David Lareau, VD och koncernchef för Medicomp Systems – Intervjuserie

David Lareau, VD och koncernchef för Medicomp Systems, är en erfaren chef inom hälsovårdsteknologi med en karriär som sträcker sig över nästan fem decennier. Efter att ha börjat sin karriär inom datorexport och ledning grundade han Dexcom Systems 1987, och hjälpte till att införa några av de tidigaste företagsnäten och storskaliga LAN-miljöer för organisationer som Världsbanken, DuPont och Sinai Hospital. Han gick med i Medicomp Systems 1995 som operativ chef och utsågs till VD 2012, och ledde företagets utveckling från en pionjär inom klinisk kunskapsmotor till ett modernt hälsovårdsföretag inom AI och samverkan. Under hans ledning har Medicomp utökat sin globala räckvidd, förbättrat evidensbaserade kliniska lösningar och fokuserat på att förbättra klinisk produktivitet, dataanvändbarhet och patientvård genom smartare hälsovårdsteknologi.

Medicomp Systems är ett hälsovårdsföretag som är mest känt för sin kliniska intelligens och kunskapsmotorsteknologi som omvandlar komplex, fragmenterad hälsovårdsdata till strukturerad, kliniskt relevant information. Grundat kring den patenterade MEDCIN-kunskapsmotorn hjälper företagets flaggskepp Quippe-plattform hälsovårdsorganisationer att förbättra klinisk dokumentation, samverkan, kvalitetsmätning, riskjustering och AI-driven beslutsstöd. Utformad för att spegla hur kliniker tänker och arbetar används Medicomps lösningar av sjukhus, hälsovårdssystem, EHR-leverantörer och hälsovårdsorganisationer världen över för att strömlinjeforma arbetsflöden, minska administrativ börda och leverera mer meningsfulla patientinsikter vid vården.

Du har tillbringat nästan fyra decennier med att arbeta inom hälsovårdsteknologi, från tidiga företagsnät och medicinska faktureringssystem till att leda Medicomp Systems i över 30 år. När du ser tillbaka på den utvecklingen, vilket grundläggande hälsovårdsdataproblem tror du att branschen fortfarande inte har löst?

Hälsovårdsbranschen saknar fortfarande en integrerad standard för klinisk data. De terminologistandarder vi förlitar oss på skapades för att lösa kodningsproblem inom ett enda område: ICD-10 för diagnoser, CPT och HCPCS för procedurer och tester, LOINC för laboratorieresultat och andra mätningar, RxNorm för läkemedel och SNOMED CT för kliniska fynd. Var och en av dem skapades för fakturering, klassificering eller forskning. Ingen av dem skapades för att organisera en patients vård.

Hälsovårdsinformationssystem använder dessa standarder för att slutföra specifika transaktioner, de flesta av dem är kopplade till ersättning, snarare än att ge vårdgivare en integrerad vy av en patients status. Tänk på en patient med diabetes. Patientens data är spridda över separata flikar i hälsovårdsinformationssystemet, med ingen enda “diabetesvy” som drar allt relaterat till tillståndet samman. Kodningssystemen delar ingen gemensam schema, vilket gör dem beräkningsmässigt ineffektiva, och den ineffektiviteten blir ett mycket större problem i en värld med klinisk AI. AI är beroende av bra data, och vår bransch har fortfarande inte det.

Tänk dig ett Amazon-lager som försöker operera utan artikelnummer (SKU), i stället för att förlita sig på textbeskrivningar av varje artikel, varje beskrivning länkad till en datastruktur som ändras från en artikeltyp till en annan. Nästan varje bransch har någon version av SKU. Hälsovården har inte det, och därför förblir datan fragmenterad och inkonsekvent.

Du har beskrivit många moderna hälsovårdsarkiv som “dataskogar” snarare än agerande datainsamlingar. Vilka är de största arkitektoniska misstagen som hälsovårdssystemen gjorde under rusningen att centralisera data?

