Dr. Jaime Bland, medgrundare och VD för Aquila Health – Intervjuserie

Dr. Jaime Bland, medgrundare och VD för Aquila Health, är en ledande person inom hälsovårdsteknologi som fokuserar på att lösa en av branschens mest ihållande utmaningar: fragmenterad och otillgänglig data. Hon grundade Aquila Health för att bygga en enhetlig datainfrastruktur som möjliggör för hälsovårdsorganisationer att gå bortom silo-baserade system, med hjälp av maskinlärande och strukturerad analys för att generera handlingsbara insikter samtidigt som klinisk tillsyn upprätthålls. Hennes arbete fokuserar på att förbättra interoperabilitet, möjliggöra befolkningsbaserad hälsointelligens och stödja tidig upptäckt av nya hälsorisker genom integrerade kliniska, försäkrings- och genetiska datasystem.

Aquila Health är en AI-driven hälsovårdsdataplattform som är utformad för att förena disparata datakällor i ett enda, interoperabelt system som stöder både operativ effektivitet och avancerad analys. Plattformen tar in stora mängder hälsovårdsdata i format som HL7 och FHIR, vilket möjliggör sömlös integration över sjukhus, offentliga hälsovårdssystem och andra intressenter. Genom att kombinera strukturerade maskinlärande tillvägagångssätt med en mänsklig valideringsmodell fokuserar Aquila på att leverera tillförlitliga insikter för befolkningsbaserad hälsostyrning, avvikelseupptäckt och realtidsbeslut, snarare än att enbart förlita sig på opaka AI-system. Detta placerar företaget i skärningspunkten mellan datainfrastruktur och tillämpad AI, där förbättring av datakvalitet och tillgänglighet är grundläggande för att låsa upp det fulla potentialen för hälsovårdsintelligens.

Du ledde CyncHealth genom en massiv tillväxt, skalade interoperabilitet över miljontals patientjournaler och flera stater, innan du grundade Aquila Health. Vilka var de viktigaste begränsningarna eller systemiska bristerna som du stötte på under den resan som till slut ledde till att du byggde Aquila från grunden?

På CyncHealth tillbringade vi år med att bygga infrastrukturen för att ansluta hälsovårdsorganisationer över Nebraska och Iowa. Vi anslöt över 1 100 vårdplatser och miljontals patientjournaler, som omfattade en befolkning på över fem miljoner liv.

Vad vi ständigt stötte på var att ansluta system och faktiskt göra datan användbar är två mycket olika problem. Till exempel arbetade vi med att skapa en översiktsdashboard för opioidöverdos som samordnade data som vi fick från flera källor. Det tog månader med hundratals FTE-timmar och samordning över många intressenter för att göra denna enskilda datapunkt begriplig i ett offentligt hälsovårds- och hälsovårdssammanhang. Och efter allt det var bilden fortfarande ofullständig.

Den upplevelsen var frön till Aquila. Det traditionella sättet att ansluta gränssnitt utan att förstå fullständigheten och kvaliteten på dataexporten kommer inte att tillfredsställa behoven med de framsteg vi sett i AI under de senaste åren. När AI kan åstadkomma på några timmar vad som tidigare tog en grupp månader, och göra det med högre kvalitet till en bråkdel av kostnaden, måste du använda den kunskapen för att bygga om från en ny grund. Det är vad vi gjorde med Aquila, vi fokuserar på moderna verktyg som minskar kostnaden för anslutning så att vi kan fokusera på att slutföra hela bilden av hälsa – inte bara data som härrör från traditionella EHI-källor, hela bilden.

Aquila har nyligen kommit ut ur stealth-läget med en plattform som fokuserar på att förena fragmenterad hälsovårdsdata i ett enda, AI-klart lager. Vilka var de centrala tekniska genombrotten som gjorde detta möjligt nu, till och med för några år sedan?

AI-kapaciteterna har drivit denna förändring nästan helt.

