Вивек Десаи, главный технический директор, Северная Америка в RLDatix – Серия интервью

Вивек Десаи является главным техническим директором RLDatix в Северной Америке, компании, занимающейся разработкой программного обеспечения и услуг для связанных операций здравоохранения. RLDatix стремится изменить систему здравоохранения. Они помогают организациям обеспечить более безопасную и эффективную помощь, предоставляя инструменты управления, риска и соблюдения нормативных требований, которые способствуют общему улучшению и безопасности.

Что изначально привлекло вас к информатике и кибербезопасности?

Меня привлекли сложности того, что информатика и кибербезопасность пытаются решить – всегда есть новые проблемы, которые необходимо изучить. Хороший пример – это когда облачные технологии только начали набирать популярность. Они имели большую перспективу, но также вызывали вопросы о безопасности рабочих нагрузок. Было ясно, что традиционные методы были временным решением, и что организации должны были разработать новые процессы для эффективной защиты рабочих нагрузок в облаке. Навигация по этим новым методам была особенно интересным путешествием для меня и многих других, работающих в этой области. Это динамично развивающаяся отрасль, поэтому каждый день приносит что-то новое и интересное.

Можете ли вы рассказать о некоторых текущих обязанностях, которые у вас есть как у главного технического директора RLDatix?  

В настоящее время я сосредоточен на разработке нашей стратегии данных и поиске способов создания синергий между нашими продуктами и данными, которые они содержат, чтобы лучше понять тенденции. Многие наши продукты содержат подобные типы данных, поэтому моя задача – найти способы разрушить эти барьеры и сделать данные более доступными 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.

Оставаться в курсе новых тенденций в различных отраслях – это еще один важный аспект моей роли, чтобы обеспечить, что мы движемся в правильном стратегическом направлении. Сейчас я внимательно слежу за крупными языковыми моделями (КЯМ). Как компания, мы работаем над тем, чтобы найти способы интеграции КЯМ 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 блоге на LinkedIn под названием “Размышления о моем первом году в качестве главного технического директора,” вы написали, “Главные технические директора не работают в одиночку. Они являются частью команды.” Можете ли вы рассказать о некоторых проблемах, с которыми вы столкнулись, и как вы справились с делегированием и командной работой на проектах, которые по своей сути технически сложны?

Роль главного технического директора фундаментально изменилась за последнее десятилетие. Прошли те времена, когда мы работали в серверной комнате. Теперь работа стала намного более коллективной. Вместе, через бизнес-единицы, мы согласовываем приоритеты организации и превращаем эти стремления в технические требования, которые продвигают нас вперед. Больницы и системы здравоохранения сейчас сталкиваются с множеством ежедневных проблем, от управления персоналом до финансовых ограничений, и внедрение новых технологий может не всегда быть приоритетом. Наша основная цель – показать, как технологии могут помочь смягчить эти проблемы, а не усугубить их, и какую ценность они приносят бизнесу, сотрудникам и пациентам в целом. Это усилие не может быть выполнено в одиночку или даже внутри моей команды, поэтому сотрудничество охватывает многочисленные междисциплинарные единицы для разработки комплексной 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 помощью 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 открывает действенные данные и идеи для лиц, принимающих решения в сфере здравоохранения – и ИИ является неотъемлемой частью этого.

Непременным аспектом этой интеграции является обеспечение того, что использование данных является безопасным и соответствует требованиям, и что риски понятны. Мы являемся лидерами на рынке политики, риска и безопасности, что означает, что у нас есть множество данных для обучения фундаментальных КЯМ с большей точностью и надежностью. Чтобы достичь真正 связанных операций здравоохранения, первый шаг – объединение несвязанных решений, а второй – извлечение и нормализация данных через эти решения. 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 главный директор по продукту Барбара Старук рассказала, как RLDatix использует генеративный ИИ и крупные языковые модели для оптимизации и автоматизации отчетности о безопасности пациентов. Можете ли вы рассказать, как это работает?

