Dr. Jaime Bland, medgrunnlegger og CEO av Aquila Health – Intervju-serie

Dr. Jaime Bland, medgrunnlegger og CEO av Aquila Health, er en ledende ekspert innen helse-IT som fokuserer på å løse en av bransjens mest vedvarende utfordringer: fragmentert og utilgjengelig data. Hun grunnla Aquila Health for å bygge en samlet data-infrastruktur som gjør det mulig for helseorganisasjoner å gå utenfor silo-baserte systemer, og å bruke maskinlæring og strukturert analyse til å generere håndterbare innsikter samtidig som de opprettholder klinisk tilsyn. Hennes arbeid handler om å forbedre interoperabilitet, å muliggjøre helse-intelligens på populasjonsnivå og å støtte tidlig oppdagelse av nye helse-trusler gjennom integrerte kliniske, krav og genetiske datasystemer.

Aquila Health er en AI-drevet helse-data-plattform som er designet for å samle sammen ulike data-kilder i ett enkelt, interoperabelt system som støtter både operasjonell effisiens og avansert analyse. Plattformen tar inn store mengder helse-data-formatter som HL7 og FHIR, og muliggjør sømløs integrasjon over hele sykehus, offentlige helse-systemer og andre interessenter. Ved å kombinere strukturerte maskinlærings-tilnærminger med en menneske-i-løkken-valideringsmodell, fokuserer Aquila på å levere pålitelige innsikter for befolknings-helse-styring, anomali-oppdagelse og sanntids-beslutning, i stedet for å bare stole på uigjennomsiktige AI-systemer. Dette plasserer selskapet på skjæringspunktet mellom data-infrastruktur og anvendt AI, der forbedring av data-kvalitet og -tilgjengelighet er grunnleggende for å låse opp det fulle potensialet for helse-intelligens.

Du ledet CyncHealth gjennom massiv vekst, og skalaerte interoperabilitet over millioner av pasient-records og flere stater, før du grunnla Aquila Health. Hva var de viktigste begrensningene eller system-feilene du møtte under denne reisen som til slutt førte til at du bygget Aquila fra bunnen av?

På CyncHealth, tilbragte vi år på å bygge infrastrukturen for å koble sammen helse-organisasjoner over hele Nebraska og Iowa. Vi koblet sammen over 1 100 omsorgssteder og millioner av pasient-records, som omfattet en befolkning på over fem millioner mennesker.

Men det vi stadig møtte, var at å koble sammen systemer og faktisk gjøre dataen brukbar, er to helt forskjellige problemer. For eksempel, arbeidet vi for å lage en overdose-dashbord som koordinerte data vi mottok fra flere kilder. Det tok måneder med hundrevis av FTE-timer og koordinering over mange interessenter for å gjøre denne enkelt-data-punktet forståelig i en offentlig helse- og helsekontekst. Og etter all den tid, var bildet fortsatt ufullstendig.

Den erfaringen var frøet til Aquila. Den gamle måten å koble sammen grensesnitt uten å forstå fullstendigheten og kvaliteten på data-eksporten, vil ikke møte behovet med de fremskrittene vi har sett i AI de siste årene. Når AI kan oppnå på noen timer hva som tidligere tok en gruppe måneder, og gjøre det med høyere kvalitet til en brøkdel av kostnaden, må du bruke den kunnskapen til å bygge fra en ny grunn. Det er hva vi har gjort med Aquila, og vi fokuserer på moderne verktøy som reduserer kostnadene ved å koble sammen, så vi kan fokusere på å fullføre hele bildet av helse – ikke bare data som er avledet fra tradisjonelle EHI-kilder, men hele bildet.

Aquila har nylig kommet ut av stealth med en plattform som fokuserer på å samle sammen fragmentert helse-data i ett enkelt, AI-klart lag. Hva var de viktigste tekniske gjennombruddene som gjorde dette mulig nå, i stedet for bare noen få år siden?

AI-kapasiteter har drevet denne endringen nesten fullstendig.

