เดวิด ลาร์โร ประธานและซีอีโอของ Medicomp Systems – ซีรีส์สัมภาษณ์

เดวิด ลาร์โร ประธานและซีอีโอของ Medicomp Systems เป็นผู้บริหารด้านเทคโนโลยีสำหรับการดูแลสุขภาพและผู้ประกอบการที่มีประสบการณ์ยาวนานเกือบห้าทศวรรษ หลังจากเริ่มต้นอาชีพด้านการตรวจสอบและจัดการคอมพิวเตอร์ เขาก่อตั้ง Dexcom Systems ในปี 1987 โดยช่วยติดตั้งเครือข่ายสื่อสารองค์กรและเครือข่าย LAN ขนาดใหญ่สำหรับองค์กรต่างๆ เช่น World Bank, DuPont และ Sinai Hospital เขาเข้าร่วม Medicomp Systems ในปี 1995 ในตำแหน่ง Chief Operating Officer และได้รับการแต่งตั้งเป็น CEO ในปี 2012 โดยนำบริษัทไปสู่การเปลี่ยนแปลงจากผู้ให้บริการเครื่องยนต์ความรู้ทางคลินิกที่เป็นผู้บุกเบิกไปสู่บริษัทด้าน AI และการเชื่อมต่อสำหรับการดูแลสุขภาพที่ทันสมัยภายใต้การนำของเขา Medicomp ได้ขยายขอบเขตการให้บริการไปทั่วโลก พัฒนาโซลูชันทางคลินิกที่ขึ้นอยู่กับหลักฐาน และมุ่งเน้นในการปรับปรุงประสิทธิภาพการทำงานของแพทย์ ความสามารถในการใช้ข้อมูลของผู้ป่วย และการดูแลผู้ป่วยผ่านเทคโนโลยีการดูแลสุขภาพที่ฉลาดขึ้น

Medicomp Systems เป็นบริษัทด้านเทคโนโลยีการดูแลสุขภาพที่มีชื่อเสียงในด้านความฉลาดทางคลินิกและเทคโนโลยีเครื่องยนต์ความรู้ที่สามารถแปลงข้อมูลการดูแลสุขภาพที่ซับซ้อนและกระจัดกระจายให้เป็นข้อมูลที่มีโครงสร้างและเกี่ยวข้องกับการดูแลสุขภาพโดยตรง บริษัทก่อตั้งโดยอาศัยเครื่องยนต์ความรู้ทางคลินิก MEDCIN ที่ได้รับการจดสิทธิบัตร และแพลตฟอร์ม Quippe ของบริษัทช่วยให้องค์กรด้านการดูแลสุขภาพสามารถปรับปรุงการบันทึกทางคลินิก การเชื่อมต่อระหว่างระบบ การวัดคุณภาพ การปรับเงินรางวัล และการสนับสนุนการตัดสินใจโดยใช้ AI ได้ โซลูชันของ Medicomp ได้รับการออกแบบมาเพื่อให้สะท้อนถึงวิธีการทำงานและความคิดของแพทย์ และถูกใช้โดยโรงพยาบาล ระบบการดูแลสุขภาพ ผู้ให้บริการระบบบันทึกการดูแลสุขภาพอิเล็กทรอนิกส์ (EHR) และองค์กรด้านการดูแลสุขภาพทั่วโลกเพื่อปรับปรุงกระบวนการทำงาน ลดภาระการบริหาร และให้ข้อมูลเชิงลึกเกี่ยวกับผู้ป่วยที่มีความหมายมากขึ้นที่จุดให้บริการ บริษัทได้กลายเป็นผู้นำที่ได้รับการยอมรับในการรวมกราฟความรู้ทางคลินิก ข้อมูลที่มีโครงสร้าง และ AI เพื่อสนับสนุนการตัดสินใจด้านการดูแลสุขภาพที่แม่นยำ มีประสิทธิภาพ และเชื่อถือได้มากขึ้น

