David Lareau, President og CEO av Medicomp Systems – Intervju-serie

David Lareau, President og CEO av Medicomp Systems, er en helse-IT-ekspert og entreprenør med en karriere som spenner over nesten fem tiår. Etter å ha startet sin karriere i datarevisjon og ledelse, grunnla han Dexcom Systems i 1987, og hjalp til å deployere noen av de tidligste bedriftsnettverkene og store skala LAN-miljøer for organisasjoner som Verdensbanken, DuPont og Sinai Hospital. Han ble med i Medicomp Systems i 1995 som Chief Operating Officer og ble utnevnt til CEO i 2012, og ledet selskapets utvikling fra en pionér klinisk kunnskapsmotor til et moderne helse-IT- og interoperabilitetsselskap. Under hans ledelse har Medicomp utvidet sin globale rekkevidde, utviklet evidensbasert klinisk intelligensløsninger og fokusert på å forbedre klinikerproduktivitet, dataanvendelighet og pasientpleie gjennom smartere helse-IT.

Medicomp Systems er et helse-IT-selskap som er best kjent for sin kliniske intelligens og kunnskapsmotor-teknologi som transformerer komplekse, fragmenterte helsedata til strukturerte, klinisk relevante informasjoner. Grunnlagt på den patenterede MEDCIN-kunnskapsmotoren, hjelper selskapets flaggskip Quippe-plattform helseorganisasjoner med å forbedre klinisk dokumentasjon, interoperabilitet, kvalitetsmåling, risikotilpasning og AI-drevet beslutningsstøtte. Designet for å speile hvordan klinikere tenker og arbeider, brukes Medicomps løsninger av sykehus, helsevesen, EHR-leverandører og helseorganisasjoner verden over til å strømlinje arbeidsflyter, redusere administrative byrder og levere mer meningsfulle pasientinnsikter på pleiepunktet. Selskapet har blitt en anerkjent leder i å kombinere klinisk kunnskapsgrafer, strukturerte data og AI for å støtte mer nøyaktig, effektiv og pålitelig helsebeslutning.

Du har brukt nesten fire tiår på å arbeide med helse-IT, fra tidlige bedriftsnettverk og medisinske faktureringssystemer til å lede Medicomp Systems i over 30 år. Ser du tilbake på den utviklingen, hva er den grunnleggende helsedata-problemet du mener industrien fortsatt ikke har løst?

Helseindustrien mangler fortsatt en integrert standard for kliniske data. Terminologistandardene vi bruker, ble hver skapt for å løse kodeproblemer innenfor en enkelt domene: ICD-10 for diagnoser, CPT og HCPCS for prosedyrer og tester, LOINC for laboratorieresultater og andre målinger, RxNorm for medisiner og SNOMED CT for kliniske funn. Ingen av dem ble skapt for å organisere en pasients pleie.

Helseinformasjonssystemer bruker disse standardene for å fullføre bestemte transaksjoner, som for det meste er knyttet til refusjon, snarere enn å gi leger en integrert visning av en pasients status. Tenk på en pasient med diabetes. Den pasientens data er spredt over separate faner i helseinformasjonssystemet, uten noen enkelt “diabetes-visning” som trekker alt sammen. Kodningssystemene deler ingen felles skjema, som gjør dem komputasjonelt ineffektive, og denne ineffektiviteten blir et langt større problem i en verden med klinisk AI. AI avhenger av god data, og vår industri har fortsatt ikke det.

Bild deg en Amazon-lager som prøver å operere uten varenummer (SKU), men i stedet bruker tekstbeskrivelser av hver vare, hver beskrivelse koblet til en datastruktur som endres fra en varetype til en annen. Nesten hver industri har en eller annen versjon av SKU. Helseindustrien har ikke det, og derfor forblir dataene fragmenterte og inkonsistente.

