Tim Vasil, medgrunnlegger og teknologidirektør i Hospital IQ – Intervju-serie

Tim Vasil er medgrunnlegger og teknologidirektør i Hospital IQ, en operasjonsledelsesplattform som bruker data for å levere nøkkelmaskinlæringsbaserte AI-løsninger for rask og bærekraftig operasjonell forbedring.

Hva var det som først tiltalte deg til datavitenskap?

Babybøker. Da jeg var student og usikker på hva jeg skulle studere, tok jeg en deltidstilling som webutvikler på BabyZone.com. Erfaringen var fantastisk! En av mine første prosjekter var å ta et fysisk medium, babybøker, og bringe det inn i den digitale alderen, komplett med lyder, overgangseffekter og en interaktiv gjestebok. Jeg skrev litt kode, klikket på en knapp for å laste det opp på nettet, og plutselig hadde tusenvis av foreldre en måte å knytte kontakt med fjerne venner og slektninger.

Denne e-babybok-appen avslørte datavitenskap som et felt der jeg kunne være en del kunstner, ingeniør og kanskje til og med tryllekunstner, og bruke disse ferdighetene til å forbedre mange menneskers liv. Jeg så at jeg kunne skrive kode en gang og ha en varig innvirkning overalt. Wow!

Kunne du fortelle oss om opphavet til Hospital IQ?

Medgrunnlegger Rich Krueger og jeg samarbeidet for å utforske områder som var forsømt av teknologi. Du ville tro at sykehus ikke ville være ett av disse områdene, gitt de milliarder av dollar de bruker hvert år på medisinsk utstyr, elektroniske journaler og lignende. Disse områdene er uten tvil godt dekket. Det vi så, imidlertid, var en helt annen side av sykehus, den operasjonelle siden. Denne siden handler om å finne ut når man skal planlegge operasjoner, hvor man skal overføre pasienter, hvilke tester man skal prioritere, hvordan man best kan planlegge for i morgen, og så videre. Disse er spesielt utfordrende problemer, og tradisjonell medisinsk programvare berører dem ikke.

For å utforske muligheten, møtte vi med sykehusledere og frontlinjepersonale. Vi så heltemot hver dag. Vi så sykepleierskedsler som ringte uten stopp og feltet spørsmål for å sende personale til de mest nødvendige stedene. Vi så operasjonsledere med post-it-lapper og hvite tavler som prøvde å dele opp operasjonsromstid blant kirurger. Vi så operasjonelle ekszellensledere med massive regneark som prøvde å simulere hvordan mange sykehusssenger å reallokere. Kort sagt, vi så så mye manuell innsats som ble brukt på problemer fordi programvareverktøyene ikke var tilstrekkelige, og vi ville hjelpe.

Like mange startups, var vår produktutviklingsreise ikke en rett linje. Vår tidlige “hjelp” kom i form av strategiske verktøy som vi trodde ville løse de tøffeste problemene, men de krevde mye data og mye matematikk. Mekanikken virker imponerende: vi kunne samle modeller automatisk for å simulere det indre arbeidet i et sykehus og gi anbefalinger om hvorvidt den kirurgiske planen skulle endres, eller om den nye fløyen skulle bygges. Likevel, mens spørsmålene de svarte på var store, var de også sjelden stilt.

Det sanne opphavet til Hospital IQ, slik det eksisterer i dag, er ikke noen inspirert vei av Rich eller meg, men av hele vårt team som arbeider hånd i hånd med våre kunder og innser at vår viktigste rolle ikke er å hjelpe sykehus å svare på store, sjeldne spørsmål, men på de små, hyppige spørsmålene. Disse er spørsmålene som bestemmer hva alle opplever, både pasienten som går inn på operasjon og omsorgsteamet som leder dem gjennom reisen.

Kunne du diskutere hvordan programvaren gjør det mulig for helsevesenet å oppnå og opprettholde topp operasjonell ytelse?

Vår programvare handler om å møte helsearbeidere der de er i dag, i deres daglige arbeidsflyt. I stedet for å forvente at de skal gjøre noe radikalt annerledes, som å kjøre en simulering, eller tolke en prognose, eller optimere personaleskemaer fra scratch, omfavner vi de kjente steg de tar hver dag på to måter. Vi digitaliserer dem, så de kan kommunisere mer effektivt med hverandre, og deretter legger vi på prediksjoner og anbefalinger. Dette lar helsepersonale arbeide mer effektivt og mer effektivt. Best av alt, det frigjør dem til å bruke mer tid på pasientomsorg.

