti.

C’è un crescente entusiasmo per i progressi dell’interoperabilità nazionale, con centinaia di milioni di record scambiati ogni anno. Cosa deve ancora accadere prima che i clinici possano fidarsi veramente che i dati scambiati siano completi, accurati e clinicamente rilevanti nel punto di cura?

Due cose devono accadere. In primo luogo, i fornitori che firmano gli incontri, che sono sempre più generati da strumenti di ascolto ambientale con riassunto LLM, devono avere a disposizione rapide e facili barriere di protezione prima di firmare, nel punto immediatamente prima che quei dati entrino nel record del paziente. Una volta che le informazioni errate entrano nel record, ogni utilizzo successivo di esse eredita il vecchio problema “spazzatura dentro, spazzatura fuori”, e correggerle dopo il fatto è difficile.

In secondo luogo, anche quando i dati sono accurati, un clinico deve essere in grado di trovare ciò di cui ha bisogno senza dover sfogliare tutto il resto del record. Scambiare centinaia di milioni di record non fa molto bene se il clinico che li riceve non può localizzare le informazioni rilevanti o fidarsi che riflettano l’immagine clinica vera del paziente. La convalida nel punto di cura e il recupero facile sono ciò che rende i dati scambiati qualcosa su cui un clinico può effettivamente fare affidamento.

Guardando avanti di cinque anni, cosa assomiglia un “attivato” ambiente di dati sanitari quando l’intelligenza artificiale, gli standard di interoperabilità, il contesto clinico e i flussi di lavoro dei medici sono finalmente allineati in modo significativo?

L’allineamento dipenderà dal fatto che ogni parte abbia accesso a una solida base di dati clinici, progettata per gestire ogni paziente in modo efficace e, collettivamente, per rendere la gestione della salute della popolazione una realtà. Dato quel fondamento, l’allineamento inizia con il singolo paziente.

Prima di ogni incontro, un agente di intelligenza artificiale assembla tutti i dati disponibili per quel paziente da reti di informazione sanitaria, scambi, pagatori ed imprese, mentre un altro agente rimuove i duplicati e organizza i dati rimanenti. Attraverso un’app, un chiosco o un agente conversazionale, il paziente verifica quindi le diagnosi attuali, i farmaci, i risultati di laboratorio recenti e eventuali nuovi problemi, correggendo gli errori lungo la strada. Una bozza di quelle modifiche va a un clinico per la revisione.

Al momento dell’incontro, virtuale o fisico, il clinico esamina quelle informazioni con il paziente e si rivolge alle condizioni che richiedono attenzione. Un agente superficiale contesto diagnostico rilevante per ogni condizione esistente o nuovo reclamo, e l’ascolto ambientale cattura la conversazione. Un secondo agente riassume per il clinico da rivedere, correggere e approvare.

Da lì, gli agenti gestiscono il lavoro a valle: assicurano eventuali autorizzazioni richieste, inviano prescrizioni alla farmacia, presentano richieste, pianificano la cura di follow-up e impacchettano le informazioni per le parti approvate. In tutto, gli agenti di background valutano il rischio clinico e sollecitano la qualità, l’aggiustamento del rischio e la documentazione normativa. L’intero modello si basa su dati puliti e affidabili a ogni passaggio, con i clinici tenuti nel loop, producendo informazioni che supportano sia l’assistenza individuale ai pazienti che la gestione efficace della salute della popolazione.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Medicomp Systems.