Det centrala misstaget var att organisera arkivet på samma sätt som källsystemen var organiserade, runt domäner och transaktioner snarare än runt patienten. De flesta hälsovårdssystem separerar fortfarande klinisk information i separata domäner som laboratorier, läkemedel, procedurer och diagnoser. Användare, och den programvara de förlitar sig på, måste sedan nå in i olika filer och platser för att montera en bild av patienten, vilket gör varje process långsammare och mer besvärlig.

Det djupare problemet är att varje transaktion, vare sig det är en faktura, ett recept, en testbeställning eller ett laboratorieresultat, lagras som en självständig post snarare än som en del av en integrerad vy av patientens tillstånd. Att centralisera den datan på en plats löser inte problemet. En datainsamling fylld med fragmenterade, domänbundna poster blir en dataskog eftersom volymen ensam, utan klinisk organisation, inte ger upphov till förståelse.

En stor andel av kliniskt meningsfull information lever fortfarande i läkaranteckningar, bilddokumentation och utskrivningsrapporter snarare än strukturerade fält. Varför har branschen kämpat så mycket för att operationalisera ostrukturerad klinisk data i stor skala?

Detta förändras, och snabbt. Stora språkmodeller (LLM) kan nu generera textsummeringar av möten fria från förkortningar och idiosynkratiska förkortningar, vilket gör det mycket lättare för klinisk naturlig språkbehandling (NLP) att extrahera strukturerad, kodad data från den texten. I det förflutna innebar insamling av strukturerad data att kliniker måste arbeta genom checklistor eller formulär, som de fann besvärliga och i stort sett oanvändbara.

Idag fungerar sekvensen annorlunda. Ambient lyssnande producerar en relativt ren textanteckning, en LLM summerar den anteckningen till en semistrukturerad form, och NLP kör sedan på summeringen. När NLP är riktad mot ett lämpligt kliniskt datamål, som representerar kliniska begrepp snarare än en platt lista med koder, kan den producera välstrukturerad data från narrativ text. Att uppnå detta kräver fortfarande en kombination av tekniker som arbetar tillsammans, och det beror helt på att ha det lämpliga kliniska datamålet på plats.

Du hävdar att det grundläggande problemet inte är “datakvalitet” utan datafragmentering. Kan du förklara skillnaden, och varför den distinktionen är viktig för AI-drivna hälsovårdssystem?

De två är nära kopplade, men de beskriver olika problem, och den skillnaden är viktig för AI. Datakvalitet handlar om huruvida en enskild informationsbit är korrekt, fullständig och korrekt registrerad. Datafragmentering är strukturerad. Fragmentering inträffar när klinisk information, oavsett dess kvalitet, är splittrad över separata domäner och kodningssystem och lagras i olika format och platser.

Den fragmenteringen är den nuvarande praxisen eftersom varje kodningssystem utformades för en separat transaktionsanvändning. Tillvägagångssättet var tillräckligt för att skriva ett recept, generera en faktura eller hantera andra separata uppgifter. Sammanlagd patientvård är ett annat problem, som kräver att information från flera domäner sammanfogas, bearbetas och visas som en enda, diagnostiskt sammankopplad vy av patienten. En post kan vara full av enskilda korrekta datapunkter och ändå misslyckas med att ge kliniker det de behöver, eftersom ingenting kopplar samman dessa punkter till den vyn.

Du har betonat tre stora luckor i de flesta hälsovårdsdatainsamlingar: narrativ extraktion genom NLP, kliniska kunskapsgrafer och försoning av motsägelsefulla poster. Vilken av de saknade funktionerna orsakar för närvarande den största nedströmspåverkan på patientvård?

Två av de tre är nära kopplade: försoning av motsägelsefulla poster och det faktum att en klinisk kunskapsgraf är bara så bra som de data den opererar på. Av de tre orsakar försoning för närvarande den största nedströmspåverkan, eftersom den ligger uppströms från allt annat.