Du har beskrevet mange moderne helsedatabaser som “data-sumper” snarere enn handlebare data-innsjøer. Hva er de største arkitektoniske feilene helsevesenet har gjort under rushen for å sentralisere data?

Den største feilen var å organisere databasen på samme måte som kilde-systemene var organisert, rundt domener og transaksjoner snarere enn rundt pasienten. De fleste helsevesener har fortsatt separate kliniske informasjoner i separate domener som laboratorier, medisiner, prosedyrer og diagnoser. Brukere, og programvaren de avhenger av, må derfor nå inn i separate filer og lokasjoner for å samle en visning av pasienten, noe som gjør hver prosess langsommere og mer besværlig.

Det dypere problemet er at hver transaksjon, enten det er en faktura, en resept, en testordre eller en laboratorieresultat, lagres som en selvstendig enhet snarere enn som en del av en integrert visning av pasientens tilstand. Å sentralisere disse dataene i ett sted løser ikke problemet. En data-innsjø fylt med fragmenterte, domene-bundne poster blir en data-sump fordi volum alene, uten klinisk organisering, ikke gir forståelse.

En stor prosentdel av klinisk meningsfulle informasjoner bor fortsatt inne i lege-notater, bilde-rapporter og utskrivningssummeringer snarere enn strukturerte felt. Hvorfor har industrien slitt så mye med å operasjonalisere ustrukturerte kliniske data i stor skala?

Dette er i ferd med å endre seg, og raskt. Store språkmodeller (LLM) kan nå generere tekstsummeringer av møter fritt fra forkortelser og idiosynkratisk stenografi, noe som gjør det mye enklere for klinisk naturlig språkbehandling (NLP) å trekke ut strukturerte, kodete data fra denne teksten. Tidligere måtte klinikere arbeide gjennom checkliste eller skjemaer for å fange strukturerte data, noe de fant besværlig og stort sett ubrukbart.

I dag fungerer sekvensen annerledes. Ambient lytting produserer en rimelig ren tekstnotat, en LLM summerer notatet i en semi-strukturert form, og NLP kjører deretter på summeringen. Når NLP pekes mot et riktig klinisk datamål, som representerer kliniske konsepter snarere enn en flat liste over koder, kan det produsere velformede data fra narrativ tekst. Å oppnå dette krever en kombinasjon av teknologier som arbeider sammen, og det avhenger fullstendig av å ha et riktig klinisk datamål på plass.

Du argumenterer for at det grunnleggende problemet ikke er “datakvalitet” men data-fragmentering. Kan du forklare forskjellen, og hvorfor denne distinksjonen er viktig for AI-drevne helse-systemer?

De to er tett sammenknyttet, men de beskriver forskjellige problemer, og den forskjellen er viktig for AI. Datakvalitet handler om hvorvidt en enkelt informasjonsenhet er nøyaktig, fullstendig og riktig registrert. Data-fragmentering er strukturert. Fragmentering skjer når kliniske informasjoner, uavhengig av kvaliteten, deles over separate domener og kodningssystemer og lagres i forskjellige formater og lokasjoner.

Denne fragmenteringen er dagens praksis fordi hver kodningssystem ble designet for en separat transaksjonell bruksfall. Tilnærmingen var tilstrekkelig for å skrive en resept, generere en faktura eller håndtere andre separate oppgaver. Samlet pasientpleie er et annet problem, som krever informasjon fra flere domener som må samles, prosesseres og vises som en enkelt, diagnostisk sammenknyttet visning av pasienten. En journal kan være full av enkeltvis nøyaktige datapunkter og likevel svikte klinikeren, fordi ingenting kobler disse punktene sammen i den visningen.

Du har fremhevet tre store hull i de fleste helsedatabaser: narrativ uttrekk gjennom NLP, kliniske kunnskapsgrafer og sammenstilling av motstridende poster. Hvilken av disse manglene kapabilitetene er for tiden årsaken til den største nedstrømsvirkningen på pasientpleie?

