RLDatixのチーフテクノロジーオフィサー、ビベク・デサイ氏 – インタビューシリーズ

ビベク・デサイ氏は、RLDatixの北米地区のチーフテクノロジーオフィサーです。RLDatixは、ヘルスケア運営のソフトウェアとサービスを提供する企業で、ヘルスケアの変革を目指しています。彼らは、ガバナンス、リスク、コンプライアンスツールを提供し、全体的な改善と安全性を促進しています。

コンピューターサイエンスとサイバーセキュリティに興味を持ったきっかけは何ですか？

私は、コンピューターサイエンスとサイバーセキュリティが解決しようとしている複雑さに惹かれました。常に新しい課題が出現し、探索する機会があります。クラウドが初めて普及し始めたときの例は興味深いです。クラウドには大きな期待がありましたが、同時にワークロードのセキュリティに関する疑問も生じました。従来の方法では一時的な解決策にしかなり得ないことが早期から明らかでした。組織全体で新しいプロセスを開発する必要がありました。私はこの新しい方法を探求する旅が非常に興奮しました。毎日、新しい課題が出現し、解決策を探求する機会があります。

現在、RLDatixのCTOとしての役割について教えてください。

現在、私はデータ戦略のリーダーとして、製品とデータのシナジーを創出する方法を探求しています。多くの製品が類似したデータを保有しているため、私の役割はそれらのデータを統合し、顧客である病院やヘルスケアシステムがデータにアクセスしやすくすることです。また、AI戦略を推進し、データの活用を促進しています。

さまざまな業界の新しいトレンドに注目し、戦略的な方向性を確保することも重要な役割です。現在、私は大規模言語モデル（LLM）に注目しています。LLMを技術に統合し、ヘルスケア提供者を支援し、認知負荷を軽減し、患者のケアに集中できるようにする方法を探求しています。

LinkedInのブログ投稿「CTOとしての1年間の反省」では、「CTOは単独で仕事をしない。チームの一員である」と書かれています。課題とチームワークについて教えてください。

CTOの役割は過去10年で根本的に変化しました。サーバールームでの作業は終わり、コラボレーションが重要になりました。ビジネスユニット全体で組織の優先事項を整理し、技術的な要件に変換し、前進します。病院やヘルスケアシステムは、ワークフォース管理や財務的制約など、多くの課題に直面しています。新しいテクノロジーの導入は常に優先事項ではないかもしれません。私たちの最大の目標は、テクノロジーがこれらの課題を軽減する手段であり、ビジネス、従業員、患者の全体的な価値を高めるものであることを示すことです。この努力は、私のチームや単独で行うことができません。多様なユニット全体で協力し、価値を示す戦略を開発する必要があります。

ヘルスケア運営の将来におけるAIの役割について教えてください。

統合されたデータがAIによって利用可能になると、異なるシステムを接続し、ケアの安全性と精度を向上させることができます。ヘルスケア運営の接続は、RLDatixが注力しているカテゴリです。AIは、この実現を可能にする重要な要素です。

この統合の重要な側面は、データの使用がセキュアでコンプライアントであること、およびリスクが理解されていることです。私たちは、ポリシー、リスク、安全性の分野で市場リーダーであり、多くのデータを基礎的なLLMを訓練するために利用できます。接続されたヘルスケア運営を実現するには、最初のステップは、異なるソリューションを統合することです。次のステップは、データを抽出して、ソリューション全体で正規化することです。病院は、データセットを組み合わせて、ユーザーに価値のある情報を提供することができます。

最近の基調講演で、チーフプロダクトオフィサーであるバーバラ・スタルクは、RLDatixが患者安全事象報告を自動化するためにジェネレーティブAIと大規模言語モデルをどのように利用しているかについて説明しました。詳しく教えてください。