Jeg tilbragte år på å se dyktige ingeniører manuelt sammenligne data-standarder, en kilde om gangen. Det fungerte, men den modellen kan aldri skaleres. Du kunne ikke hyre deg ut av det raskt nok til å holde tritt med volumet og variasjonen av data som helse-industrien genererer.

Hva som er forskjellig nå, er at AI kan gjøre normaliserings-arbeidet kontinuerlig på data-laget mens informasjon flytter seg gjennom systemet. Det er ikke en batch-prosess som kjører over natten. Det skjer i nær-sanntid. Det endrer hva som er mulig for kliniske og offentlige helse-team, fordi dataen de trenger, er strukturert og valideret (gjort brukbar) før den når dem.

Kliniske eksperter er vant til å ta beslutninger uten det fullstendige bildet av pasienten. Offentlig helse er vant til å drive programmer uten nylig data til å støtte det opp. Aquila endrer landskapet og gir hastigheten som gjør effektivt data-drevet beslutning mulig over hele helse-industrien.

Vi bygget TREUE ™ som rammeverket som organiserer EHR-avledede kliniske data, laboratorie, offentlig helse, krav, apotek og sosiale data i en samlet struktur. AI erstatter ikke god data-styring; det gjør god data-styring skalerbar for første gang.

Du har betonet at den virkelige utfordringen i helse-AI ikke er modellene, men dataen selv. Hva er de viktigste gapene i dagens helse-data-infrastruktur som forhindrer AI fra å levere meningsfulle resultater?

Bransjen snakker om AI-modellen, men modellen er ikke det vanskelige.

Det vanskelige er at en pasient kan gå inn på tre forskjellige fasiliteter på en enkelt dag og fremstå som tre forskjellige personer i tre forskjellige systemer. Laboratorie-resultatene matcher ikke de kliniske notatene. Payer-oppføringen har en annen identifikator enn sykehus-oppføringen og offentlig helse bruker en helt annen identifikator. Når du har sortert all den informasjonen manuelt, er det kliniske vinduet stengt.

Stærke tekniske forbindelser kan ikke fikse poster som ankommer ufullstendige eller utenfor rekkefølge. AI kan ikke oppdage en mønster som ikke er i dataen, og det kan ikke gi en pålitelig anbefaling fra en post som mangler halvparten av den historiske eller nåværende informasjonen som den bør inneholde.

Gapet er ikke prosessorkraft, det er tillit til den underliggende dataen. Det er hva som må løses først, og å løse det i skala er der AI faktisk kan tjene sin plass.

Aquila stiller seg som “data-forberedelses-laget” før AI-inntak. Kan du gå gjennom hva dette laget faktisk gjør i praksis, spesielt når det gjelder å håndtere svært heterogene inndata som kliniske poster, krav-data og sanntids-feeds?

Ved å bruke eksemplet fra tidligere, tenk på hva som skjer når en pasient-møte genererer data. Du får en HL7-melding fra sykehuset, en krav-post fra forsikringsgiveren, et laboratorie-resultat fra en referanse-laboratorium som bruker en annen identifikator, og en offentlig helse-rapport som er innlevert på en helt annen tidsplan. Ingen av disse var designet for å bli forsonet med hverandre.

Vårt forberedelses-lag, TREUE ™, er hva som sitter mellom disse inndata og noen nedstrøms-analyse eller AI-applikasjon. Dets jobb er å evaluere hver post når den ankommer, matche identiteter over kilder, normalisere formater og flagge hva som mangler eller er inkonsistent før dataene flytter seg videre.

I praksis betyr dette at en kliniker som ser på en pasient, arbeider fra en post som har blitt valideret og justert over kilder, i stedet for å manuelt sammenligne fire forskjellige system-visninger under en omsorg-episode. For offentlige helse-team betyr det at utbruddssignaler ikke er forsinket av data som ankom i forskjellige formater fra forskjellige jurisdiksjoner.

Det er infrastruktur-arbeid. Det er ikke glamorøst, men ingenting nedstrøms fungerer uten det.

