아쿠아 헬스(Aquila Health)의 공동 창립자이자 CEO인 제이미 블랜드 박사 – 인터뷰 시리즈

제이미 블랜드 박사, 아쿠아 헬스(Aquila Health)의 공동 창립자이자 CEO는 의료 기술 분야의 리더로, 의료 산업에서 가장 지속적인 도전 중 하나인 분산되고 접근할 수 없는 데이터를 해결하기 위해 노력하고 있습니다. 그는 아쿠아 헬스를 공동 창립하여 의료 기관이 분리된 시스템을 넘어Unified 데이터 인프라를 구축할 수 있도록 지원하고, 기계 학습과 구조화된 분석을 통해 조치할 수 있는 통찰력을 생성하면서 임상적 관점을 유지할 수 있도록 설계되었습니다. 그의 작업은 상호 운용성을 개선하고, 인구 수준의 건강 지능을 가능하게 하며, 통합된 임상, 청구, 유전체 데이터 시스템을 통해 새로운 건강 위협의 조기 감지를 지원하는 데 중점을 두고 있습니다.

아쿠아 헬스는 분산된 데이터 소스를 하나의 상호 운용 가능한 시스템으로 통합하여 운영 효율성과 고급 분석을 모두 지원하는 AI 기반의 의료 데이터 플랫폼입니다. 이 플랫폼은 HL7 및 FHIR와 같은 높은 볼륨의 의료 데이터 형식을 처리하여 병원, 공중 보건 시스템 및 기타 이해관계자 간의 무결한 통합을 가능하게 합니다. 구조화된 기계 학습 접근 방식과 인간-루프 검증 모델을 결합하여 아쿠아는 불투명한 AI 시스템만을 의존하는 대신 인구 건강 관리, 이상 감지 및 실시간 의사 결정에 신뢰할 수 있는 통찰력을 제공하는 데 중점을 두고 있습니다. 이것은 회사를 데이터 인프라와 적용된 AI의 교차점에 위치시킵니다. 여기서 데이터 품질과 접근성을 개선하는 것은 의료 지능의 전체 잠재력을 해방하는 데 기초적인 것입니다.

당신은 CyncHealth를 통해 대규모 성장, 수백만 명의 환자 기록 및 여러 주 간의 상호 운용성을 확대했습니다. 그 여행에서 당신은 궁극적으로 아쿠아 헬스를 건설하도록 이끈 주요 제한이나 시스템 실패는 무엇입니까?

CyncHealth에서 우리는 네브라스카와 아이오와를 아우르는 의료 기관을 연결하기 위한 인프라를 구축하기 위해 수년을 보냈습니다. 우리는 1,100개 이상의 치료 사이트와 수백만 명의 환자 기록을 연결했으며, 500만 명 이상의 인구를 아우르는 범위였습니다.

그러나 우리는 시스템을 연결하는 것과 실제로 데이터를 사용 가능한 상태로 만드는 것은 두 가지 매우 다른 문제라는 것을 계속 발견했습니다. 예를 들어, 우리는 여러 소스에서 받은 데이터를 조정하여 아편 중독 대시보드를 생성하기 위해 노력했습니다. 그것은 수개월 동안 수백 명의 전문가와 많은 이해관계자 간의 조정을 통해 단일 데이터 포인트를 공중 보건 및 의료 맥락에서 이해할 수 있게 만들기 위해 필요한 작업이었습니다. 그리고 모든 것이 끝난 후에도 그림은 여전히 불완전했습니다.

그 경험은 아쿠아의 씨앗이 되었습니다. 연결된 인터페이스를 구축하는 전통적인 방법은 최근 몇 년 동안 보esehen된 AI의 발전에 따라 더 이상 충분하지 않습니다. AI가 몇 시간 만에 팀이 몇 개월 동안 작업하여 수행할 수 있는 작업을 더 높은 품질로 수행할 수 있으며 비용의 한 단편에 수행할 수 있다면, 이러한 지식을 사용하여 새로운 기초에서 시스템을 재건축해야 합니다. 그것이 우리가 아쿠아에서 한 일입니다. 우리는 연결하는 비용을 줄이는 현대적인 도구에 중점을 두고 있으며, 전통적인 EHI 소스에서 파생된 데이터만이 아니라 전체 건강의 그림을 완성할 수 있도록 합니다.

아쿠아는 최근 Stealth 모드에서 벗어나 분산된 의료 데이터를 하나의 AI 준비된 계층으로 통합하는 플랫폼에 중점을 두고 있습니다. 이것이 지금 가능해진 핵심 기술적인 돌파구는 무엇입니까?

AI 기능이 이 변화를 거의 완전히 주도했습니다.

나는 수년 동안 숙련된 엔지니어가 수동으로 데이터 표준을 조정하는 것을 지켜보았습니다. 그것은 작동하지만, 그 모델은 데이터의 볼륨과 다양성을 따라잡을 수 없습니다. 데이터를 조정하는 데 필요한 엔지니어를 충분히 고용할 수 없습니다.