คุณได้ใช้เวลาเกือบสี่ทศวรรษในการทำงานในด้าน IT สำหรับการดูแลสุขภาพ ตั้งแต่เครือข่ายสื่อสารองค์กรในยุคแรกๆ และระบบการเรียกเก็บเงินทางการแพทย์ไปจนถึงการเป็นผู้นำของ Medicomp Systems มากกว่า 30 ปี เมื่อมองย้อนกลับไปที่การเปลี่ยนแปลงนั้น คุณเชื่อว่าปัญหาหลักๆ เกี่ยวกับข้อมูลการดูแลสุขภาพที่อุตสาหกรรมยังไม่ได้แก้ไขคืออะไร

อุตสาหกรรมการดูแลสุขภาพยังคงขาดมาตรฐานที่รวมกันสำหรับข้อมูลทางคลินิก มาตรฐานด้านคำศัพท์ที่เราใช้ถูกสร้างขึ้นเพื่อแก้ปัญหาการเข้ารหัสในโดเมินต่างๆ เช่น ICD-10 สำหรับการวินิจฉัย CPT และ HCPCS สำหรับขั้นตอนและการทดสอบ LOINC สำหรับผลการตรวจวัดในห้องปฏิบัติการและวัดอื่นๆ RxNorm สำหรับยาที่ต้องสั่งโดยแพทย์ และ SNOMED CT สำหรับการค้นพบทางคลินิก แต่ละมาตรฐานถูกสร้างขึ้นสำหรับการเรียกเก็บเงิน การจัดหมวดหมู่ หรือการวิจัย ไม่มีมาตรฐานใดที่ถูกสร้างขึ้นเพื่อจัดระเบียบการดูแลผู้ป่วย

ระบบข้อมูลการดูแลสุขภาพใช้มาตรฐานเหล่านี้เพื่อทำธุรกรรมที่เฉพาะเจาะจง ซึ่งส่วนใหญ่เชื่อมโยงกับการชำระเงิน มากกว่าที่จะให้แพทย์มองเห็นภาพรวมของผู้ป่วยที่ครบถ้วน พิจารณาผู้ป่วยที่เป็นโรคเบาหวาน ข้อมูลของผู้ป่วยจะกระจายอยู่ในแท็บต่างๆ ในระบบข้อมูลสุขภาพ โดยไม่มีมุมมอง “เบาหวาน” ที่รวมทุกอย่างที่เกี่ยวข้องกับโรคเข้าด้วยกัน ระบบการเข้ารหัสไม่มีสกีมาที่เหมือนกัน ซึ่งทำให้พวกมันไม่มีประสิทธิภาพในการคำนวณ และปัญหานี้จะยิ่งใหญ่มากขึ้นในโลกของ AI ทางคลินิก AI ขึ้นอยู่กับข้อมูลที่ดี และอุตสาหกรรมของเรายังไม่มีมัน

ลองนึกภาพคลังสินค้าของ Amazon (AMZN ) ที่พยายามดำเนินงานโดยไม่มีหน่วยรหัสสินค้า (SKUs) แต่พึ่งพาการอธิบายข้อความของสินค้าทุกชิ้น โดยแต่ละคำอธิบายเชื่อมโยงกับโครงสร้างข้อมูลที่เปลี่ยนแปลงไปตามประเภทสินค้า เกือบทุกอุตสาหกรรมมีระบบ SKUs บางรูปแบบ การดูแลสุขภาพไม่มี และดังนั้นข้อมูลจึงยังคงกระจัดกระจายและไม่สอดคล้องกัน

คุณได้อธิบายถึงคลังข้อมูลการดูแลสุขภาพสมัยใหม่หลายแห่งว่าเป็น “บ่อข้อมูล” มากกว่า “ทะเลสาบข้อมูล” ที่สามารถนำไปใช้ได้จริง คุณคิดว่าข้อผิดพลาดทางสถาปัตยกรรมที่ใหญ่ที่สุดคืออะไรที่ระบบการดูแลสุขภาพทำผิดพลาดระหว่างการรวมข้อมูล