To av de tre er tett sammenknyttet: sammenstilling av motstridende poster, og det faktum at en klinisk kunnskapsgraf bare er like god som dataene den opererer på. Av de tre er sammenstilling for tiden årsaken til den største nedstrømsvirkningen, fordi den ligger oppstrøms for alt annet.

En stor del av hva som bor i en pasients journal ble innført ved å kopiere og lime fra tidligere møter eller konsolidere informasjon fra flere leverandører. Å flytte denne informasjonen mellom systemer med Fast Healthcare Interoperability Resources (FHIR) gjør det enklere å sende og motta, men det gjør ingenting for å forbedre den underliggende kvaliteten. Å kjøre AI eller en klinisk kunnskapsgraf på denne informasjonen vil sannsynligvis fremme de samme inkonsistensene videre.

Standarder som SNOMED CT, LOINC, RxNorm, FHIR og C-CDA diskuteres ofte som interoperabilitetsløsninger. I praksis, hvorfor sliter mange organisasjoner med å omdanne standard-overholdelse til klinisk nyttige systemer?

Mange systemer og organisasjoner har dårlig kodet data fordi deres brukergrensesnitt gjør det enklest å velge det første elementet som presenteres. Disse grensesnittene er bygget for å flytte koden videre for fakturering så raskt som mulig, snarere enn å levere klinisk kontekst som ville la brukeren registrere tilstanden nøyaktig.

ICD-10, for eksempel, inkluderer en kode for “arvelig motorisk og sensorisk nevropati”, en kategori som ikke skiller Charcot-Marie-Tooth-syndrom fra Roussy-Lévy-syndrom, selv om begge faller innenfor den. Hvis et brukergrensesnitt presenterer denne kategorien først og gjør den spesifikke tilstanden vanskeligere å velge, vil brukeren sannsynligvis velge kategorien. Kategorien kan være nok til å få en krav betalt, men den er langt mindre klinisk nyttig enn den spesifikke tilstanden. Alle transaksjonelle kodningsterminologier deler en eller annen versjon av dette problemet.

Medicomp har brukt årevis på å bygge klinisk sammenknyttet terminologi og relevansmotorer rundt systemer som MEDCIN. Hvor viktig er en klinisk kunnskapsgraf for å gjøre helse-AI pålitelig og kontekst-bevisst?

En klinisk kunnskapsgraf er essensiell fordi den gjør dataene brukbare i øyeblikket en kliniker eller gjennomgående trenger dem. Testen er enkel. Når en pasient har en bestemt tilstand som håndteres, kan brukeren se alt som er relatert til den tilstanden med en gang, eller må de sortere gjennom hele journalen, fane for fane, for å rekonstruere den kliniske konteksten? En klinisk kunnskapsgraf bygget på ren klinisk data kan overflate denne konteksten i et øyeblikk. Uten en, tar det å finne den samme informasjonen for lang tid.

Dette er hvorfor, hver gang jeg besøker mitt mega-sykehus, jeg blir bedt om å fullføre en fire-siders, seks-skjermer medisinsk historie-skjema med samme informasjon jeg ga måneden før. Å finne noe i dagens helseinformasjonssystemer er enkelt for vanskelig. Medicomp har brukt over 45 år på å bygge MEDCIN og sin kliniske kunnskapsgraf for å lukke nettopp dette gapet, så AI som opererer på toppen av ren, sammenknyttet data kan være både pålitelig og bevisst pasientens kliniske kontekst.

Mange helseorganisasjoner deployer nå generative AI-kopiloter og ambient-dokumentasjonssystemer. Hva er risikoen når disse AI-systemene er trent eller opererer på fragmenterte, dårlig kontekstualiserte kliniske data?

Hallusinasjon og feilkategorisering av informasjon er to av de vanligste risikoene, og begge blir mer sannsynlige når de underliggende dataene er fragmenterte og dårlig kontekstualiserte.

