Tim Vasil, medgrundare & Chief Technology Officer på Hospital IQ – Intervjuserien

Tim Vasil är medgrundare & Chief Technology Officer på Sjukhus IQ, en verksamhetshanteringsplattform som använder data för att leverera nyckelfärdiga maskininlärningsbaserade AI-lösningar för snabba, hållbara driftsförbättringar.

Vad lockade dig från början till datavetenskap?

Baby böcker. Som en undergraduate osäker på vilken karriär jag skulle ägna mig åt, utforskade jag en deltidstjänst för webbutvecklare på BabyZone.com. Upplevelsen var otrolig! Ett av mina första projekt var att ta ett fysiskt medium, babyböcker, och ta det in i den digitala tidsåldern, komplett med ljud, övergångseffekter och en interaktiv gästbok. Jag skrev lite kod, klickade på en knapp för att ladda upp den till webbplatsen och plötsligt hade tusentals föräldrar ett sätt att få kontakt med avlägsna vänner och släktingar.

Den e-babybokappen avslöjade datavetenskap som ett område där jag kunde vara lite av en konstnär, ingenjör och kanske till och med trollkarl, och använda dessa färdigheter för att förbättra många människors liv. Jag såg att jag kunde skriva kod en gång och ha en bestående inverkan överallt. Wow!

Kan du berätta historien bakom Hospital IQ?

Medgrundaren Rich Krueger och jag slog oss ihop för att utforska områden som försummats av tekniken. Man skulle kunna tro att sjukhus inte skulle vara ett av dessa områden, med tanke på de miljarder dollar de spenderar varje år på medicinsk utrustning, elektroniska journaler och liknande. Dessa områden är säkert väl täckta. Det vi såg var dock en helt annan sida av sjukhusen, den operativa sidan. Den här sidan handlar om att ta reda på när man ska schemalägga operationer, var man ska överföra patienter, vilka tester man ska prioritera, hur man bäst planerar för morgondagen och så vidare. Dessa är särskilt utmanande problem och traditionell medicinsk programvara rör det helt enkelt inte.

För att utforska möjligheten träffade vi sjukhusledare och frontpersonal. Vi såg hjältemoder varje dag. Vi såg sjuksköterskeschemaläggare ringa oavbrutet och ställa frågor för att skicka personal till de platser som behövs mest. Vi såg operationschefer med klisterlappar och whiteboards som gjorde sitt bästa för att dela upp operationssalstiden mellan kirurgerna. Vi såg ledare för operationell excellens med enorma kalkylblad som försökte simulera hur många sjukhussängar som skulle omfördelas. Kort sagt, vi såg så mycket manuell ansträngning på problem eftersom mjukvaruverktygen misslyckades, och vi ville hjälpa till.

Liksom många nystartade företag var vår produktutvecklingsresa inte en rak väg. Vår tidiga "hjälp" kom i form av strategiska verktyg som vi trodde skulle lösa de svåraste problemen, men de krävde mycket data och mycket matematik. Mekaniken i det verkar imponerande: vi kan sätta ihop modeller automatiskt för att simulera det inre arbetet på ett sjukhus och ge rekommendationer om huruvida det operationsschemat ska ändras eller om den nya flygeln ska byggas. Men även om frågorna de besvarade var stora, ställdes de också sällan.

Den sanna uppkomsten av Hospital IQ som den existerar idag är inte någon inspirerad väg av Rich eller mig, utan genom att hela vårt team arbetar handen vidare med våra kunder och inser att vår viktigaste roll inte är att hjälpa sjukhus att svara på stora, sällsynta frågor, snarare är det de till synes små, frekventa. Det är frågorna som avgör hur allas upplevelser är, både patienten som ska opereras och vårdteamet som vägleder dem genom den resan.

Kan du diskutera hur mjukvaran gör det möjligt för sjukvårdssystem att uppnå och upprätthålla högsta operativa prestanda?

Vår mjukvara handlar om att möta vårdpersonal där de är idag, i deras dagliga arbetsflöden. I stället för att förvänta sig att de ska göra något radikalt annorlunda, som att köra en simulering, eller tolka en prognos eller optimera personalens scheman från början, omfamnar vi de välbekanta stegen de tar varje dag på två sätt. Vi digitaliserar dem så att de kan kommunicera mer effektivt med varandra, och sedan lägger vi på förutsägelser och rekommendationer. Detta gör att vårdpersonalen kan arbeta mer effektivt och mer effektivt. Det bästa av allt är att det frigör dem att lägga mer tid på patientvård.