Interoperabilitets-standarder som Fast Healthcare Interoperability Resources (FHIR) og United States Core Data for Interoperability (USCDI) har vært rundt i år, men fragmentering består. Hva mangler fortsatt fra et standard-perspektiv, og hvordan addreserer Aquila disse gapene på en annen måte?

FHIR og USCDI ga industrien et felles språk for å utveksle data. Det var viktig fremgang.

Men et felles språk for å sende data er ikke det samme som data som oppfører seg konsistent når den ankommer. Her er gapet: helse-data kommer ikke fra ett domene. Kliniske systemer, offentlige helse-registre, laboratorier og sosiale data-kilder har alle sine egne styrings-krav, tidsplaner og definisjoner av hva et felt betyr. FHIR forteller deg ikke hvordan du kan forsones en sosial-determinant-datasett med en klinisk post fra en annen jurisdiksjon.

Hva TREUE ™ legger til, er et samlet rammeverk for hvordan data fra alle disse domenene kan organiseres og valideres sammen, samtidig som det respekterer styrings-reglene som gjelder for hver kilde. Resultatet er data du faktisk kan analysere over domener, ikke bare data som har blitt overført med hell.

Aquila opererer i høy-konsekvens-miljøer hvor feil ikke er et alternativ. Hvordan designer du AI-systemer som balanserer sanntids-ytelse med strenge krav rundt styring, overvåkbarhet og tillit?

Du må bygge styring inn i arkitekturen før du skriver den første linjen med applikasjons-kode. Det bør ikke være et lag du legger til etterpå.

I helse- og regjerings-miljøer, er beslutningene som blir informert av denne dataen, påvirkning av pasient-omsorg, utbrudds-reaksjon og hvordan offentlige ressurser blir fordelt. Hver handling på dataen må være sporbar, og tilgang må være tett kontrollert. Systemet må møte kravene til de miljøene det opererer i.

For Aquila, betyr dette å operere innen regjerings-grads cloud-infrastruktur, null-tillit-tilgangskontroll og sikkerhets-praksis som er i tråd med HIPAA og føderale standarder. Vi har aktive kontrakter underveis med statlige myndigheter, føderale byråer og helse-organisasjoner, og disse miljøene har svært forskjellige krav som plattformen må møte samtidig.

Menneske-i-løkken-komponenten er like viktig. AI kan overflate-signaler, men kliniske eksperter validerer anomali før de informerer operasjonelle beslutninger. Teknologien gjør det raskere å finne disse signalene. Det erstatter ikke dommen til menneskene som må handle på dem.

Din plattform støtter sikker, på-enhet-AI-utbredelse og data-suverenitet. Hvor viktig er desentralisering i helse-AI, spesielt gitt økende bekymringer rundt data-privatliv og regulerings-samsvar?

Det blir essensielt, og jeg tror industrien er bare begynt å forstå hvorfor.

Helse-organisasjoner opererer under strenge privatlivs-forpliktelser. Følsomme pasient-data kan ikke enkelt sentraliseres og prosesseres i et delt miljø. Forskjellige stater har forskjellige regler. Føderale byråer har forskjellige regler. Internasjonal helse-data har enda en annen sett med begrensninger. Enhver arkitektur som krever å flytte følsomme data til en sentral lokasjon, vil løpe inn i disse veggene gjentatte ganger.

Retningen som faktisk fungerer, er å generere innsikter nærmere der data allerede bor. Organisasjoner kan bidra til delt analyse uten å gi opp kontroll over sine underliggende data. Det er hva føderede modeller tillater.

Vår plattform er bygget for å operere i et slikt regulert, desentralisert miljø – styring som reiser med dataen i stedet for å bli påvirket i ett enkelt punkt. Det er en vanskeligere arkitektur å bygge, men det er den som faktisk er kompatibel med hvordan helse-data-styring fungerer i praksis.

Mange AI-startups lener tungt på svarte-boks-modeller, mens Aquila inkorporerer menneske-i-løkken-validering. Hvor ser du grensen mellom automatisering og menneskelig tilsyn i kliniske AI-systemer?

