David Lareau, Prezes i Dyrektor Generalny Medicomp Systems – Seria Wywiadów

David Lareau, Prezes i Dyrektor Generalny Medicomp Systems, to executive i przedsiębiorca w branży ochrony zdrowia z karierą trwającą niemal pięć dekad. Po rozpoczęciu kariery w audycie komputerowym i zarządzaniu, założył Dexcom Systems w 1987 roku, pomagając wdrożyć niektóre z pierwszych sieci komunikacji przedsiębiorstw i dużych środowisk LAN dla organizacji, w tym Banku Światowego, DuPont i Szpitala Sinai. Dołączył do Medicomp Systems w 1995 roku jako Dyrektor Operacyjny i został mianowany Dyrektorem Generalnym w 2012 roku, prowadząc ewolucję firmy od pionierskiego dostawcy silników wiedzy klinicznej do nowoczesnej firmy zajmującej się sztuczną inteligencją i interoperacyjnością w ochronie zdrowia. Pod jego kierownictwem Medicomp Systems rozszerzył swój zasięg globalny, rozwinął rozwiązania oparte na dowodach i zwiększył wydajność kliniczną, użyteczność danych i opiekę nad pacjentami poprzez inteligentne technologie medyczne.

Medicomp Systems to firma technologiczna zajmująca się ochroną zdrowia, najbardziej znana ze swojej inteligencji klinicznej i technologii silników wiedzy, która przekształca złożone, fragmentowane dane medyczne w strukturalne, klinicznie istotne informacje. Założona w oparciu o opatentowany silnik wiedzy klinicznej MEDCIN, flagowa platforma Quippe pomaga organizacjom opieki zdrowotnej poprawić dokumentację kliniczną, interoperacyjność, pomiary jakości, dostosowanie ryzyka i wsparcie decyzji opartych na sztucznej inteligencji. Zaprojektowana tak, aby odzwierciedlać sposób myślenia i pracy klinicystów, rozwiązania Medicomp Systems są wykorzystywane przez szpitale, systemy opieki zdrowotnej, dostawców systemów elektronicznych kart pacjentów i organizacje opieki zdrowotnej na całym świecie w celu usprawnienia procesów, zmniejszenia obciążeń administracyjnych i dostarczania bardziej istotnych informacji o pacjentach w miejscu opieki. Firma stała się uznanym liderem w łączeniu grafów wiedzy klinicznej, danych strukturalnych i sztucznej inteligencji w celu wspierania bardziej dokładnych, wydajnych i godnych zaufania decyzji medycznych.

Spędziłeś prawie cztery dekady pracując w branży IT w ochronie zdrowia, od wczesnych sieci komunikacji przedsiębiorstw i systemów rozliczeń medycznych po kierowanie Medicomp Systems przez ponad 30 lat. Spójrzając wstecz na tę ewolucję, jaki podstawowy problem danych medycznych uważasz, że branża nadal nie rozwiązała?

Branża ochrony zdrowia nadal nie ma zintegrowanego standardu danych klinicznych. Standardy terminologiczne, na które się powołujemy, zostały stworzone, aby rozwiązać problemy kodowania w ramach jednej domeny: ICD-10 dla diagnoz, CPT i HCPCS dla procedur i badań, LOINC dla wyników laboratoryjnych i innych pomiarów, RxNorm dla leków, a SNOMED CT dla ustaleń klinicznych. Każdy z nich został stworzony do rozliczeń, klasyfikacji lub badań. Żaden z nich nie został stworzony, aby zorganizować opiekę nad pacjentem.

Systemy informacji zdrowotnej wykorzystują te standardy do realizacji konkretnych transakcji, z których większość jest związana z rozliczeniami, a nie z zapewnieniem dostawcom zintegrowanego widoku stanu pacjenta. Rozważmy pacjenta z cukrzycą. Dane tego pacjenta są rozproszone po oddzielnych zakładkach w systemie informacji zdrowotnej, bez jednego „widoku cukrzycy”, który łączyłby wszystko, co dotyczy tego stanu. Systemy kodowania nie mają wspólnej struktury, co sprawia, że są one obliczeniowo niewydajne, a ta niewydajność staje się znacznie większym problemem w świecie sztucznej inteligencji klinicznej. Sztuczna inteligencja opiera się na dobrych danych, a nasza branża jeszcze nie ma ich.

Wyobraź sobie magazyn Amazon, który próbuje funkcjonować bez jednostek magazynowych (SKU), polegając zamiast tego na opisach tekstowych każdego przedmiotu, z których każdy jest połączony z strukturą danych, która zmienia się od jednego typu przedmiotu do następnego. Prawie każda branża ma jakąś wersję SKU. Ochrona zdrowia nie, a więc jej dane pozostają fragmentowane i niespójne.

