Доктор Джейми Бланд, сооснователь и генеральный директор Aquila Health – Интервью

Доктор Джейми Бланд, сооснователь и генеральный директор Aquila Health, является лидером в области здравоохранения, решающим одну из наиболее устойчивых проблем отрасли: фрагментированные и недоступные данные. Она основала Aquila Health, чтобы создать унифицированную инфраструктуру данных, позволяющую организациям здравоохранения выйти за пределы изолированных систем, используя машинное обучение и структурированный анализ для получения действенных выводов, сохраняя при этом клинический надзор. Ее работа сосредоточена на улучшении взаимодействия, обеспечении здоровья на уровне населения и поддержке раннего обнаружения возникающих угроз для здоровья посредством интегрированных клинических, страховых и геномных систем данных.

Aquila Health – это платформа здравоохранения, управляемая ИИ, предназначенная для объединения различных источников данных в единую, взаимодействующую систему, поддерживающую как операционную эффективность, так и продвинутый анализ. Платформа принимает большие объемы форматов данных здравоохранения, такие как HL7 и FHIR, обеспечивая бесшовную интеграцию между больницами, системами общественного здравоохранения и другими заинтересованными сторонами. Объединив структурированные подходы машинного обучения с моделью валидации с человеческим участником, Aquila фокусируется на предоставлении надежных выводов для управления здоровьем населения, обнаружения аномалий и принятия решений в реальном времени, а не полагается исключительно на непрозрачные системы ИИ. Это позиционирует компанию на пересечении инфраструктуры данных и прикладного ИИ, где улучшение качества и доступности данных является основой для раскрытия полного потенциала интеллекта здравоохранения.

Вы возглавляли CyncHealth через огромный рост, масштабируя взаимодействие на миллионы записей пациентов и нескольких штатов, прежде чем основать Aquila Health. Какие ключевые ограничения или системные сбои вы столкнулись во время этого пути, что в конечном итоге заставило вас построить Aquila с нуля?

В CyncHealth мы потратили годы на построение инфраструктуры для соединения организаций здравоохранения по всей Небраске и Айове. Мы соединили более 1 100 медицинских учреждений и миллионы записей пациентов, охватывая население более пяти миллионов человек.

Однако мы постоянно сталкивались с тем, что соединение систем и фактическое сделать данные полезными – это две очень разные проблемы. Например, мы работали над созданием панели управления для передозировки опиоидами, координируя данные, полученные из нескольких источников. На это ушло несколько месяцев, сотни часов работы и координация между многими заинтересованными сторонами, чтобы сделать эту единственную точку данных понятной в контексте общественного здравоохранения и здравоохранения. И после всего этого картина все еще была неполной.

Этот опыт стал семенем для Aquila. Наследственный способ соединения интерфейсов без понимания полноты и качества экспорта данных не будет удовлетворять потребностям с учетом достижений в области ИИ в последние годы. Когда ИИ может выполнить за несколько часов то, что ранее занимало у команды месяцы, и сделать это с более высоким качеством и при меньших затратах, вы должны использовать эти знания, чтобы перестроить все с новой основы. Именно это мы сделали с Aquila, фокусируясь на современных инструментах, которые снижают стоимость соединения, чтобы мы могли сосредоточиться на полной картине здоровья, а не только на данных, полученных из традиционных источников ЭХИ.

Aquila недавно вышла из режима скрытности с платформой, ориентированной на объединение фрагментированных данных здравоохранения в едином, готовом к ИИ слое. Какие были основные технические прорывы, которые сделали это возможным сейчас, а не несколько лет назад?

Возможности ИИ привели к этому сдвигу почти полностью.

Я провела годы, наблюдая, как опытные инженеры вручную согласовывали стандарты данных, один источник за раз. Это работало, но такая модель никогда не будет масштабироваться. Вы не можете нанять достаточно быстро, чтобы идти в ногу с объемом и разнообразием данных, которые генерирует здравоохранение.

То, что отличается сейчас, – это то, что ИИ может выполнять работу по нормализации непрерывно на уровне данных, когда информация перемещается через систему. Это не пакетный процесс, который запускается ночью. Это происходит почти в реальном времени. Это меняет то, что возможно для клиницистов и команд общественного здравоохранения, потому что данные, которые им нужны, структурированы и проверены до того, как они доходят до них.

Клиницисты привыкли принимать решения без полной картины пациента. Общественное здравоохранение привыкло управлять программами без недавних данных, подтверждающих их. Aquila меняет ландшафт и обеспечивает скорость, которая делает возможным принятие решений на основе данных во всей сфере здравоохранения.

Мы построили TREUE как структура, который организует клинические данные, полученные из ЭХИ, лаборатории, общественного здравоохранения, страховых данных, аптек и социальных данных в унифицированную структуру. ИИ не заменяет хорошее управление данными; он делает хорошее управление данными масштабируемым впервые.