La oss ta ett eksempel: personaleskema. Å finne ut hvor mange sykepleiere som trengs i hver avdeling for hver skift er en utfordring. Noen ansatte ringer inn syke. Et uventet økning i etterspørsel kan oppstå. Sykepleiere som kan “flyte” over avdelinger må allokeres rettferdig. Alle ferdigheter, kvalifikasjoner og preferanser må også tas med i betraktning. Sett det hele sammen, og du kan se hvorfor telefonen i en typisk personaleskems kontor ringer uten stopp. Likevel, på samme dag som en implementering av Hospital IQ, går telefonene stille. Mye av arbeidet er det samme, men med all informasjon sentralisert i Hospital IQ-plattformen, har alle overveielser flyttet fra regneark, hvite tavler og post-it-lapper til elegante kommunikasjonsverktøy, automatisert analyse av variasjon og forslag for personalesbalanse. Sykepleierskedsler kan utføre sine jobber mer effektivt og behagelig enn noen gang før. Å opprettholde denne ytelsen er enkelt, fordi verktøyene er bygget for å støtte den eksisterende arbeidsflyten. Vi er ikke et konsulentselskap som kommer inn for å endre måten arbeid skjer, bare for å se det gli tilbake til status quo.

Hva er noen av de forskjellige maskinlærings-teknologier som brukes?

Vårt datavitenskapelig team anvender hva som helst metoder vi trenger for å få gode resultater for våre kunders bruksscenarier. Vi har brukt statistiske analyser for å forstå operasjonsbruk, ARIMA-modeller for å forutsi kirurgisk volum, Prophet for å forutsi folketall, tilfeldige skoger for å klassifisere innleggingsstatus, neurale nettverk for å score gjeninnleggelse, og mye mer. Vårt datavitenskapelige team holder seg oppdatert på de siste forskningsresultatene, datakilder og verktøy med pågående “journalklub”-møter, og innovasjon på egen hånd også. Med et så åpent felt, er det så mange interessante bruksscenarier og interessante datamengder å utforske og innarbeide i Hospital IQ-plattformen.

En av de spesielle utfordringene for oss er å håndtere unikheten vi ser hos hver av våre sykehuskunder. De serverer forskjellige demografier. De har forskjellige spesialiteter. De kliniske og operasjonelle dataene på hvert sykehus kommer fra forskjellige programvare konfigurert på forskjellige måter med sine egne mangler. Hvis vi skulle bygge en omfattende modell over alle våre kunder, eller selv over alle campus innen en enkelt helsevesen, ville det ikke passe så godt. Likevel, å bygge manuelt tilpassede og enkeltløsninger er ikke en skalerbar eller robust tilnærming. I stedet baserer vi oss på å forstå de distinkte karakteristikkene av hver kundes data, utvikle generaliserbare modeller, og har bygget verktøy for å automatisere modellbygging, pågående trening og nøyaktighetsmåling og overvåking for enkeltcampus.

Den gratis, offentlig tilgjengelige verktøyet COVID-19 Regional Forecast Dashboard har over 76 000 brukere fra hundrevis av sykehus. Hva er nøyaktig dette verktøyet?

Da vi først bygde COVID-19 Regional Forecast Dashboard i mars 2020, var vi bekymret for at USA kunne gå tom for tilgjengelige sykehusssenger, og ville gi en tidlig advarsel, ikke bare til våre kunder, men til alle sykehus. For å gjøre dette mulig, søkte vi etter datamengder som sykehuskapasitet per fylke, sannsynlig overførings- og dødelighetsrate for COVID-19 per aldersgruppe, og dusinvis av andre ting. Vi bygde også en SEIR-modell for å forutsi virusets trajektori på et fylke-for-fylke-basis, og prøvde å gi så mye kontekst som mulig, inkludert øyeblikket når intensivavdelings- og medisinsk kirurgisk kapasitet ville bli brutt, hvor mange mennesker ville bli friske, og selv hvor mange som ville dø. Vårt mål var å samle en fullstendig fylke-for-fylke-perspektiv fra forskjellige pålitelige datamengder.

Sykehus har brukt vår dashboard som et verktøy for å ta viktige beslutninger, som når å åpne surge-enhet eller når å redusere elektive kirurgier for å gi plass til kommende bølger av infiserte pasienter. Interessant nok, har også personer hjemme funnet noe bruk og til og med trøst fra verktøyet, da det la til en del klarhet til en svært skremmende og ny global pandemi.

