Dr. Jaime Bland, współzałożyciel i CEO Aquila Health – seria wywiadów

Dr. Jaime Bland, współzałożyciel i CEO Aquila Health, jest liderem w dziedzinie technologii zdrowia, skupiającym się na rozwiązywaniu jednego z najbardziej uporczywych wyzwań branży: rozproszonych i niedostępnych danych. Współzałożyła Aquila Health, aby stworzyć zjednoczoną infrastrukturę danych, która umożliwi organizacjom zdrowia wykraczanie poza systemy izolowane, wykorzystując uczenie maszynowe i analitykę strukturalną do generowania przydatnych informacji, jednocześnie zachowując nadzór kliniczny. Jej praca koncentruje się na poprawie interoperacyjności, umożliwieniu zdrowia na poziomie populacji i wspieraniu wcześniejszego wykrywania pojawiających się zagrożeń zdrowotnych za pomocą zintegrowanych systemów danych klinicznych, roszczeń i genomiki.

Aquila Health to platforma oparta na sztucznej inteligencji, zaprojektowana do scalania rozproszonych źródeł danych w jeden, interoperacyjny system, który wspiera zarówno efektywność operacyjną, jak i zaawansowaną analitykę. Platforma przyjmuje duże objętości danych zdrowia w formatach takich jak HL7 i FHIR, umożliwiając bezproblemową integrację w szpitalach, systemach zdrowia publicznego i innych podmiotach. Połączając strukturalne podejścia do uczenia maszynowego z modelem walidacji z udziałem człowieka, Aquila koncentruje się na dostarczaniu niezawodnych informacji do zarządzania zdrowiem populacji, wykrywania anomalii i podejmowania decyzji w czasie rzeczywistym, zamiast polegać wyłącznie na nieprzezroczystych systemach AI. To pozycjonuje firmę na przecięciu infrastruktury danych i zastosowanej sztucznej inteligencji, gdzie poprawa jakości i dostępności danych jest podstawą do odblokowania pełnego potencjału inteligencji zdrowotnej.

Prowadziłaś CyncHealth przez ogromny wzrost, skalując interoperacyjność na miliony kart pacjentów i wiele stanów, zanim założyłaś Aquila Health. Jakie kluczowe ograniczenia lub systemowe awarie spotkałaś podczas tej podróży, które ostatecznie skłoniły cię do budowy Aquila od podstaw?

W CyncHealth spędziłam lata na budowaniu infrastruktury łączącej organizacje zdrowia w Nebraska i Iowa. Połączyliśmy ponad 1 100 placówek opieki i miliony kart pacjentów, obejmując populację ponad pięciu milionów osób.

Co jednak nieustannie spotykałyśmy, to fakt, że łączenie systemów i uczynienie danych użytecznymi to dwa bardzo różne problemy. Na przykład pracowałyśmy nad stworzeniem pulpitu nadzorującego przedawkowanie opioidów, który koordynował dane otrzymane z wielu źródeł. Zajęło to miesiące, setki godzin pracy i koordynację z wieloma podmiotami, aby uczynić ten jeden punkt danych zrozumiałym w kontekście zdrowia publicznego i opieki zdrowotnej. I po tym wszystkim obraz był nadal niepełny.

To doświadczenie było ziarnem, które zaowocowało Aquila. Tradycyjny sposób łączenia interfejsów bez zrozumienia kompletności i jakości danych nie spełni potrzeb wraz z postępem AI w ostatnich latach. Kiedy AI może osiągnąć w godziny to, co wcześniej zajmowało zespołom miesiące, i robi to z wyższą jakością i przy mniejszych kosztach, musisz wykorzystać tę wiedzę, aby odbudować od nowa. To właśnie zrobiliśmy z Aquila, koncentrując się na nowoczesnych narzędziach, które zmniejszają koszt łączenia, abyśmy mogli skupić się na ukończeniu pełnego obrazu zdrowia, a nie tylko danych pochodzących z tradycyjnych źródeł EHI, ale całości.

Aquila niedawno wyszła ze stadium ukrytego rozwoju z platformą skupioną na ujednoliceniu rozproszonych danych zdrowia w jeden, gotowy do AI warstwę. Jakie były kluczowe przełomy techniczne, które umożliwiły to teraz, a nie kilka lat temu?

Możliwości AI napędzają tę zmianę niemal w całości.

Przez lata obserwowałam, jak wykwalifikowani inżynierowie ręcznie uzgadniali standardy danych, po jednym źródle na raz. Działało to, ale ten model nigdy nie będzie skalowalny. Nie możesz się wykupić z tego wystarczająco szybko, aby dotrzymać tempa objętości i różnorodności danych generowanych przez zdrowie.

