David Lareau, President en CEO van Medicomp Systems – Interview Serie

David Lareau, President en CEO van Medicomp Systems, is een zorgtechnologie-executive en ondernemer met een carrière die bijna vijf decennia beslaat. Na het begin van zijn carrière in computer auditing en management, richtte hij in 1987 Dexcom Systems op, waarmee hij hielp bij het implementeren van enkele van de eerste ondernemingscommunicatienetwerken en grote LAN-omgevingen voor organisaties zoals de Wereldbank, DuPont en Sinai Hospital. Hij trad in 1995 toe tot Medicomp Systems als Chief Operating Officer en werd in 2012 benoemd tot CEO, waarmee hij de evolutie van het bedrijf leidde van een pionier op het gebied van klinische kennisengine’s naar een modern zorg-AI- en interoperabiliteitsbedrijf. Onder zijn leiding heeft Medicomp zijn wereldwijde bereik uitgebreid, evidence-based klinische intelligentie-oplossingen verder ontwikkeld en zich gericht op het verbeteren van de productiviteit van clinici, de bruikbaarheid van gegevens en patiëntenzorg door slimmere zorgtechnologie.

Medicomp Systems is een zorgtechnologiebedrijf dat het meest bekend is vanwege zijn klinische intelligentie- en kennisengine-technologie die complexe, gefragmenteerde zorggegevens omzet in gestructureerde, klinisch relevante informatie. Opgericht rond de gepatenteerde MEDCIN-kennisengine, helpt het vlaggenschip Quippe-platform van het bedrijf zorgorganisaties bij het verbeteren van klinische documentatie, interoperabiliteit, kwaliteitsmeting, risicoaanpassing en AI-gedreven besluitvorming. Ontworpen om de manier waarop clinici denken en werken te reflecteren, worden de oplossingen van Medicomp gebruikt door ziekenhuizen, gezondheidssystemen, EHR-leveranciers en zorgorganisaties wereldwijd om workflows te stroomlijnen, administratieve lasten te verminderen en meer betekenisvolle patiëntinzichten te bieden op het moment van zorg. Het bedrijf is uitgegroeid tot een erkende leider in het combineren van klinische kennisgrafieken, gestructureerde gegevens en AI om meer accurate, efficiënte en betrouwbare zorgbesluitvorming te ondersteunen

U hebt bijna vier decennia gewerkt in de zorg-IT, van vroege ondernemingscommunicatienetwerken en medische factureringssystemen tot het leiden van Medicomp Systems voor meer dan 30 jaar. Kijkend naar die evolutie, welk fundamenteel zorggegevensprobleem denkt u dat de industrie nog steeds niet heeft opgelost?

De zorgindustrie ontbeert nog steeds een geïntegreerde standaard voor klinische gegevens. De terminologiestandaarden waarop we vertrouwen, zijn elk ontwikkeld om coderingsproblemen binnen een enkele domein op te lossen: ICD-10 voor diagnoses, CPT en HCPCS voor procedures en tests, LOINC voor laboratoriumresultaten en andere metingen, RxNorm voor medicijnen en SNOMED CT voor klinische bevindingen. Elk daarvan is ontwikkeld voor facturering, classificatie of onderzoek. Geen enkel is ontwikkeld om de zorg van een patiënt te organiseren.

Zorginformatiesystemen gebruiken deze standaarden om specifieke transacties te voltooien, waarvan de meeste zijn gekoppeld aan vergoeding, in plaats van om aanbieders een geïntegreerd overzicht van de status van een patiënt te geven. Denk aan een patiënt met diabetes. De gegevens van die patiënt zijn verspreid over afzonderlijke tabs in het zorginformatiesysteem, zonder enkel “diabetes-overzicht” dat alles wat met de aandoening te maken heeft, samenbrengt. De codingsystemen delen geen gemeenschappelijk schema, waardoor ze computationeel inefficiënt zijn, en die inefficiëntie wordt een veel groter probleem in een wereld van klinische AI. AI is afhankelijk van goede gegevens, en onze industrie heeft die nog niet.