これは、RLDatixにとって非常に重要な取り組みであり、LLMの潜在能力を最大限に活用する例です。病院やヘルスケアシステムが事象報告書を完成させるときに、3つの標準形式があります。LLMを訓練して、事象報告書のテキストを読み取り、情報を抽出することができます。例えば、患者が死亡した場合、LLMはその情報を簡単に抽出できます。しかし、複雑なカテゴリを判断することは難しくなります。LLMは、コンテキストを判断し、重大な永久的損害や一時的な損害などのカテゴリを区別する必要があります。報告者が十分なコンテキストを提供しない場合、LLMは適切なカテゴリを判断できません。

RLDatixは、グローバルに、ポータフォリオ全体で、シンプルな分類体系を実装することを目指しています。LLMは、事象報告書を読み取り、重要な情報を抽出して、事象報告書を事前に入力することができます。これは、既に負担が重いワークフォースにとって、時間の節約になるだけでなく、モデルがさらに進化するにつれて、ヘルスケア組織がより安全な決定を下すことができる、重要な傾向を特定することができます。

RLDatixは、LLMをどのようにして運用に組み込んでいますか？

LLMを内部で利用する別の方法は、資格認定プロセスを効率化することです。各提供者の資格情報は、フォーマットや情報が異なります。LLMを利用して、これらの資格情報を読み取り、標準化されたフォーマットでデータを抽出することができます。データ入力作業者は、情報を探す時間を短縮し、より価値のあるタスクに集中できます。

サイバーセキュリティは常に課題ですが、クラウドベースのテクノロジーへの移行により、さらに複雑になりました。詳しく教えてください。

サイバーセキュリティは、常に課題です。LLMを利用する際の最も重要な考慮事項は、セキュリティとコンプライアンスを確保することです。組織が、専門のスタッフを抱えていない場合、非常に時間がかかり、困難な作業になる可能性があります。したがって、RLDatixは、サイバーセキュリティの取り組みの多くで、Amazon Web Services（AWS）と協力しています。AWSは、RLDatixのテクノロジーに、セキュリティとコンプライアンスを基本原則として組み込むことを支援しています。

LLMの急速な採用に伴う新しいセキュリティ上の脅威について教えてください。

RLDatixとして、LLMを開発し、訓練する際に、多くの考慮事項があります。重要な焦点の1つは、偏見や不公平性を軽減することです。LLMは、訓練データによってのみその品質が決まります。性別、人種、またはその他の人口統計学的要因によって、データセットに偏見が含まれる可能性があります。例えば、米国南東部では、「y’all」という言葉が日常的に使用されますが、これは特定の患者集団における言語的偏見です。LLMを訓練する際には、これらの偏見を考慮する必要があります。

セキュリティ、透明性、説明責任を維持することも、RLDatixの重要な焦点です。また、錯覚や誤情報の可能性を軽減することも重要です。プライバシーに関する懸念を活発に解決し、モデルがどのように回答に到達したかを理解し、セキュアな開発サイクルを確立することが、有効な実装と維持の重要な要素です。

RLDatixでは、他のどのような機械学習アルゴリズムを利用していますか？

機械学習を利用して、スケジューリングの重要な洞察を明らかにすることは、RLDatixにとって興味深いユースケースです。英国では、過去10年間の大量のスケジューリングデータを分析して、将来のスタッフィング状況を予測するために、機械学習モデルを利用しています。スポーツイベントや天候などのリアルタイムのイベントを考慮して、スケジューリングをさらに最適化することを目指しています。

これは、機械学習モデルとしては比較的容易に実現可能なユースケースですが、さらに進めて、リアルタイムのイベントに接続することを目指しています。例えば、スポーツイベントのスケジュールを分析して、病院が患者数の増加に備えることができます。既に、スポーツイベントや天候などの要因が患者数に影響を与えることを示すデータがあります。機械学習モデルは、これらのデータを分析して、スタッフィング状況を予測し、ワークフォースの負担を軽減し、より安全なケアを提供するために、重要な傾向を特定することができます。

素晴らしいインタビュー、詳しく知りたい読者は、RLDatixを訪問してください。