Medicomp Sistemleri Başkanı ve CEO’su David Lareau – Röportaj Serisi

David Lareau, Medicomp Sistemleri Başkanı ve CEO’su, yaklaşık beş thập kỷ süren bir kariyeri olan bir sağlık teknolojisi yöneticisi ve girişimcidir. Bilgisayar denetimi ve yönetimi alanında kariyerine başlayan Lareau, 1987 yılında Dexcom Sistemleri’ni kurdu ve Dünya Bankası, DuPont ve Sinai Hastanesi gibi kuruluşlar için bazı ilk企业 iletişim ağları ve büyük ölçekli yerel alan ağlarını dağıtmaya yardımcı oldu. 1995 yılında Medicomp Sistemleri’ne Chief Operating Officer olarak katıldı ve 2012 yılında CEO olarak atandı, şirketin bir klinisyen bilimi motoru sağlayıcısından modern bir sağlık AI ve etkileşim şirketine dönüşümünü yönetti. Liderliği altında Medicomp, küresel erişimini genişletti, kanıta dayalı klinik zeka çözümlerini geliştirdi ve daha akıllı sağlık teknolojisi yoluyla klinisyen verimliliğini, veri kullanılabilirliğini ve hasta bakımını iyileştirmeye odaklandı.

Medicomp Sistemleri bir sağlık teknolojisi şirketi olup, karmaşık ve parçalı sağlık verilerini yapılandırılmış, klinik olarak ilgili bilgilere dönüştüren klinik zeka ve bilgi motoru teknolojisi ile tanınır. MEDCIN klinik bilgi motoruna dayanan şirketin Quippe platformu, sağlık kuruluşlarının klinik belgelerini, etkileşimini, kalite ölçümünü, risk ayarlamasını ve AI destekli karar desteklerini iyileştirmelerine yardımcı olur. Klinikçilerin düşünme ve çalışma şeklini yansıtan Medicomp’un çözümleri, hastaneler, sağlık sistemleri, EHR satıcıları ve dünya çapındaki sağlık kuruluşları tarafından iş akışlarını basitleştirmek, idari yükü azaltmak ve hasta bakımında daha anlamlı bilgiler sunmak için kullanılır. Şirket, klinik bilgi grafikleri, yapılandırılmış veri ve AI’yi birleştirmek suretiyle daha doğru, verimli ve güvenilir sağlık kararlarına destek olmak için tanınmış bir lider haline gelmiştir.

Yaklaşık dört thập kỷ süren sağlık BT sektöründe, erken dönem kurumsal iletişim ağları ve tıbbi faturalama sistemlerinden Medicomp Sistemleri’ni yönetmeye kadar birçok farklı alanda çalıştınız. O evrimi geriye dönüp bakınca, sağlık endüstrisinin hala çözmediği temel bir sağlık verisi problemi olduğuna inandığınız nedir?

Şu anda sağlık endüstrisinin entegre bir klinik veri standardına sahip olmadığına inanıyorum. Kullanılan terminoloji standartları, her biri tek bir alanda kodlama sorunlarını çözmek için oluşturuldu: ICD-10 teşhisler için, CPT ve HCPCS prosedürler ve testler için, LOINC laboratuvar sonuçları ve diğer ölçümler için, RxNorm ilaçlar için ve SNOMED CT klinik bulgular için. Her biri faturalama, sınıflandırma veya araştırma için oluşturuldu, ancak hiçbiri hasta bakımını organize etmek için oluşturulmadı.

Şu anda sağlık bilgi sistemleri, bu standartları belirli işlemleri tamamlamak için kullanıyor, ancak çoğunda ödeme ile ilgili işlemler var. Bir hastanın verisi, sağlık bilgi sisteminin ayrı sekmelerinde, diyabet gibi bir durumla ilgili her şeyi bir araya getiren tek bir “diyabet görünümü” olmadan spread edilmiştir. Kodlama sistemleri ortak bir şema paylaşmaz, bu da onları hesaplama açısından verimsiz kılar ve bu verimsizlik klinik AI dünyasında çok daha büyük bir sorun haline gelir. AI iyi veri gerektirir ve endüstrimiz henüz bunu elde edemedi.

Modern sağlık depolarının çoğunu “veri bataklığı” olarak değil, eyleme geçirilebilir veri gölleri olarak tanımladınız. Sağlık sistemleri, verileri merkezileştirme telaşesindeki en büyük mimari hatalar nelerdir?

