David Lareau, Președinte și CEO al Medicomp Systems – Seria de interviuri

David Lareau, Președinte și CEO al Medicomp Systems, este un executiv și antreprenor în domeniul tehnologiei sănătății, cu o carieră care se întinde pe aproape cinci decenii. După ce și-a început cariera în audit și management informatic, el a fondat Dexcom Systems în 1987, ajutând la implementarea unor dintre primele rețele de comunicare enterprise și medii LAN de mare scară pentru organizații precum Banca Mondială, DuPont și Spitalul Sinai. El s-a alăturat Medicomp Systems în 1995 ca Director Operațional și a fost numit CEO în 2012, conducând evoluția companiei de la un furnizor de motoare de cunoaștere clinică pionier la o companie modernă de sănătate AI și interoperabilitate. Sub conducerea sa, Medicomp și-a extins prezența globală, a avansat soluțiile de inteligență clinică bazată pe dovezi și s-a concentrat pe îmbunătățirea productivității clinicienilor, a utilizabilității datelor și a îngrijirii pacienților prin tehnologia sănătății mai inteligentă.

Medicomp Systems este o companie de tehnologie a sănătății, cunoscută pentru motorul său de cunoaștere clinică și tehnologia de cunoaștere, care transformă datele complexe și fragmentate de sănătate în informații structurate și clinic relevante. Fondată pe motorul de cunoaștere clinică brevetat MEDCIN, platforma Quippe a companiei ajută organizațiile de sănătate să îmbunătățească documentarea clinică, interoperabilitatea, măsurarea calității, ajustarea riscului și suportul decizional bazat pe AI. Proiectată pentru a reflecta modul în care clinicienii gândesc și lucrează, soluțiile Medicomp sunt utilizate de spitale, sisteme de sănătate, furnizori de înregistrări electronice de sănătate și organizații de sănătate din întreaga lume pentru a optimiza fluxurile de lucru, a reduce sarcina administrativă și a oferi insights mai semnificative despre pacienți la punctul de îngrijire. Compania a devenit un lider recunoscut în combinarea grafurilor de cunoaștere clinică, a datelor structurate și a inteligenței artificiale pentru a sprijini luarea deciziilor de sănătate mai precise, mai eficiente și mai de încredere.

Ați petrecut aproape patru decenii lucrând în domeniul IT-ului sănătății, de la rețelele de comunicare enterprise și sistemele de facturare medicală la conducerea Medicomp Systems timp de peste 30 de ani. Privind înapoi la această evoluție, care este problema fundamentală a datelor de sănătate pe care industria nu a reușit încă să o rezolve?

Industria sănătății încă lipsește un standard integrat pentru datele clinice. Standardele de terminologie pe care le folosim au fost create pentru a rezolva probleme de codificare într-un singur domeniu: ICD-10 pentru diagnostice, CPT și HCPCS pentru proceduri și teste, LOINC pentru rezultate de laborator și alte măsurători, RxNorm pentru medicamente și SNOMED CT pentru constatări clinice. Fiecare dintre ele a fost creat pentru a rezolva probleme de facturare, clasificare sau cercetare. Niciunul nu a fost creat pentru a organiza îngrijirea unui pacient.

Sistemele de informații de sănătate folosesc aceste standarde pentru a finaliza tranzacții specifice, majoritatea dintre ele fiind legate de rambursare, în loc de a oferi furnizorilor o vedere integrată a stării unui pacient. Luați în considerare un pacient cu diabet. Datele acestui pacient sunt răspândite în file separate în sistemul de informații de sănătate, fără o singură “vizualizare a diabetului” care să adune totul legat de această afecțiune. Sistemele de codificare nu au o schemă comună, ceea ce le face ineficiente din punct de vedere computațional, iar această ineficiență devine o problemă mult mai mare într-o lume de inteligență artificială clinică. Inteligența artificială depinde de date bune, iar industria noastră nu are încă acest lucru.

