Интервью
Вивек Десаи, технический директор RLDatix в Северной Америке – серия интервью
Вивек Десаи это Технический директор Северной Америки в РЛдатикс, чтобы Компания, занимающаяся программным обеспечением и услугами для связанных операций в сфере здравоохранения. RLDatix ставит перед собой задачу изменить здравоохранение. Они помогают организациям обеспечить более безопасную и эффективную медицинскую помощь, предоставляя инструменты управления, управления рисками и соблюдения требований, которые способствуют общему улучшению и безопасности.
Что изначально привлекло вас в информатике и кибербезопасности?
Меня привлекли сложности того, что пытаются решить информатика и кибербезопасность: всегда возникают новые проблемы, которые необходимо изучить. Отличным примером этого является то, когда облако впервые начало набирать обороты. Это было многообещающе, но также вызывало некоторые вопросы относительно безопасности рабочих нагрузок. С самого начала было ясно, что традиционные методы являются временным решением и что организациям по всем направлениям потребуется разработать новые процессы для эффективной защиты рабочих нагрузок в облаке. Изучение этих новых методов было особенно захватывающим путешествием для меня и многих других, работающих в этой области. Это динамичная и развивающаяся отрасль, поэтому каждый день приносит что-то новое и интересное.
Не могли бы вы рассказать о некоторых текущих обязанностях, которые у вас есть как у технического директора RLDatix?
В настоящее время я сосредоточен на разработке нашей стратегии обработки данных и поиске способов создания синергии между нашими продуктами и хранящимися в них данными, чтобы лучше понимать тенденции. Многие из наших продуктов содержат схожие типы данных, поэтому моя работа — найти способы разрушить эту разрозненность и облегчить доступ к данным нашим клиентам — как больницам, так и системам здравоохранения. При этом я также работаю над нашей глобальной стратегией искусственного интеллекта (ИИ), чтобы обеспечить доступ к этим данным и их использование во всей экосистеме.
Быть в курсе новых тенденций в различных отраслях — еще один важный аспект моей работы, позволяющий гарантировать, что мы движемся в правильном стратегическом направлении. В настоящее время я внимательно слежу за большими языковыми моделями (LLM). Как компания, мы работаем над поиском способов интеграции LLM в наши технологии, чтобы расширить возможности и улучшить людей, особенно медицинских работников, снизить их когнитивную нагрузку и дать им возможность сосредоточиться на уходе за пациентами.
В своем сообщении в блоге LinkedIn под названием «Размышления о моем первом году работы техническим директором«Вы написали: «Технические директора не работают в одиночку. Они часть команды». Не могли бы вы рассказать подробнее о некоторых проблемах, с которыми вы столкнулись, и о том, как вы решали вопросы делегирования и командной работы над проектами, которые по своей сути являются технически сложными?
Роль технического директора фундаментально изменилась за последнее десятилетие. Времена работы в серверной комнате прошли. Теперь работа стала гораздо более совместной. Вместе, в рамках всех бизнес-подразделений, мы согласовываем организационные приоритеты и превращаем эти стремления в технические требования, которые ведут нас вперед. Больницы и системы здравоохранения в настоящее время сталкиваются с множеством ежедневных проблем, от управления персоналом до финансовых ограничений, и внедрение новых технологий не всегда может быть главным приоритетом. Наша главная цель — продемонстрировать, как технологии могут помочь смягчить эти проблемы, а не усугубить их, а также показать общую ценность, которую они приносят их бизнесу, сотрудникам и пациентам в целом. Эти усилия невозможно выполнить в одиночку или даже в рамках моей команды, поэтому сотрудничество распространяется на междисциплинарные подразделения для разработки целостной стратегии, которая продемонстрирует эту ценность, независимо от того, связана ли она с предоставлением клиентам доступа к разблокированным данным или активацией процессов, которые они в настоящее время не могут выполнить. .
Какова роль искусственного интеллекта в будущем подключенного здравоохранения?