Låt oss ta ett exempel: personalschemaläggning. Att räkna ut hur många sjuksköterskor som behöver vara på varje enhet för varje skift är en utmaning. En del personal sjukskriver sig. En oväntad ökning av efterfrågan kan uppstå. Sjuksköterskor som kan "sväva" över enheter måste fördelas rättvist. Allas kompetenser, kvalifikationer och preferenser måste också beaktas. Slå ihop allt och du kan se varför telefonen på ett typiskt bemanningskontor ringer av. Men samma dag som en go-live med Hospital IQ tystnar telefonerna. Mycket av arbetet är detsamma, men med all information centraliserad i Hospital IQ-plattformen har alla överväganden flyttats från kalkylblad, whiteboards och post-it-lappar till snygga kommunikationsverktyg, automatiserad variansanalys och förslag på personalens balansering. Sjuksköterskeschemaläggare kan utföra sina jobb mer effektivt och njutbart än någonsin tidigare. Att upprätthålla denna prestanda är också enkelt, eftersom verktygen är byggda för att stödja det befintliga arbetsflödet. Vi är inte ett konsultföretag som kommer in för att förändra hur arbetet sker, bara för att se det gå tillbaka till status quo.

Vilka är några av de olika maskininlärningstekniker som används?

Vårt datavetenskapsteam använder alla metoder vi behöver för att få bra resultat för våra kunders användningsfall. Vi har använt statistiska analyser för att förstå ELLER-användning, ARIMA-modeller för att prognostisera operationsvolym, Profet för att prognostisera folkräkning, slumpmässiga skogar för att klassificera slutenvårdsstatus, neurala nätverk för poängsättning för återintagning och mycket mer. Vårt datavetenskapsteam håller sig à jour med den senaste forskningen, datakällorna och verktygen med pågående "journal club"-möten och förnyar också regelbundet på egen hand. Med ett så vidöppet fält finns det så många övertygande användningsfall och intressanta datauppsättningar att utforska och väva in i Hospital IQ-plattformen.

En av de speciella utmaningarna för oss är att hantera det unika vi ser hos var och en av våra sjukhuskunder. De tjänar olika demografier. De har olika inriktningar. De kliniska och operativa uppgifterna på varje sjukhus kommer från olika programvaror konfigurerade på olika sätt med sina egna brister. Om vi ​​skulle bygga en heltäckande modell över alla våra kunder, eller till och med över alla campus inom ett enda hälsosystem, skulle det inte passa särskilt bra. Men att bygga manuellt anpassade och engångslösningar är inte ett skalbart eller robust tillvägagångssätt. Istället förlitar vi oss på att förstå de distinkta egenskaperna hos varje kunds data, utveckla generaliserbara modeller och har byggt verktyg för att automatisera modellbygge, fortlöpande utbildning och noggrannhetsmätning och övervakning för enskilda campus.

Det kostnadsfria, allmänt tillgängliga verktyget COVID-19 Regional Forecast Dashboard har mer än 76,000 XNUMX användare från hundratals sjukhus. Vad är det här verktyget?

När vi först byggde Covid-19 Regional Prognos Dashboard i mars 2020 var vi oroliga för att USA skulle få slut på tillgängliga sjukhussängar och ville ge ett system för tidig varning, inte bara till våra kunder utan till alla sjukhus. För att få det att hända sökte vi efter datamängder som bemannad sängkapacitet per län, sannolika överförings- och dödsfall av covid-19 efter åldersgrupp och dussintals andra saker. Vi byggde till och med en SEIR-modell för att förutsäga virusets bana på länsvis basis, och försökte ge så mycket sammanhang som möjligt, inklusive det ögonblick då ICU och medicin/operationskapacitet skulle brytas, hur många människor skulle återhämta sig, och till och med hur många som skulle dö. Vårt mål var att sammanställa ett komplett län-för-län-perspektiv från olika tillförlitliga datakällor.

Sjukhus har använt vår instrumentpanel som ett verktyg för att fatta viktiga beslut, till exempel när man ska öppna överspänningsenheter eller när man ska strypa elektiva operationer för att ge plats åt kommande vågor av infekterade patienter. Intressant nog har även individer hemma funnit viss användning och till och med tröst från verktyget, eftersom det tillför lite klarhet till en mycket skrämmande och ny global pandemi.

När vi tillhandahåller ett offentligt verktyg vet vi att vi har en viktig plikt att samla in och analysera data troget och ofta, och att välja de bästa tillgängliga datakällorna. Ibland innebär det att man byter in bättre modeller när de blir tillgängliga. När det gäller vår egen SEIR-modell tog vi så småningom in, med tillstånd, Institutet för hälsomätningar och utvärdering (IHME) modell på statsnivå eftersom den blir en erkänd standard av Vita huset och andra källor. Vi hittade ett sätt att sätta dessa förutsägelser i sammanhanget av specifika län, såväl som specifika sjukhus inom dessa län, för att ge sjukhusen timme för timme vägledning om covid-19s fortsatta effekter.