Imaginați-vă un depozit Amazon care încearcă să funcționeze fără unități de stoc (SKU), în loc de aceasta folosind descrieri text ale fiecărui articol, fiecare legat de o structură de date care se schimbă de la un tip de articol la altul. Aproape fiecare industrie are o versiune a SKU-ului. Sănătatea nu are, iar datele sale rămân fragmentate și inconsistente.

Ați descris multe depozite moderne de sănătate ca “mlaștini de date” mai degrabă decât lacuri de date acționabile. Care sunt cele mai mari greșeli arhitecturale pe care sistemele de sănătate le-au făcut în timpul grabirii de a centraliza datele?

Greșeala centrală a fost organizarea depozitului în același mod în care erau organizate sistemele sursă, în jurul domeniilor și tranzacțiilor, mai degrabă decât în jurul pacientului. Majoritatea sistemelor de sănătate încă separă informațiile clinice în domenii discrete, cum ar fi laboratoare, medicamente, proceduri și diagnostice. Utilizatorii, și software-ul pe care se bazează, trebuie apoi să ajungă la diferite fișiere și locații pentru a reuni o imagine a pacientului, ceea ce face fiecare proces mai lent și mai incomod.

Problema mai profundă este că fiecare tranzacție, indiferent dacă este o factură, o rețetă, o comandă de test sau un rezultat de laborator, este stocat ca un articol autoconținut, mai degrabă decât ca o parte a unei viziuni integrate a stării pacientului. Centralizarea acestor date într-un singur loc nu rezolvă problema. Un lac de date plin de înregistrări fragmentate și legate de domenii devine o mlaștină de date, deoarece volumul singur, fără organizare clinică, nu duce la înțelegere.

O mare parte a informațiilor clinice semnificative încă trăiește în notele medicilor, rapoartele de imagistică și rezumatele de externare, mai degrabă decât în câmpuri structurate. De ce industria a luptat atât de mult pentru a operaționaliza datele clinice nestructurate la scară?

Acest lucru se schimbă și rapid. Modelele de limbaj mari (LLM) pot acum genera rezumate de texte ale întâlnirilor, lipsite de abrevieri și prescurtări idiosincratice, făcându-le mult mai ușor pentru procesarea limbajului natural clinic (NLP) să extragă date structurate și codificate din acel text. În trecut, capturarea datelor structurate însemna cerința ca clinicienii să lucreze prin liste de verificare sau formulare, pe care le-au găsit incomode și în mare măsură inutilizabile.

Astăzi, secvența funcționează diferit. Ascultarea ambientală produce o notă text rezonabilă, un LLM rezumă acea notă într-o formă semi-structurată, iar NLP-ul rulează apoi pe rezumat. Când NLP-ul este direcționat către un țintă de date clinice corespunzătoare, una care reprezintă concepte clinice mai degrabă decât o listă plată de coduri, poate produce date structurate bine din textul narativ. Realizarea acestui lucru încă necesită o combinație de tehnologii care lucrează împreună și depinde în întregime de existența acelei ținte clinice corespunzătoare.

Sunteți de părere că problema de bază nu este “calitatea datelor”, ci fragmentarea datelor. Puteți explica diferența și de ce această distincție contează pentru sistemele de sănătate conduse de inteligență artificială?

Cele două sunt strâns legate, dar descriu probleme diferite, iar această diferență contează foarte mult pentru inteligența artificială. Calitatea datelor se referă la faptul dacă o bucată individuală de informație este exactă, completă și înregistrată corect. Fragmentarea datelor este structurală. Fragmentarea apare atunci când informațiile clinice, indiferent de calitatea lor, sunt împărțite în domenii și sisteme de codificare separate și stocate în formate și locații diferite.

Această fragmentare este practica curentă, deoarece fiecare sistem de codificare a fost proiectat pentru un caz de utilizare tranzacțional separat. Abordarea a fost suficientă pentru a scrie o rețetă, a genera o factură sau a gestiona alte sarcini discrete. Îngrijirea generală a pacientului este o problemă diferită, care necesită informații din mai multe domenii să fie aduse împreună, procesate și afișate ca o singură vedere diagnostice conectată a pacientului. Un dosar poate fi plin de puncte de date individuale exacte și totuși să nu reușească clinicianului, deoarece nimic nu leagă aceste puncte în acea vedere.

