Daniel Cane, medgrunnlegger og med-CEO av ModMed – Intervju-serie

Daniel Cane er med-CEO og medgrunnlegger av det sørfloridabaserte selskapet ModMed^®, et helse-IT-selskap som transformerer helsevesenet gjennom spesifikke, intelligente plattformer for å øke praksisens effektivitet og forbedre pasientresultatene.

ModMed ble grunnlagt i februar 2010 og har vokst til over 1 200 ansatte og har mottatt over 332 millioner dollar i total investering. Selskapet er kjent for sin progressive vekst som et medisinteknologiselskap og blir ofte anerkjent både nasjonalt og regionalt for sine prestasjoner under Daniels ledelse. I 2020 ble selskapet kåret til ett av de beste arbeidsplassene i landet av Inc.-magasinet. Mellom 2016 og 2018 ble selskapet kåret til ett av de raskest voksende selskapene i Nord-Amerika på Deloitte Technology Fast 500^™-listen. Fra 2015 har selskapet årlig blitt inkludert på den eksklusive Inc. 5000-listen, en prestisjefylt samling av de raskest voksende private selskapene i landet.

Kan du dele noen tanker om din bakgrunn og hvordan den har påvirket ditt arbeid i ModMed?

Min reise inn i teknologi begynte under min undergraduate-utdanning ved Cornell, da jeg var med å grunnlegge Blackboard. Vi transformerte utdanningen ved å digitalisere forelesningsnotater og skape en plattform som ga studenter og ansatte utenfor sammenheng og interaksjon. For meg kulminerte Blackboards suksess i 2004 med børsnoteringen, og selv om våre løsninger var banebrytende i utdannings-teknologi, kunne jeg ikke la være å se etter nye utfordringer.

En slik utfordring presenterte seg da jeg gikk til en rutineundersøkelse hos min dermatolog. Vi hadde en fantastisk samtale om problemene med å bruke gamle, papirbaserte systemer og måter å løse dem på. Da jeg inn så broen mellom hans medisinske ekspertise og min tekniske kunnskap, bestemte vi oss for å samarbeide og skape ModMed, sammen med vår første elektroniske helsejournal (EHR)-plattform.

På den tiden eksisterte det allerede noen EHR-systemer, men dessverre ble de ofte nevnt som en av de ledende årsakene til legeutbrenning. Vi tok en annen tilnærming og designet vår EHR for å tilpasse brukeropplevelsen til de spesifikke arbeidsflytene i et medisinsk spesialområde. Vår flaggskip, skybaserte EHR, EMA, er og fortsetter å være designet av leger, for leger, noe som har satt oss fra hverandre og definerer vår hemmelige saus på markedet. Over årene har vi utvidet våre produkttilbud til å inkludere en fullstendig samling løsninger som hjelper medisinske tjenesteytere å forenkle og strømlinjeformele sine praksisoperasjoner og påskynde leveringen av omsorg.

Hvordan ser du på kampen for effektiv AI i helsevesenet, og hvordan kan den vinnes eller tapes med data?

Vi begynner å se en økning i bruken av AI-teknologi innen praksis for å strømlinjeformele arbeidsflyt og maksimere effektivitet. Etter hvert som vi går inn i en æra hvor vi bruker AI til å utføre mer avanserte oppgaver – som å foreslå behandling eller andre kliniske støtteanbefalinger – er det avgjørende å ha riktig data og AI-treningstrategi på plass. AI har muligheten til å betydelig forbedre erfaringen for pasienter og tjenesteytere og skape systemisk endring som virkelig kan forbedre helsevesenet, men å gjøre dette til virkelighet vil avhenge av store mengder høykvalitetsdata som brukes til å trene modellene.

Hvorfor er data så kritisk for AI-utvikling i helsevesenet?

Data er livsnerven i AI, og dårlig datakvalitet vil hemme en AIs ytelse, noe som kan føre til underoptimalt resultater. Dette kan ha alvorlige konsekvenser i et helsevesen, da pasienters liv kan være på spill. Men en mer sannsynlig scenario er at disse negative erfaringene kan undergrave både pasienters og tjenesteyteres tillit til AI, noe som kan bremse fremgangen og den positive effekten denne revolusjonerende teknologien kan ha på helsevesenet.