Et personlig eksempel: Min far døde av leverkreft i en alder av 78, men på et nylig besøk ble jeg bedt om hvor lenge jeg hadde vært i remisjon. Det ambient-dokumentasjonssystemet hadde registrert en personlig historie med leverkreft i min egen journal. En kollega havnet i en lignende situasjon. Han hadde kronisk obstruktiv lungesykdom (KOLS) registrert i sin journal fordi hans leverandør, ved hjelp av ambient-dokumentasjon, hadde bestilt en røntgen av brystet for å utelukke KOLS. Da han senere søkte om livsforsikring, ble han avvist, og årsaken var KOLS-diagnosen som den tidligere røntgenordren uforvoldt hadde generert.

Det er en økende begeistring rundt nasjonal interoperabilitets-fremgang, med hundredvis av millioner poster som nå utveksles årlig. Hva må fortsatt skje før klinikere kan virkelig stole på at utvekslet data er fullstendig, nøyaktig og klinisk relevant på pleiepunktet?

To ting må skje. Først trenger de leverandører som godkjenner møter, som stadig oftere genereres av ambient-lytting-verktøy med LLM-summering, raskt og enkelt tilgjengelige retningslinjer før de godkjenner, på punktet rett før dataene går inn i pasientjournalen. Så snart feil informasjon havner i journalen, arver hver nedstrøms bruk av den det klassiske “skralle inn, skralle ut”-problemet, og å korrigere det etterpå er vanskelig.

For det andre, selv om dataene er nøyaktige, må en kliniker kunne finne det de trenger uten å måtte gå gjennom alt annet i journalen. Å utveksle hundredvis av millioner poster gjør liten nytte hvis den mottakende klinikeren ikke kan finne den relevante informasjonen eller stole på at den reflekterer pasientens sanne kliniske bilde. Validering på pleiepunktet og enkel tilgang er det som gjør utvekslet data til noe en kliniker virkelig kan stole på.

Ser du for deg hva en “aktivert” helsedata-miljø vil se ut som om fem år, når AI, interoperabilitetsstandarder, klinisk kontekst og lege-arbeidsflyt er til slutt alignert på en meningsfull måte?

Alignering vil avhenge av at hver part har tilgang til en pålitelig klinisk data-grunnlag, ett designet for å håndtere hver pasient effektivt og, kollektivt, å gjøre ekte befolkningshelse-håndtering til virkelighet. Gitt dette grunnlaget, starter aligneringen med den enkelte pasienten.

Før hvert møte samler en AI-agent all tilgjengelig data for den pasienten fra helseinformasjonsnettverk, utvekslinger, betalere og bedrifter, mens en annen agent fjerner duplikater og organiserer de gjenværende dataene. Gjennom en app, en kiosk eller en konversasjonsagent, bekrefter pasienten deretter nåværende diagnoser, medisiner, nylige laboratorieresultater og eventuelle nye problemer, og korrigerer eventuelle feil underveis. En utkast til disse endringene går til en kliniker for gjennomgang.

Ved møtet gjennomgår klinikeren informasjonen med pasienten og vender seg til tilstandene som trenger oppmerksomhet. En agent overflater diagnostisk relevant kontekst for hver eksisterende tilstand eller ny klage, og ambient lytting fanger samtalen. En annen agent summerer den for klinikeren til å gjennomgå, korrigere og godkjenne.

Deretter håndterer agenter det nedstrøms-arbeidet: sikrer nødvendige godkjenninger, sender resepter til apoteket, sender krav, planlegger oppfølgingsbehandling og pakker informasjon for godkjente parter. Gjennom hele prosessen vurderer bakgrunnsagenter klinisk risiko og fremmer kvalitet, risikotilpasning og regulatorisk dokumentasjon. Hele modellen hviler på ren, pålitelig data på hvert trinn, med klinikere holdt i løkken, og produserer informasjon som støtter både enkelt-pasientpleie og effektiv befolkningshelse-håndtering.

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