데이비드 라로(David Lareau), 메디콥 시스템즈(Medicomp Systems) 사장 및 최고경영자 – 인터뷰 시리즈

데이비드 라로(David Lareau), 메디콥 시스템즈(Medicomp Systems) 사장 및 최고경영자는 거의 5십년간의 경력을 가진 의료 기술 고위간부이자 기업가입니다. 컴퓨터 감사 및 관리 분야에서 경력을 시작한 그는 1987년 덱스콤 시스템즈(Dexcom Systems)를 설립하여 세계은행, 듀폰, 시나이병원 등 여러 기관을 위한 초기 엔터프라이즈 통신 네트워크와 대규모 LAN 환경을 배포하는 데 도움을 주었습니다. 그는 1995년 메디콥 시스템즈에 최고운영책임자로 합류하여 2012년 최고경영자로 임명되었으며, 회사의 진화를 클리니컬 지식 엔진 제공업체에서 현대적인 의료 인공지능 및 상호운용성 회사로 이끌었습니다. 그의 리더십 하에 메디콥 시스템즈는 글로벌 도달 범위를 확대하고, 근거 기반 클리니컬 지능 솔루션을 발전시키고, 더 똑똑한 의료 기술을 통해 임상가의 생산성, 데이터 사용성, 환자 치료를 개선하는 데 중점을 두었습니다.

메디콥 시스템즈는 클리니컬 지능 및 지식 엔진 기술로 잘 알려진 의료 기술 회사입니다. 이 기술은 복잡하고 단편적인 의료 데이터를 구조화된, 임상적으로 관련된 정보로 변환합니다. 특허받은 MEDCIN 클리니컬 지식 엔진을 기반으로 설립된 회사의 플래그십 쿼피(Quippe) 플랫폼은 의료 기관이 임상 문서화, 상호운용성, 품질 측정, 위험 조정 및 인공지능 기반 의사결정을 개선하는 데 도움을 주었습니다. 임상가가 생각하고 일하는 방식을 반영하도록 설계된 메디콥의 솔루션은 병원, 의료 시스템, 전자건강기록(EHR) 벤더, 전 세계의 의료 기관에서 워크플로우를 간소화하고, 행정 부담을 줄이고, 치료 시점에서 더 의미 있는 환자 정보를 제공하는 데 사용됩니다. 회사는 클리니컬 지식 그래프, 구조화된 데이터, 인공지능을 결합하여 더 정확하고 효율적이며 신뢰할 수 있는 의료 의사결정을 지원하는 분야에서 리더로 자리 잡았습니다.

의료 IT 분야에서 거의 4십년간 일해오셨는데, 초기 엔터프라이즈 통신 네트워크와 의료 청구 시스템에서부터 메디콥 시스템즈를 30년 이상 이끌어오셨습니다. 그 진화를 돌아보면서, 아직 해결되지 않은 근본적인 의료 데이터 문제는 무엇이라고 생각하시나요?

의료 산업은 아직 임상 데이터에 대한 통합 표준이 없습니다. 우리는 각 도메인 내에서 코딩 문제를 해결하기 위해 만들어진 표준을 사용합니다. ICD-10은 진단을 위한 것이고, CPT와 HCPCS는 절차와 테스트를 위한 것이며, LOINC는 실험실 결과와 기타 측정을 위한 것이고, RxNorm은 약물을 위한 것이며, SNOMED CT는 임상 발견을 위한 것입니다. 각 표준은 청구, 분류 또는 연구를 위해 만들어졌습니다. 환자의 치료를 조직하기 위해 만들어진 표준은 없습니다.

의료 정보 시스템은 이러한 표준을 사용하여 특정 트랜잭션을 완료합니다. 대부분의 트랜잭션은 보상과 관련되어 있습니다. 제공자가 전체적인 환자의 상태를 볼 수 있는 통합된 뷰를 제공하는 것이 아니라 트랜잭션을 완료하는 데 사용됩니다. 당뇨병 환자를 생각해 보십시오. 그 환자의 데이터는 건강 정보 시스템의 별도 탭에 분산되어 있으며, 당뇨병과 관련된 모든 것을 하나로 묶는 단일 뷰가 없습니다. 코딩 시스템은 공통의 스키마를 공유하지 않으며, 이는 계산적으로 비효율적입니다. 이는 클리니컬 인공지능의 세계에서 훨씬 더 큰 문제가 됩니다. 인공지능은 좋은 데이터에 의존하며, 우리 산업은 아직 그것을 가지고 있지 않습니다.