Jeg startet min karriere som sykepleier. Den erfaringen former hvordan jeg tenker på hvor AI hører hjemme i en klinisk setting, og hvor det ikke gjør.

AI er svært god til å finne mønster i store datamengder. Det er ikke god til å vite hva et mønster betyr for en spesifik pasient med en spesifik historie i en spesifik samfunns-kontekst. Det er fortsatt en menneskelig dømmekraft.

Riktig rolle for AI i kliniske systemer er å overflate-signaler som et menneske kan overse i volum, ikke å erstatte den kliniske resonnering som følger. Hos Aquila, går anomali og innsikter flagget av systemet til kliniske eksperter og domene-eksperter for gjennasjon før de driver operasjonelle beslutninger. Teknologien forteller deg hvor du skal se, og profesjonen forteller deg hva det betyr.

Hvor jeg tror grensen hører hjemme: automatiser oppdagelsen, behold tolkningen med mennesker som er ansvarlige for resultatet.

Aquila arbeider over offentlig helse, regjerings-systemer og regulerte industrier. Hvordan er kravene til AI-infrastruktur forskjellige mellom disse miljøene sammenlignet med tradisjonelle bedrifts-AI-utbredelser?

I en typisk bedrifts-AI-utbredelse, arbeider du vanligvis innen ett enkelt selskaps data-miljø, ett sett av styrings-regler, ett samsvar-ramme.

Offentlig helse- og regjerings-miljøer er strukturert forskjellig. Du koordinerer over flere jurisdiksjoner, flere byråer, flere kliniske innstillinger, hver opererende på forskjellige rapporterings-tidsplaner og under forskjellige juridiske rammer. Et sykehus i en stat, en offentlig helse-byrå i en annen stat, et føderalt program med sine egne data-krav. Alle disse må utveksle data og generere innsikter uten at noen enkelt enhet har ubegrenset tilgang til en annens poster.

Infrastrukturen må støtte høy-volum-prosesserings- og opprettholde streng overvåkbarhet over alle disse grensene. Det må integrere med legacy helse-meldings-formatter, fordi disse systemene er ikke på vei ut. Og det må operere pålitelig i miljøer hvor nedtid er ikke bare et bedrifts-problem, men et pasient-sikkerhets-problem.

Den kompleksiteten er hvorfor vi startet Aquila med disse miljøene i stedet for den tradisjonelle bedrifts-markedet. Hvis du kan bygge infrastruktur som fungerer her, fungerer det overalt.

AI-kapasiteter fortsetter å utvikle seg raskere enn styrings-rammer. Hva ansvar har grunnleggere og plattform-byggere til å sikre at disse systemene utbredes etisk og trygt fra dag én?

Jeg tror ansvar er rett frem. Hvis du bygger AI som påvirker kliniske beslutninger eller offentlige helse-resultater, kan du ikke behandle styring som et produkt-vei-kart-punkt du kommer til å nå til slutt. Det må være designet fra starten.

Hva det betyr praktisk, er at hver handling på dataen må være overvåkbar. Modellene må være tolkbar nok til at en kliniker kan forstå hvorfor et signal ble flagget. Kliniske eksperter må være en del av gjennasjons-prosessen, ikke en ettertanke. Og organisasjonen må være ærlig om hva systemet kan og ikke kan pålitelig gjøre.

Jeg har tilbragt min karriere i miljøer hvor data-feil har reelle konsekvenser for reelle mennesker. Det former hvordan jeg tenker på dette. Kapasiteter utvikler seg raskt, og ansvar for hvordan de utbredes, kan ikke tillates å bli forsinket. Grunnleggere som bygger disse systemene, må holde denne standarden for seg selv, ikke vente på at reguleringen pålegger det.

Takk for den interessante diskusjonen. Lesere som er interessert i å utforske plattformen og dens tilnærmning til helse-data-infrastruktur, kan lære mer ved å besøke Aquila Health.