メディコンプシステムズのデビッド・ラロー社長兼CEO – インタビュー・シリーズ

デビッド・ラロー、メディコンプシステムズの社長兼CEOは、約5 десяти紀にわたるキャリアを持つヘルスケアテクノロジーのエグゼクティブおよび起業家です。コンピューター監査および管理でキャリアを開始し、1987年にDexcom Systemsを設立し、世界銀行、デュポン、シナイ病院などの組織のための最初の企業間通信ネットワークおよび大規模なLAN環境を展開しました。1995年にメディコンプシステムズに入社し、2012年にCEOに就任し、同社を先駆的な臨床知識エンジン提供者から現代のヘルスケアAIおよび相互運用性会社へと変革させました。彼の指導の下、メディコンプは世界的なリーチを拡大し、エビデンスに基づく臨床インテリジェンスソリューションを進歩させ、スマートなヘルスケアテクノロジーを通じて臨床医の生産性、データの活用性、および患者ケアを改善することに焦点を当てました。

メディコンプシステムズは、複雑で断片化されたヘルスケアデータを構造化された、臨床的に関連のある情報に変換する臨床知識および知識エンジンテクノロジーで知られるヘルスケアテクノロジー会社です。特許取得されたMEDCIN臨床知識エンジンを基盤に設立された同社のフラグシップQuippeプラットフォームは、ヘルスケア組織が臨床文書化、相互運用性、品質測定、リスク調整、およびAI駆動の意思決定サポートを改善するのに役立ちます。臨床医の考え方や働き方を反映した同社のソリューションは、病院、ヘルスシステム、EHRベンダー、および世界中のヘルスケア組織によって、ワークフローを合理化し、行政負担を軽減し、ケアの場でのより有意義な患者インサイトを提供するために使用されています。同社は、臨床知識グラフ、構造化データ、およびAIを組み合わせて、より正確で効率的で信頼できるヘルスケア意思決定をサポートする分野でリーダーとして認められています。

あなたはヘルスケアIT分野で約4十年間働いてきました。早期の企業間通信ネットワークや医療請求システムからメディコンプシステムズの指導まで、さまざまな分野で経験を積んでいます。あの変化を振り返ってみて、ヘルスケア業界がまだ解決していない根本的なヘルスケアデータ問題とは何ですか?

ヘルスケア業界はまだ統合された臨床データ標準を持っていません。ICD-10、CPT、HCPCS、LOINC、RxNorm、SNOMED CTなどの用語標準は、それぞれが単一のドメイン内でのコード化問題を解決するために作成されました。診断のためのICD-10、処置や検査のためのCPTおよびHCPCS、ラボ結果やその他の測定のためのLOINC、薬剤のためのRxNorm、臨床的発見のためのSNOMED CTなどです。これらの標準は、請求、分類、または研究のために作成されたものであり、患者ケアを組織するために作成されたものではありません。

ヘルスケア情報システムは、これらの標準を使用して、請求やその他のトランザクションを完了しますが、提供者に患者ケアの統合されたビューを提供するのではなく、トランザクションに結び付けられたものです。糖尿病を患っている患者を考えてみましょう。その患者データは、ヘルスケア情報システムの個別のタブに分散しており、糖尿病に関連するすべての情報をまとめて表示する「糖尿病ビュー」はありません。コード化システムには共通のスキーマがないため、計算上非効率的であり、臨床AIの世界ではその非効率性はより大きな問題になります。AIは良いデータに依存しており、業界はまだそれを持っていません。

Amazonの倉庫が在庫管理単位（SKU）なしで運営することを想像してみましょう。代わりに、各アイテムのテキスト説明を使用し、各アイテムタイプごとに異なるデータ構造にリンクします。ほとんどの業界には、SKUのようなものがありますが、ヘルスケア業界にはありません。したがって、そのデータは断片化され、不一致のままです。

あなたは、多くの現代のヘルスケアリポジトリを「データ沼」ではなく「データレイク」と表現しました。ヘルスケアシステムがデータを集中化する際に犯した最大のアーキテクチャミスとは何ですか?

最大のミスは、リポジトリをトランザクションやドメインの観点からではなく、患者を中心に組織することです。ほとんどのヘルスケアシステムは、ラボ、薬剤、処置、診断などの個別のドメインに臨床情報を分割しています。ユーザーとそのユーザーが依存するソフトウェアは、患者についての画像を組み立てるために、さまざまなファイルやロケーションにアクセスする必要があります。これにより、すべてのプロセスが遅く、より面倒になります。

より深い問題は、各トランザクション（請求、処方、検査依頼、ラボ結果など）が、患者状態の統合されたビューの一部ではなく、自己完結型のアイテムとして保存されることです。データを1つの場所に集中化するだけでは問題が解決しません。断片化された、ドメインに結び付けられたレコードで満たされたデータレイクは、データスワンプになります。なぜなら、ボリュームだけでは、臨床的組織なしでは、理解に結びつかないからです。

多くの臨床的に有意義な情報は、構造化フィールドではなく、医師のノート、画像レポート、退院サマリーの中にまだ存在しています。業界は、臨床的無構造データを大規模に活用するのに苦労している理由は何ですか?

