Vivek Desai, Chief Technology Officer, North America at RLDatix – Interview Series

Vivek Desaiは、Chief Technology OfficerであるRLDatixの、北米地域の責任者です。RLDatixは、ヘルスケアの運用をサポートするソフトウェアおよびサービスを提供する企業で、ヘルスケアを変革する使命を担っています。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推進しています。

コンピューターサイエンスとサイバーセキュリティに最初に惹かれたのは何ですか？

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。例えば、クラウドが初めて普及し始めたとき、多大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。当時、従来の方法では一時的な解決策でしかなく、組織全体が新しいプロセスを開発してクラウドでのワークロードを効果的にセキュアにする必要があることは明らかでした。この新しい方法を切り開く旅は、私とこの分野で働く多くの人にとって非常に興奮するものでした。この業界は、毎日新しいもので、毎日新しい挑戦があります。

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生み出す方法を模索しています。多くの製品が類似のデータを保有しているため、私の役割はそれらのシロを打破し、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、グローバルなAI戦略を推進し、データのアクセスと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、企業が正しい戦略的方向性を推進できるようにすることも私の役割の重要な側面です。現在、私は大規模言語モデル（LLM）に注目しています。企業として、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、患者ケアに集中できるようにする方法を模索しています。

あなたのLinkedInのブログ投稿「CTOとしての1年間の反省」では、「CTOは単独で仕事をしません。チームの一員です」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年間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ました。現在、CTOの役割はよりコラボレーションが求められるものになりました。ビジネスユニット全体で組織の優先事項を一致させ、技術的要件を定義して前進します。病院やヘルスケアシステムは、現在、ワークフォースマネジメントや財務的制約など、多くの日常的な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となり、ビジネス、従業員、患者全体に価値をもたらすことを示すことです。この取り組みは、単独で、または私のチーム内だけで行うことはできません。したがって、価値を示すための包括的な戦略を開発するために、多様なユニット間のコラボレーションが必要です。

ヘルスケア運用の将来における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を用いて利用可能になると、ヘルスケアの安全性と精度を向上させるために、異なるシステムを接続することができます。ヘルスケア運用の接続は、RLDatixが注力しているカテゴリです。ここでは、意思決定者にとっての有意義なデータと洞察を解放し、AIはこれを実現するために不可欠です。

この統合の絶対条件は、データの使用がセキュアでコンプライアンスを満たしていること、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をリードしており、多くのデータを保有しています。基礎的なLLMをより正確に、より信頼性高くトレーニングすることができます。ヘルスケア運用の接続を実現するには、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あり、2番目のステップは、データを抽出してこれらのソリューション全体で正規化することです。病院は、データセットを個別に維持するのではなく、データセットを組み合わせてユーザーに有意義な価値を提供できる一連の相互接続されたソリューションから大幅に利益を得るでしょう。

最近の基調講演で、Chief Product OfficerのBarbara Starukは、RLDatixが患者安全事象報告をストリームライン化および自動化するために、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がLLMの潜在能力を最大限に活用するための重要な取り組みです。病院やヘルスケアシステムが事象報告書を完成させる際に、現在、3つの標準フォーマットが存在します。LLMを事象報告書のテキストを読み取るようにトレーニングできます。たとえば、患者が死亡した場合、LLMはその情報をスムーズに抽出できます。課題は、LLMが複雑なカテゴリを区別し、重大な永久的損傷と重大な一時的損傷などの区別を付けることです。報告者が十分なコンテキストを提供しない場合、LLMは特定の患者安全事象の適切な損傷レベルを判断できません。

RLDatixは、グローバルにわたってポートフォリオ全体で、LLMが簡単に区別できる具体的なカテゴリを実装することを目指しています。時間の経過とともに、ユーザーは何が起こったのかを単に書くだけで済み、LLMが重要な情報を抽出し、事象報告書を事前に入力してくれるようになります。これは、すでに負担が大きいワークフォースにとって大きな時間節約となります。モデルがさらに進化するにつれて、ヘルスケア組織が全体的に安全な決定を下せるように、重要なトレンドを特定することもできます。

RLDatixは、LLMをどのようにして運用に組み込んできたのでしょうか。

RLDatixでは、内部的にLLMを利用して、資格認定プロセスをストリームライン化しています。各提供者の資格情報は、フォーマットや内容が一意です。例えば、誰かの履歴書を見てみましょう。フォント、仕事の経験、教育、フォーマットなど、すべて異なります。資格認定も同様です。提供者は大学で何を学んだのか、どのような認定を受けているのか、どのような記事を発表したのか、すべて異なります。

RLDatixでは、LLMを利用してこれらの資格情報を読み取り、すべてのデータを標準化されたフォーマットに抽出しています。这样、データエントリを担当する人々が情報を探す時間を大幅に削減し、より有意義なタスクに集中できるようになります。

サイバーセキュリティは、特にクラウドベースのテクノロジーへの移行により、常に課題でした。詳しく教えてください。

サイバーセキュリティは確かに課題です。したがって、適切なパートナーと協力することが重要です。LLMをセキュアでコンプライアントに保つことは、LLMを利用する際の最重要事項です。如果あなたの組織にこれを行うための専門スタッフが在籍していない場合、非常に課題的で時間がかかることになります。したがって、私たちは、サイバーセキュリティの多くのイニシアチブについて、Amazon Web Services（AWS）と協力しています。AWSは、私たち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み、RLDatixが顧客のための優れた製品を構築することに集中できるように支援しています。

LLMの急速な採用により、新しいセキュリティ脅威が見受けられます。詳しく教えてください。

RLDatixの観点から見ると、LLMを開発およびトレーニングする際に、私たちが取り組んでいるいくつかの考慮事項があります。私たちにとっての重要な焦点は、偏見や不公平性を軽減することです。LLMは、トレーニングに用いるデータと同じだけの価値があります。性別、人種、その他の人口統計学的な要因には、データセット自体に偏見が含まれていることがあります。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。これは、特定の患者集団に固有の言語的偏見であり、LLMをトレーニングする研究者が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、私たちの組織にとって重要な焦点です。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取り組み、モデルが特定の回答に到達した方法を理解し、セキュアな開発サイクルを確立することが、有効な実装とメンテナンスの重要な要素です。

RLDatixでは、他にどのようなマシンラーニングアルゴリズムを利用していますか。

マシンラーニングを用いて、クリティカルなスケジューリングの洞察を明らかにすることは、私たちの組織にとって興味深いユースケースでした。特に英国では、看護師や医師のスケジューリング（ロスタリング）をどのようにマシンラーニングで分析できるかを探究しています。RLDatixには、過去10年間の大量のスケジューリングデータが存在します。ここで、マシンラーニングが活きます。歴史的なデータを分析し、2週間後の特定の病院や地域のスタッフィング状況についての洞察を提供するマシンラーニングモデルを利用しています。

この特定のユースケースは、非常に達成可能なマシンラーニングモデルですが、さらに進めて、現実のイベントに接続しています。例えば、地域内のすべてのサッカーのスケジュールを考えてみましょう。スポーツイベントは通常、より多くの怪我をもたらし、地元の病院には通常の日よりもイベント当日の入院患者が多くなることがわかっています。マシンラーニングモデルを用いて、スケジューリングをさらにストリームライン化するために、AWSや他のパートナーと協力して、どのようなパブリックデータセットをシードできるかを探究しています。すでに、メジャースポーツイベントや悪天候の際には患者数が増加するというデータがありますが、マシンラーニングモデルはこれらのデータを取り込み、ヘルスケアワークフォースの負担を軽減し、より安全なケアを実現するために、クリティカルなトレンド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。