ข้อผิดพลาดหลักคือการวางระเบียบคลังข้อมูลตามวิธีการจัดระเบียบของระบบต้นทาง มากกว่าที่จะจัดระเบียบตามผู้ป่วย ส่วนใหญ่ระบบการดูแลสุขภาพยังคงแยกข้อมูลทางคลินิกออกเป็นโดเมินต่างๆ เช่น ห้องปฏิบัติการ ยา การผ่าตัด และการวินิจฉัย ผู้ใช้และซอฟต์แวร์ที่พวกเขาพึ่งพาต้องเข้าถึงไฟล์และตำแหน่งต่างๆ เพื่อรวบรวมภาพของผู้ป่วย ซึ่งทำให้ทุกกระบวนการช้าและยุ่งยากมากขึ้น

ปัญหาในระดับที่ลึกกว่าคือการเก็บข้อมูลแต่ละรายการเป็นรายการอิสระ มากกว่าที่จะเป็นส่วนหนึ่งของมุมมองผู้ป่วยที่รวมกัน การเก็บข้อมูลดังกล่าวในสถานที่เดียวไม่ได้แก้ปัญหา การรวมข้อมูลที่กระจัดกระจายในคลังข้อมูลหนึ่งจะกลายเป็น “บ่อข้อมูล” เพราะปริมาณข้อมูลเพียงอย่างเดียวไม่ทำให้เกิดความเข้าใจ

สัดส่วนมากของข้อมูลที่มีความหมายทางคลินิกยังคงอยู่ในบันทึกของแพทย์ รายงานการถ่ายภาพ และสรุปการปล่อยตัว มากกว่าที่จะอยู่ในฟิลด์ที่มีโครงสร้าง คุณคิดว่าทำไมอุตสาหกรรมจึงต้องดิ้นรนในการนำข้อมูลทางคลินิกที่ไม่มีโครงสร้างมาใช้จริงในระดับขนาดใหญ่

สิ่งนี้กำลังเปลี่ยนแปลงอย่างรวดเร็ว และขนาดใหญ่ โมเดลภาษาที่สร้างขึ้น (LLMs) สามารถสร้างสรุปข้อความของการพบปะที่ไม่มีคำย่อหรือภาษาเฉพาะ ทำให้ง่ายต่อการประมวลผลภาษาธรรมชาติทางคลินิก (NLP) ในการดึงข้อมูลที่มีโครงสร้างและเข้ารหัสออกจากข้อความนั้น ในอดีต การจับข้อมูลที่มีโครงสร้างต้องขอให้แพทย์ทำงานผ่านรายการตรวจสอบหรือแบบฟอร์ม ซึ่งพวกเขาพบว่าไม่สะดวกและไม่สามารถใช้งานได้

วันนี้ ลำดับการทำงานแตกต่างไปแล้ว การฟังแบบแอมเบียนต์สามารถสร้างบันทึกข้อความที่สะอาดได้ LLM สรุปบันทึกนั้นให้เป็นรูปแบบที่มีโครงสร้างบางส่วน และ NLP จะทำงานบนสรุปนั้น เมื่อ NLP มุ่งเป้าไปที่เป้าหมายข้อมูลทางคลินิกที่เหมาะสม ซึ่งแสดงถึงแนวคิดทางคลินิกมากกว่ารายการรหัสที่เรียบง่าย มันสามารถผลิตข้อมูลที่มีโครงสร้างจากข้อความเชิงเรื่องราวได้ การบรรลุเป้าหมายนี้ยังคงต้องใช้เทคโนโลยีหลายอย่างทำงานร่วมกัน และขึ้นอยู่กับการมีเป้าหมายข้อมูลทางคลินิกที่เหมาะสมในสถานที่

คุณโต้แย้งว่าความท้าทายหลักไม่ใช่ “คุณภาพข้อมูล” แต่เป็น “การกระจายข้อมูล” คุณสามารถอธิบายความแตกต่างและเหตุผลว่าทำไมความแตกต่างนี้จึงมีความสำคัญสำหรับระบบการดูแลสุขภาพที่ขับเคลื่อนด้วย AI หรือไม่