En büyük hata, depoyu kaynak sistemlerin organizasyonuna göre, hasta odaklı değil, alanlar ve işlemler etrafında organize etmektir. Çoğu sağlık sistemi hala klinik bilgileri, laboratuvarlar, ilaçlar, prosedürler ve teşhisler gibi ayrı alanlara ayırır. Kullanıcılar ve bağlı yazılımlar, hasta hakkında bir resim oluşturmak için farklı dosyalara ve konumlara ulaşmak zorundadır, bu da her işlemi daha yavaş ve daha zor hale getirir.

Daha derin bir sorun, her işlemin, bir fatura, reçete, test emri veya laboratuvar sonucu gibi, kendine yeterli bir madde olarak depolanması ve hasta durumunun entegre bir görünümünün parçası olarak depolanmamasıdır. Bu verileri bir yerde merkezileştirmek sorunu çözmez. Parçalı, alanla sınırlı kayıtlarla dolu bir veri gölü, hacim olmadan anlama sağlamadığı için bir veri bataklığı haline gelir.

Büyük bir kısmı hala hekim notlarında, görüntüleme raporlarında ve taburcu özetlerinde yaşayan klinik olarak anlamlı bilgilerin neden endüstri çapında operasyonelleştirilmesinde bu kadar çok mücadele edildi?

Bu durum değişiyor ve hızla değişiyor. Büyük dil modelleri (LLM’ler), nowdays, karşılaşmaların metin özetlerini, kısaltmalar ve özgün kısaltmalardan arınmış bir şekilde oluşturabiliyor, bu da klinik doğal dil işleme (NLP)’nin o metinden yapılandırılmış, kodlanmış verileri çıkarmasını çok daha kolay hale getiriyor. Geçmişte, yapılandırılmış verileri yakalamak, klinisyenlerin checklist’ler veya formlar aracılığıyla çalışmasını gerektiriyordu, ancak bunlar genellikle klinisyenler için hantal ve kullanılmaz haldeydi.

Şimdi, sıralama farklı çalışıyor. Ambient dinleme, karşılaşmaların temiz bir metin notunu üretiyor, bir LLM bu notu yarı yapılandırılmış bir forma özetliyor ve NLP daha sonra bu özet üzerinde çalışıyor. NLP, klinik veri hedefine, klinik kavramları temsil eden bir hedefe yönlendirildiğinde, metinlerden iyi yapılandırılmış verileri üretebilir. Bunu başarmak, teknoloji kombinasyonlarının birlikte çalışmasına bağlıdır ve tamamen doğru klinik veri hedefinin yerinde olmasına bağlıdır.

Veri kalitesi değil, veri parçaleşmesinin temel zorluğa inandığınızı söylüyorsunuz. Aradaki farkı açıklar ve neden AI destekli sağlık sistemleri için bu ayrım önemli?

İkisi yakından ilgili, ancak farklı sorunları tanımlar ve bu fark AI için büyük önem taşır. Veri kalitesi, bir bilgi parçasının doğru, eksiksiz ve doğru bir şekilde kaydedilip kaydedilmediği ile ilgilidir. Veri parçaleşmesi yapısal bir sorundur. Parçaleşme, klinik bilgilerin, hangi kalitede olursa olsun, ayrı alanlara, kodlama sistemlerine ve depolama biçimlerine bölünmesi ve farklı biçimlerde depolanmasıdır.

Bu parçaleşme, her kodlama sisteminin ayrı bir işlem kullanım durumu için tasarlandığı için mevcut uygulamadır. Bu yaklaşım, bir reçete yazmak, bir fatura üretmek veya diğer ayrı görevleri yerine getirmek için yeterliydi. Genel hasta bakımı farklı bir sorundur, bu da birden fazla alandan bilgiyi bir araya getirmek, işlemek ve hasta için tek bir, tanısal olarak bağlı bir görünüm olarak sunmak gerekir. Bir kayıt, bireysel olarak doğru veri noktaları ile dolu olabilir, ancak klinisyene başarısız olabilir, çünkü bu noktaları o görüşe bağlayan hiçbir şey yoktur.

En büyük sağlık veri gölleri eksikliklerinden üçünü vurguladınız: NLP aracılığıyla anlatı çıkarma, klinik bilgi grafikleri ve çelişkili kayıtların uzlaştırılması. Hangi eksik yetenek, şu anda hasta bakımına en büyük aşağı akış etkisini yaratıyor?