아마존 창고가 스톡 키핑 유닛(SKU) 없이 작동하는 것을 상상해 보십시오. 각 항목에 대한 텍스트 설명을 사용하여 작동하며, 각 항목 유형에 따라 데이터 구조가 변경됩니다. 거의 모든 산업은 SKU의 어떤 버전을 가지고 있습니다. 의료 산업은 가지고 있지 않으며, 따라서 데이터는 단편적이고 일관성이 없습니다.

당신은 많은 현대적인 의료 저장소가 “데이터 늪”보다 작동하는 데이터 호수라고 설명했습니다. 건강 시스템이 데이터를 중앙화하는 과정에서 커다란 건축적 실수를犯한 것은 무엇입니까?

중앙적인 실수는 저장소를 도메인과 트랜잭션을 중심으로 조직화한 것이 아니라 환자를 중심으로 조직화한 것입니다. 대부분의 건강 시스템은 여전히 임상 정보를 실험실, 약물, 절차, 진단 등 별도의 도메인으로 구분합니다. 사용자와 그들이 의존하는 소프트웨어는 환자의 그림을 조립하기 위해 다른 파일과 위치로 들어가야 합니다. 이는 모든 프로세스를 더 느리게하고 더 번거롭게 만듭니다.

더 깊은 문제는 각 트랜잭션이 별도의 항목으로 저장된다는 것입니다. 청구, 처방, 테스트 주문, 실험실 결과 등이 모두 별도의 항목으로 저장됩니다. 이러한 데이터를 한 곳에 중앙화하는 것은 문제를 해결하지 않습니다. 트랜잭션 기록으로 채워진 데이터 호수는 데이터 늪이 됩니다. 데이터의 양만으로는 이해를 얻을 수 없습니다.

임상적으로 의미 있는 많은 정보는 여전히 의사 노트, 영상 보고서, 퇴원 요약 등에 존재합니다. 구조화된 필드가 아닌 이러한 비구조화된 임상 데이터를 대규모로 운영화하는 데 산업이 어려움을 겪는 이유는 무엇입니까?

이것은 바뀌고 있습니다. 대규모 언어 모델(LLM)은 이제 약어와 독특한 약어를 제거한 텍스트 요약을 생성할 수 있습니다. 이는 임상 자연어 처리(NLP)가 텍스트에서 구조화된, 코딩된 데이터를 추출하기가 훨씬 더 쉬워졌습니다. 과거에는 구조화된 데이터를 캡처하기 위해 임상가는 체크리스트 또는 양식을 작업해야 했습니다. 그러나 임상가는 이러한 작업을 번거로워하고 대부분 사용할 수 없다고 생각했습니다.

오늘날, 순서는 다릅니다. 환경적聆听은 합리적으로 깨끗한 텍스트 노트를 생성하고, LLM은 이를 반구조화된 형식으로 요약합니다. 그런 다음 NLP는 요약에 작동합니다. NLP가 적절한 임상 데이터 대상에针对되면, 임상 개념을 나타내는 대상이 아니라 평면 코드 목록을 나타내는 대상이라면, 텍스트에서 구조화된 데이터를 생성할 수 있습니다. 이를 달성하는 데는 기술의 조합이 함께 작동해야 하며, 적절한 임상 데이터 대상이 있어야 합니다.

당신은 핵심적인 도전은 “데이터 품질”이 아니라 데이터 단편화라고 주장합니다. 차이를 설명하고, 왜 이것이 인공지능 기반 의료 시스템에 중요하나요?

두 가지 문제는密接하게 연결되어 있지만, 서로 다른 문제를 설명하며, 이는 인공지능에 있어 매우 중요합니다. 데이터 품질은 개별 정보가 정확하고 완전하며 올바르게 기록되어 있는지에 관한 것입니다. 데이터 단편화는 구조적인 문제입니다. 단편화는 임상 정보가 별도의 도메인과 코딩 시스템에 걸쳐 있으며, 다른 형식과 위치에 저장되는 것을 의미합니다.

