David Lareau, Presidente e CEO da Medicomp Systems – Série de Entrevistas

David Lareau, Presidente e CEO da Medicomp Systems, é um executivo de tecnologia de saúde e empreendedor com uma carreira que abrange quase cinco décadas. Após começar sua carreira em auditoria de computadores e gestão, ele fundou a Dexcom Systems em 1987, ajudando a implantar algumas das primeiras redes de comunicação empresariais e ambientes de LAN em larga escala para organizações, incluindo o Banco Mundial, DuPont e o Hospital Sinai. Ele se juntou à Medicomp Systems em 1995 como Diretor de Operações e foi nomeado CEO em 2012, liderando a evolução da empresa de um provedor de motor de conhecimento clínico pioneiro para uma empresa moderna de inteligência artificial de saúde e interoperabilidade. Sob sua liderança, a Medicomp expandiu seu alcance global, avançou soluções de inteligência clínica baseada em evidências e se concentrou em melhorar a produtividade dos clínicos, a usabilidade dos dados e o cuidado ao paciente por meio de tecnologia de saúde mais inteligente.

Medicomp Systems é uma empresa de tecnologia de saúde mais conhecida por sua inteligência clínica e tecnologia de conhecimento que transforma dados de saúde complexos e fragmentados em informações clinicamente relevantes e estruturadas. Fundada em torno do motor de conhecimento clínico patenteado MEDCIN, a plataforma Quippe da empresa ajuda as organizações de saúde a melhorar a documentação clínica, interoperabilidade, medição de qualidade, ajuste de risco e apoio à decisão impulsionado por IA. Projetada para espelhar a forma como os clínicos pensam e trabalham, as soluções da Medicomp são usadas por hospitais, sistemas de saúde, fornecedores de registros eletrônicos de saúde e organizações de saúde em todo o mundo para racionalizar fluxos de trabalho, reduzir a carga administrativa e fornecer insights de paciente mais significativos no ponto de atenção. A empresa se tornou uma líder reconhecida em combinar grafos de conhecimento clínico, dados estruturados e IA para apoiar a tomada de decisões de saúde mais precisa, eficiente e confiável

Você passou quase quatro décadas trabalhando em tecnologia de saúde, desde as primeiras redes de comunicação empresariais e sistemas de faturamento médico até liderar a Medicomp Systems por mais de 30 anos. Olhando para essa evolução, qual é o problema fundamental de dados de saúde que você acredita que a indústria ainda não resolveu?

A indústria de saúde ainda carece de um padrão integrado para dados clínicos. Os padrões de terminologia em que nos baseamos foram criados para resolver problemas de codificação dentro de um único domínio: ICD-10 para diagnósticos, CPT e HCPCS para procedimentos e testes, LOINC para resultados de laboratório e outras medições, RxNorm para medicamentos e SNOMED CT para achados clínicos. Cada um deles foi construído para faturamento, classificação ou pesquisa. Nenhum deles foi construído para organizar o cuidado de um paciente.

Sistemas de informações de saúde usam esses padrões para concluir transações específicas, a maioria das quais está vinculada à reembolso, em vez de fornecer aos provedores uma visão integrada do status do paciente. Considere um paciente com diabetes. Os dados desse paciente estão espalhados por guias separadas no sistema de informações de saúde, sem uma visão única de “diabetes” que reúna tudo relacionado à condição. Os sistemas de codificação compartilham nenhum esquema comum, o que os torna computacionalmente ineficientes, e essa ineficiência se torna um problema muito maior em um mundo de IA clínica. A IA depende de bons dados, e nossa indústria ainda não os tem.

Imagine um armazém da Amazon (AMZN ) tentando operar sem unidades de manutenção de estoque (SKUs), confiando em vez disso em descrições de texto de cada item, cada descrição vinculada a uma estrutura de dados que muda de um tipo de item para outro. Quase todas as indústrias têm alguma versão do SKU. A saúde não, e assim seus dados permanecem fragmentados e inconsistentes.

Você descreveu muitos repositórios de saúde modernos como “pântanos de dados” em vez de lagos de dados ação. Quais são os maiores erros arquitetônicos que os sistemas de saúde cometeram durante a corrida para centralizar dados?

O erro central foi organizar o repositório da mesma forma que os sistemas de origem foram organizados, em torno de domínios e transações em vez de em torno do paciente. A maioria dos sistemas de saúde ainda separa as informações clínicas em domínios discretos, como laboratórios, medicamentos, procedimentos e diagnósticos. Os usuários, e o software em que confiam, então têm que alcançar diferentes arquivos e locais para montar uma imagem do paciente, o que torna cada processo mais lento e trabalhoso.

