Dr. Jaime Bland, Co-Fundador e CEO da Aquila Health – Série de Entrevistas

Dr. Jaime Bland, Co-Fundador e CEO da Aquila Health, é um líder em tecnologia de saúde focado em resolver um dos desafios mais persistentes da indústria: dados fragmentados e inacessíveis. Ele co-fundou a Aquila Health para construir uma infraestrutura de dados unificada que permita às organizações de saúde ir além dos sistemas isolados, utilizando aprendizado de máquina e análise estruturada para gerar insights ação enquanto mantém a supervisão clínica. Seu trabalho se concentra em melhorar a interoperabilidade, permitir a inteligência de saúde em nível populacional e apoiar a detecção precoce de ameaças de saúde emergentes por meio de sistemas de dados clínicos, de reivindicação e genômicos integrados.

Aquila Health é uma plataforma de dados de saúde impulsionada por IA projetada para unificar fontes de dados dispersas em um único sistema interoperável que suporte tanto a eficiência operacional quanto a análise avançada. A plataforma ingere formatos de dados de saúde de alto volume, como HL7 e FHIR, permitindo a integração sem interrupções em hospitais, sistemas de saúde pública e outras partes interessadas. Ao combinar abordagens de aprendizado de máquina estruturadas com um modelo de validação humana no loop, a Aquila se concentra em fornecer insights confiáveis para gerenciamento de saúde populacional, detecção de anomalias e tomada de decisões em tempo real, em vez de confiar apenas em sistemas de IA opacos. Isso posiciona a empresa na interseção da infraestrutura de dados e da IA aplicada, onde a melhoria da qualidade e acessibilidade dos dados é fundamental para desbloquear o potencial total da inteligência de saúde.

Você liderou o CyncHealth por meio de um crescimento massivo, escalando a interoperabilidade em milhões de registros de pacientes e vários estados, antes de fundar a Aquila Health. Quais foram as principais limitações ou falhas sistêmicas que você enfrentou durante essa jornada que, finalmente, o levaram a construir a Aquila do zero?

No CyncHealth, passamos anos construindo a infraestrutura para conectar organizações de saúde em todo o Nebraska e Iowa. Conectamos mais de 1.100 locais de atendimento e milhões de registros de pacientes, abrangendo uma população de mais de cinco milhões de vidas.

No entanto, o que continuamos a encontrar foi que conectar sistemas e tornar os dados utilizáveis são dois problemas muito diferentes. Por exemplo, trabalhamos para criar um painel de overdose de opioides que coordenava dados que recebemos de várias fontes. Levou meses com centenas de horas de trabalho e coordenação entre muitas partes interessadas para tornar esse único ponto de dados compreensível em um contexto de saúde pública e saúde. E, após tudo isso, a imagem ainda estava incompleta.

Essa experiência foi a semente para a Aquila. A forma tradicional de conectar interfaces sem entender a completude e a qualidade da exportação de dados não atenderá às necessidades com os avanços em IA que vimos nos últimos anos. Quando a IA pode realizar em horas o que costumava levar uma equipe meses, e fazê-lo com maior qualidade a um custo menor, você tem que usar esse conhecimento para reconstruir a partir de uma nova fundação. É o que fizemos com a Aquila; estamos nos concentrando em ferramentas modernas que diminuem o custo de conexão para que possamos nos concentrar em completar a imagem completa da saúde – não apenas dados derivados de fontes tradicionais de EHI, mas a imagem completa.

A Aquila recentemente surgiu da clandestinidade com uma plataforma focada em unificar dados de saúde fragmentados em uma única camada pronta para IA. Quais foram as principais inovações técnicas que tornaram isso possível agora, em vez de apenas alguns anos atrás?

As capacidades de IA impulsionaram essa mudança quase inteiramente.

Passei anos vendo engenheiros habilidosos reconciliando manualmente os padrões de dados, um por um. Funcionou, mas esse modelo nunca pode escalar. Você não pode contratar o suficiente para sair disso rápido o suficiente para acompanhar o volume e a variedade de dados que a saúde gera.

O que é diferente agora é que a IA pode fazer o trabalho de normalização continuamente na camada de dados à medida que as informações fluem pelo sistema. Não é um processo em lote que é executado à noite. Acontece em tempo quase real. Isso muda o que é possível para os clínicos e equipes de saúde pública, porque os dados de que precisam estão estruturados e validados (tornados utilizáveis) antes de chegarem a eles.

Os clínicos estão acostumados a tomar decisões sem a imagem completa do paciente. A saúde pública está acostumada a impulsionar programas sem dados recentes para apoiá-los. A Aquila está mudando o cenário e fornecendo a velocidade que torna a tomada de decisões baseada em dados eficaz em toda a saúde.

Construímos o TREUE ™ como o quadro que organiza os dados clínicos derivados de EHR, laboratório, saúde pública, reivindicação e dados sociais em uma estrutura unificada. A IA não substitui a boa governança de dados; torna a boa governança de dados escalável pela primeira vez.