이러한 코딩 시스템은 각기 별도의 트랜잭션 사용 사례를 위해 설계되었습니다. 이 접근 방식은 처방을 작성하거나 청구를 생성하거나 기타 별도 작업을 수행하는 데는 충분했습니다. 그러나 전체 환자 치료는 다른 문제입니다. 정보를 여러 도메인에서 가져와 처리하고, 하나의 진단적으로 연결된 환자 뷰로 표시해야 합니다. 기록에 정확한 데이터 포인트가 가득 차 있어도, 임상가는 여전히 실패할 수 있습니다. 왜냐하면 데이터 포인트를 연결하는 것이 없기 때문입니다.

당신은 대부분의 의료 데이터 호수에 세 가지 주요 간격이 있다고 설명했습니다. 서술적 추출을 통한 NLP, 클리니컬 지식 그래프, 및 상반된 기록의 조정입니다. 현재 이러한 누락된 기능 중에서 어느 것이 가장 큰 하류 영향을 미치고 있나요?

두 가지 기능은密接하게 연결되어 있습니다. 상반된 기록의 조정과 클리니컬 지식 그래프는 데이터에 의존하는 것입니다. 세 가지 중에서 조정은 현재 가장 큰 하류 영향을 미치고 있습니다. 왜냐하면それは 모든 것의 상류에 있기 때문입니다.

환자의 차트에 기록된 많은 정보는 이전遭遇에서 복사하여 붙여 넣거나 여러 제공者的 정보를 통합하여 입력한 것입니다. 이러한 정보를 시스템 간에 전송하는 것은 더 쉽게 만들지만, 기본적인 품질을 개선하지는 않습니다. 이러한 정보에 인공지능이나 클리니컬 지식 그래프를 적용하면, 결과는 대부분 일관성 없는 정보를 전달할 것입니다.

SNOMED CT, LOINC, RxNorm, FHIR, C-CDA와 같은 표준은 상호운용성 솔루션으로 종종 논의됩니다. 실제로 많은 기관이 이러한 표준을 준수하는 것을 임상적으로 유용한 시스템으로 전환하는 데 어려움을 겪는 이유는 무엇입니까?

많은 시스템과 기관은 사용자 인터페이스가 코드를 선택하기 easiest한 항목을 표시하기 때문에 잘못된 데이터를 가지고 있습니다. 이러한 인터페이스는 청구를 위해 코드를 전달하는 것을 쉽게 만들기 위해 설계되었으며, 임상적 맥락을 제공하는 것은 아닙니다.

예를 들어, ICD-10에는 “유전적 운동 및 감각 신경병증”에 대한 코드가 있습니다. 이는 샤르코-마리-투스병과 루시-레비 증후군을 구별하지 않습니다. 사용자 인터페이스가 이러한 카테고리를 먼저 표시하고 특정 상태를 더 difícil하게 선택하게 만든다면, 사용자는 카테고리를 선택할 것입니다. 카테고리는 청구를 위해 충분할 수 있지만, 임상적으로는 특정 상태보다 훨씬 덜 유용합니다. 모든 트랜잭션 코딩 용어는 이러한 문제를共有합니다.

메디콥 시스템즈는 MEDCIN과 같은 시스템을 중심으로 임상적으로 연결된 용어와 관련 엔진을 수년간 구축해왔습니다. 의료 인공지능을 신뢰할 수 있고 맥락을 이해할 수 있게 하는 데 임상 지식 그래프가 얼마나 중요한가요?

임상 지식 그래프는 필수적입니다. 왜냐하면 데이터를 임상가가 실제로 필요로 할 때 사용할 수 있게 만들기 때문입니다. 테스트는 간단합니다. 환자가 특정 상태를 가지고 있는 경우, 사용자는 즉시 관련된 모든 것을 볼 수 있나요, 아니면 전체 기록을 탭별로 살펴보아야 하는가요? 임상 지식 그래프는 깨끗한 임상 데이터를 기반으로 이러한 맥락을 즉시 표면화할 수 있습니다. 그렇지 않으면 정보를 찾는 데 너무 오래 걸립니다.

많은 의료 기관이 현재 생성적 인공지능 공조기와 환경적 문서화 시스템을 배포하고 있습니다. 이러한 인공지능 시스템이 단편화된, 맥락화되지 않은 임상 데이터에서 훈련되거나 작동할 때 어떤 위험이 발생합니까?

환각과 정보의 잘못된 분류가 가장 일반적인 위험이며, 이러한 위험은 기본 데이터가 단편화되고 맥락화되지 않은 경우 더 높아집니다.