Поскольку интегрированные данные становятся более доступными благодаря ИИ, их можно использовать для соединения разрозненных систем и повышения безопасности и точности на протяжении всего процесса оказания медицинской помощи. Эта концепция подключенных операций в здравоохранении — это категория, на которой мы сосредоточены в RLDatix, поскольку она открывает практические данные и идеи для лиц, принимающих решения в сфере здравоохранения, а искусственный интеллект является неотъемлемой частью воплощения этой идеи в жизнь.
Неоспоримым аспектом этой интеграции является обеспечение безопасности и соответствия требованиям использования данных, а также понимание рисков. Мы являемся лидером рынка в области политики, рисков и безопасности, а это означает, что у нас есть достаточный объем данных для более точного и надежного обучения основам LLM. Чтобы обеспечить по-настоящему подключенное здравоохранение, первым шагом является объединение разрозненных решений, а вторым — извлечение данных и их нормализация в рамках этих решений. Больницы получат большую выгоду от группы взаимосвязанных решений, которые могут объединять наборы данных и предоставлять пользователям полезную информацию, а не хранить отдельные наборы данных из отдельных точечных решений.
В недавнем программном докладе директор по продуктам Барбара Старук рассказала, как RLDatix использует генеративный искусственный интеллект и большие языковые модели для оптимизации и автоматизации отчетности о происшествиях, связанных с безопасностью пациентов. Не могли бы вы рассказать, как это работает?
Это действительно важная инициатива для RLDatix и отличный пример того, как мы максимизируем потенциал программ LLM. Когда больницы и системы здравоохранения заполняют отчеты об инцидентах, в настоящее время существует три стандартных формата для определения уровня вреда, указанного в отчете: общие форматы Агентства медицинских исследований и качества, Национальный координационный совет по отчетности и предотвращению медицинских ошибок и «Эффективность здравоохранения». Классификация событий безопасности (SEC) по улучшению (HPI). Прямо сейчас мы можем легко научить LLM читать текст отчета об инциденте. Например, если пациент скончался, LLM может легко получить эту информацию. Проблема, однако, заключается в обучении LLM определять контекст и различать более сложные категории, такие как серьезный постоянный вред (таксономия, включенная, например, в HPI SEC), и серьезный временный ущерб. Если лицо, сообщающее, не содержит достаточного контекста, LLM не сможет определить уровень вреда соответствующей категории для этого конкретного инцидента, связанного с безопасностью пациентов.
RLDatix стремится внедрить более простую таксономию во всем нашем портфолио с конкретными категориями, которые можно легко отличить с помощью LLM. Со временем пользователи смогут просто записывать, что произошло, и LLM будет обрабатывать это, извлекая всю важную информацию и предварительно заполняя формы инцидентов. Это не только позволит существенно сэкономить время и без того напряженным сотрудникам, но, поскольку модель станет еще более совершенной, мы также сможем выявлять критические тенденции, которые позволят организациям здравоохранения принимать более безопасные решения по всем направлениям.
Какими еще способами RLDatix начала включать LLM в свою деятельность?
Еще один способ внутреннего использования LLM — это оптимизация процесса аттестации. Учетные данные каждого провайдера форматируются по-разному и содержат уникальную информацию. Чтобы представить это в перспективе, подумайте о том, как резюме каждого выглядит по-разному – от шрифтов до опыта работы, образования и общего форматирования. Сертификация аналогична. Где поставщик учился в колледже? Какова их сертификация? В каких статьях они опубликованы? Каждый медицинский работник будет предоставлять эту информацию по-своему.
В RLDatix программы LLM позволяют нам читать эти учетные данные и извлекать все эти данные в стандартизированный формат, чтобы тем, кто занимается вводом данных, не приходилось их долго искать, что позволяет им тратить меньше времени на административный компонент и сосредоточить свои усилия на время на значимые задачи, которые повышают ценность.
