Daniel Cane, Co-CEO och medgrundare av ModMed – Intervjuserie

Daniel Cane är co-CEO och medgrundare av ModMed^®, ett hälso- och sjukvårdsIT-företag som förvandlar hälso- och sjukvården genom specialinriktade, intelligenta plattformar för att öka effektiviteten i verksamheten och förbättra patientresultaten.

ModMed grundades i februari 2010 och har vuxit till över 1 200 anställda och har samlat in över 332 miljoner dollar i total investering. Företaget är känt för sin progressiva tillväxt som ett medicintekniskt företag och är ofta erkänt både nationellt och regionalt för sina prestationer under Daniels ledning. År 2020 utsågs företaget till en av de bästa arbetsplatserna i landet av tidningen Inc. Mellan 2016 och 2018 utsågs företaget till en av de snabbast växande företagen i Nordamerika på Deloitte Technology Fast 500^™-listan. Från och med 2015 har företaget varje år utnämnts till den exklusiva Inc. 5000-listan, en prestigefylld samling av de snabbast växande privata företagen i landet.

Kan du dela några insikter om din bakgrund och hur den har påverkat ditt arbete på ModMed?

Min resa inom tech började under mina universitetsår på Cornell när jag co-founderade Blackboard. Vi förvandlade utbildningen genom att digitalisera föreläsningsanteckningar och skapa en plattform som gav studenter och lärare en utanför denna flexibilitet och interaktion. För mig kulminerade Blackboards framgång 2004 med dess börsnotering, och medan våra lösningar var banbrytande inom edTech, kunde jag inte låta bli att hålla utkik efter nya utmaningar.

En sådan utmaning presenterade sig när jag gick för en rutinmässig hälsokontroll hos min dermatolog. Vi hade ett fantastiskt samtal om svårigheterna med att använda föråldrade pappersbaserade system och sätt att åtgärda dem. När jag insåg kopplingen mellan hans medicinska expertis och min tekniska kompetens, bestämde vi oss för att samarbeta och skapa ModMed tillsammans med vår första elektroniska hälsoregisterplattform (EHR).

På den tiden fanns redan vissa EHR:er, men tyvärr citerade studier ofta dem som en av de ledande orsakerna till läkarutbrändhet. Vi tog en annan approach och designade vår EHR för att anpassa användarupplevelsen till de specifika arbetsflödena inom en medicinsk specialitet. Vår flaggskepp EHR, EMA, är och fortsätter att vara utformad av läkare, för läkare, vilket har satt oss i särklass och definierar vår hemlighet på marknaden. Under åren har vi utökat våra produktutbud till att omfatta en komplett svit av lösningar som hjälper medicinska leverantörer att förenkla och effektivisera sin verksamhetsverksamhet och påskynda leveransen av vård.

Hur ser du på kampen för effektiv AI inom hälso- och sjukvården och hur den kan vinnas eller förloras med data?

Vi börjar se en ökning av antagandet av AI-teknik inom praktiker för att effektivisera arbetsflöden och maximera effektivitet. När vi går in i en era där vi använder AI för att utföra mer avancerade uppgifter – såsom att föreslå behandling eller andra kliniska stödrekommendationer – är det av yttersta vikt att ha rätt data och AI-utbildningsstrategi på plats. AI har möjlighet att avsevärt förbättra upplevelsen för patienter och leverantörer och skapa systematiska förändringar som verkligen kan förbättra hälso- och sjukvården, men att göra detta till verklighet kommer att bero på stora mängder högkvalitativa data som används för att utbilda modellerna.

Varför är data så kritisk för AI-utveckling inom hälso- och sjukvården?

Data är livsnerven för AI, och dålig datakvalitet kommer att försämra en AIs prestanda, vilket leder till undermåliga resultat. Detta kan ha allvarliga konsekvenser i en hälso- och sjukvårdsinställning, där patienters liv kan stå på spel. Men en mer sannolik scenario är att dessa negativa upplevelser kan undergräva både patienters och leverantörers förtroende för AI, vilket kan bromsa framstegen och den positiva inverkan som denna revolutionerande teknik kan ha på hälso- och sjukvården.