개인적인 예를 들어, 내 아버지가 78세의 나이에 간암으로 사망했습니다. 그러나 최근에 나는 얼마나 오래 간암을 앓고 있었는지 물었습니다. 환경적 문서화 시스템은 내 개인 기록에 간암의 개인적 역사를 기록했습니다. 동료가 비슷한 것을遭遇했습니다. 그는 COPD를 가지고 있다고 기록되었는데, 이는 그의 제공자가 환경적 문서화를 사용하여胸部 엑스선을 주문했기 때문입니다. 그는 이후 생명보험을 신청했을 때 거절당했으며, 이유는 이전 엑스레이 주문으로 생성된 COPD 진단이었다고 했습니다.

국가적 상호운용성의 진행에 대한 흥분이 증가하고 있습니다. 수백만 개의 기록이 현재 매년 교환되고 있습니다. 임상가가真正로 信頼할 수 있는 교환 데이터가 완전하고, 정확하며, 치료 시점에서 임상적으로 관련이 있는지를 확신하기 전에 아직 무엇이 필요한가요?

두 가지 일이 발생해야 합니다. 첫째,遭遇를 승인하는 제공자는 환경적聆听 도구와 LLM 요약이 생성된遭遇 전에, 데이터가 환자 기록에 입력되기 직전에, 사용하기 쉬운 가드레일을 사용할 수 있어야 합니다. 잘못된 정보가 차트에 입력되면, 모든 하류 사용은 “쓰레기가 들어가면 쓰레기가 나온다”라는 문제를 물려받습니다. 그 후에 이를 수정하는 것은 어렵습니다.

둘째, 데이터가 정확하더라도, 임상가는 필요한 것을 찾을 수 있어야 합니다. 수백만 개의 기록을 교환하는 것은 거의 아무 소용이 없습니다. 임상가는 관련 정보를 찾을 수 없거나 그것이 환자의 真正한 임상 그림을 반영하는지 신뢰할 수 없다면, 교환된 데이터를 실제로頼할 수 없습니다. 치료 시점에서의 검증과 쉽게 검색이 교환된 데이터를 임상가가 실제로頼할 수 있는 것으로 만듭니다.

5년 후를 내다보면, 인공지능, 상호운용성 표준, 임상 맥락, 및 임상가 워크플로우가 의미 있게 정렬된 “활성화된” 의료 데이터 환경은 어떤 모습일까요?

정렬은 모든 당사자가 임상적으로 효과적인 환자 관리를 위한 안정적인 임상 데이터 基盤에 접근할 수 있을 때 달성됩니다. 이러한 基盤을 갖추면, 정렬은 개인 환자로부터 시작됩니다.

각遭遇 전에, 하나의 인공지능 에이전트는 환자에 대한 모든 사용 가능한 데이터를 건강 정보 네트워크, 교환, 지불자, 기업에서 조립합니다. 또 다른 에이전트는 중복을 제거하고 남은 데이터를 조직합니다. 애플리케이션, 키오스크, 또는 대화형 에이전트를 통해, 환자는 현재 진단, 약물, 최근 실험실 결과, 및 새로운 문제를 확인하고, 오류를 수정합니다. 이러한 변경 사항의 초안이 임상가에게 검토를 위해 전송됩니다.

遭遇 중에, 가상 또는 물리적, 임상가는 정보를 환자와 함께 검토하고, 주의를 필요로 하는 상태에 집중합니다. 에이전트는 각 기존 상태 또는 새로운 불만에 대한 진단적으로 관련된 맥락을 표면화합니다. 환경적聆听은 대화를 캡처합니다. 두 번째 에이전트는 이를 요약하여 임상가가 검토하고, 수정하고, 승인할 수 있습니다.

그런 다음 에이전트는 하류 작업을 처리합니다. 필요한 승인을 확보하고, 처방을 약국에 보냅니다. 청구를 제출하고, 후속 치료를 예약하고, 승인된 당사자에게 정보를 패키지합니다. 임상 위험을 평가하고, 품질, 위험 조정, 및 규제 문서화를 위해 프롬프트합니다. 전체 모델은 모든 단계에서 깨끗하고 신뢰할 수 있는 데이터에 의존하며, 임상가를 루프에 둡니다. 이러한 정보는 개인 환자 치료와 효과적인 인구 건강 관리를 모두 지원합니다.

감사합니다. 이 훌륭한 인터뷰에 대해. 더 많은 정보를 원하는 독자는 메디콥 시스템즈를 방문하십시오.