ทั้งสองอย่างเกี่ยวข้องกัน แต่กลับอธิบายปัญหาแตกต่างกัน และความแตกต่างนี้มีความสำคัญมากสำหรับ AI คุณภาพข้อมูลคือความถูกต้อง ครบถ้วน และถูกบันทึกอย่างถูกต้องของข้อมูลแต่ละรายการ การกระจายข้อมูลเป็นเรื่องของโครงสร้าง การกระจายข้อมูลเกิดขึ้นเมื่อข้อมูลทางคลินิกถูกแบ่งออกเป็นโดเมินและระบบการเข้ารหัสที่แตกต่างกัน และเก็บไว้ในรูปแบบและตำแหน่งที่แตกต่างกัน

การกระจายข้อมูลนี้เป็นแนวปฏิบัติปัจจุบัน เพราะแต่ละระบบการเข้ารหัสถูกออกแบบมาเพื่อใช้กรณีการใช้งานธุรกรรมที่แยกจากกัน วิธีการนี้เหมาะสมสำหรับการเขียนสั่งยา การสร้างบิล หรือการดำเนินงานอื่นๆ ที่แยกจากกัน การดูแลผู้ป่วยโดยรวมเป็นปัญหาหนึ่งที่ต้องการข้อมูลจากหลายโดเมินมาเชื่อมโยงและแสดงเป็นมุมมองผู้ป่วยที่เชื่อมโยงทางคลินิกที่สมบูรณ์ บันทึกอาจเต็มไปด้วยจุดข้อมูลที่ถูกต้องแต่ขาดการเชื่อมโยง ซึ่งทำให้แพทย์ไม่สามารถใช้งานได้

คุณเน้นย้ำถึงช่องว่างที่สำคัญสามประการในคลังข้อมูลการดูแลสุขภาพส่วนใหญ่: การดึงข้อมูลเชิงเรื่องผ่าน NLP กราฟความรู้ทางคลินิก และการปรองดองบันทึกที่ขัดแย้งกัน คุณคิดว่าความสามารถที่หายไปไหนที่ส่งผลกระทบมากที่สุดต่อการดูแลผู้ป่วยในขณะนี้

สองในสามอย่างนี้เชื่อมโยงถึงกัน: การปรองดองบันทึกที่ขัดแย้งกัน และกราฟความรู้ทางคลินิกที่ดีเท่ากับข้อมูลที่มันทำงานอยู่ ในสามประการนี้ การปรองดองบันทึกที่ขัดแย้งกันส่งผลกระทบมากที่สุดในขณะนี้ เพราะมันอยู่ข้างหน้าทุกอย่าง

สิ่งที่เกิดขึ้นบ่อยๆ คือสิ่งที่อยู่ในบันทึกผู้ป่วยถูกเขียนโดยการคัดลอกและวางจากการพบปะครั้งก่อนๆ หรือการรวมข้อมูลจากผู้ให้บริการหลายราย การย้ายข้อมูลนี้ระหว่างระบบโดยใช้ Fast Healthcare Interoperability Resources (FHIR) ทำให้ง่ายต่อการรับส่ง แต่ไม่ได้ปรับปรุงคุณภาพข้อมูลที่อยู่เบื้องหลัง AI หรือกราฟความรู้ทางคลินิกที่ทำงานบนข้อมูลนั้นจะส่งผลลัพธ์ที่มีข้อผิดพลาดไปด้วย

พิจารณาผู้ป่วยที่มีเบาหวานซึ่งถูกประเมินสำหรับโรคจอประสาทตาหรือโรคต้อกระจก การประเมินนี้ไม่ได้หมายความว่าผู้ป่วยมีต้อกระจกที่เกี่ยวข้องกับเบาหวาน เนื่องจากต้อกระจกอาจเกิดจากวัยอ่อนของต้อกระจกที่ไม่เกี่ยวข้องกับเบาหวาน ระบบ AI อาจพลาดความแตกต่างนี้ และการเชื่อมโยงที่ไม่ถูกต้องจะเข้าไปในบันทึกผู้ป่วยและยังคงอยู่เมื่อข้อมูลถูกย้ายระหว่างระบบ กราฟความรู้ที่ได้รับข้อมูลที่ไม่ดีจะให้ผลลัพธ์ที่ไม่ดี