Stel u een Amazon-magazijn voor dat probeert te functioneren zonder stock-keeping units (SKUs), maar in plaats daarvan vertrouwt op tekstbeschrijvingen van elk item, elke beschrijving gekoppeld aan een gegevensstructuur die verandert van het ene itemtype naar het andere. Bijna elke industrie heeft een of andere vorm van de SKU. De zorg heeft dat niet, en dus blijven de gegevens gefragmenteerd en inconsistent.

U hebt veel moderne zorgrepositories beschreven als “data swamps” in plaats van actiegerichte data lakes. Wat zijn de grootste architectonische fouten die zorgsystemen hebben gemaakt tijdens de haast om gegevens te centraliseren?

De centrale fout was het organiseren van het repository op de manier waarop de bronsystemen waren georganiseerd, rond domeinen en transacties in plaats van rond de patiënt. De meeste zorgsystemen splitsen klinische informatie nog steeds op in afzonderlijke domeinen zoals laboratoriumresultaten, medicijnen, procedures en diagnoses. Gebruikers, en de software waarop ze vertrouwen, moeten dan in verschillende bestanden en locaties zoeken om een beeld van de patiënt te assembleren, wat elk proces vertraagt en omslachtiger maakt.

Het diepere probleem is dat elke transactie, of het nu een factuur, een recept, een testopdracht of een laboratoriumresultaat is, wordt opgeslagen als een zelfstandig item in plaats van als onderdeel van een geïntegreerd overzicht van de conditie van de patiënt. Het centraliseren van die gegevens op één locatie lost het probleem niet op. Een data lake vol met gefragmenteerde, domein-gebonden records wordt een data swamp omdat volume alleen, zonder klinische organisatie, geen inzicht oplevert.

Een groot percentage klinisch relevante informatie leeft nog steeds in artsennotities, beeldverslagen en ontslagrapporten in plaats van gestructureerde velden. Waarom heeft de industrie zo veel moeite gehad om ongestructureerde klinische gegevens operationeel te maken op grote schaal?

Dit verandert snel. Grote taalmodellen (LLM’s) kunnen nu tekstsamenvattingen van ontmoetingen genereren zonder afkortingen en idiosyncratische afkortingen, waardoor het veel gemakkelijker wordt voor klinische natuurlijke taalverwerking (NLP) om gestructureerde, gecodeerde gegevens uit die tekst te extraheren. In het verleden betekende het vastleggen van gestructureerde gegevens dat clinici door controlelijsten of formulieren moesten werken, die ze omslachtig en grotendeels onbruikbaar vonden.

Vandaag werkt de sequentie anders. Ambient listening produceert een redelijk schone tekstnotitie, een LLM vat die notitie samen in een semi-gestructureerde vorm en NLP werkt vervolgens op die samenvatting. Wanneer de NLP is gericht op een juiste klinische gegevensdoel, een die klinische concepten vertegenwoordigt in plaats van een platte lijst met codes, kan het goed gestructureerde gegevens uit narratieve tekst produceren. Het bereiken hiervan vereist nog steeds een combinatie van technologieën die samenwerken, en het hangt volledig af van het hebben van dat juiste klinische gegevensdoel op zijn plaats.

U stelt dat de kernuitdaging niet “gegevenskwaliteit” is, maar gegevensfragmentatie. Kunt u het verschil uitleggen en waarom dat onderscheid belangrijk is voor AI-gedreven zorgsystemen?

De twee zijn nauw verbonden, maar beschrijven verschillende problemen, en dat verschil is van groot belang voor AI. Gegevenskwaliteit gaat over of een individueel stuk informatie nauwkeurig, volledig en correct is geregistreerd. Gegevensfragmentatie is structureel. Fragmentatie treedt op wanneer klinische informatie, ongeacht de kwaliteit, wordt gesplitst over afzonderlijke domeinen en codingsystemen en wordt opgeslagen in verschillende formaten en locaties.

Die fragmentatie is de huidige praktijk omdat elk codingsysteem is ontwikkeld voor een afzonderlijk transactiegeval. De aanpak was voldoende voor het schrijven van een recept, het genereren van een factuur of het afhandelen van andere discrete taken. Algehele patiëntenzorg is een ander probleem, een dat informatie uit verschillende domeinen vereist om samen te worden gebracht, verwerkt en weergegeven als een enkel, diagnostisch verbonden overzicht van de patiënt. Een record kan vol zitten met individueel accurate gegevenspunten en toch falen voor de clinici, omdat niets die punten verbindt met dat overzicht.