これは変化しています。現在、大規模言語モデル（LLM）は、省略形や独自の略語がなく、臨床的自然言語処理（NLP）が構造化されたコード化データをテキストから抽出できるテキストサマリーを生成できます。過去には、構造化データを取得するには、臨床医がチェックリストやフォームを使用する必要がありましたが、これは面倒で、ほとんど使えませんでした。

現在、シーケンスは異なります。アンビエントリスニングによって、かなりクリーンなテキストノートが生成され、LLMによってそのノートが半構造化形式にまとめられ、NLPがそのまとめに適用されます。NLPが適切な臨床データターゲット、つまりコードの平面リストではなく臨床概念を表すターゲットに指向されている場合、NLPはナラティブテキストから構造化されたデータを生成できます。これを達成するには、複数のテクノロジーが共同で作業する必要があり、適切な臨床データターゲットがあらかじめ用意されている必要があります。

あなたは、コアの課題は「データ品質」ではなく「データ断片化」であると主張しています。違いは何ですか?それがAI駆動のヘルスケアシステムにとって重要な理由は何ですか?

2つの概念は密接に関連していますが、異なる問題を記述しており、その違いはAIにとって非常に重要です。データ品質は、個々の情報が正確で、完全で、正しく記録されているかどうかについてです。データ断片化は構造的なものです。断片化は、臨床情報が、品質に関係なく、個別のドメインやコード化システムに分割され、異なる形式や場所に保存されることです。

その断片化は、各コード化システムが個別のトランザクション用途のために設計されたため、現在の慣行です。アプローチは、処方箋の作成、請求書の作成、または他の個別のタスクには適切でした。ただし、全体的な患者ケアは、情報が複数のドメインから集められ、処理され、患者についての統合されたビューとして表示される必要がある別の問題です。レコードには、個々のデータポイントが正確であるかもしれませんが、データポイントが患者ケアをサポートする統合されたビューに結びついていない限り、臨床医にとって役に立たない可能性があります。

あなたは、ほとんどのヘルスケアデータレイクに3つの大きなギャップがあると述べています。ナラティブ抽出によるNLP、臨床知識グラフ、および矛盾するレコードの調整です。これらの欠如している機能のうち、現在、患者ケアに最も大きなダウンストリーム影響を及ぼしているのは何ですか?

3つのうち2つは密接に関連しています。矛盾するレコードの調整と、臨床知識グラフがそのデータ上で動作することです。3つのうちで、調整が現在最も大きなダメージを与えています。なぜなら、それがすべての他のものの上流にあるからです。

患者カルテに記載されている情報の多くは、前のエンカウンターからコピーして貼り付けられたり、複数の提供者からの情報をまとめたりして入力されています。Fast Healthcare Interoperability Resources（FHIR）を使用してシステム間で情報を送受信することは容易になりますが、根本的な品質を向上させるものではありません。AIまたは臨床知識グラフをその情報に適用すると、結果はおそらく同じ不一致を先に進めることになります。

SNOMED CT、LOINC、RxNorm、FHIR、C-CDAなどの標準は、相互運用性の解決策としてよく議論されます。実践では、多くの組織が標準への準拠を臨床的に有用なシステムに変えるのに苦労している理由は何ですか?

多くのシステムや組織は、コード化されたデータを不完全に保持しています。なぜなら、そのユーザーインターフェイスは、請求のためにコードをすばやく進めるのではなく、臨床的コンテキストを正確に記録するのを容易にしているからです。

ICD-10には、「遺伝性運動および感覚ニューロパチー」というコードがありますが、これはシャルコー・マリー・トゥース病とルッシー・レヴィ症候群を区別しません。ユーザーインターフェイスがカテゴリを最初に提示し、特定の状態を選択するのをより困難にしている場合、ユーザーはカテゴリを選択する可能性が高くなります。カテゴリは請求書の支払いに十分かもしれませんが、特定の状態ほど臨床的に有用ではありません。すべてのトランザクションコード化用語は、この問題のバージョンを共有しています。

メディコンプは、MEDCINのようなシステムを中心に臨床的に関連のある用語と関連性エンジンを構築することに多年取り組んできました。臨床知識グラフは、ヘルスケアAIを信頼性が高くコンテキストに応じたものにするためにどれほど重要ですか?