มาตรฐานอย่าง SNOMED CT, LOINC, RxNorm, FHIR และ C-CDA มักถูกพูดถึงว่าเป็นวิธีแก้ปัญหาการเชื่อมต่อ ในทางปฏิบัติ ทำไมหลายองค์กรยังคงดิ้นรนในการเปลี่ยนมาตรฐานการปฏิบัติตามเป็นระบบที่มีประโยชน์ทางคลินิก

หลายระบบและองค์กรมีข้อมูลที่เข้ารหัสไม่ดีเพราะอินเทอร์เฟซผู้ใช้ทำให้ง่ายต่อการเลือกรายการแรกที่แสดง อินเทอร์เฟซเหล่านี้ถูกสร้างขึ้นเพื่อเคลื่อนย้ายรหัสสำหรับการเรียกเก็บเงินให้เร็วที่สุด มากกว่าที่จะให้ข้อมูลทางคลินิกที่ช่วยให้ผู้ใช้บันทึกสภาพที่ถูกต้อง

ตัวอย่างเช่น ICD-10 มีรหัสสำหรับ “โรคประสาทและกล้ามเนื้อทางพันธุกรรม” ซึ่งไม่ได้แยกแยะระหว่างโรค Charcot-Marie-Tooth และ Roussy-Lévy แม้ว่าทั้งสองอยู่ในหมวดหมู่เดียวกัน หากอินเทอร์เฟซผู้ใช้แสดงหมวดหมู่นี้ก่อนและทำให้การค้นหาสภาวะเฉพาะยากขึ้น ผู้ใช้จะเลือกหมวดหมู่นั้น หมวดหมู่อาจเพียงพอสำหรับการชำระเงิน แต่ไม่มีประโยชน์ทางคลินิกเท่ากับสภาวะเฉพาะที่เจาะจง ทุกมาตรฐานการเข้ารหัสมีปัญหาในลักษณะนี้

Medicomp ใช้เวลาหลายปีในการสร้างคำศัพท์ที่เชื่อมโยงทางคลินิกและเครื่องยนต์ความเกี่ยวข้องรอบๆ ระบบอย่าง MEDCIN ความสำคัญของกราฟความรู้ทางคลินิกในการทำให้ AI ทางการดูแลสุขภาพน่าเชื่อถือและตระหนักรู้ถึงบริบทคืออะไร

กราฟความรู้ทางคลินิกมีความจำเป็นเพราะมันทำให้ข้อมูลสามารถใช้ได้เมื่อแพทย์หรือผู้ตรวจสอบต้องการจริงๆ การทดสอบนี้ตรงไปตรงมา เมื่อผู้ป่วยมีสภาวะเฉพาะที่กำลังได้รับการจัดการ แพทย์สามารถเห็นทุกอย่างที่เกี่ยวข้องกับสภาวะนั้นได้ทันทีหรือไม่ หรือต้องค้นหาในบันทึกทั้งหมดทีละแท็บเพื่อสร้างบริบททางคลินิก กราฟความรู้ทางคลินิกที่สร้างขึ้นจากข้อมูลทางคลินิกที่สะอาดสามารถแสดงบริบทนั้นได้ในทันที หากไม่มีมัน การค้นหาข้อมูลเดียวกันจะใช้เวลานานมาก

นี่คือเหตุผลที่ทุกครั้งที่ฉันไปโรงพยาบาลขนาดใหญ่ ฉันถูกขอให้กรอกแบบฟอร์มประวัติสุขภาพที่มี 4 หน้า 6 หน้าจอพร้อมข้อมูลเดียวกับที่ฉันให้เมื่อเดือนที่แล้ว การค้นหาสิ่งใดๆ ในระบบข้อมูลสุขภาพปัจจุบันคือเรื่องที่ยากเกินไป Medicomp ใช้เวลามากกว่า 45 ปีในการสร้าง MEDCIN และกราฟความรู้ทางคลินิกเพื่อปิดช่องว่างนี้ เพื่อให้ AI ที่ทำงานบนข้อมูลที่สะอาดสามารถน่าเชื่อถือและตระหนักรู้ถึงบริบททางคลินิกของผู้ป่วย