Jag tillbringade år med att se erfarna ingenjörer manuellt sammanfoga datastandarder, en källa i taget. Det fungerade, men den modellen kan aldrig skalas. Du kunde inte anställa dig ur det tillräckligt snabbt för att hålla jämna steg med volymen och variationen av data som hälsovården genererar.

Vad som är annorlunda nu är att AI kan göra normaliseringsarbetet kontinuerligt på datalagret när information flyttas genom systemet. Det är inte en batchprocess som körs över natten. Det sker i nära realtid. Det förändrar vad som är möjligt för kliniker och offentliga hälsovårdsteam, eftersom de data de behöver är strukturerade och validerade (görs användbara) innan de når dem.

Kliniker är vana vid att fatta beslut utan den fullständiga patientbilden. Offentlig hälsovård är van vid att driva program utan aktuell data för att stödja det. Aquila förändrar landskapet och tillhandahåller den hastighet som gör effektivt datastyrt beslutsfattande möjligt över hela hälsovården.

Vi byggde TREUE ™ som ramverket som organiserar EHR-derivat klinisk data, laboratorie-, offentlig hälsovård-, försäkrings- och sociala data i en enhetlig struktur. AI ersätter inte bra datastyrning; det gör bra datastyrning skalbar för första gången.

Du har betonat att den verkliga utmaningen inom hälsovårds-AI inte är modellerna, utan datan i sig. Vilka är de mest kritiska luckorna i dagens hälsovårdsdatainfrastruktur som förhindrar att AI levererar meningsfulla resultat?

Branschen pratar om AI-modellen, men modellen är inte det hårda.

Det hårda är att en patient kan gå in på tre olika anläggningar på en enda dag och framstå som tre olika personer i tre olika system. Laboratorierna matchar inte de kliniska anteckningarna. Försäkringsposten har en annan identifierare än sjukhusposten och offentlig hälsovård använder en helt annan identifierare. När du sorterar allt det manuellt har det kliniska fönstret stängts.

Starka tekniska anslutningar kan inte åtgärda poster som anländer ofullständiga eller ur sekvens. AI kan inte upptäcka ett mönster som inte finns i data, och det kan inte göra en tillförlitlig rekommendation från en post som saknar halva den historiska eller aktuella informationen som den borde innehålla.

Luckan är inte bearbetningskraft, det är förtroende för den underliggande datan. Det är vad som måste lösas först, och att lösa det i skala är där AI faktiskt kan tjäna sin plats.

Aquila positionerar sig som “datatillredningslagret” innan AI-intag. Kan du gå igenom vad det lagret faktiskt gör i praktiken, särskilt när det gäller högt heterogena indata som kliniska journaler, försäkringsdata och realtidsflöden?

Med exemplet från tidigare, överväg vad som anländer när en patientmöte genererar data. Du får ett HL7-meddelande från sjukhuset, en försäkringspost från försäkringsgivaren, ett laboratorieresultat från en referenslaboratorium som använder en annan identifierare, och en offentlig hälsojournal som rapporteras på en helt annan tidslinje. Inga av dessa var utformade för att sammanfogas med varandra.

Vårt tillredningslager, TREUE ™, är vad som sitter mellan dessa indata och eventuella nedströmsanalyser eller AI-tillämpningar. Dess uppgift är att utvärdera varje post när den anländer, matcha identiteter över källor, normalisera format och flagga vad som saknas eller är inkonsekvent innan data flyttas vidare.

I praktiken betyder det att en kliniker som tittar på en patient arbetar från en journal som har validerats och justerats över källor, snarare än att manuellt sammanfoga fyra olika systemvyer under en vårdmöte. För offentliga hälsovårdsteam betyder det att utbrottsignalerna inte försenas av data som anlände i olika format från olika jurisdiktioner.

Det är infrastrukturarbete. Det är inte glamoröst, men ingenting nedströms fungerar utan det.