현재 다른 점은 AI가 데이터가 시스템을 통해 이동하는 동안 지속적으로 데이터 정규화 작업을 수행할 수 있다는 것입니다. 그것은 밤에 실행되는 일괄 처리가 아닙니다. 거의 실시간으로 발생합니다. 이것은 임상가와 공중 보건 팀에게 다른 것을 가능하게 합니다. 그들이 필요한 데이터는 그들에게 도달하기 전에 구조화되고 검증됩니다.

임상가는 완전한 환자 그림 없이 결정해야 합니다. 공중 보건은 최근 데이터를 지원하지 않고 프로그램을 구동합니다. 아쿠나는 이 풍경을 변경하고 모든 의료 분야에서 효과적인 데이터 주도 의사 결정이 가능하게 하는 속도를 제공합니다.

우리는 TREUE를 구축했습니다. 그것은 임상 데이터, 실험실, 공중 보건, 청구, 약국 및 사회 데이터를 통합된 구조로 조직하는 프레임워크입니다. AI는 좋은 데이터 거버넌스를 대체하지 않습니다. 그것은 처음으로 좋은 데이터 거버넌스를 확장 가능하게 만듭니다.

당신은 실제로 의료 AI에서 가장 큰 도전은 모델이 아니라 데이터 자체라고 강조했습니다. 오늘날의 의료 데이터 인프라에서 의미 있는 결과를 AI가 제공하는 것을 방해하는 가장 중요한 간격은 무엇입니까?

산업은 AI 모델에 대해 이야기하지만, 모델은 어려운 부분이 아닙니다.

어려운 부분은 환자가 하루에 세 개의 다른 시설을 방문할 수 있으며 세 개의 다른 시스템에서 세 개의 다른 사람으로 나타날 수 있다는 것입니다. 실험실 결과는 임상 기록과 일치하지 않습니다. 지불자 기록에는 병원 기록과 다른 식별자가 있으며 공중 보건은 완전히 다른 식별자를 사용합니다. 모든 것을 수동으로 정리할 때까지 임상 창은 이미 닫혀 있습니다.

강력한 기술적 연결은 불완전하거나 순서가 잘못된 기록을 고칠 수 없습니다. AI는 데이터에 없는 패턴을 감지할 수 없으며 기록이 누락된 정보를 포함하지 않는 경우 신뢰할 수 있는 추천을 할 수 없습니다.

간격은 처리 능력이 아닙니다. 그것은 기본 데이터에 대한 신뢰입니다. 그것이 먼저 해결되어야 합니다. 그리고 그것을 규모에 맞게 해결하는 곳에서 AI가 실제로 자리를 잡을 수 있습니다.

아쿠아는 데이터 준비 계층으로서의 역할을 강조합니다. 특히 임상 기록, 청구 데이터 및 실시간 피드와 같은고도로 이질적인 입력과 관련하여 실제로 무엇을 하는지 설명해 주시겠습니까?

앞서 언급한 예를 고려해 보십시오. 환자직면가 데이터를 생성할 때 무엇이 도착하는지 생각해 보십시오. 병원에서 HL7 메시지를 받고, 보험사에서 청구 기록을 받고, 참조 실험실에서 다른 식별자를 사용하여 실험실 결과를 받고, 완전히 다른 타임라인에 공중 보건 보고서를 받습니다. 이들 중 어느 것도 서로 조정되도록 설계되지 않았습니다.

우리의 준비 계층, TREUE는 이러한 입력과 다운스트림 분석 또는 AI 응용 프로그램 사이에 위치합니다. 각 레코드를 평가하고, 소스 간에 신원을 일치시키고, 형식을 정규화하며, 데이터가 더 진행되기 전에 누락되거나 일관성이 없는 것을 플래그합니다.

실제로 이것은 임상가가 환자를보이는 일 때, 수동으로 네 개의 다른 시스템 보기를 조정하는 대신, 소스 간에 검증되고 일치된 레코드에서 작업한다는 것을 의미합니다. 공중 보건 팀에게 이것은 데이터가 다른 형식으로 다른 관할 구역에서 도착하여 지연되지 않고 이상 신호가 나타남을 의미합니다.

그것은 인프라 작업입니다. 그것은 화려하지 않지만, 다운스트림에서 아무것도 작동하지 않습니다.

상호 운용성 표준인 Fast Healthcare Interoperability Resources(FHIR)와 United States Core Data for Interoperability(USCDI)는 수년 동안 존재해 왔지만, 분산화는 지속됩니다. 아직 표준 관점에서 무엇이 부족하며, 아쿠아는 이러한 간격을 어떻게 다르게 해결하고 있습니까?

FHIR와 USCDI는 산업에 데이터 교환을 위한 공유 언어를 제공했습니다. 그것은 중요한 진행이었습니다. 그러나 데이터를 전송하기 위한 공유 언어는 데이터가 도착했을 때 일관되게 행동하는 데이터와는 다릅니다.

여기에는 간격이 있습니다. 의료 데이터는 한 도메인에서 오지 않습니다. 임상 시스템, 공중 보건 레지스트리, 실험실 및 사회 데이터 소스는 각자의 거버넌스 요구 사항, 타임라인 및 필드가 의미하는 바가 다릅니다. FHIR는 사회 결정 요인 데이터세트을 다른 관할 구역의 임상 기록과 어떻게 조정하는지 말해주지 않습니다.