Ați evidențiat trei lacune majore în majoritatea lacurilor de date de sănătate: extragerea narativă prin NLP, grafurile de cunoaștere clinică și reconcilierea înregistrărilor contradictorii. Care dintre aceste capacități lipsă cauzează în prezent cel mai mare impact în aval asupra îngrijirii pacientului?

Doi dintre cele trei sunt strâns legați: reconcilierea înregistrărilor contradictorii și faptul că un graf de cunoaștere clinică este la fel de bun ca datele pe care le rulează. Dintre cele trei, reconcilierea este în prezent cea care face cel mai mult rău în aval, deoarece se află în amonte de tot restul.

O cantitate mare de informații care trăiesc în dosarul unui pacient a fost introdusă prin copiere și lipire din întâlniri anterioare sau prin consolidarea informațiilor de la mai mulți furnizori. Mutarea acestei informații între sisteme cu Resurse de Interoperabilitate Rapidă a Sănătății (FHIR) face mai ușor să le trimiți și să le primești, dar nu face nimic pentru a îmbunătăți calitatea de bază. Rulează inteligență artificială sau un graf de cunoaștere clinică pe aceste informații și rezultatele vor probabil să ducă aceleași incoerențe înainte.

Standarde precum SNOMED CT, LOINC, RxNorm, FHIR și C-CDA sunt adesea discutate ca soluții de interoperabilitate. În practică, de ce multe organizații încă luptă pentru a transforma conformitatea cu standardele în sisteme clinic util?

Multe sisteme și organizații poartă date slab codificate, deoarece interfețele lor cu utilizatorul fac cel mai ușor să selecteze primul articol prezentat. Aceste interfețe sunt construite pentru a face ca codul să progreseze pentru facturare cât mai repede posibil, mai degrabă decât să ofere contextul clinic care ar permite utilizatorului să înregistreze condiția în mod exact.

De exemplu, ICD-10 include un cod pentru “neuropatie motorie și senzorială ereditară”, o categorie care nu distinge boala Charcot-Marie-Tooth de sindromul Roussy-Lévy, chiar dacă ambele se încadrează în aceasta. Dacă o interfață cu utilizatorul prezintă această categorie mai întâi și face ca condiția specifică să fie mai greu de selectat, utilizatorul va alege probabil categoria. Categoria poate fi suficientă pentru a avea o cerere plătită, dar este mult mai puțin clinic utilă decât condiția specifică. Toate terminologiile tranzacționale împărtășesc o versiune a acestei probleme.

Medicomp a petrecut ani dezvoltând terminologie clinică conectată și motoare de relevanță în jurul sistemelor precum MEDCIN. Cât de important este un graf de cunoaștere clinică pentru a face inteligența artificială a sănătății de încredere și conștientă de context?

Un graf de cunoaștere clinică este esențial, deoarece face datele utilizabile în momentul în care un clinician sau un reviewer are nevoie de ele în mod real. Testul este simplu. Când un pacient are o anumită afecțiune care este gestionată, utilizatorul poate vedea totul legat de acea afecțiune imediat, sau trebuie să sorteze prin tot dosarul, file cu file, pentru a reconstitui contextul clinic? Un graf de cunoaștere clinică construit pe date clinice curate poate afișa acel context într-o clipă. Fără unul, găsirea aceleiași informații ia mult prea mult timp.

Multe organizații de sănătate implementează în prezent copiloți de inteligență artificială generativă și sisteme de documentare ambientală. Care sunt riscurile care apar atunci când aceste sisteme de inteligență artificială sunt antrenate sau operate pe date clinice fragmentate și slab contextualizate?

Hallucinația și încadrarea greșită a informațiilor sunt două dintre cele mai comune riscuri, iar ambele devin mai probabile atunci când datele subiacente sunt fragmentate și slab contextualizate.