For eksempel, i undersøkelsesrommet, er AI-aktiverende lyttingverktøy designet for å foreslå innhold for kliniske notater som tjenesteyteren kan se over og godkjenne. Ideelt sett bør dette redusere tiden tjenesteyteren bruker på å dokumentere innenfor EHR og tillate mer kvalitetstid med pasienten. Men dårlig datakilde og dårlig trent AI-verktøy kan ha den motsatte effekten, og tjenesteyteren må bruke en uforholdsmessig lang tid på å fikse feil og om skrive notater.

I tillegg er bias en betydelig risiko forbundet med AI-algoritmer, og kvalitetsdata kan spille en nøkkelrolle i å mildne helseforskjeller. AI-modeller kan lære mønster som effektivt behandler en pasientpopulasjon forskjellig fra andre populasjoner, inkludert lovmessig beskyttede grupper. Ved å overvåke datainngangene og trene på robuste og representative data, kan AI-utgangene bli mer inklusive og nøyaktige.

Kan du utdype på typene data ModMed bruker til å trene sine AI-modeller og hvordan denne dataen innhentes og håndteres?

Hos ModMed bruker vi omfattende, spesifikke data for å trene våre AI-modeller med presisjon. Over de siste 14 årene har vi skapt spesifikke, de-identifiserte strukturerte datasamlinger i samsvar med personvernsloven og er nå i ferd med å utnytte denne interne dataen til å trene våre AI-modeller. For eksempel har vårt ambient lyttingverktøy ModMed Scribe blitt trenet for dermatologi, vårt første spesialområde, på millioner av strukturerte parametre fra de-identifiserte pasientjournaler samplet fra en samling av 500 millioner pasientmøter.

Hvordan definerer ModMed “etisk AI” i sammenheng med helsevesenet?

Potensialet for AI å ha fordommer eller gi uakkurate opplysninger i form av “hallusinasjoner” eller utelatelser kan påvirke pasienters liv. Av denne grunn handler etisk AI i helsevesenet om å sette en høy standard for nøyaktighet og presisjon. Det handler om å utvikle algoritmer omsorgsfullt og ansvarlig og å bruke høykvalitets- og divers data for å muliggjøre mer nøyaktige forutsigelser for hver bruker.

Etisk AI handler også om å sikre at mennesker forblir en del av ligningen. En AI bør ikke “overlege legen” men i stedet redusere den administrative byrden legene og deres ansatte opplever, slik at de kan fokusere mer på å hjelpe pasientene.

Hvilke tiltak er det satt i verk hos ModMed for å tillate AI-teknologier å bli utviklet og deployert på en etisk måte?

Vår strukturerte data-tilnærming – kuratering av høykvalitets-, representative treningsdatasamlinger – hjelper oss å gjøre ansvarlig AI til virkelighet. Relevant og de-identifisert data samlet inn fra våre EHR-systemer fra en rekke praksiser gir oss en diversifisert samling treningsdata som reflekterer forskjellige pasientpopulasjoner.

I tillegg omfatter vårt utviklingsteam data-rengjøring for å muliggjøre innsamling og bruk av høykvalitetsdata. Denne prosessen tillater våre team å identifisere, rette og fjerne inkonsistenser, feil og manglende verdier fra datasamlingen. Gjennom denne regelmessige vedlikeholdet kan vi jevnt oppdatere AI-en basert på ytelsesdata, spesielt klinisk data, hvor pasientresultater kan påvirkes.

Kan du diskutere betydningen av åpenhet og ansvar i AI-utvikling, spesielt i helsevesenet?

Åpenhet gjør ansvar mulig, og det er derfor en så kritisk underbygning for enhver AI-løsning i helsevesenet. Legers topprioritet er pasientomsorg og -sikkerhet, så det er ingen overraskelse at 80% av legene ønsker å kjenne til karakteristika og funksjoner i design, utvikling og deployering av AI-verktøy.