To, co jest inne teraz, to fakt, że AI może wykonywać pracę normalizacyjną w sposób ciągły na poziomie danych, gdy informacje przepływają przez system. Nie jest to proces wsadowy, który działa w nocy. Dzieje się to w czasie zbliżonym do rzeczywistego. To zmienia to, co jest możliwe dla klinicystów i zespołów zdrowia publicznego, ponieważ dane, których potrzebują, są strukturalne i zwalidowane (uczynione użytecznymi) zanim dotrą do nich.

Klinicyści są przyzwyczajeni do podejmowania decyzji bez pełnego obrazu pacjenta. Zdrowie publiczne jest przyzwyczajone do prowadzenia programów bez najnowszych danych, które je wspierają. Aquila zmienia ten krajobraz, zapewniając szybkość, która umożliwia skuteczne podejmowanie decyzji opartych na danych we wszystkich aspektach zdrowia.

Zbudowaliśmy TREUE™ jako ramę, która organizuje dane kliniczne pochodzące z EHR, laboratoryjne, dane zdrowia publicznego, roszczenia, farmaceutyczne i społeczne w ujednoliconej strukturze. AI nie zastępuje dobrej governance danych; czyni ją skalowalną po raz pierwszy.

Podkreślałaś, że prawdziwym wyzwaniem w AI zdrowia nie jest model, ale same dane. Jakie są najbardziej krytyczne luki w dzisiejszej infrastrukturze danych zdrowia, które uniemożliwiają AI dostarczanie znaczących wyników?

Branża mówi o modelu AI, ale model nie jest trudnym elementem.

Trudna część to fakt, że pacjent może wejść do trzech różnych placówek w ciągu jednego dnia i pojawić się jako trzy różne osoby w trzech różnych systemach. Wyniki laboratoryjne nie pasują do notatek klinicznych. Rejestr płatnika ma inny identyfikator niż rejestr szpitala, a zdrowie publiczne używa całkowicie innego identyfikatora. Zanim wszystko to uporządkujesz ręcznie, okno kliniczne zostaje zamknięte.

Silne połączenia techniczne nie mogą naprawić rekordów, które przychodzą niepełne lub w niewłaściwej sekwencji. AI nie może wykryć wzorca, który nie istnieje w danych, i nie może podać wiarygodnej rekomendacji z rekordu, który brakuje połowy historycznych lub bieżących informacji, które powinny się w nim znaleźć.

Przerwa nie leży w mocy przetwarzania, ale w zaufaniu do podstawowych danych. To musi być rozwiązane najpierw, a rozwiązywanie tego w skali jest tam, gdzie AI może naprawdę znaleźć swoje miejsce.

Aquila pozycjonuje się jako „warstwa przygotowania danych” przed spożyciem AI. Możesz nas zaprowadzić przez to, co ta warstwa tak naprawdę robi w praktyce, szczególnie przy radzeniu sobie z bardzo heterogenicznymi danymi wejściowymi, takimi jak rekordy kliniczne, dane roszczeń i strumienie w czasie rzeczywistym?

Używając przykładu z wcześniej, rozważ, co przychodzi, gdy spotkanie pacjenta generuje dane. Otrzymujesz komunikat HL7 z szpitala, rekord roszczeń od ubezpieczyciela, wynik laboratoryjny z laboratorium referencyjnego używającego innego identyfikatora i raport zdrowia publicznego złożony w całkowicie innym terminie. Żadne z nich nie zostały zaprojektowane, aby być uzgodnione ze sobą.

Nasza warstwa przygotowania, TREUE™, jest tym, co siedzi między tymi wejściami a wszelkimi aplikacjami analitycznymi lub AI poniżej. Jej zadaniem jest ocena każdego rekordu, gdy przychodzi, dopasowanie tożsamości między źródłami, normalizacja formatów i oznaczenie tego, co brakuje lub jest niespójne, zanim dane przejdą dalej.

W praktyce oznacza to, że klinicysta patrzący na pacjenta pracuje z rekordem, który został zwalidowany i wyalignowany w różnych źródłach, zamiast ręcznie uzgadniać cztery różne widoki systemowe podczas spotkania opieki. Dla zespołów zdrowia publicznego oznacza to, że sygnały wybuchu nie są opóźnione przez dane, które przybywają w różnych formatach z różnych jurysdykcji.

To jest praca infrastrukturalna. Nie jest to glamour, ale nic poniżej nie działa bez tego.

