Дэвид Ларо, президент и генеральный директор Medicomp Systems – Интервью

Дэвид Ларо, президент и генеральный директор Medicomp Systems, является руководителем в области здравоохранения и технологий с карьерой, охватывающей почти пять десятилетий. После начала своей карьеры в области компьютерной аудита и управления, он основал Dexcom Systems в 1987 году, помогая развертывать некоторые из первых корпоративных сетей связи и крупномасштабных локальных сетей для организаций, включая Всемирный банк, DuPont и больницу Синай. Он присоединился к Medicomp Systems в 1995 году в качестве операционного директора и был назначен генеральным директором в 2012 году, возглавляя эволюцию компании от поставщика пионерского клинического знания до современной компании в области здравоохранения и искусственного интеллекта. Под его руководством Medicomp расширила свою глобальную деятельность, усовершенствовала решения, основанные на доказательствах, и сосредоточилась на улучшении производительности клиницистов, использования данных и ухода за пациентами посредством более умных технологий здравоохранения.

Medicomp Systems является компанией в области здравоохранения, наиболее известной за свою клиническую интеллект и технологию знаний, которая преобразует сложные, фрагментированные данные здравоохранения в структурированную, клинически актуальную информацию. Основанная на запатентованной клинической знаний MEDCIN, флагманская платформа Quippe компании помогает организациям здравоохранения улучшить клиническую документацию, взаимодействие, измерение качества, коррекцию риска и поддержку принятия решений на основе искусственного интеллекта. Разработанные для отражения того, как клиницисты думают и работают, решения Medicomp используются больницами, системами здравоохранения, поставщиками электронных медицинских записей и организациями здравоохранения во всем мире для оптимизации рабочих процессов, снижения административной нагрузки и предоставления более осмысленных данных о пациентах на месте ухода. Компания стала признанным лидером в области объединения клинических знаний, структурированных данных и искусственного интеллекта для поддержки более точных, эффективных и заслуживающих доверия решений в области здравоохранения

Вы провели почти четыре десятилетия, работая в области информационных технологий здравоохранения, от ранних корпоративных сетей связи и систем медицинской выписки до руководства Medicomp Systems более 30 лет. Оглядываясь назад на эту эволюцию, какую фундаментальную проблему данных здравоохранения, по вашему мнению, отрасль еще не решила?

Отрасль здравоохранения все еще缺ует интегрированный стандарт для клинических данных. Терминологические стандарты, на которые мы полагаемся, были созданы для решения проблем кодирования в отдельных доменах: ICD-10 для диагнозов, CPT и HCPCS для процедур и тестов, LOINC для результатов лабораторных исследований и других измерений, RxNorm для лекарств и SNOMED CT для клинических находок. Каждый из них был создан для выставления счетов, классификации или исследования. Ни один из них не был создан для организации ухода за пациентом.

Системы здравоохранения используют эти стандарты для выполнения конкретных транзакций, большинство из которых связано с возмещением, а не с предоставлением поставщикам интегрированного представления о состоянии пациента. Рассмотрим пациента с диабетом. Данные этого пациента распределены по отдельным вкладкам в системе здравоохранения, без единого “представления диабета”, которое объединяет все, что связано с этим состоянием. Системы кодирования не имеют общей схемы, что делает их вычислительной неэффективностью, и эта неэффективность становится намного большей проблемой в мире клинического искусственного интеллекта. Искусственный интеллект зависит от хороших данных, и наша отрасль еще не имеет их.

Представьте себе склад Amazon (AMZN ), пытающийся работать без единиц хранения запасов (SKU), вместо этого полагаясь на текстовые описания каждого предмета, каждое описание связано с данным структуры, которая меняется от одного типа предмета к другому. Почти каждая отрасль имеет какую-то версию SKU. Здравоохранение не имеет, и поэтому его данные остаются фрагментированными и несоответствующими.

Вы описали многие современные хранилища данных здравоохранения как “болота данных”, а не как действенные озера данных. Какие самые большие архитектурные ошибки системы здравоохранения совершили во время спешки к централизации данных?

Основная ошибка заключалась в организации хранилища таким же образом, как были организованы исходные системы, вокруг доменов и транзакций, а не вокруг пациента. Большинство систем здравоохранения все еще разделяют клиническую информацию на отдельные домены, такие как лабораторные исследования, лекарства, процедуры и диагнозы. Пользователи, и программное обеспечение, на которое они полагаются, затем должны обратиться к разным файлам и местам, чтобы собрать представление о пациенте, что делает каждый процесс медленнее и более громоздким.