臨床知識グラフは、データが必要なときに利用可能になるようにするため、不可欠です。テストは簡単です。特定の状態を管理している患者について、すべての関連情報がすぐに見えるか、またはレコード全体をタブごとに調べる必要があるかです。クリーンな臨床データに基づく臨床知識グラフは、そのコンテキストを瞬時に表面化できます。そうでない場合、同じ情報を見つけるにはあまりにも長い時間がかかります。

多くのヘルスケア組織は現在、ジェネレーティブAIコパイロットとアンビエントドキュメンテーションシステムを展開しています。断片化された、不完全にコンテキスト化された臨床データでAIシステムをトレーニングまたは操作することで、どのようなリスクが生じますか?

ハルシネーションと情報の誤分類は、最も一般的なリスクの2つであり、両方とも、基礎となるデータが断片化され、不完全にコンテキスト化されている場合に発生する可能性が高くなります。

個人的な例です。私の父は78歳で肝癌で亡くなりましたが、最近の訪問では、私がどのくらいの間肝癌の完治を経験しているかを尋ねられました。アンビエントドキュメンテーションシステムは、私のカルテに私自身の肝癌の病歴を記録していました。同僚は、COPD（慢性閉塞性肺疾患）がレコードに記入されていたことを発見しました。提供者はアンビエントドキュメンテーションを使用してCOPDを除外するための胸部X線を注文していたためです。彼は生命保険に申し込んだとき、COPDの診断が理由で却下されました。コンテキストの失敗はさらに奇妙になる可能性があります。最近のケースでは、朝食に卵を食べたと言った男性患者は、システムによって女性と分類されました。システムは「卵」を女性の生物学と関連付けたためです。これらのエラーは、個別に見ると笑えるかもしれませんが、チャートに書き込まれてシステム間で交換されると、面白くなくなります。

国民的相互運用性の進歩について、数百万件のレコードが現在毎年交換されているという期待が高まっています。交換されたデータが完全で、正確で、臨床的に関連のあるものであることを臨床医が真正に信頼できるようにするには、まだ何が必要ですか?

2つのことが必要です。エンカウンターに署名する提供者は、署名する前に、アンビエントリスニングツールとLLMサマリを使用して生成されたエンカウンターのガイドレールを簡単に使用できる必要があります。データが患者レコードに入った後、不正確な情報を修正することは困難です。

2つ目は、データが正確であっても、臨床医が必要な情報を見つけることができなければなりません。数百万件のレコードを交換することは、受信側の臨床医が関連情報を見つけられず、またはそれが患者ケアの真の臨床画像を反映していることを信頼できない場合には、ほとんど意味がありません。ケアの場での検証と簡単な取得が、交換されたデータを臨床医が実際に依存できるものにします。

5年先を見て、AI、相互運用性標準、臨床的コンテキスト、および医師のワークフローが最終的に有意義な方法で整合している「活性化」されたヘルスケアデータ環境とはどのようなものですか?

整合は、すべての当事者が信頼できる臨床データ基盤にアクセスできることによって依存します。これは、個々の患者を効果的に管理し、集団的に有効な人口ヘルス管理を実現するように設計されています。基盤があれば、整合は個々の患者から始まります。

各エンカウンターの前に、1つのAIエージェントがヘルス情報ネットワーク、エクスチェンジ、ペイアー、エンタープライズから利用可能なすべてのデータを患者ごとにまとめます。別のエージェントは、重複を削除し、残りのデータを整理します。アプリ、キオスク、または会話エージェントを通じて、患者は現在の診断、薬剤、最近のラボ結果、および新しい問題を確認し、エラーを修正します。変更の草案が臨床医に提出されます。

エンカウンター中、仮想または物理的、臨床医は患者と情報を確認し、注意が必要な状態に焦点を当てます。エージェントは、各既存の状態または新しい苦情のために診断的に関連のあるコンテキストを表面化します。アンビエントリスニングによって会話がキャプチャされます。2番目のエージェントは、臨床医が確認し、修正し、承認するための要約を生成します。

その後、エージェントが下流の作業を処理します。必要な承認を確保し、処方箋を薬局に送信し、請求書を提出し、フォローアップケアをスケジュールし、承認された関係者に情報をパッケージ化します。バックグラウンドエージェントは、臨床的リスクを評価し、品質、リスク調整、および規制の文書化を促します。モデル全体は、毎ステップでクリーンで信頼できるデータに基づいており、臨床医がループに留まって、個々の患者ケアと効果的な人口ヘルス管理をサポートする情報を生成します。

ご質問にご協力いただき、ありがとうございました。詳しくは、メディコンプシステムズをご覧ください。