İki eksiklik yakından bağlantılı: çelişkili kayıtların uzlaştırılması ve bir klinik bilgi grafiğinin, üzerinde çalıştığı verilerin kalitesine bağlı olması. Üçü arasında, uzlaştırma şu anda en büyük aşağı akış hasarını yaratıyor, çünkü her şeyin önünde yer alıyor.

Bir hastanın dosyasında yaşayan çok şey, önceki karşılaşmalardan kopyalanarak veya birden fazla sağlayıcıdan bilgi birleştirilerek girildi. Bu bilgileri sistemler arasında Fast Healthcare Interoperability Resources (FHIR) ile aktarmak, göndermeyi ve almayı kolaylaştırıyor, ancak temel kaliteyi geliştirmez. Bu bilgileri AI veya klinik bir bilgi grafiği üzerinde çalıştırırsanız, sonuçlar muhtemelen aynı tutarsızlıkları ileri taşıyacaktır.

SNOMED CT, LOINC, RxNorm, FHIR ve C-CDA gibi standartlar, genellikle etkileşim çözümleri olarak tartışılır. Uygulamada, neden birçok kuruluş hala standart uyumluluğunu klinik olarak faydalı sistemlere dönüştürmekte zorlanıyor?

Çok sistem ve kuruluş, kullanıcı arayüzlerinin, kodlama işlemlerini faturalama için mümkün olduğunca hızlı bir şekilde ilerletmesini kolaylaştırdığı için kötü kodlanmış verileri taşır. Bu arayüzler, klinik bağlamı sağlamak yerine, kodu ilerletmek için tasarlanmıştır.

Örneğin, ICD-10, “kalıtsal motor ve duyusal nöropati” için bir kod içerir, bu, Charcot-Marie-Tooth hastalığını Roussy-Lévy sendromundan ayırt etmez, her ikisi de bu kategorinin içinde yer alır. Kullanıcı arayüzü bu kategoriyi ilk olarak sunar ve spesifik durumu seçmeyi daha zor hale getirirse, kullanıcı muhtemelen kategoriyi seçecektir. Kategori, bir talebi ödemek için yeterli olabilir, ancak spesifik durumdan çok daha az klinik olarak faydalıdır. Tüm işlem kodlama terminolojileri, bu sorunun bir versiyonunu paylaşır.

Medicomp, MEDCIN gibi sistemler etrafında klinik olarak bağlı terminoloji ve alaka motorları oluşturmaya yıllarca yatırım yaptı. Klinik bir bilgi grafiğinin, sağlık AI’sini güvenilir ve bağlamında farkında kılmak için ne kadar önemli?

Bir klinik bilgi grafiği, verilerin, klinisyenlerin gerçekten ihtiyaç duyduğu anda kullanılabilir olmasını sağlar. Test basittir. Bir hasta spesifik bir durumla karşı karşıyaysa, kullanıcı, o duruma ilişkin her şeyi hemen görebiliyor mu, yoksa tüm kaydı, sekme sekme, klinik bağlamı yeniden oluşturmak için mi gezmelidir? Temiz klinik veriler üzerine kurulan bir klinik bilgi grafiği, bu bağlamı anında yüzeyde gösterebilir. Olmadan, aynı bilgiyi bulmak çok uzun sürer.

Birçok sağlık kuruluşu artık AI kaptan pilotları ve ambient belgeleri dağıtmaya başladı. Bu AI sistemleri, parçalı, kötü bağlamsallaştırılmış klinik verilere dayandırıldığında veya işletildiğinde hangi riskler ortaya çıkar?

Hallüsinasyon ve bilgiyi yanlış kategorileme, en yaygın risklerden ikisidir ve her ikisi de altta yatan verilerin parçalı ve kötü bağlamsallaştırıldığında daha olası hale gelir.

Kişisel bir örnek: babam 78 yaşında karaciğer kanserinden öldü, ancak最近 bir ziyaretimde, karaciğer kanserinden ne kadar süredir remisyondayım soruldu. Ambient belgeler, kendi dosyamda kişisel bir karaciğer kanseri geçmişi kaydetmişti. Bir meslektaşım benzer bir şey yaşadı. Kronik obstrüktif akciğer hastalığı (KOAH) olan bir kayıtta yer aldı, çünkü sağlayıcısı, ambient belgeleri kullanarak bir göğüs röntgeni emri vermişti. Daha sonra hayat sigortası için başvurduğunda, reddedildi ve verilen neden, daha önce yapılan röntgen emriyle oluşan KOAH teşhisiydi.