TREUE가 추가하는 것은 모든 도메인의 데이터를 함께 조직하고 검증할 수 있는 통합 프레임워크입니다. 각 소스의 거버넌스 규칙을존중하면서도 함께합니다. 결과는 데이터가 전송된 것만이 아니라 실제로 분석할 수 있는 데이터입니다.

아쿠아는 실패가 허용되지 않는 고의료 환경에서 운영됩니다. 실시간 성능과 거버넌스, 감사 가능성 및 신뢰와 관련한 엄격한 요구 사항을 균형 있게 하는 AI 시스템을 어떻게 설계합니까?

당신은 거버넌스를 아키텍처에 먼저 구축해야 합니다. 그것은 나중에 추가할 수 있는 계층이 아닙니다.

의료 및 정부 환경에서 데이터에 대한 결정은 환자 치료, 발병 반응 및 공공 자원이 할당되는 방식에 영향을 미칩니다. 데이터에 대한 모든 작업은 추적 가능해야 하며, 접근은 엄격하게 제어되어야 합니다. 시스템은 운영되는 환경의 규정 요구 사항을 충족해야 합니다.

아쿠아의 경우, 이것은 정부급 클라우드 인프라, 제로 트러스트 액세스 컨트롤 및 HIPAA 및 연방 표준과 일치하는 보안 관행을 운영하는 것을 의미합니다. 우리는 현재 주 정부, 연방 기관 및 의료 기관과 함께 진행 중인 계약을 가지고 있으며, 이러한 환경은 모두 서로 다른 규정 요구 사항을 동시에 충족해야 합니다.

인간-루프 구성 요소는마찬가지히 중요합니다. AI는 신호를 표면화할 수 있지만, 임상 전문가가 운영 결정에 앞서 비정상성을 검증합니다. 기술은 신호를 더 빠르게 찾을 수 있게 하지만, 신호가 의미하는 바를 결정하는 것은 사람들의 몫입니다.

아쿠아는 공중 보건, 정부 시스템 및 규제 산업에서 작동합니다. 이러한 환경에서 AI 인프라의 요구 사항은 전통적인 기업 AI 배포와 어떻게 다릅니까?

전형적인 기업 AI 배포에서, 당신은 일반적으로 하나의 조직의 데이터 환경, 하나의 거버넌스 규칙 세트, 하나의 규정 프레임워크 내에서 작동합니다.

공중 보건 및 정부 환경은 구조적으로 다릅니다. 당신은 여러 관할 구역, 여러 기관, 여러 임상 환경을 협조해야 하며, 각 환경은 다른 보고 타임라인과 다른 법적 프레임워크를 운영합니다. 한 주에 있는 병원, 다른 주에 있는 공중 보건 기관, 연방 프로그램에는 각자의 데이터 요구 사항이 있습니다. 모든 것이 데이터를 교환하고 통찰력을 생성해야 하며, 어느 단체도 다른 단체의 기록에 대한 제어되지 않은 액세스를 가질 수 없습니다.

인프라는 모든 경계를 넘어서 엄격한 감사 가능성을 유지하면서 높은 볼륨 처리를 지원해야 합니다. 그것은 의료 메시지 형식과 통합되어야 합니다. 그리고 다운타임이 비즈니스 문제가 아니라 환자 안전 문제인 환경에서 안정적으로 작동해야 합니다.

AI 기능은 거버넌스 프레임워크보다 빠르게 발전하고 있습니다. 이러한 시스템을 안전하게 배포하는 데 창립자와 플랫폼 빌더의 책임은 무엇입니까?

나는 책임이 간단하다고 생각합니다. 임상 결정이나 공중 보건 결과에 영향을 미치는 AI를 구축하는 경우, 거버넌스를 제품 로드맵 항목으로 나중에 처리할 수 없습니다. 그것은 처음부터 설계되어야 합니다.

실제로 이것은 모든 데이터 작업이 감사 가능해야 함을 의미합니다. 모델은 임상가가 왜 신호가 플래그되었는지 이해할 수 있을 만큼 해석 가능해야 합니다. 임상 전문가는 검토 프로세스의 일부여야 하며, 사후 생각이 아닙니다. 또한 조직은 시스템이 신뢰할 수 있게 무엇을 할 수 있는지와 할 수 없는지를 명확하게 해야 합니다.

나는 데이터 실패가 실제 사람들에게 실제 결과를 초래하는 환경에서 경력을 보냈습니다. 그것이 내가 이것에 대해 생각하는 방식을 형성합니다. 능력은 빠르게 발전하고 있습니다. 그리고 그들이 배포되는 방식에 대한 책임은 허용되지 않도록 뒤처져서는 안 됩니다. 이러한 시스템을 구축하는 창립자는 규제가 그것을 부과하기 전에 스스로에게 이러한 표준을 지키도록 해야 합니다.

감사합니다. 아쿠아 헬스(Aquila Health)를 방문하여 플랫폼과 의료 데이터 인프라 접근 방식을 더 자세히 알아보세요.