Sjukhus IQ-dataforskare och ingenjörer deltar ofta i hackathon, vilka är några av de intressanta idéerna eller projekten som har kommit från dessa?

Varje månad uppmuntrar vi medlemmar i våra datavetenskaps- och ingenjörsteam att ta en ledig dag för att främja deras professionella utveckling och tända idéer för innovation, oavsett om det är att delta i en industrikonferens, ta en onlinekurs för att lära sig en ny färdighet eller någon annan aktivitet som stärker dem professionellt.

Som en del av detta väljer flera ingenjörer och datavetare att tillbringa sin professionella utvecklingsdag med att delta i Hospital IQs hackathons. Hackathons kräver att deltagarna är skrapiga, innovativa och på en enda dag driver en svår att omvandla idé till fungerande programvara. Under dagarna fram till vårt senaste hackathon i oktober 2020 bildade deltagarna tre team och samlade in idéer från hela företaget. Inget ämne ansågs vara förbjudet; idéer som inte var relevanta för företagets plattform, eller ens vårdområdet, var helt acceptabla. Det visade sig dock att alla tre teamen valde idéer som nu implementeras i den verkliga världen.

Det första teamet – Team Cara – fokuserade på återinläggningar på sjukhus och satte sig för att bygga en lösning som kunde förutsäga vilka patienter som riskerar att återinläggas innan de ens skrivs ut från sjukhuset. Återinläggningar på sjukhus kostar sjukvårdssystemet miljarder dollar varje år, så en prediktiv och proaktiv lösning, som den här, skulle beväpna utskrivna sjuksköterskor och vårdchefer med den ytterligare insikt som behövs för att minska risken, minska kostnaderna och veta vad varje patient behöver stanna kvar ut från sjukhuset. Team Cara tog data från Hospital IQs operations management-plattform och byggde, med hjälp av ett patientspecifikt ramverk för maskininlärning som tidigare utvecklats av datavetenskapsteamet, en prediktiv modell. För varje patient på sjukhuset tilldelar modellen en poäng som anger sannolikheten för återinläggning. De första resultaten från modellen visade en hög grad av noggrannhet.

Det andra laget – Team Burt Reynolds – gav sig i kast med att bygga en regional övervakningslösning som visualiserade lager av data på en karta. Teamet ville integrera kartor i Hospital IQs befintliga infrastruktur för pivottabeller för plattformar, och erbjuda ett sätt att rita ett mått av intresse ordnat efter latitud- och longitudkoordinater med hjälp av leaflet.js-biblioteket. För sitt proof of concept använde de data från sjukhusöverföringscentraler för att belysa vilka dotterbolag som var insläppskällor och vid vilka volymer. Resultaten visade överföringsfall i ett helt nytt ljus och klargjorde vilka geografier de flesta patienter hämtade från, samt möjligheter till tillväxt.

Det tredje teamet – Team Raptor Strikeforce – försökte utveckla en lösning som visar avkastningen på investeringen (ROI) Hospital IQs verksamhetshanteringsplattform ger. Teamet byggde ett gränssnitt för att anpassa olika indata till finansiella modeller, såsom genomsnittlig marginal per elektiv procedur, och använde indata för att spåra förändringar i den ekonomiska hälsan på ett sjukhus över tid. Dessa visualiseringar berättar en övertygande historia om hur betydande operativa effektivitetsinitiativ, och investeringen i Hospital IQ-plattformen som möjliggör dem, lönar sig.

De tre lösningarna som utvecklats för hackathon visade att de kunde ge större värde till våra kunder. Som ett resultat har Hospital IQ införlivat alla tre lösningarna i den befintliga plattformen, och de används av sjukhus idag.

Finns det något mer du skulle vilja dela med dig av om Hospital IQ?

Hospital IQ:s stora, djärva, djärva mål är att förbättra effektiviteten och lyckan för varje vårdpersonal varje dag. Vi är stolta över den inverkan vi har haft på vården hittills, men vår resa har bara börjat. För alla medkännande, uppdragsdrivna datavetare eller ingenjörer där ute som är intresserade av att ta itu med en av världens tuffaste utmaningar – att förbättra vårdens effektivitet – vill vi gärna ha dig med oss!

Tack för den fina intervjun, läsare som vill veta mer bör besöka Sjukhus IQ.