Opisałeś wiele nowoczesnych repozytoriów medycznych jako „bagna danych” zamiast działających jezior danych. Jakie są największe błędy architektoniczne, które systemy opieki zdrowotnej popełniły podczas pośpiechu, aby scentralizować dane?

Największym błędem było zorganizowanie repozytorium w taki sam sposób, w jaki zorganizowane były systemy źródłowe, wokół domen i transakcji, a nie wokół pacjenta. Większość systemów opieki zdrowotnej nadal dzieli informacje kliniczne na oddzielne domeny, takie jak laboratoria, leki, procedury i diagnozy. Użytkownicy, a także oprogramowanie, na które się powołują, muszą następnie sięgać do różnych plików i lokalizacji, aby złożyć obraz pacjenta, co sprawia, że każdy proces jest wolniejszy i bardziej uciążliwy.

Głębszym problemem jest to, że każda transakcja, czy to rachunek, recepta, zlecenie badania lub wynik laboratoryjny, jest przechowywana jako samodzielny element, a nie jako część zintegrowanego widoku stanu pacjenta. Centralizacja tych danych w jednym miejscu nie rozwiązuje problemu. Jezioro danych wypełnione fragmentowanymi, związanymi z domeną rekordami staje się bagnem danych, ponieważ sama objętość, bez organizacji klinicznej, nie daje zrozumienia.

Duża część klinicznie istotnych informacji nadal znajduje się w notatkach lekarskich, raportach z obrazowania i podsumowaniach wypisowych, a nie w strukturalnych polach. Dlaczego branża tak bardzo zmagała się z operacjonalizacją niestrukturalizowanych danych klinicznych na dużą skalę?

To się zmienia, i to szybko. Duże modele językowe (LLM) mogą teraz generować podsumowania tekstowe spotkań, wolne od skrótów i idiosynkratycznego skrótu, co sprawia, że jest znacznie łatwiej dla przetwarzania języka naturalnego (NLP), aby wyodrębnić strukturalne, zakodowane dane z tego tekstu. W przeszłości przechwytywanie strukturalnych danych wymagało od klinicystów pracy z listami kontrolnymi lub formularzami, które uważali za uciążliwe i w dużej mierze nieprzydatne.

Obecnie sekwencja działa inaczej. Nasłuchiwane środowisko wytwarza rozsądnie czystą notatkę tekstową, LLM podsumowuje tę notatkę w półstrukturalnej formie, a NLP następnie działa na tym podsumowaniu. Gdy NLP jest skierowany na odpowiedni cel danych klinicznych, który reprezentuje pojęcia kliniczne, a nie płaską listę kodów, może wyprodukować dobrze strukturalizowane dane z narracyjnego tekstu. Osiągnięcie tego wymaga połączenia technologii pracujących razem i opiera się całkowicie na posiadaniu odpowiedniego celu danych klinicznych.

Uważasz, że podstawowym wyzwaniem nie jest „jakość danych”, ale fragmentacja danych. Wyjaśnij różnicę i dlaczego ta różnica jest istotna dla systemów opieki zdrowotnej opartych na sztucznej inteligencji.

Oba są ściśle powiązane, a jednak opisują różne problemy, a ta różnica ma ogromne znaczenie dla sztucznej inteligencji. Jakość danych dotyczy tego, czy poszczególne informacje są dokładne, kompletne i prawidłowo zarejestrowane. Fragmentacja danych jest strukturalna. Fragmentacja występuje, gdy informacje kliniczne, niezależnie od ich jakości, są rozproszone po oddzielnych domenach i systemach kodowania, oraz przechowywane w różnych formatach i lokalizacjach.

Fragmentacja jest obecnie praktyką, ponieważ każdy system kodowania został zaprojektowany do oddzielnego przypadku użycia transakcyjnego. Podejście to było wystarczające do wystawienia recepty, wygenerowania rachunku lub obsługi innych dyskretnych zadań. Całkowita opieka nad pacjentem to inny problem, który wymaga połączenia informacji z kilku domen i przetworzenia ich w jeden, diagnostycznie połączony widok pacjenta. Rekord może zawierać wiele indywidualnie dokładnych punktów danych i nadal zawieść klinicystę, ponieważ nic nie łączy tych punktów w ten widok.

Wskazałeś trzy główne luki w większości jezior danych opieki zdrowotnej: ekstrakcja narracyjna za pomocą NLP, grafy wiedzy klinicznej i rekonsolidacja sprzecznych rekordów. Która z tych brakujących możliwości obecnie powoduje największy wpływ na opiekę nad pacjentem?