Вы подчеркивали, что настоящая проблема в здравоохранении ИИ не заключается в моделях, а в самих данных. Какие наиболее критические пробелы в современной инфраструктуре данных здравоохранения препятствуют ИИ в обеспечении значимых результатов?

Отрасль обсуждает модель ИИ, но модель не является сложной частью.

Сложная часть заключается в том, что пациент может войти в три разных учреждения в течение одного дня и появиться как три разных человека в трех разных системах. Лабораторные данные не совпадают с клиническими заметками. Страховое дело имеет другой идентификатор, чем запись больницы, и общественное здравоохранение использует совершенно другой идентификатор. К моменту, когда вы все это разберете вручную, клиническое окно уже закрыто.

Сильные технические соединения не могут исправить записи, которые приходят неполными или в неправильном порядке. ИИ не может обнаружить закономерность, которая не присутствует в данных, и он не может сделать надежный вывод из записи, в которой не хватает половину исторической или текущей информации, которую она должна содержать.

Пробел не в мощности обработки, а в доверии к основным данным. Это то, что должно быть решено сначала, и решение этой проблемы в масштабе – это где ИИ может фактически заслужить свое место.

Aquila позиционирует себя как “слой подготовки данных” перед потреблением ИИ. Можете ли вы пройти с нами через то, что этот слой фактически делает на практике, особенно при работе с высокогетерогенными входными данными, такими как клинические записи, страховые данные и данные в реальном времени?

Используя пример из ранее, рассмотрим, что приходит, когда встреча пациента генерирует данные. Вы получаете сообщение HL7 от больницы, запись страхового дела от страховщика, лабораторный результат из лаборатории с использованием другого идентификатора, и отчет общественного здравоохранения, поданный на совершенно другом графике. Ни один из них не был разработан для согласования с другими.

Наш слой подготовки, TREUE, – это то, что находится между этими входными данными и любыми аналитическими или приложениями ИИ. Его задача – оценить каждую запись по мере ее поступления, сопоставить идентификаторы между источниками, нормализовать форматы и пометить, что отсутствует или не последовательно, прежде чем данные перейдут дальше.

На практике это означает, что клиницист, смотрящий на пациента, работает с записью, которая была проверена и выровнена по источникам, а не вручную согласовывает четыре разных системных представления во время встречи с пациентом. Для команд общественного здравоохранения это означает, что сигналы об вспышках не задерживаются из-за данных, которые пришли в разных форматах из разных юрисдикций.

Это работа по инфраструктуре. Это не гламурно, но ничего вниз по потоку не работает без этого.

Стандарты взаимодействия, такие как Fast Healthcare Interoperability Resources (FHIR) и United States Core Data for Interoperability (USCDI), существуют уже несколько лет, но фрагментация сохраняется. Что еще отсутствует с точки зрения стандартов, и как Aquila решает эти пробелы по-другому?

FHIR и USCDI дали отрасли общий язык для обмена данными. Это был важный прогресс. Но общий язык для отправки данных – это не то же самое, что данные, которые ведут себя последовательно после прибытия.

Вот пробел: данные здравоохранения не исходят из одного домена. Клинические системы, общественные реестры здравоохранения, лаборатории и социальные источники данных имеют свои собственные требования к управлению, графики и определения того, что означает поле. FHIR не говорит вам, как согласовать набор данных социальных определителей с клинической записью из другой юрисдикции.

То, что добавляет TREUE, – это унифицированный каркас для того, как данные из всех этих доменов могут быть организованы и проверены вместе, сохраняя при этом правила управления, которые применяются к каждому источнику. Результатом являются данные, которые можно фактически проанализировать между доменами, а не только данные, которые были успешно переданы.

Aquila работает в средах с высокими последствиями, где неудача не является вариантом. Как вы проектируете системы ИИ, которые балансируют производительность в реальном времени с жесткими требованиями по управлению, аудитности и доверию?

Вы должны построить управление в архитектуру до того, как вы напишете первую строку кода приложения. Это не должно быть слоем, который вы добавляете позже.

В средах здравоохранения и правительства решения, информированные этими данными, влияют на уход за пациентами, реакцию на вспышки и то, как распределяются общественные ресурсы. Каждое действие, совершенное над данными, должно быть отслеживаемым, и доступ должен быть строго контролируемым. Система должна соответствовать требованиям соответствующих сред.

Для Aquila это означает работу в инфраструктуре облачного правительства, контроля доступа с нулевым доверием и практики безопасности, соответствующих стандартам HIPAA и федеральным стандартам. У нас есть активные контракты с государственным правительством, федеральными агентствами и организациями здравоохранения, и эти среды имеют очень разные требования к соответствию, которые платформа должна одновременно удовлетворять.

Компонент с человеческим участником столь же важен. ИИ может обнаружить сигналы, но клинические эксперты проверяют аномалии, прежде чем они информируют оперативные решения. Технология делает обнаружение этих сигналов быстрее. Она не заменяет суждение людей, которые должны действовать на их основе.