A questão mais profunda é que cada transação, seja uma fatura, uma prescrição, um pedido de exame ou um resultado de laboratório, é armazenada como um item autônomo em vez de como parte de uma visão integrada da condição do paciente. Centralizar esses dados em um local não resolve o problema. Um lago de dados cheio de registros fragmentados e vinculados a domínios se torna um pântano de dados porque o volume sozinho, sem organização clínica, não produz compreensão.

Uma grande porcentagem de informações clinicamente significativas ainda vive dentro de notas de médicos, relatórios de imagem e resumos de alta, em vez de campos estruturados. Por que a indústria lutou tanto para operacionalizar dados clínicos não estruturados em escala?

Isso está mudando, e rapidamente. Modelos de linguagem grandes (LLMs) agora podem gerar resumos de texto de encontros livres de abreviações e gírias idiossincráticas, tornando muito mais fácil para o processamento de linguagem natural clínica (NLP) extrair dados codificados estruturados e codificados daquele texto. No passado, capturar dados estruturados significava pedir aos clínicos que trabalhassem com listas de verificação ou formulários, o que eles encontravam cumpridos e em grande parte inutilizáveis.

Hoje, a sequência funciona de forma diferente. A escuta ambiental produz uma nota de texto razoavelmente limpa, um LLM resume essa nota em uma forma semi-estruturada e o NLP então é executado no resumo. Quando o NLP é apontado para um alvo de dados clínicos apropriado, que representa conceitos clínicos em vez de uma lista plana de códigos, ele pode produzir dados bem estruturados a partir de texto narrativo. Atingir isso ainda requer uma combinação de tecnologias trabalhando juntas e depende inteiramente de ter esse alvo de dados clínicos apropriado no lugar.

Você argumenta que o desafio central não é “qualidade de dados”, mas fragmentação de dados. Pode explicar a diferença e por que essa distinção importa para sistemas de saúde impulsionados por IA?

Os dois estão intimamente ligados, mas descrevem problemas diferentes, e essa diferença importa muito para a IA. A qualidade dos dados é sobre se uma peça individual de informação é precisa, completa e registrada corretamente. A fragmentação de dados é estrutural. A fragmentação ocorre quando as informações clínicas, independentemente de sua qualidade, são divididas em domínios e sistemas de codificação separados e armazenadas em formatos e locais diferentes.

Essa fragmentação é a prática atual porque cada sistema de codificação foi projetado para um caso de uso transacional separado. A abordagem era adequada para escrever uma prescrição, gerar uma fatura ou lidar com outras tarefas discretas. O cuidado geral do paciente é um problema diferente, que requer informações de vários domínios para serem reunidas, processadas e exibidas como uma visão única e clinicamente conectada do paciente. Um registro pode estar cheio de pontos de dados individualmente precisos e ainda falhar no clínico, porque nada conecta esses pontos àquela visão.

Você destacou três lacunas principais em muitos lagos de dados de saúde: extração narrativa por meio do NLP, grafos de conhecimento clínico e reconciliação de registros conflitantes. Qual dessas capacidades ausentes está atualmente causando o maior impacto downstream no cuidado ao paciente?

Dois dos três estão intimamente conectados: a reconciliação de registros conflitantes e o fato de que um grafo de conhecimento clínico é apenas tão bom quanto os dados em que opera. Dos três, a reconciliação está atualmente causando o maior dano downstream, porque está a montante de tudo o mais.

Muito do que vive em um gráfico de paciente foi inserido copiando e colando de encontros anteriores ou consolidando informações de vários provedores. Mover essa informação entre sistemas com Recursos de Interoperabilidade de Saúde Rápida (FHIR) torna mais fácil enviar e receber, mas não melhora a qualidade subjacente. Execute IA ou um grafo de conhecimento clínico nessa informação e os resultados provavelmente levarão as mesmas inconsistências adiante.

Padrões como SNOMED CT, LOINC, RxNorm, FHIR e C-CDA são frequentemente discutidos como soluções de interoperabilidade. Na prática, por que muitas organizações ainda lutam para transformar a conformidade com os padrões em sistemas clinicamente úteis?

Muitos sistemas e organizações carregam dados mal codificados porque suas interfaces de usuário os tornam mais fáceis de escolher o primeiro item apresentado. Essas interfaces são construídas para mover o código ao longo do faturamento o mais rápido possível, em vez de fornecer o contexto clínico que permitiria ao usuário registrar a condição com precisão.