Mycket av det som lever i en patients journal har matats in genom att kopiera och klistra in från tidigare möten eller genom att konsolidera information från flera vårdgivare. Att flytta den informationen mellan system med hjälp av Fast Healthcare Interoperability Resources (FHIR) gör det lättare att skicka och ta emot, men det gör ingenting för att förbättra den underliggande kvaliteten. Kör AI eller en klinisk kunskapsgraf på den informationen och resultaten kommer troligen att bära samma inkonsekvenser vidare.

Standarder som SNOMED CT, LOINC, RxNorm, FHIR och C-CDA diskuteras ofta som lösningar för samverkan. I praktiken varför kämpar många organisationer fortfarande för att omvandla standarder till kliniskt användbara system?

Många system och organisationer bär dåligt kodad data eftersom deras användargränssnitt gör det enklaste att välja det första objektet som presenteras. Dessa gränssnitt är utformade för att flytta koden vidare för fakturering så snabbt som möjligt, snarare än att tillhandahålla den kliniska kontext som skulle låta användaren registrera tillståndet korrekt.

ICD-10, till exempel, innehåller en kod för “ärftlig motorisk och sensorisk neuropati”, en kategori som inte skiljer Charcot-Marie-Tooth-sjukdom från Roussy-Lévy-syndrom, även om båda faller inom den. Om ett användargränssnitt presenterar den kategorin först och gör det svårare att välja det specifika tillståndet, kommer användaren troligen att välja kategorin. Kategorin kan vara tillräcklig för att en faktura ska betalas, men den är mycket mindre kliniskt användbar än det specifika tillståndet. Alla transaktionskodningsterminologier delar någon version av det problemet.

Medicomp har tillbringat år med att bygga kliniskt sammankopplad terminologi och relevansmotorer runt system som MEDCIN. Hur viktigt är en klinisk kunskapsgraf för att göra hälsovårds-AI tillförlitlig och kontextmedveten?

En klinisk kunskapsgraf är avgörande eftersom den gör data användbar i ögonblicket då en kliniker eller granskare faktiskt behöver den. Testet är enkelt. När en patient har ett specifikt tillstånd som hanteras, kan användaren se allt som är relaterat till tillståndet direkt, eller måste de sortera igenom hela journalen, flik för flik, för att återupprätta den kliniska kontexten? En klinisk kunskapsgraf byggd på ren klinisk data kan yta den kontexten på en gång. Utan den tar det för lång tid att hitta samma information.

Många hälsovårdsorganisationer distribuerar nu generativa AI-kopiloter och ambientdokumentationssystem. Vilka risker uppstår när dessa AI-system tränas eller används på fragmenterad, dåligt kontextualiserad klinisk data?

Hallucination och felkategorisering av information är två av de vanligaste riskerna, och båda blir mer sannolika när den underliggande datan är fragmenterad och dåligt kontextualiserad.

Ett personligt exempel: min far dog av levercancer vid 78, men under ett nyligt besök blev jag tillfrågad hur länge jag hade varit i remission. Det ambienta dokumentationssystemet hade registrerat en personlig historia av levercancer i min egen journal. En kollega stötte på något liknande. Han hade kroniskt obstruktiv lungsjukdom (KOL) registrerad i sin journal eftersom hans vårdgivare, med hjälp av ambient dokumentation, hade beställt en bröst-röntgen för att utesluta det. När han senare ansökte om livförsäkring nekades han, och orsaken som angavs var KOL-diagnosen som den tidigare röntgenbeställningen oavsiktligt genererat.

Det finns en växande entusiasm kring nationell samverkansutveckling, med hundratals miljoner poster som utbyts årligen. Vad behöver fortfarande hända innan kliniker verkligen kan lita på att utbytt data är komplett, korrekt och kliniskt relevant vid vården?

Två saker måste hända. Först behöver vårdgivare som undertecknar möten, som alltmer genereras av ambient lyssnande verktyg med LLM-sammanfattning, snabba och lätthanterliga skyddsräcken som är tillgängliga före de undertecknar, vid den punkt precis före den datan kommer in i patientjournalen. När felaktig information hamnar i journalen ärvar alla efterföljande användningar av den “skräp in, skräp ut”-problemet, och att korrigera den efteråt är svårt.