Hospital IQs datavitenskapere og ingeniører deltar ofte i hackathons, hva er noen av de interessante idéene eller prosjektene som har kommet fra disse?

Hver måned oppmuntrer vi medlemmer av vårt datavitenskapelige og ingeniørteam til å ta en dag av for å fremme deres profesjonelle utvikling og antenne idéer for innovasjon, enten det er å delta på en bransje-konferanse, ta en nettbasert kurs for å lære en ny ferdighet, eller noe annet som støtter dem profesjonelt.

Som en del av dette, velger flere ingeniører og datavitenskapere å bruke sin profesjonelle utviklingsdag på å delta i Hospital IQs hackathons. Hackathons krever at deltakerne er skrappe, innovative og i løpet av en enkelt dag, skyver en hard-til-omformende idé inn i arbeidende programvare. I dagene før vår siste hackathon i oktober 2020, dannet deltakerne tre lag og crowdsourcet idéer fra hele selskapet. Ingen emne var utenfor grensene; idéer som ikke var relevante for selskapets plattform, eller selv helsevesenet, var fullstendig akseptable. Det viser seg imidlertid at alle tre lagene valgte idéer som nå implementeres i den virkelige verden.

Det første laget – Team Cara – fokuserte på sykehusgjeninnleggelse og satte ut å bygge en løsning som kunne forutsi hvilke pasienter som var i risiko for gjeninnleggelse før de ble utskrevet fra sykehuset. Sykehusgjeninnleggelse koster helsevesenet milliarder av dollar hvert år, så en prediktiv og proaktiv løsning, som denne, ville arme utskrivningsykepleiere og omsorgsledere med den ekstra innsikten som trengs for å redusere risikoen, kutte kostnader og vite hva hver pasient trenger for å forbli utenfor sykehuset. Team Cara tok data fra Hospital IQs operasjonsledelsesplattform, og, ved hjelp av en pasientspesifikk maskinlæringsramme tidligere utviklet av datavitenskapelig team, bygde en prediktiv modell. For hver pasient på sykehuset, tildeler modellen en score som indikerer sannsynligheten for gjeninnleggelse. Innledende resultater fra modellen viste en høy grad av nøyaktighet.

Det andre laget – Team Burt Reynolds – satte ut å bygge en regional overvåkningløsning som visualiserte lag av data på en kart. Laget ønsket å integrere kart i Hospital IQs eksisterende plattform-infrastruktur, og tilby en måte å plotte en måling av interesse ordnet etter bredde- og lengdegrad ved hjelp av leaflet.js-biblioteket. For deres proof-of-concept, brukte de sykehusoverføringsdata for å høydepunkte hvilke affilierte var innleggskilder og i hvilken omfang. Resultatene viste overføringsfall i et helt nytt lys og klargjorde hvilke geografier de fleste pasienter ble trukket fra, samt muligheter for vekst.

Det tredje laget – Team Raptor Strikeforce – så på å utvikle en løsning som viste avkastningen på investeringen (ROI) Hospital IQs operasjonsledelsesplattform gir. Laget bygde et grensesnitt for å tilpasse forskjellige inn-data i finansielle modeller, som gjennomsnittlig margin per elektiv prosedyre, og brukte inn-data for å spore endringer i den finansielle helsen til et sykehus over tid. Disse visualiseringene forteller en overbevisende historie om hvordan operasjonell effektivitetsinitiativer, og investeringen i Hospital IQ-plattformen som muliggjør dem, betaler seg.

De tre løsningene som ble utviklet for hackathonen viste at de kunne gi større verdi til våre kunder. Som et resultat, har Hospital IQ inkorporert alle tre løsningene innen den eksisterende plattformen, og de brukes av sykehus i dag.

Er det noe annet du ville like å dele om Hospital IQ?

Hospital IQs store, dristige og ambisiøse mål er å forbedre effektiviteten og lykken til hver helsearbeider hver dag. Vi er stolte av impulsen vi har hatt på helsevesenet så langt, men vår reise er bare begynt. For noen medfølende, misjonsdrevne datavitenskapsmenn og ingeniører der ute som er interessert i å takle en av verdens tøffeste utfordringer – å forbedre helsevesenets effektivitet – ville vi elske å ha deg med oss!

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