Till exempel är AI-aktiverade ambient lyssningsverktyg i undersökningsrummet utformade för att föreslå innehåll för kliniska anteckningar för leverantörer att granska och godkänna. Idealiskt sett bör detta minska den tid som en leverantör tillbringar med att dokumentera inom EHR och tillåta mer kvalitetstid med patienten. Men dålig datakälla och illa utbildade AI-verktyg kan ha den motsatta effekten, vilket gör att leverantörer istället måste tillbringa en oproportionerligt lång tid med att åtgärda fel och skriva om anteckningar.

Dessutom är bias en betydande risk som är förknippad med AI-algoritmer, och kvalitetsdata kan spela en nyckelroll för att mildra hälso- och sjukvårdsklyftor. AI-modeller kan lära sig mönster som effektivt behandlar en patientpopulation företrädesvis jämfört med andra populationer, inklusive lagligt skyddade grupper. Genom att övervaka datainmatningarna och utbilda på robusta och representativa data kan AI-utdata vara mer inkluderande och exakta.

Kan du förklara de typer av data som ModMed använder för att utbilda sina AI-modeller och hur dessa data samlas in och hanteras?

På ModMed använder vi omfattande specialinriktade data för att hjälpa utbilda våra AI-modeller med precision. Under de senaste 14 åren har vi skapat specialinriktade, deidentifierade strukturerade datamängder i enlighet med sekretesslagar och använder nu denna interna data för att utbilda våra AI-modeller. Till exempel har vår ambient lyssningsverktyg ModMed Scribe utbildats för dermatologi, vår första specialinriktning, på miljontals strukturerade parametrar från deidentifierade patientjournaler som sampats från en samling på 500 miljoner patientmöten.

Hur definierar ModMed “etisk AI” i hälso- och sjukvårdssammanhang?

Potentialen för AI att ha bias eller tillhandahålla felaktig information i form av “hallucinationer” eller utelämnanden kan påverka patienters liv. Av denna anledning handlar etisk AI inom hälso- och sjukvården om att sätta en hög standard för noggrannhet och precision. Det handlar om att utveckla algoritmer noggrant och ansvarsfullt och använda högkvalitativa och diversifierade data för att hjälpa till att möjliggöra mer exakta förutsägelser för varje användare.

Etisk AI handlar också om att säkerställa att människor förblir en del av ekvationen. En AI bör inte “överläkare läkaren” utan snarare minska den administrativa bördan som läkare och deras personal upplever så att de kan fokusera mer på att hjälpa patienter.

Vilka åtgärder finns på plats på ModMed för att tillåta AI-teknologier att utvecklas och distribueras etiskt?

Vår strukturerade dataansats – att kurera högkvalitativa, representativa utbildningsdatamängder – hjälper oss att göra ansvarsfull AI till verklighet. Relevant och deidentifierad data som samlats in från våra EHR-system från en stor variation av praktiker ger oss en diversifierad uppsättning utbildningsdata som återspeglar olika patientpopulationer.

Dessutom omfamnar vårt utvecklingsteam datarengöring för att underlätta insamling och användning av högkvalitativa data. Denna process tillåter våra team att identifiera, rätta till och ta bort inkonsekvenser, fel och saknade värden från datamängden. Genom denna regelbundna underhåll kan vi konsekvent uppdatera AI baserat på prestandadata, särskilt kliniska data, där patientresultat kan påverkas.

Kan du diskutera vikten av transparens och ansvar i AI-utveckling, särskilt inom hälso- och sjukvården?

Transparens gör ansvar möjligt, vilket är varför det är en sådan avgörande grund för någon AI-lösning inom hälso- och sjukvården. Läkarnas främsta prioriteringar är patientvård och patientsäkerhet, så det är ingen överraskning att 80% av läkarna vill veta egenskaperna och funktionerna i designen, utvecklingen och distributionen av AI-verktyg.

Dessutom är inte all data skapad lika. Det är viktigt att veta var och hur data lagras och samlas in och hur ofta den uppdateras. Vi är lyckliga som har varit engagerade i en datastrategi som prioriterar transparens och noggrannhet sedan ModMeds grundande. Vi har en grundlig förståelse av våra datas källor och kvalitet och är säkra på att våra AI-integrationer kommer att leverera betydande värde till våra kunder.