Você enfatizou que o desafio real na IA de saúde não é o modelo, mas os dados em si. Quais são as lacunas mais críticas na infraestrutura de dados de saúde de hoje que impedem a IA de fornecer resultados significativos?

A indústria está falando sobre o modelo de IA, mas o modelo não é a parte difícil.

A parte difícil é que um paciente pode entrar em três instalações diferentes em um único dia e aparecer como três pessoas diferentes em três sistemas diferentes. Os laboratórios não correspondem às notas clínicas. O registro do pagador tem um identificador diferente do registro do hospital e a saúde pública usa um identificador completamente diferente. Até que você resolva tudo isso manualmente, a janela clínica está fechada.

Conexões técnicas fortes não podem corrigir registros que chegam incompletos ou fora de sequência. A IA não pode detectar um padrão que não está nos dados e não pode fazer uma recomendação confiável a partir de um registro que está faltando metade da informação histórica ou atual que deveria conter.

A lacuna não é o poder de processamento, é a confiança nos dados subjacentes. É isso que precisa ser resolvido primeiro e resolver em escala é onde a IA realmente pode ganhar seu lugar.

A Aquila se posiciona como a “camada de preparação de dados” antes da ingestão de IA. Você pode nos guiar sobre o que essa camada realmente faz na prática, especialmente quando se lida com entradas altamente heterogêneas, como registros clínicos, dados de reivindicação e feeds em tempo real?

Usando o exemplo anterior, considere o que chega quando um encontro de paciente gera dados. Você recebe uma mensagem HL7 do hospital, um registro de reivindicação do segurador, um resultado de laboratório de um laboratório de referência usando um identificador diferente e um relatório de saúde pública arquivado em uma linha do tempo completamente diferente. Nenhum deles foi projetado para ser reconciliado entre si.

Nossa camada de preparação, TREUE ™, é o que fica entre essas entradas e qualquer aplicação de análise ou IA downstream. Seu trabalho é avaliar cada registro à medida que chega, corresponder identidades entre fontes, normalizar formatos e sinalizar o que está faltando ou inconsistente antes que os dados avancem.

Na prática, isso significa que um clínico que olha para um paciente está trabalhando a partir de um registro que foi validado e alinhado entre fontes, em vez de reconciliar manualmente quatro diferentes visualizações de sistema durante um encontro de atendimento. Para equipes de saúde pública, isso significa que os sinais de surto não são atrasados por dados que chegaram em formatos diferentes de diferentes jurisdições.

É trabalho de infraestrutura. Não é glamoroso, mas nada downstream funciona sem ele.

Padrões de interoperabilidade, como Fast Healthcare Interoperability Resources (FHIR) e United States Core Data for Interoperability (USCDI), existem há anos, mas a fragmentação persiste. O que ainda está faltando de uma perspectiva de padrões e como a Aquila está abordando essas lacunas de forma diferente?

FHIR e USCDI deram à indústria uma linguagem compartilhada para trocar dados. Esse foi um progresso importante. Mas uma linguagem compartilhada para enviar dados não é a mesma coisa que dados que se comportam consistentemente uma vez que chegam.

Aqui está a lacuna: os dados de saúde não vêm de um único domínio. Sistemas clínicos, registros de saúde pública, laboratórios e fontes de dados sociais têm suas próprias regras de governança, prazos e definições do que um campo significa. FHIR não diz como reconciliar um conjunto de dados de determinantes sociais com um registro clínico de uma jurisdição diferente.

O que o TREUE ™ adiciona é um quadro unificado para como os dados de todos esses domínios podem ser organizados e validados juntos, respeitando ainda as regras de governança que se aplicam a cada fonte. O resultado é dados que você realmente pode analisar entre domínios, não apenas dados que foram transmitidos com sucesso.

A Aquila opera em ambientes de alta consequência onde a falha não é uma opção. Como você projeta sistemas de IA que equilibrem o desempenho em tempo real com requisitos estritos em torno de governança, auditoria e confiança?

Você tem que construir a governança na arquitetura antes de escrever a primeira linha de código de aplicativo. Não deve ser uma camada que você adiciona depois.

Em ambientes de saúde e governo, as decisões informadas por esses dados afetam o cuidado do paciente, a resposta ao surto e como os recursos públicos são alocados. Toda ação tomada nos dados deve ser rastreável e o acesso deve ser rigidamente controlado. O sistema deve atender aos requisitos de conformidade dos ambientes em que opera.

Para a Aquila, isso significa operar dentro de infraestrutura de nuvem de nível governamental, controles de acesso de confiança zero e práticas de segurança alinhadas com os padrões federais e HIPAA. Temos contratos ativos em andamento com governo estadual, agências federais e organizações de saúde, e esses ambientes têm requisitos de conformidade muito diferentes que a plataforma deve atender simultaneamente.

O componente de loop humano é igualmente importante. A IA pode superfície sinais, mas especialistas clínicos validam anomalias antes que informem decisões operacionais. A tecnologia diz a você onde olhar, e o profissional diz o que significa.