I tillegg er ikke all data skapt like. Det er viktig å vite hvor og hvordan data lagres og innhentes og hvordan ofte det oppdateres. Vi er heldige som har vært dedikert til en datastrategi som prioriterer åpenhet og nøyaktighet siden ModMeds opphav. Vi har en grundig forståelse av våre datas kilde og kvalitet og er trygge på at våre AI-integrasjoner vil levere betydelig verdi til våre kunder.

Hvordan integreres AI i ModMeds spesifikke EHR-systemer som EMA og gGastro?

Over hele vårt portefølje har vi brukt maskinlæring i noen tid og styrker vår investering i avansert og generativ AI for å forenkle medisinen og påskynde kvalitetsomsorg. Vi bygger ut en hel AI-drevet praksiserfaring som starter før en pasient kommer innom døren, går gjennom undersøkelsesrommet og helt til faktureringen.

I den kliniske settingen er vi i de siste fasene av vår AI-lyttingpilotprogram for EMA, som vi tror vil være en game-changer for dens nedstrømsfunksjonalitet og foreslått strukturert innhold. Vårt AI-drevne dokumentasjonsløsning er designet for å strømlinjeformele omsorgsprosessen utover bare transkripsjon eller utkast til en SOAP-notat. Ved å bruke enorme mengder strukturert data, trener vi våre AI-modeller for å fange essensiell informasjon fra lege-pasient-samtaler og, sammen med vår EHR, foreslå relevant innhold for besøksnotater, inkludert ICD-10-koder, kirurgikoder og resepter. Dette sparer legene verdifull tid og tillater dem å tilbringe mer kvalitetstid med pasientene.

Hva er de spesifikke fordelene med spesifikke AI-løsninger for helsevesenet og pasienter?

Ingen to medisinske spesialområder er like. De varierer bredt med de pasientene de ser, tilstandene de behandler og de medisinske kodene som brukes for refundasjon. AI-løsninger må tilpasses for å kunne være effektive på en virkelig meningsfull måte.

For eksempel er ModMeds EHR-er og AI-lyttingverktøy spesifikt tilpasset hvert medisinsk spesialområde, og gir høyt relevant og presis støtte til klinikerne. Hvert spesialområdes dokumenteringsprosess krever forskjellige komponenter innenfor den strukturerte datanoten, inkludert unike medisinske koder og terminologi. Denne spesialiseringen tillater AI-en å bedre forstå og forutse de unike behovene og arbeidsflytene til forskjellige spesialområder, noe vi tror vil resultere i mer effektiv implementering, raskere adopsjon og større overordnet effektivitet i å forbedre operasjonell effektivitet.

Hvor ser du de største mulighetene for AI i helsevesenet de neste fem til ti årene?

I fremtiden vil AI uten tvil permeere nesten alle aspekter av helsevesenet på måter vi ikke kan forestille oss. Allerede nå blir AI brukt til administrative oppgaver, og i den nære fremtid vil denne trenden sannsynligvis øke ettersom AI-verdiens verdi blir mer åpenbar.

Jeg ser også en fremtid hvor AI er sømløst integrert gjennom lege-pasient-interaksjoner, hvor “brukergrensesnittet” eller UI er nesten usynlig. I stedet for dagens skjermbaserte interaksjoner kan AI tilby en blanding av virkelighet og forsterket virkelighet. Denne fremtidige AI kan potensielt analysere helsejournaler for å identifisere kritiske innsikter, forutsi en pasients risiko for forskjellige sykdommer. Den enorme mengden data i helsejournaler presenterer en mulighet for AI å forutsi fremtidige omsorgsbehov og skape og hjelpe med å håndtere forebyggende behandlingsplaner.

Dette kan utvides utover praksissettingen og bli en del av pasientens daglige liv. AI-drevne wearables kan gi personlig støtte, svare på spørsmål og planlegge møter blant annet. AI kan også overvåke livstegn på avstand, oppdage og varsle tjenesteytere om potensielle helseproblemer. Personlige behandlingsplaner, tilpasset enkeltindivider basert på data og preferanser, kan bli normen.

Dette er virkelig en spennende tid for helsevesenet. De neste fem til ti årene er rike med muligheter til å videre transformere industrien og forbedre pasienterfaringen.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke ModMed.