ICD-10, por exemplo, inclui um código para “neuropatia motora e sensorial hereditária”, uma categoria que não distingue a doença de Charcot-Marie-Tooth da síndrome de Roussy-Lévy, embora ambas caiam dentro dela. Se uma interface de usuário apresentar essa categoria primeiro e tornar a condição específica mais difícil de selecionar, o usuário provavelmente escolherá a categoria. A categoria pode ser suficiente para ter uma reclamação paga, mas é muito menos clinicamente útil do que a condição específica. Todas as terminologias de codificação transacionais compartilham algum tipo desse problema.

A Medicomp passou anos construindo terminologia clinicamente conectada e motores de relevância em torno de sistemas como o MEDCIN. Quão importante é um grafo de conhecimento clínico para tornar a IA de saúde confiável e consciente do contexto?

Um grafo de conhecimento clínico é essencial porque torna os dados utilizáveis no momento em que um clínico ou revisor realmente precisa deles. O teste é direto. Quando um paciente tem uma condição específica que está sendo gerenciada, o usuário pode ver tudo relacionado a essa condição imediatamente, ou deve procurar em todo o registro, guia por guia, para reconstruir o contexto clínico? Um grafo de conhecimento clínico construído em dados clínicos limpos pode superfície desse contexto em um instante. Sem um, encontrar a mesma informação leva muito tempo.

Muitas organizações de saúde agora estão implantando copilotos de IA geradores e sistemas de documentação ambiental. Quais riscos surgem quando esses sistemas de IA são treinados ou operados em dados clínicos fragmentados e mal contextualizados?

Alucinação e a miscategorização de informações são dois dos riscos mais comuns, e ambos se tornam mais prováveis quando os dados subjacentes são fragmentados e mal contextualizados.

Um exemplo pessoal: meu pai morreu de câncer de fígado aos 78 anos, mas em uma visita recente, fui perguntado por quanto tempo eu havia estado em remissão. O sistema de documentação ambiental havia registrado uma história pessoal de câncer de fígado no meu próprio gráfico. Um colega encontrou algo semelhante. Ele havia registrado COPD em seu registro porque seu provedor, usando documentação ambiental, havia pedido um exame de raio-X para descartá-lo. Quando ele mais tarde solicitou seguro de vida, foi negado, e o motivo dado foi o diagnóstico de COPD que a ordem de exame anterior havia gerado acidentalmente.

Há um crescente entusiasmo em torno do progresso da interoperabilidade nacional, com centenas de milhões de registros agora sendo trocados anualmente. O que ainda precisa acontecer antes que os clínicos possam confiar genuinamente que os dados trocados são completos, precisos e clinicamente relevantes no ponto de atenção?

Dois things devem acontecer. Primeiro, os provedores que assinam encontros, que são cada vez mais gerados por ferramentas de escuta ambiental com resumo de LLM, precisam de guardrails fáceis de usar disponíveis antes de assinar, no ponto logo antes de que os dados entrem no registro do paciente. Uma vez que as informações incorretas aterrissam no gráfico, todo o uso downstream delas herda o problema tradicional de “lixo para lixo”, e corrigi-lo após o fato é difícil.

Olhando para a frente, cinco anos, o que um ambiente de dados de saúde “ativado” parece quando a IA, os padrões de interoperabilidade, o contexto clínico e os fluxos de trabalho dos médicos são finalmente alinhados de forma significativa?

O alinhamento dependerá de cada parte ter acesso a uma base de dados clínicos confiável, projetada para gerenciar cada paciente de forma eficaz e, coletivamente, tornar a gestão de saúde populacional uma realidade. Dada essa base, o alinhamento começa com o paciente individual.

Antes de cada encontro, um agente de IA reúne todos os dados disponíveis para esse paciente de redes de informações de saúde, trocas, pagadores e empresas, enquanto outro agente remove duplicatas e organiza os dados restantes. Através de um aplicativo, um quiosque ou um agente conversacional, o paciente então verifica diagnósticos atuais, medicamentos, resultados de laboratório recentes e quaisquer novos problemas, corrigindo quaisquer erros pelo caminho. Um rascunho dessas alterações vai para um clínico para revisão.

Na ocasião, virtual ou física, o clínico revisa essas informações com o paciente e se volta para as condições que precisam de atenção. Um agente superfície de contexto clinicamente relevante para cada condição existente ou nova queixa, e a escuta ambiental captura a conversa. Um segundo agente resume para o clínico revisar, corrigir e aprovar.