Sua plataforma suporta a implantação de IA segura no dispositivo e a soberania dos dados. Quão importante está se tornando a descentralização na IA de saúde, especialmente diante das crescentes preocupações em torno da privacidade de dados e conformidade regulatória?

Está se tornando essencial, e acho que a indústria está apenas começando a entender por quê.

As organizações de saúde operam sob obrigações de privacidade estritas. Dados de paciente sensíveis não podem simplesmente ser centralizados e processados em um ambiente compartilhado. Diferentes estados têm regras diferentes. Agências federais têm regras diferentes. Dados de saúde internacionais têm ainda outro conjunto de restrições. Qualquer arquitetura que exija mover dados sensíveis para um local central irá atingir essas barreiras repetidamente.

A direção que realmente funciona é gerar insights mais próximos de onde os dados já vivem. As organizações podem contribuir para análises compartilhadas sem abrir mão do controle sobre seus dados subjacentes. É o que os modelos federados permitem.

Nossa plataforma foi construída para operar nesse tipo de ambiente regulamentado e descentralizado – governança que viaja com os dados, em vez de ser aplicada em um único ponto. É uma arquitetura mais difícil de construir, mas é a que é compatível com como a governança de dados de saúde funciona na prática.

Muitas startups de IA se inclinam fortemente para modelos de caixa preta, enquanto a Aquila incorpora validação de loop humano. Onde você vê a linha entre automação e supervisão humana em sistemas de IA clínicos?

Comecei minha carreira como enfermeira de plantão. Essa experiência molda como penso sobre onde a IA pertence em um ambiente clínico e onde não pertence.

A IA é muito boa em encontrar padrões em grandes conjuntos de dados. Não é boa em saber o que um padrão significa para um paciente específico com uma história específica em um contexto comunitário específico. Essa ainda é uma decisão humana.

O papel certo para a IA em sistemas clínicos é superfície sinais que um humano pode perder em volume, não substituir o raciocínio clínico que segue. Na Aquila, anomalias e insights sinalizados pelo sistema vão para clínicos e especialistas em domínio para revisão antes de informar decisões operacionais. A tecnologia diz a você onde olhar, e o profissional diz o que significa.

Onde acho que a linha pertence: automatize a detecção, mantenha a interpretação com as pessoas que são responsáveis pelo resultado.

A Aquila está trabalhando em saúde pública, sistemas governamentais e indústrias regulamentadas. Como os requisitos para a infraestrutura de IA diferem entre esses ambientes em comparação com implantações de IA empresariais tradicionais?

Em uma implantação de IA empresarial tradicional, você geralmente está trabalhando dentro do ambiente de dados de uma organização, um conjunto de regras de governança, um quadro de conformidade.

Ambientes de saúde pública e governo são estruturalmente diferentes. Você está coordenando entre múltiplas jurisdições, múltiplas agências, múltiplos ambientes clínicos, cada um operando em diferentes prazos de relatórios e sob diferentes estruturas legais. Um hospital em um estado, uma agência de saúde pública em outro, um programa federal com seus próprios requisitos de dados. Todos precisam trocar dados e gerar insights sem que nenhuma entidade tenha acesso não controlado aos registros de outra.

A infraestrutura precisa suportar o processamento de alto volume enquanto mantém a auditoria estrita em todas essas fronteiras. Precisa se integrar a formatos de mensagens de saúde legados, porque esses sistemas não estão desaparecendo. E precisa operar de forma confiável em ambientes onde o tempo de inatividade não é apenas um problema de negócios, é um problema de segurança do paciente.

Essa complexidade é por que começamos a Aquila com esses ambientes, em vez do mercado empresarial tradicional. Se você pode construir uma infraestrutura que funcione aqui, funciona em todos os lugares.

As capacidades de IA continuam a avançar mais rápido do que os quadros de governança. Quais são as responsabilidades dos fundadores e construtores de plataformas para garantir que esses sistemas sejam implantados de forma ética e segura desde o início?

Acho que a responsabilidade é direta, mesmo que atendê-la não seja. Se você está construindo IA que afeta decisões clínicas ou resultados de saúde pública, você não pode tratar a governança como um item da estrada de produtos que você irá atender eventualmente. Tem que ser projetado desde o início.

O que isso significa na prática é que toda ação nos dados deve ser auditável. Os modelos devem ser interpretáveis o suficiente para que um clínico possa entender por que um sinal foi sinalizado. Especialistas clínicos devem fazer parte do processo de revisão, não um afterthought. E a organização deve ser honesta sobre o que o sistema pode e não pode fazer de forma confiável.

Passei minha carreira em ambientes onde falhas de dados têm consequências reais para pessoas reais. Isso molda como penso sobre isso. As capacidades estão avançando rápido, e a responsabilidade por como elas são implantadas não pode ser permitida atrasar. Fundadores que constroem esses sistemas têm que manter esse padrão para si mesmos, não esperar que a regulação o imponha.

Obrigado pela discussão perspicaz. Os leitores interessados em explorar a plataforma e sua abordagem para a infraestrutura de dados de saúde podem aprender mais visitando Aquila Health.