Dwie z trzech są ściśle powiązane: rekonsolidacja sprzecznych rekordów oraz fakt, że graf wiedzy klinicznej jest tylko tak dobry, jak dane, na których działa. Spośród trzech rekonsolidacja powoduje obecnie największe szkody, ponieważ znajduje się ona przed wszystkim innym.

Wiele tego, co znajduje się w karcie pacjenta, zostało wprowadzone przez kopiowanie i wklejanie z wcześniejszych spotkań lub konsolidację informacji z wielu dostawców. Przenoszenie tych informacji między systemami za pomocą Fast Healthcare Interoperability Resources (FHIR) ułatwia ich wysyłanie i odbieranie, ale nie poprawia jakości podstawowych danych. Uruchomienie sztucznej inteligencji lub grafu wiedzy klinicznej na tych informacjach spowoduje, że wyniki najprawdopodobniej przeniosą te same nieścisłości do przodu.

Standardy takie jak SNOMED CT, LOINC, RxNorm, FHIR i C-CDA są często dyskutowane jako rozwiązania interoperacyjności. W praktyce dlaczego wiele organizacji nadal zmaga się z przekształceniem zgodności ze standardami w klinicznie przydatne systemy?

Wiele systemów i organizacji zawiera słabo zakodowane dane, ponieważ ich interfejsy użytkownika ułatwiają wybór pierwszego elementu wyświetlanego. Te interfejsy są zaprojektowane tak, aby przenieść kod do rozliczeń jak najszybciej, a nie dostarczyć kontekstu klinicznego, który pozwoliłby użytkownikowi na dokładne zarejestrowanie stanu.

Na przykład ICD-10 zawiera kod dla „dziedzicznego neuropatii ruchowej i sensorycznej”, kategorii, która nie rozróżnia choroby Charcota-Mariego-Tootha od zespołu Roussy’ego-Lévy’ego, chociaż oba znajdują się w jej obrębie. Jeśli interfejs użytkownika najpierw wyświetla tę kategorię i utrudnia wybór konkretnego stanu, użytkownik najprawdopodobniej wybierze kategorię. Kategoria może być wystarczająca do uzyskania zapłaty za roszczenie, ale jest znacznie mniej przydatna klinicznie niż konkretny stan. Wszystkie transakcyjne terminologie kodowania mają jakąś wersję tego problemu.

Medicomp Systems spędził lata budując klinicznie połączone terminologie i silniki istotności wokół systemów takich jak MEDCIN. Jak ważny jest graf wiedzy klinicznej, aby sztuczna inteligencja w ochronie zdrowia była godna zaufania i świadoma kontekstu?

Graf wiedzy klinicznej jest niezbędny, ponieważ sprawia, że dane są przydatne w momencie, gdy klinicysta lub recenzent ich potrzebuje. Test jest prosty. Gdy pacjent ma konkretny stan, który jest leczony, czy użytkownik może zobaczyć wszystko, co dotyczy tego stanu, od razu, czy musi przeszukiwać całą kartę, zakładkę po zakładce, aby odtworzyć kontekst kliniczny? Graf wiedzy klinicznej zbudowany na czystych danych klinicznych może wyświetlić ten kontekst w okamgnieniu. Bez niego znalezienie tych samych informacji zajmuje znacznie więcej czasu.

To jest powodem, dla którego za każdym razem, gdy odwiedzam moje mega-szpital, jestem proszony o wypełnienie cztereostronicowej, sześcioekranowej karty historii medycznej z tymi samymi informacjami, które podałem miesiąc temu. Znalezienie czegokolwiek w obecnych systemach informacji zdrowotnej jest po prostu zbyt trudne. Medicomp Systems spędził ponad 45 lat na budowaniu MEDCIN i grafu wiedzy klinicznej, aby zamknąć właśnie tę lukę, tak aby sztuczna inteligencja działająca na czystych, połączonych danych była zarówno godna zaufania, jak i świadoma kontekstu klinicznego pacjenta.

Wiele organizacji opieki zdrowotnej wdraża obecnie współpilotów generatywnej sztucznej inteligencji i systemy dokumentacji ambientalnej. Jakie ryzyka pojawiają się, gdy te systemy sztucznej inteligencji są szkolone lub działają na fragmentowanych, słabo kontekstualizowanych danych klinicznych?

Halucynacja i błędna kategoryzacja informacji to dwa z najczęstszych ryzyk, a oba stają się bardziej prawdopodobne, gdy podstawowe dane są fragmentowane i słabo kontekstualizowane.