Un exemplu personal: tatăl meu a murit de cancer de ficat la 78 de ani, dar într-o vizită recentă, mi s-a cerut să spun cât timp am fost în remisie. Sistemul de documentare ambientală a înregistrat o istorie personală de cancer de ficat în propriul meu dosar. Un coleg a întâlnit ceva similar. El a avut boală pulmonară obstructivă cronică (BPOC) înregistrată în dosarul său, deoarece furnizorul său, folosind documentarea ambientală, a comandat o radiografie toracică pentru a o exclude. Când a aplicat ulterior pentru asigurare de viață, i s-a refuzat, iar motivul invocat a fost diagnosticul de BPOC pe care comanda anterioară de radiografie l-a generat involuntar.

Există o entuziasm crescând în jurul progresului interoperabilității naționale, cu sute de milioane de înregistrări schimbate anual. Ce trebuie să se întâmple înainte ca clinicienii să poată avea încredere cu adevărat că datele schimbate sunt complete, exacte și clinic relevante la punctul de îngrijire?

Trebuie să se întâmple două lucruri. În primul rând, furnizorii care semnează întâlnirile, care sunt din ce în ce mai generate de unelte de ascultare ambientală cu rezumare LLM, au nevoie de garduri ușor de utilizat și disponibile înainte de a semna, în punctul în care datele acelea intră în dosarul pacientului. Odată ce informațiile incorecte ajung în dosar, fiecare utilizare ulterioară a acestora moștenește vechea problemă “gunoi în, gunoi ieșit”, iar corectarea lor după fapt este dificilă.

În al doilea rând, chiar și atunci când datele sunt exacte, un clinician trebuie să poată găsi ceea ce are nevoie fără a trece prin tot restul din dosar. Schimbul a sute de milioane de înregistrări nu face niciun bine dacă clinicianul care primește nu poate localiza informația relevantă sau avea încredere că reflectă imaginea clinică reală a pacientului. Validarea la punctul de îngrijire și recuperarea ușoară sunt ceea ce fac datele schimbate ceva în care un clinician se poate încrede cu adevărat.

Privind înainte cinci ani, ce arată un mediu de date de sănătate “activat” atunci când inteligența artificială, standardele de interoperabilitate, contextul clinic și fluxurile de lucru ale medicilor sunt în cele din urmă aliniate într-un mod semnificativ?

Alinearea va depinde de faptul că fiecare parte are acces la o fundație de date clinice de încredere, una proiectată pentru a gestiona fiecare pacient în mod eficient și, colectiv, pentru a face managementul real al sănătății populației o realitate. Dată fiind această fundație, alinierea începe cu pacientul individual.

Înainte de fiecare întâlnire, un agent de inteligență artificială asamblează toate datele disponibile pentru acel pacient de la rețele de informații de sănătate, schimburi, plătitori și întreprinderi, în timp ce alt agent elimină duplicatele și organizează datele rămase. Prin intermediul unei aplicații, un chioșc sau un agent conversațional, pacientul verifică apoi diagnosticele actuale, medicamentele, rezultatele recente de laborator și orice probleme noi, corectând orice erori pe parcurs.

La întâlnire, virtuală sau fizică, clinicianul examinează aceste informații cu pacientul și se întoarce la condițiile care necesită atenție. Un agent prezintă context clinic relevant pentru fiecare afecțiune existentă sau plângere nouă, iar ascultarea ambientală capturează conversația. Un al doilea agent rezumă aceasta pentru clinician să examineze, să corecteze și să aprobe.

De acolo, agenții se ocupă de munca în aval: obținerea autorizațiilor necesare, trimiterea rețetelor la farmacie, depunerea cererilor, programarea îngrijirii de urmărire și ambalarea informațiilor pentru părțile aprobate. Pe tot parcursul, agenții din fundal evaluează riscul clinic și solicită documentația de calitate, ajustare a riscului și reglementare. Tot modelul se bazează pe date curate și de încredere la fiecare pas, cu clinicienii ținuți în buclă, producând informații care sprijină atât îngrijirea individuală a pacientului, cât și managementul eficient al sănătății populației.

Mulțumim pentru acest interviu minunat, cititorii care doresc să afle mai multe despre Medicomp Systems.