U hebt drie grote lacunes in de meeste zorggegevensmeren aangewezen: narratieve extractie via NLP, klinische kennisgrafieken en reconciliatie van conflicterende records. Welke van die ontbrekende mogelijkheden heeft momenteel de grootste downstream-impact op patiëntenzorg?

Twee van de drie zijn nauw verbonden: de reconciliatie van conflicterende records en het feit dat een klinische kennisgraaf alleen zo goed is als de gegevens waarop hij werkt. Van de drie doet reconciliatie momenteel de meeste downstream-schade, omdat het stroomopwaarts van alles else zit.

Een groot deel van de informatie die in een patiëntendossier leeft, is ingevoerd door te kopiëren en plakken van eerdere ontmoetingen of door informatie te consolideren van meerdere zorgverleners. Het verplaatsen van die informatie tussen systemen met Fast Healthcare Interoperability Resources (FHIR) maakt het gemakkelijker om te verzenden en te ontvangen, maar het doet niets om de onderliggende kwaliteit te verbeteren. Als u AI of een klinische kennisgraaf op die informatie uitvoert, zullen de resultaten waarschijnlijk dezelfde inconsistenties naar voren brengen.

Er zijn standaarden zoals SNOMED CT, LOINC, RxNorm, FHIR en C-CDA die vaak worden besproken als interoperabiliteitsoplossingen. In de praktijk waarom worstelen veel organisaties nog steeds om standaardcompliantie om te zetten in klinisch bruikbare systemen?

Veel systemen en organisaties bevatten slecht gecodeerde gegevens omdat hun gebruikersinterfaces het makkelijkst maken om het eerste item weer te geven. Die interfaces zijn ontwikkeld om de code zo snel mogelijk voor facturering te verwerken, in plaats van om de klinische context te leveren die de gebruiker in staat zou stellen de aandoening nauwkeurig te registreren.

ICD-10 bevat bijvoorbeeld een code voor “erfelijke motorische en sensorische neuropathie”, een categorie die niet onderscheidt tussen Charcot-Marie-Tooth-ziekte en Roussy-Lévy-syndroom, hoewel beide binnen die categorie vallen. Als een gebruikersinterface die categorie als eerste weergeeft en het maken van de specifieke aandoening moeilijker maakt, zal de gebruiker waarschijnlijk de categorie kiezen. De categorie kan voldoende zijn om een claim te betalen, maar het is veel minder klinisch bruikbaar dan de specifieke aandoening. Alle transactiecodeterminologieën delen een of andere vorm van dit probleem.

Medicomp heeft jaren besteed aan het opbouwen van klinisch verbonden terminologie en relevantie-engines rond systemen zoals MEDCIN. Hoe belangrijk is een klinische kennisgraaf voor het maken van zorg-AI betrouwbaar en contextueel?

Een klinische kennisgraaf is essentieel omdat deze zorggegevens bruikbaar maakt op het moment dat een clinici of reviewer ze nodig heeft. De test is eenvoudig. Wanneer een patiënt een specifieke aandoening heeft die wordt beheerd, kan de gebruiker dan alles wat met die aandoening te maken heeft, direct zien, of moet hij door het hele dossier zoeken om de klinische context te reconstrueren? Een klinische kennisgraaf gebouwd op schone klinische gegevens kan die context in een oogwenk naar boven brengen. Zonder dat duurt het veel te lang om die informatie te vinden.

Veel zorgorganisaties implementeren nu generatieve AI-co-piloten en ambient documentatiesystemen. Welke risico’s ontstaan wanneer die AI-systemen worden getraind of uitgevoerd op gefragmenteerde, slecht gecontextualiseerde klinische gegevens?

Hallucinatie en het verkeerd categoriseren van informatie zijn twee van de meest voorkomende risico’s, en beide worden waarschijnlijker wanneer de onderliggende gegevens gefragmenteerd en slecht gecontextualiseerd zijn.