Osobisty przykład: mój ojciec zmarł na raka wątroby w wieku 78 lat, a podczas niedawnego wizyty zostałem poproszony, jak długo byłem w remisji. System dokumentacji ambientalnej zarejestrował moją historię osobistą raka wątroby w mojej własnej karcie. Kolega spotkał się z czymś podobnym. Miał przewlekłą obturacyjną chorobę płuc (POChP) wpisaną w swojej karcie, ponieważ jego dostawca, korzystając z dokumentacji ambientalnej, zamówił zdjęcie rentgenowskie, aby wykluczyć POChP. Gdy później ubiegał się o ubezpieczenie na życie, został odrzucony, a powodem była diagnoza POChP, którą wcześniejsze zamówienie zdjęcia rentgenowskiego nieumyślnie wygenerowało.

Istnieje rosnące podekscytowanie wokół postępów w interoperacyjności na poziomie krajowym, z setkami milionów rekordów wymienianych każdego roku. Co jeszcze musi się wydarzyć, zanim klinicyści będą mogli naprawdę ufać, że wymieniane dane są kompletne, dokładne i klinicznie istotne w miejscu opieki?

Dwie rzeczy muszą się wydarzyć. Po pierwsze, dostawcy, którzy potwierdzają spotkania, które są coraz częściej generowane przez narzędzia nasłuchiwania ambientalnego z podsumowaniem LLM, potrzebują szybkich i łatwych w użyciu barier ochronnych dostępnych przed podpisaniem, w momencie tuż przed wprowadzeniem tych danych do karty pacjenta. Gdy nieprawidłowe informacje trafiają do karty, każde kolejne użycie ich dziedziczy stare problemy „śmieci w, śmieci wy”, a poprawienie ich później jest trudne.

Po drugie, nawet gdy dane są dokładne, klinicysta musi być w stanie znaleźć to, czego potrzebuje, bez konieczności przeszukiwania całej karty. Wymiana setek milionów rekordów nie ma większego sensu, jeśli odbierający klinicysta nie może znaleźć istotnych informacji lub ufać, że odzwierciedlają one prawdziwy obraz kliniczny pacjenta. Walidacja w miejscu opieki i łatwe odzyskiwanie są tym, co sprawia, że wymieniane dane są czymś, czym klinicysta może naprawdę zaufać.

Spójrzając w przyszłość, przez pięć lat, jak wygląda „aktywowane” środowisko danych opieki zdrowotnej, gdy sztuczna inteligencja, standardy interoperacyjności, kontekst kliniczny i przepływ pracy lekarzy są wreszcie wyalignowane w sposób znaczący?

Wyrównanie zależy od tego, czy każda strona ma dostęp do niezawodnego fundamentu danych klinicznych, zaprojektowanego tak, aby skutecznie zarządzać każdym pacjentem i zbiorowo sprawić, że prawdziwa zarządzanie zdrowiem populacji stanie się rzeczywistością. Dane te są podstawą, na której opiera się wyrównanie, zaczynając od indywidualnego pacjenta.

Przed każdym spotkaniem jeden agent sztucznej inteligencji gromadzi wszystkie dostępne dane dotyczące tego pacjenta z sieci informacji zdrowotnej, wymian, płatników i przedsiębiorstw, podczas gdy inny agent usuwa duplikaty i organizuje pozostałe dane. Za pomocą aplikacji, kiosku lub agenta konwersacyjnego pacjent potwierdza następnie bieżące diagnozy, leki, ostatnie wyniki laboratoryjne i nowe problemy, korygując błędy po drodze. Wersja robocza tych zmian jest wysyłana do klinicysty do przeglądu.

Podczas spotkania, wirtualnego lub fizycznego, klinicysta przegląda te informacje z pacjentem i zwraca się do stanów wymagających uwagi. Agent wyświetla diagnostycznie istotny kontekst dla każdego istniejącego stanu lub nowego skargi, a nasłuchiwane środowisko captureuje rozmowę. Drugi agent podsumowuje ją dla klinicysty do przeglądu, poprawy i zatwierdzenia.

Od tego momentu agenci zajmują się pracą downstream: zabezpieczaniem wymaganych autoryzacji, wysyłaniem recept do apteki, składaniem roszczeń, planowaniem opieki następczej i pakowaniem informacji dla upoważnionych stron. W trakcie całego procesu agenci w tle oceniają ryzyko kliniczne i sygnalizują o jakość, dostosowanie ryzyka i dokumentację regulacyjną. Cały model opiera się na czystych, niezawodnych danych na każdym etapie, z klinicystami w pętli, wytwarzając informacje, które wspierają zarówno indywidualną opiekę nad pacjentem, jak i skuteczne zarządzanie zdrowiem populacji.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Medicomp Systems.