Более глубокая проблема заключается в том, что каждая транзакция, будь то счет, рецепт, заказ теста или результат лабораторного исследования, хранится как самостоятельный предмет, а не как часть интегрированного представления о состоянии пациента. Централизация этих данных в одном месте не решает проблему. Озеро данных, заполненное фрагментированными, связанными с доменом записями, становится болотом данных, потому что объем сам по себе, без клинической организации, не дает понимания.

Большой процент клинически значимой информации все еще находится внутри заметок врачей, отчетов об изображениях и итоговых сводок, а не в структурированных полях. Почему отрасль так сильно борется с операционализацией неструктурированных клинических данных в масштабе?

Это меняется, и быстро. Большие языковые модели (LLM) теперь могут генерировать текстовые сводки встреч, свободные от аббревиатур и идиоматического сокращения, что делает намного проще для клинической обработки естественного языка (NLP) извлекать структурированные, закодированные данные из этого текста. В прошлом, захват структурированных данных означал, что клиницистам необходимо было работать с контрольными списками или формами, которые они находили громоздкими и в основном неиспользуемыми.

Сегодня последовательность работает по-другому. Амбиентное прослушивание производит достаточно чистую текстовую заметку, LLM суммирует эту заметку в полуструктурированную форму, и NLP затем запускается на этой сумме. Когда NLP направлен на правильную клиническую цель данных, представляющую клинические концепции, а не плоский список кодов, он может производить хорошо структурированные данные из повествовательного текста. Достижение этого все еще требует комбинации технологий, работающих вместе, и зависит полностью от наличия правильной клинической цели данных.

Вы утверждаете, что основной проблемой является не “качество данных”, а фрагментация данных. Можете ли вы объяснить разницу и почему это различие важно для систем здравоохранения, основанных на искусственном интеллекте?

Эти два тесно связаны, но они описывают разные проблемы, и это различие имеет большое значение для искусственного интеллекта. Качество данных связано с тем, является ли отдельный фрагмент информации точным, полным и правильно записанным. Фрагментация данных является структурной. Фрагментация происходит, когда клиническая информация, независимо от ее качества, разбита на отдельные домены и системы кодирования и хранится в разных форматах и местах.

Эта фрагментация является текущей практикой, потому что каждая система кодирования была разработана для отдельного транзакционного случая. Подход был достаточным для выставления счета, генерации рецепта или обработки других дискретных задач. Общий уход за пациентом является другой проблемой, которая требует, чтобы информация из нескольких доменов была собрана, обработана и представлена как единое, диагностически связанное представление о пациенте. Запись может быть полна индивидуально точных данных, и все же неудача клинициста, потому что ничего не соединяет эти точки в это представление.

Вы подчеркнули три основных пробела в большинстве хранилищ данных здравоохранения: извлечение повествования через NLP, клинические знания и примирение противоречивых записей. Какая из этих отсутствующих возможностей в настоящее время вызывает наибольший воздействие на уход за пациентами?

Две из трех тесно связаны: примирение противоречивых записей и тот факт, что клиническая знания являются только так хороши, как данные, на которых они работают. Из трех, примирение в настоящее время наносит наибольший ущерб, потому что оно находится вверх по течению от всего остального.

Большая часть того, что живет в карте пациента, была введена путем копирования и вставки из предыдущих встреч или путем консолидации информации из нескольких поставщиков. Перемещение этой информации между системами с помощью Fast Healthcare Interoperability Resources (FHIR) делает ее проще отправлять и получать, но это не улучшает основное качество. Запустите искусственный интеллект или клиническую знания на этой информации, и результаты, скорее всего, перенесут те же несоответствия вперед.

Стандарты, такие как SNOMED CT, LOINC, RxNorm, FHIR и C-CDA, часто обсуждаются как решения для взаимодействия. На практике, почему многие организации все еще борются с превращением соответствия стандартам в клинически полезные системы?

Многие системы и организации несут плохо закодированные данные, потому что их интерфейсы пользователя делают проще выбрать первый представленный предмет. Эти интерфейсы построены для продвижения кода для выставления счетов как можно быстрее, а не для предоставления клинического контекста, который позволил бы пользователю записать состояние точно.

ICD-10, например, включает код для “наследственной двигательной и сенсорной невропатии”, категории, которая не различает болезнь Шарко-Мари-Тута от синдрома Русси-Леви, хотя оба из них входят в нее. Если интерфейс пользователя отображает эту категорию первым и делает конкретное состояние более трудным для выбора, пользователь, скорее всего, выберет категорию. Категория может быть достаточной для оплаты претензии, но она намного менее клинически полезна, чем конкретное состояние. Все транзакционные терминологии имеют какую-то версию этой проблемы.

Medicomp провела годы, строя клинически связанные терминологии и двигатели релевантности вокруг систем, таких как MEDCIN. Насколько важно клиническое знание для того, чтобы системы здравоохранения, основанные на искусственном интеллекте, были заслуживающими доверия и контекстно-осведомленными?