Кибербезопасность всегда была сложной задачей, особенно с переходом на облачные технологии. Не могли бы вы обсудить некоторые из этих проблем?
Информационная безопасность is это сложно, поэтому важно работать с правильным партнером. Обеспечение безопасности и соответствия требованиям LLM является наиболее важным фактором при использовании этой технологии. Если в вашей организации нет специального персонала для этой работы, это может оказаться невероятно сложной задачей и отнять много времени. Вот почему мы работаем с Amazon Web Services (AWS) над большинством наших инициатив в области кибербезопасности. AWS помогает нам сделать безопасность и соответствие требованиям ключевыми принципами нашей технологии, чтобы RLDatix могла сосредоточиться на том, что мы действительно делаем хорошо, а именно на создании отличных продуктов для наших клиентов во всех наших отраслях.
Какие новые угрозы безопасности вы заметили в связи с недавним быстрым внедрением программ LLM?
С точки зрения RLDatix, есть несколько соображений, над которыми мы работаем при разработке и обучении LLM. Важным направлением для нас является смягчение предвзятости и несправедливости. LLM хороши настолько, насколько хороши данные, на которых они обучаются. Такие факторы, как пол, раса и другие демографические данные, могут включать в себя множество присущих предвзятостей, поскольку сам набор данных является предвзятым. Например, подумайте о том, как жители юго-восточных Соединенных Штатов используют слово «вы все» в повседневной речи. Это уникальная языковая предвзятость, присущая конкретной популяции пациентов, которую исследователи должны учитывать при обучении LLM точно различать языковые нюансы по сравнению с другими регионами. С этими типами предубеждений необходимо бороться в масштабе, когда речь идет об использовании LLMS в здравоохранении, поскольку обучение модели в одной популяции пациентов не обязательно означает, что модель будет работать в другой.
Поддержание безопасности, прозрачности и подотчетности также являются важными моментами для нашей организации, а также уменьшение любых возможностей для галлюцинаций и дезинформации. Обеспечение того, чтобы мы активно решали любые проблемы конфиденциальности, что мы понимаем, как модель достигла определенного ответа, и что у нас есть безопасный цикл разработки — все это важные компоненты эффективного внедрения и обслуживания.
Какие еще алгоритмы машинного обучения используются в RLDatix?
Использование машинного обучения (МО) для выявления критически важных данных по планированию стало интересным примером использования для нашей организации. В частности, в Великобритании мы изучаем, как использовать ML, чтобы лучше понять, как происходит составление реестра медсестер и врачей. RLDatix имеет доступ к огромному количеству данных планирования за последнее десятилетие, но что мы можем сделать со всей этой информацией? Вот тут-то и приходит на помощь машинное обучение. Мы используем модель машинного обучения для анализа исторических данных и предоставления информации о том, как кадровая ситуация может выглядеть через две недели в конкретной больнице или определенном регионе.
Этот конкретный вариант использования представляет собой вполне достижимую модель машинного обучения, но мы продвигаемся еще дальше, связывая ее с реальными событиями. Например, что, если мы посмотрим на все футбольные расписания в этом районе? Мы не понаслышке знаем, что спортивные мероприятия обычно приводят к большему количеству травм и что в день мероприятия в местной больнице, скорее всего, будет больше стационарных пациентов по сравнению с обычным днем. Мы работаем с AWS и другими партнерами, чтобы выяснить, какие общедоступные наборы данных мы можем использовать, чтобы еще больше упростить планирование. У нас уже есть данные, которые позволяют предположить, что мы увидим рост числа пациентов во время крупных спортивных мероприятий или даже в ненастную погоду, но модель ML может пойти еще дальше, взяв эти данные и выявив критические тенденции, которые помогут обеспечить адекватную работу больниц. укомплектован персоналом, что в конечном итоге снижает нагрузку на нашу рабочую силу и делает нашу отрасль еще на шаг вперед в обеспечении более безопасного ухода для всех.
Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить РЛдатикс.