Interoperabilitetsstandarder som Fast Healthcare Interoperability Resources (FHIR) och United States Core Data for Interoperability (USCDI) har funnits i år, men fragmenteringen består. Vad saknas fortfarande från ett standardperspektiv, och hur hanterar Aquila dessa luckor på ett annorlunda sätt?

FHIR och USCDI gav branschen ett delat språk för datautbyte. Det var viktigt framsteg. Men ett delat språk för dataöverföring är inte samma sak som data som beter sig konsekvent när den anländer.

Här är luckan: hälsovårdsdata kommer inte från ett enda område. Kliniska system, offentliga hälsojournaler, laboratorier och sociala datakällor har alla sina egna styrningskrav, tidslinjer och definitioner av vad ett fält betyder. FHIR säger inte hur du sammanfogar en sociala bestämningsfaktordata med en klinisk journal från en annan jurisdiktion.

Vad TREUE ™ lägger till är ett enhetligt ramverk för hur data från alla dessa områden kan organiseras och valideras tillsammans, samtidigt som man respekterar styrningsreglerna som gäller för varje källa. Resultatet är data som faktiskt kan analyseras över domäner, inte bara data som har överförts framgångsrikt.

Aquila opererar i miljöer med höga konsekvenser där misslyckande inte är ett alternativ. Hur designar du AI-system som balanserar realtidsprestanda med stränga krav kring styrning, granskning och förtroende?

Du måste bygga styrning in i arkitekturen innan du skriver den första raden applikationskod. Det bör inte vara ett lager du lägger till efteråt.

I hälsovårds- och regeringsmiljöer är de beslut som informeras av denna data patientvård, utbrottsrespons och hur offentliga resurser allokeras. Varje åtgärd som vidtas på data måste vara spårbar, och åtkomst måste vara tätt kontrollerad. Systemet måste uppfylla kraven för de miljöer det opererar i.

För Aquila betyder det att operera inom regeringsklassad molninfrastruktur, nolltillitsåtkomstkontroll och säkerhetspraxis som är i linje med HIPAA och federala standarder. Vi har aktiva kontrakt på gång med statliga myndigheter, federala byråer och hälsovårdsorganisationer, och dessa miljöer har mycket olika krav som plattformen måste uppfylla samtidigt.

Den mänskliga delen i loopen är lika viktig. AI kan yta signaler, men kliniska experter validerar avvikelser innan de informerar operativa beslut. Teknologin gör det möjligt att hitta dessa signaler snabbare. Det ersätter inte den professionellas omdöme som måste agera på dem.

Din plattform stöder säker, enhetsbaserad AI-distribution och datasuveränitet. Hur viktigt är decentralisering i hälsovårds-AI, särskilt med tanke på de ökande problemen kring datasekretess och regelefterlevnad?

Det blir allt viktigare, och jag tror att branschen bara börjar förstå varför.

Hälsovårdsorganisationer opererar under stränga sekretessskyldigheter. Känslig patientdata kan inte enkelt centraliseras och bearbetas i en delad miljö. Olika stater har olika regler. Federala byråer har olika regler. Internationell hälsoinformation har ännu en annan uppsättning begränsningar. Alla arkitekturer som kräver att känslig data flyttas till en central plats kommer att springa in i dessa väggar upprepade gånger.

Riktningen som faktiskt fungerar är att generera insikter närmare var datan redan finns. Organisationer kan bidra till gemensam analys utan att ge upp kontrollen över sin underliggande data. Det är vad federerade modeller tillåter.

Vår plattform är byggd för att operera i en sådan reglerad, decentraliserad miljö – styrning som reser med datan snarare än att tillämpas på en enda punkt. Det är en svårare arkitektur att bygga, men det är den som faktiskt är kompatibel med hur hälsovårdsdatastyrning fungerar i praktiken.