Hur integreras AI i ModMeds specialinriktade EHR-system som EMA och gGastro?

Över hela vår portfölj har vi använt maskinlärande under en tid och stärkt vår investering i avancerad och generativ AI för att förenkla affären med medicin och påskynda kvalitetsvård. Vi bygger ut en hel AI-aktiverad praktikupplevelse som börjar innan en patient går in genom dörren, sträcker sig genom undersökningsrummet, hela vägen till faktureringsavdelningen.

I den kliniska miljön är vi i slutfasen av vår AI-ambient lyssningspilotprogram för EMA, som vi tror kommer att vara en game-changer för dess nedströmsfunktion och föreslagen strukturerad innehåll. Vår AI-aktiverade dokumentationslösning är utformad för att effektivisera vårdförfarandet utöver bara transkription eller utkast till en SOAP-anteckning. Med hjälp av vasta mängder strukturerad data utbildar vi våra AI-modeller för att fånga väsentlig information från läkare-patient-samtal och, tillsammans med vår EHR, föreslå relevant innehåll för besöksanteckningar, inklusive ICD-10-koder, kirurgikoder och recept. Detta sparar läkare dyrbar tid och tillåter dem att tillbringa mer kvalitetstid med sina patienter.

Vilka specifika fördelar ger specialinriktade AI-lösningar till hälso- och sjukvårdsleverantörer och patienter?

Inga två medicinska specialiteter är lika. De varierar kraftigt med de patienter de ser, de tillstånd de behandlar och de medicinska koderna som används för ersättning. AI-lösningar måste anpassas för att tillgodose dessa variationer för att vara effektiva på något meningsfullt sätt.

Till exempel är ModMeds EHR:er och AI-ambient lyssningsverktyg anpassade explicit till varje medicinsk specialitet, vilket ger högaktuell och exakt support till kliniker. Varje specialitets dokumentationsprocess kräver olika komponenter inom den strukturerade datanoten, inklusive unika medicinska koder och terminologi. Denna specialisering tillåter AI att bättre förstå och förutse de unika behoven och arbetsflödena för varierande specialpraktiker, vilket vi tror kommer att resultera i mer effektiv implementering, snabbare antagande och större övergripande effektivitet i att förbättra operativ effektivitet.

Var ser du de största möjligheterna för AI inom hälso- och sjukvården under de kommande fem till tio åren?

I framtiden kommer AI utan tvekan att genomsyra nästan varje aspekt av hälso- och sjukvården på sätt som vi inte kan föreställa oss. Redan används AI för administrativa uppgifter, och på kort sikt kommer denna trend sannolikt att öka när AI:s värde blir mer uppenbart.

Jag ser också en framtid där AI är nästintill osynligt integrerat i läkare-patient-interaktioner, där “användargränssnittet” eller UI är virtuellt osynligt. Istället för dagens skärm-baserade interaktioner kan AI erbjuda en blandning av verklighet och förstärkt verklighet. Denna framtida AI kan potentiellt analysera hälsoregister för att identifiera kritiska insikter, förutsäga en patients risk för olika sjukdomar. Den vasta mängden data i medicinska register utgör en möjlighet för AI att förutsäga framtida vårdbehov och skapa och hjälpa till att hantera förebyggande vårdbehandlingsplaner.

Denna upplevelse kan sträcka sig bortom praktikinställningen och bli en integrerad del av en patients dagliga liv. AI-aktiverade wearables kan ge personlig support, svara på frågor och schemalägga möten bland annat. AI kan också övervaka livstecken på distans, upptäcka och varna leverantörer om potentiella hälsoproblem. Personliga behandlingsplaner, anpassade till enskilda patienter baserat på data och preferenser, kan bli normen.

Detta är verkligen en spännande tid för hälso- och sjukvården. De kommande fem till tio åren är fulla av möjligheter att ytterligare omvandla branschen och förbättra patientupplevelsen.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka ModMed.