Клиническое знание является необходимым, потому что оно делает данные полезными в момент, когда клиницист или рецензент их фактически нуждается. Тест прост. Когда у пациента есть конкретное состояние, которое управляется, может ли пользователь увидеть все, что связано с этим состоянием сразу, или должен ли он просмотреть всю запись, вкладка за вкладкой, чтобы восстановить клинический контекст? Клиническое знание, построенное на чистых клинических данных, может вывести этот контекст в мгновение ока. Без него найти ту же информацию занимает слишком много времени.

Многие организации здравоохранения сейчас развертывают генеративные системы искусственного интеллекта и амбиентную документацию. Какие риски возникают, когда эти системы искусственного интеллекта обучаются или работают на фрагментированных, плохо контекстуализированных клинических данных?

Галлюцинация и неправильная категоризация информации являются двумя из наиболее распространенных рисков, и оба становятся более вероятными, когда основные данные фрагментированы и плохо контекстуализированы.

Личный пример: мой отец умер от рака печени в 78 лет, но во время недавнего визита меня спросили, как долго я был в ремиссии. Система амбиентной документации записала личную историю рака печени в моей собственной карте. Коллега столкнулся с чем-то подобным. У него был записан хронический обструктивный бронхит (ХОБЛ) в его записи, потому что его поставщик, используя амбиентную документацию, заказал рентгенографию груди, чтобы исключить его. Когда он позже подал заявку на страхование жизни, ему было отказано, и причиной было указано диагноз ХОБЛ, который ранее был сгенерирован заказом рентгенографии.

Существует растущий энтузиазм вокруг национального прогресса в области взаимодействия, с сотнями миллионов записей, теперь обмениваемых ежегодно. Что еще необходимо сделать, прежде чем клиницисты смогут действительно доверять, что обменяемые данные полны, точны и клинически актуальны на месте ухода?

Должно произойти два события. Во-первых, поставщики, которые подписывают встречи, которые все чаще генерируются инструментами амбиентного прослушивания с суммированием LLM, нуждаются в быстрых и простых в использовании ограждениях, доступных до подписания, в момент, прямо перед тем, как эти данные войдут в карту пациента. Как только неправильная информация попадает в карту, каждое последующее использование ее наследует проблему “мусор в, мусор из”, и исправление ее после этого является трудным.

Во-вторых, даже когда данные точны, клиницист должен быть в состоянии найти то, что ему нужно, без необходимости просматривать все остальное в карте. Обмен сотнями миллионов записей не приносит пользы, если получающий клиницист не может найти соответствующую информацию или доверять, что она отражает истинную клиническую картину пациента. Проверка на месте ухода и простая извлекаемость являются тем, что делает обменяемые данные чем-то, на что клиницист может действительно положиться.

Оглядываясь вперед на пять лет, как выглядит “активированная” среда данных здравоохранения, когда искусственный интеллект, стандарты взаимодействия, клинический контекст и рабочие процессы врачей наконец-то согласованы осмысленным образом?

Согласование будет зависеть от того, что каждая сторона имеет доступ к надежной клинической базе данных, предназначенной для эффективного управления каждым пациентом и, коллективно, для того, чтобы сделать настоящее управление здоровьем населения реальностью. Учитывая эту базу, согласование начинается с отдельного пациента.

До каждой встречи один агент собирает все доступные данные для этого пациента из сетей здравоохранения, обменов, плательщиков и предприятий, в то время как другой агент удаляет дубликаты и организует оставшиеся данные. Через приложение, киоск или разговорного агента пациент затем подтверждает текущие диагнозы, лекарства, недавние результаты лабораторных исследований и любые новые проблемы, исправляя любые ошибки на пути. Черновик этих изменений отправляется клиницисту для рассмотрения.

На встрече, виртуальной или физической, клиницист рассматривает эту информацию с пациентом и обращается к состояниям, требующим внимания. Агент выдает диагностически актуальный контекст для каждого существующего состояния или новой жалобы, и амбиентное прослушивание захватывает разговор. Второй агент суммирует его для клинициста для рассмотрения, исправления и утверждения.

Оттуда агенты обрабатывают последующую работу: получение необходимых разрешений, отправку рецептов в аптеку, подачу претензий, планирование последующего ухода и упаковку информации для утвержденных сторон. На протяжении всего процесса фоновые агенты оценивают клинический риск и сигнализируют о качестве, коррекции риска и нормативной документации. Вся модель основана на чистых, надежных данных на каждом этапе, с клиницистами, оставаясь в цикле, производя информацию, которая поддерживает как уход за отдельными пациентами, так и эффективное управление здоровьем населения.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Medicomp Systems.