Standardy interoperacyjności, takie jak Fast Healthcare Interoperability Resources (FHIR) i United States Core Data for Interoperability (USCDI), istnieją od lat, a jednak fragmentacja trwa. Co wciąż brakuje z perspektywy standardów, i jak Aquila rozwiązuje te luki w inny sposób?

FHIR i USCDI dały branży wspólny język do wymiany danych. To był ważny postęp.

Jednakże, wspólny język do wysyłania danych nie jest tym samym, co dane, które zachowują się spójnie, gdy przybywają. Oto luka: dane zdrowia nie pochodzą z jednej domeny. Systemy kliniczne, rejestry zdrowia publicznego, laboratoria i dane społeczne mają każde swoje wymagania dotyczące zarządzania, terminy i definicje tego, co znaczy pole. FHIR nie mówi, jak uzgodnić zestaw danych dotyczących determinantów społecznych z notatką kliniczną z innej jurysdykcji.

To, co dodaje TREUE™, to ujednolicona ramowa struktura, która pozwala na organizację danych z wszystkich tych domen wraz, jednocześnie respektując reguły zarządzania, które mają zastosowanie do każdego źródła. Wynikiem jest dane, które można naprawdę analizować w różnych domenach, a nie tylko dane, które zostały pomyślnie przesłane.

Aquila działa w środowiskach o wysokich konsekwencjach, gdzie awaria nie jest opcją. Jak projektujesz systemy AI, które balansują wydajność w czasie rzeczywistym z surowymi wymogami dotyczącymi zarządzania, audytowalności i zaufania?

Musisz zbudować zarządzanie w architekturze przed napisaniem pierwszej linii kodu aplikacji. Nie powinno to być warstwa, którą dodajesz później.

W środowiskach zdrowia i rządu decyzje podejmowane na podstawie tych danych wpływają na opiekę nad pacjentem, reakcję na epidemie i sposób alokacji publicznych zasobów. Każda akcja podejmowana na danych musi być śledzalna, a dostęp musi być ściśle kontrolowany. System musi spełniać wymagania zgodności w środowiskach, w których działa.

Dla Aquila oznacza to działanie w ramach infrastruktury chmury na poziomie rządu, kontroli dostępu zero-trust i praktyk bezpieczeństwa zgodnych z HIPAA i standardami federalnymi. Mamy aktywne umowy z rządem stanowym, agencjami federalnymi i organizacjami zdrowia, a te środowiska mają bardzo różne wymagania zgodności, którym platforma musi jednocześnie spełniać.

Składnik z udziałem człowieka jest równie ważny. AI może powierzchniowo sygnały, ale eksperci kliniczni walidują anomalie przed tym, jak informują decyzje operacyjne. Technologia sprawia, że znajdowanie tych sygnałów jest szybsze. Nie zastępuje ona osądu ludzi, którzy muszą działać na ich podstawie.

Twoja platforma obsługuje bezpieczne wdrożenie AI na urządzeniu i suwerenność danych. Jak ważne staje się decentralizacja w AI zdrowia, biorąc pod uwagę rosnące obawy dotyczące prywatności danych i zgodności z przepisami?

Staje się to niezwykle ważne, i myślę, że branża dopiero zaczyna sobie zdawać sprawę, dlaczego.

Organizacje zdrowia działają pod ścisłymi zobowiązaniami dotyczącymi prywatności. Wrażliwe dane pacjentów nie mogą być po prostu scentralizowane i przetwarzane w środowisku współdzielonym. Różne stany mają różne reguły. Agencje federalne mają różne reguły. Międzynarodowe dane zdrowotne mają jeszcze inny zestaw ograniczeń. Każda architektura, która wymaga przeniesienia wrażliwych danych do centralnej lokalizacji, będzie wielokrotnie napotykać na te bariery.

Kierunek, który naprawdę działa, polega na generowaniu informacji bliżej miejsca, w którym dane już istnieją. Organizacje mogą przyczyniać się do wspólnej analizy bez utraty kontroli nad podstawowymi danymi. To właśnie umożliwiają modele federacyjne.

Nasza platforma jest zbudowana, aby działać w tym rodzaju regulowanym, zdecentralizowanym środowisku – zarządzanie, które podróżuje z danymi, a nie jest stosowane w jednym punkcie. Jest to trudniejsza architektura do zbudowania, ale jest to ta, która jest naprawdę kompatybilna z tym, jak governance danych zdrowia działa w praktyce.

Wiele startupów AI opiera się silnie na modelach black-box, podczas gdy Aquila włącza walidację z udziałem człowieka. Gdzie widzisz granicę między automatyzacją a nadzorem ludzkim w systemach AI klinicznych?