หลายองค์กรด้านการดูแลสุขภาพกำลังใช้ AI ร่วมและระบบการบันทึกแบบแอมเบียนต์อย่างกว้างขวาง อะไรคือความเสี่ยงที่เกิดขึ้นเมื่อระบบ AI เหล่านี้ถูกฝึกหรือดำเนินการบนข้อมูลทางคลินิกที่กระจัดกระจายและไม่มีบริบทที่ดี

การหลอกลวงและความผิดพลาดในการจัดประเภทข้อมูลเป็นสองความเสี่ยงที่พบบ่อยที่สุด และทั้งสองนี้มีแนวโน้มที่จะเกิดขึ้นเมื่อข้อมูลที่อยู่เบื้องหลังกระจัดกระจายและไม่มีบริบทที่ดี

ตัวอย่างส่วนตัว: พ่อของฉันเสียชีวิตจากมะเร็งตับเมื่ออายุ 78 ปี แต่เมื่อเร็วๆ นี้ ฉันถูกถามว่าฉันอยู่ในระยะการฟื้นตัวมานานแค่ไหน ระบบการบันทึกแบบแอมเบียนต์เขียนประวัติสุขภาพส่วนตัวของฉันโดยบังเอิญว่าฉันเป็นมะเร็งตับ คอลีเกของฉันพบปัญหาในลักษณะเดียวกัน เขามีโรคปอดอุดกั้นเรื้อรัง (COPD) เขียนไว้ในบันทึกของเขาเพราะผู้ให้บริการของเขาใช้การบันทึกแบบแอมเบียนต์ในการสั่งการถ่ายภาพรังสีเพื่อตรวจ COPD เมื่อเขายื่นขอประกันชีวิต เขาได้รับการปฏิเสธ และเหตุผลที่ให้มาเป็นเพราะการวินิจฉัย COPD ที่เกิดขึ้นโดยไม่ตั้งใจจากการสั่งการถ่ายภาพรังสีนั้น

ความล้มเหลวของบริบทอาจแปลกกว่านั้น ในกรณีหนึ่ง ผู้ป่วยชายที่กล่าวว่าเขากินไข่สำหรับอาหารเช้าถูกจัดประเภทใหม่เป็นผู้หญิง โดยมีแนวโน้มว่าระบบเชื่อมโยงคำว่า “ไข่” กับชีววิทยาของผู้หญิง แต่ละข้อผิดพลาดเหล่านี้อาจดูตลกในแง่ของตัวมันเอง แต่เมื่อเขียนลงในบันทึกและถูกแลกเปลี่ยนระหว่างระบบ มันจะหยุดเป็นเรื่องตลก

มีความตื่นเต้นอย่างมากเกี่ยวกับการก้าวหน้าด้านการเชื่อมต่อระดับชาติ โดยมีหลายร้อยล้านบันทึกที่ถูกแลกเปลี่ยนในแต่ละปี คุณคิดว่ายังต้องเกิดอะไรขึ้นก่อนที่แพทย์จะสามารถเชื่อถือได้ว่าข้อมูลที่แลกเปลี่ยนมีครบถ้วน ถูกต้อง และเกี่ยวข้องกับการดูแลสุขภาพที่จุดให้บริการ

สิ่งหนึ่งที่ต้องเกิดขึ้นคือผู้ให้บริการที่ลงนามในการพบปะซึ่งสร้างขึ้นโดยเครื่องมือการฟังแบบแอมเบียนต์ โดยมี LLM ที่สรุปผล ต้องมีเครื่องมือป้องกันที่ง่ายและใช้งานได้ง่ายก่อนที่จะลงนามในข้อมูลนั้นเพื่อให้เข้าไปในบันทึกผู้ป่วย เมื่อข้อมูลที่ไม่ถูกต้องเข้าไปในบันทึกแล้ว การแก้ไขหลังจากนั้นจะยาก