Många AI-startups lutar sig tungt mot svarta lådor-modeller, men Aquila integrerar mänsklig validering i loopen. Var ser du gränsen mellan automatisering och mänsklig tillsyn i kliniska AI-system?

Jag började min karriär som sjuksköterska. Den erfarenheten formar hur jag tänker om var AI hör hemma i en klinisk miljö och var det inte gör.

AI är mycket bra på att hitta mönster i stora datamängder. Det är inte bra på att veta vad ett mönster betyder för en specifik patient med en specifik historia i en specifik sammanhang. Det är fortfarande ett mänskligt bedömningsbeslut.

Den rätta rollen för AI i kliniska system är att yta signaler som en mänsklig person kan missa i volym, inte att ersätta den kliniska resonemanget som följer. Hos Aquila går avvikelser och insikter som flaggas av systemet till kliniker och experter för granskning innan de driver operativa beslut. Teknologin berättar för dig var du ska titta, och den professionella berättar vad det betyder.

Var jag tror gränsen tillhör: automatisera upptäckten, behåll tolkningen med människor som är ansvariga för resultatet.

Aquila arbetar över offentlig hälsovård, regeringsystem och reglerade branscher. Hur skiljer sig kraven för AI-infrastruktur mellan dessa miljöer jämfört med traditionella företags-AI-distributioner?

I en typisk företags-AI-distribution arbetar du vanligtvis inom en organisations datamiljö, ett uppsättning styrningsregler, ett efterlevnadsramverk.

Offentlig hälsovård och regeringsmiljöer är strukturmässigt annorlunda. Du samordnar över flera jurisdiktioner, flera byråer, flera kliniska miljöer, som alla opererar på olika rapporteringstider och under olika rättsliga ramverk. Ett sjukhus i en stat, en offentlig hälsoenhet i en annan, ett federalt program med sina egna datakrav. Alla dessa behöver utbyta data och generera insikter utan att någon enskild enhet har okontrollerad åtkomst till en annans poster.

Infrastrukturen måste stödja högvolymbehandling samtidigt som den upprätthåller sträng granskning över alla dessa gränser. Den måste integreras med äldre hälsovårdsmeddelandeformat, eftersom dessa system inte försvinner. Och den måste operera tillförlitligt i miljöer där nedtid inte bara är ett affärsproblem, utan ett patientsäkerhetsproblem.

Den komplexiteten är varför vi startade Aquila med dessa miljöer snarare än den traditionella företagsmarknaden. Om du kan bygga infrastruktur som fungerar här, fungerar den överallt.

AI-kapaciteter fortsätter att utvecklas snabbare än styrningsramverk. Vilka ansvar har grundare och plattformsbyggare att se till att dessa system distribueras på ett etiskt och säkert sätt från dag ett?

Jag tror att ansvaret är enkelt, även om att uppfylla det inte är det. Om du bygger AI som påverkar kliniska beslut eller offentliga hälsoresultat, får du inte behandla styrning som en produktvägpost du kommer att nå till slut. Det måste vara utformat från början.

Vad det betyder i praktiken är att varje åtgärd på data måste vara granskbar. Modellerna måste vara tillräckligt tolkningsbara så att en kliniker kan förstå varför en signal flaggades. Kliniska experter måste vara en del av granskningsprocessen, inte en eftertanke. Och organisationen måste vara ärlig om vad systemet kan och inte kan göra tillförlitligt.

Jag har tillbringat min karriär i miljöer där datafel har verkliga konsekvenser för verkliga människor. Det formar hur jag tänker om detta. Kapaciteterna utvecklas snabbt, och ansvaret för hur de distribueras kan inte tillåtas att ligga efter. Grundare som bygger dessa system måste hålla den standarden för sig själva, inte vänta på att reglering ska påtvinga det.

Tack för den insiktsfulla diskussionen. Läsare som är intresserade av att utforska plattformen och dess tillvägagångssätt för hälsovårdsdatainfrastruktur kan lära sig mer genom att besöka Aquila Health.