Bağlamsal başarısızlıklar daha da garip olabilir. Bir erkek hastanın, kahvaltıda yumurta yediği söylenmesi üzerine, sistem tarafından kadın olarak sınıflandırıldığı bir durumda, muhtemelen sistem, “yumurta” kelimesini dişi biyoloji ile ilişkilendirmişti. Her biri izole olarak komik olabilir, ancak bir karta yazıldıklarında ve sistemler arasında paylaşıldıklarında, gülmeyi bırakırlar.

Ulusal etkileşim ilerlemesi etrafında artan bir heyecim var, şimdi yüz milyonlarca kayıt yıllık olarak değiştiriliyor. Klinikçilerin gerçekten, paylaşılan verilerin, hasta bakım noktasında tam, doğru ve klinik olarak ilgili olduğuna güvenebilmeleri için neye ihtiyaç var?

İki şey olmalıdır. İlk olarak, karşılaşmaları imzalayan sağlayıcılar, artık büyük ölçüde ambient dinleme araçları ve LLM özetleme ile oluşturulan karşılaşmalar, imzaladıktan hemen önce, hasta kaydına girmeden önce kolayca kullanılabilen koruma önlemlerine ihtiyaç duyarlar. Yanlış bilgi bir kez hasta kaydına girerse, tüm sonraki kullanımları “çöp içe, çöp dış” sorununu miras alır ve bunu daha sonra düzeltmek zordur.

İkincisi, verilerin doğru olması durumunda, bir klinisyenin ihtiyacını bulabilmesi için, tüm kayıtları aramak zorunda kalmaması gerekir. Yüz milyonlarca kaydı değiştirmek, klinisyenin ilgili bilgiyi bulamaması veya bu bilginin hasta kliniğinin gerçek resmini yansıttığından emin olamaması durumunda, fazla bir fayda sağlamaz. Hasta bakım noktasında doğrulama ve kolay erişim, klinisyenin gerçekten güvenilebileceği şeylerdir.

Beş yıl sonrasına bakıldığında, AI, etkileşim standartları, klinik bağlam ve hekim iş akışlarının anlamlı bir şekilde hizalanabileceği bir “etkinleştirilmiş” sağlık veri ortamı nasıl görünür?

Uygunluk, her tarafın güvenilir bir klinik veri temeline erişebilmesine bağlı olacaktır, bu da her hasta için etkili bir şekilde yönetilmesini ve toplu olarak gerçek bir halk sağlığı yönetimini gerçeğe dönüştürmeyi sağlar. Bu temel verildiğinde, uygunluk, bireysel hastayla başlar.

Her karşılaşmadan önce, bir AI aracısı, hasta için tüm mevcut verileri, sağlık bilgi ağlarından, değişimlerden, ödemelerden ve kuruluşlardan toplar, bir diğeri ise kopyaları ortadan kaldırır ve kalan verileri düzenler. Bir uygulama, bir kiosk veya bir sohbet aracısı aracılığıyla hasta, current teşhisleri, ilaçları, recent laboratuvar sonuçlarını ve yeni sorunları doğrular ve hataları düzeltir. Değişikliklerin bir taslağı klinisyene gönderilir.

Karşılaşma sırasında, sanal veya fiziksel, klinisyen hasta ile bu bilgileri gözden geçirir ve dikkat gerektiren koşullara yönelir. Bir aracı, her mevcut durumda veya yeni şikayette diagnostik olarak ilgili bağlamı yüzeyde gösterir, ve ambient dinleme konuşmayı yakalar. İkinci bir aracı, klinisyen tarafından gözden geçirilmesi, düzeltilmesi ve onaylanması için bunu özetler.

Bundan sonra, aracılar aşağı akış işini ele alır: gerekli izinleri güvence altına alır, reçeteleri eczaneye gönderir, talepleri sunar, takip bakımını planlar ve yetkili taraflar için bilgileri paketler. Arka planda çalışan aracılar, klinik riski değerlendirir ve kalite, risk ayarlaması ve düzenleyici belgeler için uyarır. Tüm model, her adımda temiz, güvenilir veriler üzerinde dayanır, klinisyenler döngüde tutulur ve hem bireysel hasta bakımı hem de etkili halk sağlığı yönetimi için bilgi üretilir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Medicomp Sistemleri‘ni ziyaret edebilir.