สิ่งที่สอง คือ แม้ว่าข้อมูลจะถูกต้อง แต่แพทย์จะต้องสามารถค้นหาสิ่งที่ต้องการได้โดยไม่ต้องค้นหาในบันทึกทั้งหมด การแลกเปลี่ยนหลายร้อยล้านบันทึกไม่ได้ประโยชน์หากแพทย์ที่รับข้อมูลไม่สามารถหาข้อมูลที่เกี่ยวข้องหรือเชื่อถือได้ว่ามันสะท้อนถึงภาพสุขภาพของผู้ป่วยที่แท้จริง การตรวจสอบที่จุดให้บริการและการค้นหาที่ง่ายเป็นสิ่งที่ทำให้ข้อมูลที่แลกเปลี่ยนสามารถเชื่อถือได้

เมื่อมองไปข้างหน้า 5 ปี สภาพแวดล้อมข้อมูลการดูแลสุขภาพที่ “ถูกกระตุ้น” จะมีลักษณะอย่างไรเมื่อ AI มาตรฐานการเชื่อมต่อ บริบททางคลินิก และกระบวนการทำงานของแพทย์ถูกจัดเรียงใหม่ในลักษณะที่มีความหมาย

การบรรจบกันจะขึ้นอยู่กับทุกฝ่ายที่มีการเข้าถึงฐานข้อมูลทางคลินิกที่เชื่อถือได้ ซึ่งออกแบบมาเพื่อจัดการผู้ป่วยแต่ละคนอย่างมีประสิทธิภาพ และโดยรวมแล้วจะทำให้การบริหารจัดการสุขภาพประชากรเป็นจริง การบรรจบกันนี้เริ่มต้นจากผู้ป่วยแต่ละคน

ก่อนการพบปะ AI หนึ่งอันรวบรวมข้อมูลที่มีอยู่ทั้งหมดของผู้ป่วยจากเครือข่ายสุขภาพ การแลกเปลี่ยน ผู้ให้บริการ และองค์กร ในขณะที่ AI อีกอันหนึ่งลบข้อมูลซ้ำและจัดระเบียบข้อมูลที่เหลือ ผู้ป่วยจากนั้นยืนยันการวินิจฉัยที่มีอยู่ ยา ผลการตรวจวัดในห้องปฏิบัติการล่าสุด และปัญหาใหม่ใดๆ โดยแก้ไขข้อผิดพลาดไปพร้อมๆ กัน ร่างการเปลี่ยนแปลงจะถูกส่งไปยังแพทย์เพื่อตรวจสอบ

ที่จุดพบปะ ไม่ว่าจะเป็นการพบปะเสมือนหรือจริง แพทย์จะตรวจสอบข้อมูลนั้นด้วยผู้ป่วยและหันความสนใจไปที่สภาวะที่ต้องการการดูแล AI หนึ่งอันแสดงบริบทที่เกี่ยวข้องทางคลินิกสำหรับสภาวะที่มีอยู่หรือการร้องเรียนใหม่ๆ และการฟังแบบแอมเบียนต์จับบทสนทนา LLM สรุปมันสำหรับแพทย์ในการตรวจสอบ แก้ไข และอนุมัติ

จากจุดนั้น AI จัดการงานที่ตามมา: การรับประกันการอนุมัติที่จำเป็น การส่งใบสั่งยาที่ร้านขายยา การส่งใบเรียกเก็บเงิน การนัดหมายการดูแลต่อๆ ไป และการบรรจุภัณฑ์ข้อมูลสำหรับผู้มีสิทธิ์ ในระหว่างนี้ AI ในพื้นหลังประเมินความเสี่ยงทางคลินิกและกระตุ้นให้เกิดเอกสารที่เกี่ยวข้องกับคุณภาพ การปรับเงินรางวัล และการปฏิบัติตามกฎระเบียบ โมเดลทั้งหมดขึ้นอยู่กับข้อมูลที่สะอาดและเชื่อถือได้ทุกขั้นตอน โดยมีแพทย์อยู่ในวงจรเพื่อผลิตข้อมูลที่สนับสนุนการดูแลผู้ป่วยแต่ละรายและการจัดการสุขภาพประชากรที่มีประสิทธิภาพ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Medicomp Systems เพื่อเรียนรู้เพิ่มเติม