Vivek Desai, Chief Technology Officer, North America at RLDatix – Интервью-серия

Vivek Desai является Chief Technology Officer в Северной Америке в RLDatix, компанией, занимающейся связанными операциями здравоохранения программного обеспечения и услуг. RLDatix стремится изменить здравоохранение. Они помогают организациям обеспечивать более безопасное и эффективное лечение, предоставляя инструменты управления, риска и соблюдения требований, которые стимулируют общее улучшение и безопасность.

Что изначально привлекло вас к информатике и кибербезопасности?

Меня привлекли сложности того, что информатика и кибербезопасность пытаются решить – всегда есть новая проблема, которую нужно исследовать. Хорошим примером этого является момент, когда облачные технологии начали набирать популярность. Они имели большую перспективу, но также вызывали вопросы о безопасности рабочих нагрузок. Было rõ, что традиционные методы являются временным решением, и что организации должны разработать новые процессы для эффективной защиты рабочих нагрузок в облаке. Навигация по этим новым методам была очень интересным путешествием для меня и многих других, работающих в этой области. Это динамическая и развивающаяся отрасль, поэтому каждый день приносит что-то новое и интересное.

Не могли бы вы поделиться некоторыми из текущих обязанностей, которые у вас есть как у CTO RLDatix?

В настоящее время я сосредоточен на руководстве нашей стратегией данных и поиске способов создания синергий между нашими продуктами и данными, которые они содержат, чтобы лучше понять тенденции. Многие из наших продуктов содержат подобные типы данных, поэтому моя задача – найти способы разрушить эти барьеры и сделать доступ к данным проще для наших клиентов, как для больниц, так и для систем здравоохранения. Кроме того, я работаю над нашей глобальной стратегией искусственного интеллекта (ИИ), чтобы информировать этот доступ и использование данных во всей экосистеме.

Следование за новыми тенденциями в различных отраслях является еще одним важным аспектом моей роли, чтобы обеспечить, что мы движемся в правильном стратегическом направлении. Сейчас я внимательно слежу за большими языковыми моделями (БЯМ). Как компания, мы работаем над тем, чтобы найти способы интегрировать БЯМ в нашу технологию, чтобы расширить возможности и улучшить работу медицинских работников, уменьшить их когнитивную нагрузку и позволить им сосредоточиться на уходе за пациентами.

В вашем посте на LinkedIn под названием “Отражение на мой первый год как CTO“, вы написали, “CTO не работают в одиночку. Они являются частью команды.” Не могли бы вы подробнее рассказать о некоторых из проблем, с которыми вы столкнулись, и о том, как вы справились с делегированием и командной работой над проектами, которые по своей сути технически сложны?

Роль CTO фундаментально изменилась за последнее десятилетие. Ушли те дни, когда работали в серверной комнате. Теперь работа стала намного более совместной. Вместе, по всем бизнес-единицам, мы согласовываем приоритеты организации и превращаем эти стремления в технические требования, которые движут нас вперед. Больницы и системы здравоохранения сейчас сталкиваются с множеством ежедневных проблем, от управления персоналом до финансовых ограничений, и принятие новой технологии может не всегда быть приоритетом. Наша основная цель – показать, как технологии могут помочь смягчить эти проблемы, а не добавлять к ним, и общую ценность, которую они приносят бизнесу, сотрудникам и пациентам в целом. Это усилие не может быть сделано в одиночку или даже внутри моей команды, поэтому сотрудничество охватывает многочисленные междисциплинарные единицы для разработки единой стратегии, которая покажет эту ценность, будь то предоставление клиентам доступа к разблокированным данным или активация процессов, которые они в настоящее время не могут выполнить.

Какова роль искусственного интеллекта в будущем связанных операций здравоохранения?

Когда интегрированные данные становятся более доступными с ИИ, их можно использовать для соединения несвязанных систем и улучшения безопасности и точности во всей цепочке ухода. Эта концепция связанных операций здравоохранения – это категория, на которую мы фокусируемся в RLDatix, поскольку она разблокирует действенные данные и идеи для лиц, принимающих решения в здравоохранении – и ИИ является неотъемлемым для того, чтобы это стало реальностью.

Неоспоримым аспектом этой интеграции является обеспечение того, что использование данных является безопасным и соответствует требованиям, и что риски понимаемы. Мы являемся лидерами на рынке в области политики, риска и безопасности, что означает, что у нас есть много данных для обучения фундаментальных БЯМ с большей точностью и надежностью. Чтобы достичь真正 связанных операций здравоохранения, первый шаг – объединение несвязанных решений, а второй – извлечение данных и их нормализация по этим решениям. Больницы будут сильно выигрывать от группы взаимосвязанных решений, которые могут объединить наборы данных и предоставить действенную ценность пользователям, а не поддерживать отдельные наборы данных из отдельных точечных решений.

На недавней конференции Chief Product Officer Barbara Staruk поделилась тем, как RLDatix использует генеративный ИИ и большие языковые модели для оптимизации и автоматизации отчетности о пациентской безопасности. Не могли бы вы подробнее рассказать о том, как это работает?

Это очень значимая инициатива для RLDatix и отличный пример того, как мы максимизируем потенциал БЯМ. Когда больницы и системы здравоохранения заполняют отчеты о происшествиях, есть три стандартных формата для определения уровня вреда, указанного в отчете: форматы Агентства по исследованию и качеству здравоохранения, Национального координационного совета по сообщению о медикаментозных ошибках и предотвращению и классификации безопасности событий Healthcare Performance Improvement (HPI). Сейчас мы можем легко обучить БЯМ читать текст в отчете о происшествии. Если пациент умер, например, БЯМ может легко определить эту информацию. Проблема, однако, заключается в обучении БЯМ определять контекст и различать более сложные категории, такие как серьезный постоянный вред, таксономия, включенная в HPI SEC, например, по сравнению с серьезным временным вредом. Если человек, создающий отчет, не включает достаточно контекста, БЯМ не сможет определить соответствующий уровень категории вреда для этого конкретного происшествия с пациентской безопасностью.