Это очень важная инициатива для RLDatix и хороший пример того, как мы максимально используем потенциал КЯМ. Когда больницы и системы здравоохранения заполняют отчеты о происшествиях, существуют три стандартных формата для определения уровня вреда, указанного в отчете: форматы Агентства по исследованиям и качеству здравоохранения, Национального координационного совета по сообщениям о медицинских ошибках и Совета по совершенствованию деятельности в области здравоохранения. Сейчас мы можем легко обучить КЯМ читать текст в отчете о происшествии. Например, если пациент умер, КЯМ может легко определить эту информацию. Проблема заключается в обучении КЯМ определять контекст и различать более сложные категории, такие как серьезный постоянный вред, таксономия, включенная в классификацию безопасности событий Совета по совершенствованию деятельности в области здравоохранения, по сравнению с серьезным временным вредом. Если человек, сообщающий о происшествии, не включает достаточно контекста, КЯМ не сможет определить соответствующий уровень категории вреда для этого конкретного происшествия с пациентом.

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

Какие еще способы RLDatix начал включать КЯМ в свои операции?

Другой способ, которым мы используем КЯМ внутри – это оптимизация процесса аккредитации. Каждая учетная запись поставщика форматируется по-разному и содержит уникальную информацию. Чтобы понять это, подумайте, как каждый резюме выглядит по-разному – от шрифтов до опыта работы, образования и общего форматирования. Аккредитация аналогична. Где поставщик посещал колледж? Какие у него сертификаты? Какие статьи он опубликовал? Каждый медицинский работник будет предоставлять эту информацию по-своему.

В RLDatix КЯМ позволяет нам читать эти учетные данные и извлекать все данные в стандартизированный формат, так что те, кто работает с вводом данных, не должны тратить много времени на поиск этой информации, что позволяет им тратить время на более значимые задачи, которые добавляют ценность.

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

Кибербезопасность действительно сложна, поэтому важно работать с правильным партнером. Обеспечение того, что КЯМ остаются безопасными и соответствуют требованиям, является наиболее важным фактором при использовании этой технологии. Если ваша организация не имеет специального персонала внутри для этого, это может быть невероятно сложно и耗ать много времени. Поэтому мы работаем с Amazon Web Services (AWS) над большинством наших инициатив по кибербезопасности. AWS помогает нам внедрить безопасность и соответствие требованиям в качестве основных принципов нашей технологии, так что RLDatix может сосредоточиться на том, что мы действительно хорошо делаем – разрабатываем отличные продукты для наших клиентов во всех наших соответствующих вертикалях.

Какие новые угрозы безопасности вы видели с недавним быстрым внедрением КЯМ?

С точки зрения RLDatix, есть несколько факторов, которые мы сейчас рассматриваем при разработке и обучении КЯМ. Одним из важных факторов для нас является смягчение предвзятости и несправедливости. КЯМ столь хороши, сколько хороши данные, на которых они обучены. Факторы, такие как пол, раса и другие демографические данные, могут включать множество встроенных предвзятостей, потому что сам набор данных предвзят. Например, подумайте, как юго-восток США использует слово “y’all” в повседневном языке. Это уникальная языковая предвзятость, присущая конкретному пациентскому населению, которую исследователи должны учитывать при обучении КЯМ точно различать языковые нюансы по сравнению с другими регионами. Эти типы предвзятостей должны быть устранены в масштабе при использовании КЯМ в здравоохранении, поскольку обучение модели в одном пациентском населении не обязательно означает, что модель будет работать в другом.

Поддержание безопасности, прозрачности и подотчетности – это также большие фокусы для нашей организации, а также смягчение 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, – все это важные компоненты эффективной реализации и поддержки.

Какие еще алгоритмы машинного обучения используются в RLDatix?

Использование машинного обучения (МО) для раскрытия критических инсайтов в расписании было интересным случаем для нашей организации. В Великобритании, в частности, мы исследовали, как использовать МО, чтобы лучше понять, как происходит расписание, или расписание медсестер и врачей. RLDatix имеет доступ к огромному количеству данных о расписании 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 регионе.

Этот конкретный случай – это очень достижимая модель МО, но мы толкаем границы еще дальше, связывая ее с реальными событиями. Например, что если мы посмотрим на каждый футбольный расписание в этом районе? 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 мероприятия по сравнению с обычным днем. Мы работаем с AWS и другими партнерами, чтобы изучить, какие общественные 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 еще дальше, взяв эти данные и определив критические тенденции, которые помогут обеспечить, что больницы будут адекватно укомплектованы, в конечном итоге снижая 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.