Een persoonlijk voorbeeld: mijn vader stierf aan leverkanker op 78-jarige leeftijd, maar tijdens een recente bezoek werd ik gevraagd hoe lang ik al in remissie was. Het ambient documentatiesysteem had een persoonlijke geschiedenis van leverkanker in mijn eigen dossier geregistreerd. Een collega liep tegen iets soortgelijks aan. Hij had COPD (chronische obstructieve longziekte) in zijn record omdat zijn zorgverlener, met behulp van ambient documentatie, een borstfoto had besteld om het uit te sluiten. Toen hij later een levensverzekering aanvroeg, werd hij geweigerd, en de reden was de COPD-diagnose die de eerdere bestelling van de borstfoto onbewust had gegenereerd.

Er is een groeiende opwinding over nationale interoperabiliteitsvooruitgang, met honderden miljoenen records die nu jaarlijks worden uitgewisseld. Wat moet er nog gebeuren voordat clinici echt kunnen vertrouwen dat uitgewisselde gegevens compleet, nauwkeurig en klinisch relevant zijn op het moment van zorg?

Twee dingen moeten gebeuren. Ten eerste hebben de zorgverleners die ontmoetingen goedkeuren, die steeds vaker worden gegenereerd door ambient listening-tools met LLM-samenvatting, snelle, gemakkelijk te gebruiken beveiligingsmaatregelen nodig voordat ze goedkeuren, op het moment vlak voordat die gegevens het patiëntendossier ingaan. Zodra onjuiste informatie in het dossier terechtkomt, erven alle downstream-gebruiken ervan het oude “garbage in, garbage out”-probleem, en het corrigeren ervan achteraf is moeilijk.

Ten tweede, zelfs als de gegevens nauwkeurig zijn, moet een clinici in staat zijn om te vinden wat ze nodig hebben zonder door alles else in het dossier te zoeken. Het uitwisselen van honderden miljoenen records doet weinig goed als de ontvangende clinici de relevante informatie niet kunnen vinden of niet kunnen vertrouwen dat het de klinische afbeelding van de patiënt weerspiegelt. Validatie op het moment van zorg en gemakkelijke ophaling zijn wat uitgewisselde gegevens iets maken waar een clinici echt op kan vertrouwen.

Kijkend naar de toekomst, wat ziet een “geactiveerd” zorggegevensomgeving eruit wanneer AI, interoperabiliteitsstandaarden, klinische context en zorgverlenersworkflows eindelijk op een betekenisvolle manier zijn gealigneerd?

Alignering zal afhankelijk zijn van elke partij die toegang heeft tot een betrouwbare klinische gegevensbasis, een die is ontworpen om elke patiënt effectief te beheren en, collectief, om echte populatiegezondheidsbeheer een realiteit te maken. Gegeven die basis, begint de alignering met de individuele patiënt.

Voordat elke ontmoeting een AI-agent alle beschikbare gegevens voor die patiënt uit gezondheidsinformatienetwerken, uitwisselingen, verzekeraars en ondernemingen assembleert, terwijl een andere agent duplicaten verwijdert en de resterende gegevens organiseert. Via een app, een kiosk of een conversatieagent, bevestigt de patiënt vervolgens de huidige diagnoses, medicijnen, recente laboratoriumresultaten en eventuele nieuwe problemen, en corrigeert eventuele fouten onderweg. Een concept van die wijzigingen gaat naar een clinici voor beoordeling.

Tijdens de ontmoeting, virtueel of fysiek, beoordeelt de clinici die informatie met de patiënt en richt zich op de aandoeningen die aandacht nodig hebben. Een agent brengt diagnostisch relevante context naar boven voor elke bestaande aandoening of nieuw klacht, en ambient listening vat de conversatie op. Een tweede agent vat het samen voor de clinici om te beoordelen, te corrigeren en goed te keuren.

Vanaf dat moment behandelen agenten het downstream-werk: het verkrijgen van de benodigde autorisaties, het verzenden van recepten naar de apotheek, het indienen van claims, het plannen van follow-upzorg en het verpakken van informatie voor goedgekeurde partijen. Op de achtergrond beoordelen agenten klinisch risico en geven aanwijzingen voor kwaliteit, risicoaanpassing en regelgevende documentatie. Het hele model rust op schone, betrouwbare gegevens op elk moment, met clinici die op de hoogte worden gehouden, waardoor informatie wordt gegenereerd die zowel individuele patiëntenzorg als effectief populatiegezondheidsbeheer ondersteunt.

Dank u voor het geweldige interview, lezers die meer willen leren, moeten Medicomp Systems bezoeken.