Zacząłem swoją karierę jako pielęgniarka. To doświadczenie kształtuje, jak myślę o tym, gdzie AI powinno się znaleźć w środowisku klinicznym, i gdzie nie.

AI jest bardzo dobre w znajdowaniu wzorców w dużych zbiorach danych. Nie jest dobre w rozumieniu, co wzorzec oznacza dla konkretnego pacjenta z konkretną historią w konkretnym kontekście społecznym. To nadal jest osąd ludzki.

Prawidłowa rola AI w systemach klinicznych polega na powierzchniowym sygnalizowaniu sygnałów, które człowiek mógłby przegapić w objętości, a nie na zastępowaniu klinicznego osądu, który następuje. W Aquila anomalie i spostrzeżenia oznaczone przez system idą do klinicystów i ekspertów branżowych do przeglądu przed tym, jak wpływają na decyzje operacyjne. Technologia mówi ci, gdzie spojrzeć, a profesjonalista mówi, co to znaczy.

Gdzie myślę, że granica powinna leżeć: zautomatyzuj wykrywanie, zachowaj interpretację u ludzi, którzy są odpowiedzialni za wynik.

Aquila działa w zdrowiu publicznym, systemach rządowych i regulowanych branżach. Jak wymagania dotyczące infrastruktury AI różnią się między tymi środowiskami w porównaniu z tradycyjnymi wdrożeniami AI w przedsiębiorstwach?

W typowym wdrożeniu AI przedsiębiorstwa zwykle pracujesz w ramach jednego środowiska danych organizacji, jednego zestawu reguł zarządzania, jednego ramy zgodności.

Środowiska zdrowia publicznego i rządowe są strukturalnie różne. Koordynujesz między wieloma jurysdykcjami, agencjami, ustawieniami klinicznymi, każde działające w różnych ramach czasowych i podlegające różnym ramom prawnych. Szpital w jednym stanie, agencja zdrowia publicznego w innym, program federalny ze swoimi własnymi wymaganiami dotyczącymi danych. Wszystkie te elementy muszą wymieniać dane i generować spostrzeżenia bez tego, że jakakolwiek jednostka ma niekontrolowany dostęp do rekordów innej.

Infrastruktura musi wspierać przetwarzanie dużej objętości, jednocześnie zachowując ścisłą audytowalność we wszystkich tych granicach. Musi integrować się z formatami komunikacji zdrowia, ponieważ te systemy nie znikają. I musi działać niezawodnie w środowiskach, w których przestoje nie są tylko problemem biznesowym, ale także problemem bezpieczeństwa pacjentów.

Ta złożoność jest powodem, dla którego zaczęliśmy Aquila w tych środowiskach, a nie na tradycyjnym rynku przedsiębiorstw. Jeśli możesz zbudować infrastrukturę, która działa tutaj, działa wszędzie.

Możliwości AI kontynuują rozwój szybciej niż ramy zarządzania. Jakie odpowiedzialności mają założyciele i budowniczowie platform, aby upewnić się, że te systemy są wdrożone w sposób etyczny i bezpieczny od samego początku?

Myślę, że odpowiedzialność jest prosta, nawet jeśli spełnienie jej nie jest. Jeśli budujesz AI, które wpływa na decyzje kliniczne lub wyniki zdrowia publicznego, nie możesz traktować zarządzania jako elementu drogi produktu, do którego dotrzesz w końcu.

To, co to oznacza w praktyce, to fakt, że każda akcja na danych musi być audytowalna. Modele muszą być wystarczająco interpretowalne, aby klinicysta mógł zrozumieć, dlaczego sygnał został oznaczony. Eksperci kliniczni muszą być częścią procesu przeglądu, a nie późniejszym dodatkiem. I organizacja musi być szczerą w kwestii tego, co system może i nie może wiarygodnie zrobić.

Spędziłam swoją karierę w środowiskach, w których awarie danych mają prawdziwe konsekwencje dla prawdziwych ludzi. To kształtuje, jak myślę o tym. Możliwości są rozwijane szybko, a odpowiedzialność za to, jak są wdrożone, nie może pozostać w tyle. Założyciele, którzy budują te systemy, muszą mieć ten standard dla siebie, a nie czekać, aż regulacja go nałoży. Dziękuję za przemyślane dyskusje. Czytelnicy zainteresowani zapoznaniem się z platformą i jej podejściem do infrastruktury danych zdrowia mogą dowiedzieć się więcej, odwiedzając Aquila Health.