RLDatix стремится реализовать более простую таксономию, глобально, во всей нашей линейке продуктов, с конкретными категориями, которые могут быть легко различены БЯМ. Со временем пользователи смогут просто написать, что произошло, и БЯМ будет обрабатывать все остальное, извлекая всю важную информацию и предварительно заполняя формы отчетов о происшествиях. Это не только значительная экономия времени для уже напряженной рабочей силы, но и по мере того, как модель станет еще более совершенной, мы также сможем определить критические тенденции, которые позволят организациям здравоохранения принимать более безопасные решения во всей цепочке ухода.

Какие еще способы RLDatix начал включать БЯМ в свои операции?

Другим способом, которым мы используем БЯМ внутри, является оптимизация процесса аккредитации. Каждая учетная запись поставщика форматируется по-разному и содержит уникальную информацию. Чтобы поставить это в перспективу, подумайте о том, как каждый резюме выглядит по-разному – от шрифтов до опыта работы, образования и общего форматирования. Аккредитация аналогична. Где поставщик посещал колледж? Какова его сертификация? В каких статьях он опубликован? Каждый медицинский работник будет предоставлять эту информацию по-своему.

В RLDatix БЯМ позволяют нам читать эти учетные данные и извлекать все эти данные в стандартизированный формат, так что те, кто работает с вводом данных, не должны тратить много времени на поиск этой информации, позволяя им тратить меньше времени на административную составляющую и сосредотачиваться на значимых задачах, которые добавляют ценность.

Кибербезопасность всегда была сложной, особенно с переходом на облачные технологии, могли бы вы обсудить некоторые из этих проблем?

Кибербезопасность является сложной, поэтому важно работать с правильным партнером. Обеспечение того, что БЯМ остаются безопасными и соответствуют требованиям, является наиболее важным фактором при использовании этой технологии. Если ваша организация не имеет выделенного персонала внутри для этого, это может быть невероятно сложным и耗ительным. Поэтому мы работаем с Amazon Web Services (AWS) над большинством наших инициатив по кибербезопасности. AWS помогает нам внедрить безопасность и соответствие требованиям как основные принципы внутри нашей технологии, так что RLDatix может сосредоточиться на том, что мы действительно хорошо делаем – построении отличных продуктов для наших клиентов во всех наших соответствующих вертикалях.

Какие новые угрозы безопасности вы видели с недавним быстрым принятием БЯМ?

С точки зрения RLDatix, есть несколько факторов, над которыми мы работаем, разрабатывая и обучая БЯМ. Одним из важных направлений для нас является смягчение предвзятости и несправедливости. БЯМ столь хороши, как и данные, на которых они обучены. Факторы, такие как пол, раса и другие демографические данные, могут включать много встроенных предвзятостей, потому что сам набор данных предвзят. Например, подумайте о том, как юго-восточные Соединенные Штаты используют слово “y’all” в повседневном языке. Это уникальная языковая предвзятость, присущая конкретному пациентскому населению, которую исследователи должны учитывать при обучении БЯМ, чтобы точно различать языковые нюансы по сравнению с другими регионами. Эти типы предвзятостей должны быть решены в масштабе при использовании БЯМ в здравоохранении, поскольку обучение модели внутри одного пациентского населения не обязательно означает, что модель будет работать в другом.

Обеспечение безопасности, прозрачности и подотчетности также являются важными направлениями нашей организации, а также смягчение любых возможностей для галлюцинаций и дезинформации. Обеспечение того, что мы активно решаем любые проблемы конфиденциальности, что мы понимаем, как модель пришла к определенному ответу, и что у нас есть безопасный цикл разработки, являются важными компонентами эффективной реализации и поддержки.

Какие еще алгоритмы машинного обучения используются в RLDatix?

Использование машинного обучения (МО) для раскрытия критических инсайтов по расписанию было интересным случаем для нашей организации. В Великобритании, в частности, мы исследуем, как использовать МО для лучшего понимания того, как происходит расписание, или расписание медсестер и врачей. RLDatix имеет доступ к огромному количеству данных по расписанию за последнее десятилетие, но что мы можем сделать с этой информацией? Вот где МО приходит на помощь. Мы используем модель МО для анализа этих исторических данных и предоставления информации о том, как может выглядеть ситуация с персоналом через две недели, в конкретной больнице или определенном регионе.

Этот конкретный случай является очень достижимой моделью МО, но мы толкаем границы еще дальше, связывая это с реальными событиями. Например, что если мы посмотрим на каждый футбольный расписание в области? Мы знаем из первого опыта, что спортивные мероприятия обычно приводят к большему количеству травм, и что местная больница, скорее всего, будет иметь больше пациентов в день спортивного мероприятия по сравнению с обычным днем. Мы работаем с AWS и другими партнерами, чтобы исследовать, какие публичные наборы данных мы можем использовать, чтобы сделать расписание еще более оптимизированным. У нас уже есть данные, которые предполагают, что мы увидим рост количества пациентов во время крупных спортивных мероприятий или даже непогоды, но модель МО может пойти дальше, взяв эти данные и определяя критические тенденции, которые помогут обеспечить, что больницы адекватно обеспечены персоналом, в конечном итоге уменьшая нагрузку на нашу рабочую силу и продвигая нашу отрасль на шаг вперед в достижении более безопасного ухода за всеми.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить RLDatix.