Ваша платформа поддерживает безопасное развертывание ИИ на устройстве и суверенитет данных. Насколько важно становится децентрализация в здравоохранении ИИ, особенно учитывая растущие проблемы вокруг конфиденциальности данных и соответствия требованиям регулирования?

Она становится необходимой, и я думаю, что отрасль только начинает осознавать, почему.

Организации здравоохранения работают под строгими обязательствами по конфиденциальности. Чувствительные данные пациентов не могут быть просто централизованы и обработаны в общей среде. Разные штаты имеют разные правила. Федеральные агентства имеют разные правила. Международные данные здравоохранения имеют еще один набор ограничений. Любая архитектура, требующая перемещения чувствительных данных в центральное место, будет сталкиваться с этими барьерами повторно.

Направление, которое фактически работает, – это генерирование выводов ближе к тому, где данные уже живут. Организации могут вносить свой вклад в общий анализ, не теряя контроль над своими основными данными. Это то, что позволяют федеративные модели.

Наша платформа построена для работы в таком регулируемом, децентрализованном окружении – управление, которое путешествует с данными, а не применяется в одной точке. Это более сложная архитектура для построения, но это та, которая фактически совместима с тем, как управление данными здравоохранения работает на практике.

Многие стартапы ИИ сильно полагаются на модели “черного ящика”, в то время как Aquila включает валидацию с человеческим участником. Где вы видите границу между автоматизацией и человеческим надзором в клинических системах ИИ?

Я начала свою карьеру как медсестра. Этот опыт формирует мое мышление о том, где ИИ принадлежит в клинической обстановке и где он не принадлежит.

ИИ очень хорош в обнаружении закономерностей в больших наборах данных. Он не хорош в понимании того, что означает закономерность для конкретного пациента с конкретной историей в конкретном контексте сообщества. Это все еще человеческий суд.

Правильная роль ИИ в клинических системах – это обнаружение сигналов, которые человек мог бы пропустить в объеме, а не замена клинического рассуждения, которое следует. В Aquila аномалии и выводы, помеченные системой, отправляются клиницистам и экспертам-доменам для проверки, прежде чем они будут информировать оперативные решения. Технология говорит вам, где посмотреть, а профессионал говорит вам, что это значит.

Где я думаю, что должна быть граница: автоматизируйте обнаружение, сохраните интерпретацию с людьми, которые ответственны за результат.

Aquila работает в общественном здравоохранении, государственных системах и регулируемых отраслях. Как требования к инфраструктуре ИИ различаются между этими средами по сравнению с традиционными корпоративными развертываниями ИИ?

В типичном корпоративном развертывании ИИ вы обычно работаете в рамках одной среды данных организации, одного набора правил управления, одного каркаса соответствия.

Общественное здравоохранение и государственные среды структурированы по-другому. Вы координируете между несколькими юрисдикциями, несколькими агентствами, несколькими клиническими условиями, каждое из которых работает на разных отчетных графиках и подчиняется разным правовым рамками. Больница в одном штате, агентство общественного здравоохранения в другом, федеральная программа со своими собственными требованиями к данным. Все они должны обмениваться данными и генерировать выводы без того, чтобы какая-либо одна сущность имела неконтролируемый доступ к записям другой.

Инфраструктура должна поддерживать высокообъемную обработку, сохраняя при этом строгую аудитность через все эти границы. Она должна интегрироваться с устаревшими форматами обмена данными здравоохранения, поскольку эти системы не уходят. И она должна работать надежно в средах, где простои не являются только бизнес-проблемой, но и проблемой безопасности пациентов.

Эта сложность является причиной, по которой мы начали Aquila с этих сред, а не с традиционного корпоративного рынка. Если вы можете построить инфраструктуру, которая работает здесь, она работает везде.

Возможности ИИ продолжают развиваться быстрее, чем каркасы управления. Какие обязанности имеют основатели и создатели платформ, чтобы обеспечить, что эти системы развертываются этично и безопасно с первого дня?

Я думаю, что ответственность проста, даже если удовлетворение ей не является простым. Если вы строите ИИ, который влияет на клинические решения или результаты общественного здравоохранения, вы не можете относиться к управлению как к пункту в дорожной карте продукта, который вы решите в конце концов. Это должно быть спроектировано с самого начала.

Что это означает на практике, так это то, что каждое действие над данными должно быть аудитным. Модели должны быть интерпретируемыми достаточно, чтобы клиницист мог понять, почему был помечен сигнал. Клинические эксперты должны быть частью процесса проверки, а не после мысли. И организация должна быть честной о том, что система может и не может надежно выполнить.

Я провела свою карьеру в средах, где неудачи с данными имеют реальные последствия для реальных людей. Это формирует мое мышление об этом. Возможности развиваются быстро, и ответственность за их развертывание не может быть позволена отставать. Основатели, которые строят эти системы, должны удерживать этот стандарт для себя, а не ждать, пока регулирование его наложит.

Спасибо за проницательное обсуждение. Читатели, интересующиеся изучением платформы и ее подхода к инфраструктуре данных здравоохранения, могут узнать больше, посетив Aquila Health.