Вівек Десаї, Головний технологічний директор, Північна Америка в RLDatix – Серія інтерв’ю

Вівек Десаї є Головним технологічним директором Північної Америки в RLDatix, компанії, яка займається підключенням операцій зі здоров’ям та наданням послуг. RLDatix має на меті змінити систему охорони здоров’я. Вони допомагають організаціям забезпечувати безпечніше, ефективніше лікування, надаючи інструменти управління, ризиками та відповідальністю, які сприяють загальному покращенню та безпеці.

Що спочатку привернуло вашу увагу до комп’ютерних наук і кібербезпеки?

Мене привабили складності того, що комп’ютерні науки та кібербезпека намагаються вирішити – завжди є нові виклики для дослідження. Добрим прикладом цього є час, коли хмара тільки починала набирати популярність. Вона мала великі обіцянки, але також піднімала питання про безпеку робочих процесів. Було ясно з самого початку, що традиційні методи були тимчасовим рішенням, і що організації повинні були розробити нові процеси для ефективної безпеки у хмарі. Навігація цими новими методами була особливо цікавим завданням для мене та багатьох інших, хто працював у цій галузі. Це динамічна та еволюційна галузь, тому кожен день приносить щось нове та цікаве.

Чи можете ви поділитися деякими з поточних обов’язків, які у вас є як у Головного технологічного директора RLDatix?  

Наразі я зосереджений на керівництві нашої стратегії даних та пошуку способів створення синергій між нашими продуктами та даними, які вони містять, для кращого розуміння тенденцій. Багато наших продуктів містять подібні типи даних, тому моя робота полягає у тому, щоб знайти способи зруйнувати ці бар’єри та зробити доступ до даних легшим для наших клієнтів, як лікарень, так і систем охорони здоров’я. Крім того, я працюю над我们的 глобальною стратегією штучного інтелекту (ШІ) для інформування цього доступу та використання даних по всьому екосистемі.

Залишатися в курсі нових тенденцій у різних галузях також є важливим аспектом моєї роботи, щоб забезпечити, що ми рухаємось у правильному стратегічному напрямку. Наразі я уважно стежу за великими мовними моделями (ВММ). Як компанія, ми працюємо над тим, щоб знайти способи інтегрувати ВММ у нашу технологію, щоб наділити та посилити людей, зокрема працівників охорони здоров’я, зменшити їх когнітивне навантаження та дозволити їм зосередитися на догляді за пацієнтами.

У вашому блозі на LinkedIn під назвою “Рефлексія над моїм першим роком як Головного технологічного директора,” ви написали, “Головні технологічні директори не працюють самі. Вони є частиною команди.” Чи можете ви розповісти про деякі з викликів, з якими ви зіштовхнулися, та про те, як ви підходите до делегування та командної роботи над проектами, які мають внутрішню технічну складність?

Роль Головного технологічного директора фундаментально змінилася за останні десять років. Залишилися дні роботи у серверній кімнаті. Тепер робота значно більш колаборативна. Разом, по всіх бізнес-підрозділах, ми виходимо на організаційні пріоритети та перетворюємо ці аспірації на технічні вимоги, які рухають нас вперед. Лікарні та системи охорони здоров’я зараз мають справу з багатьма щоденними викликами, від управління персоналом до фінансових обмежень, і впровадження нових технологій не завжди є пріоритетом. Наша основна мета полягає у тому, щоб показати, як технології можуть допомогти пом’якшити ці виклики, а не додавати до них, і яку цінність вони приносять їхньому бізнесу, працівникам та пацієнтам у цілому. Ця робота не може бути виконана одна чи навіть у межах моєї команди, тому колаборативна робота охоплює мультидисциплінарні підрозділи для розробки єдиної стратегії, яка покаже цю цінність, незалежно від того, чи це надання клієнтам доступу до розблокованих даних чи активація процесів, які вони зараз не можуть виконувати.

Яка роль штучного інтелекту у майбутньому підключених операцій зі здоров’ям?

Як тільки інтегровані дані стають більш доступними завдяки ШІ, їх можна використовувати для підключення розрізнених систем та покращення безпеки та точності по всьому континууму догляду. Ця концепція підключених операцій зі здоров’ям є категорією, на яку ми зосереджені в RLDatix, оскільки вона розблоковує діючі дані та ідеї для прийняття рішень у сфері охорони здоров’я – і ШІ є важливим для того, щоб зробити це реальністю.

Негнучим аспектом цієї інтеграції є забезпечення того, що використання даних є безпечним та відповідним, а ризики зрозумілі. Ми є лідерами на ринку політики, ризиків та безпеки, що означає, що у нас є велика кількість даних для навчання фундаментальних ВММ з більшою точністю та надійністю. Для досягнення справжніх підключених операцій зі здоров’ям перший крок полягає у злитті розрізнених рішень, а другий – у витягуванні даних та нормалізації їх по всім рішенням. Лікарні значно виграють від групи взаємопов’язаних рішень, які можуть об’єднати набори даних та надати діючу цінність користувачам, а не підтримувати окремі набори даних окремих рішень.

У недавньому ключовому слові Головний продукт-офіцер Барбара Старук розповіла, як RLDatix використовує генеративний ШІ та великі мовні моделі для оптимізації та автоматизації звітів про інциденти безпеки пацієнтів. Чи можете ви розповісти про це?

Це дуже важлива ініціатива для RLDatix і добрий приклад того, як ми максимізуємо потенціал ВММ. Коли лікарні та системи охорони здоров’я складають звіти про інциденти, зараз існують три стандартні формати для визначення рівня шкоди, вказаної у звіті: формати Агентства з дослідження якості охорони здоров’я, Національної координаційної ради з повідомлення про медичні помилки та класифікації безпеки подій охорони здоров’я. Наразі ми можемо легко навчити ВММ читати текст у звіті про інцидент. Якщо пацієнт помирає, наприклад, ВММ може легко визначити цю інформацію. Виклик полягає у тому, щоб навчити ВММ визначати контекст та розрізняти більш складні категорії, такі як тяжка постійна шкода, таксономія, включена до класифікації безпеки подій охорони здоров’я, наприклад, порівняно з тяжкою тимчасовою шкодою. Якщо людина, яка повідомляє, не включає достатнього контексту, ВММ не зможе визначити відповідний рівень шкоди для цього конкретного інциденту безпеки пацієнта.

RLDatix має на меті впровадити простішу таксономію у всьому світі, по всьому нашому портфоліо, з конкретними категоріями, які можуть бути легко розрізнені ВММ. З часом користувачі зможуть просто написати, що відбулося, а ВММ обробить усе інше, витягуючи всю важливу інформацію та попередньо заповнюючи форми інцидентів. Це не тільки значна економія часу для вже перевантаженого персоналу, але й як модель стане ще більш просунутою, ми також зможемо визначити критичні тенденції, які дозволять організаціям охорони здоров’я приймати безпечніші рішення у цілому.

Які інші способи, якими RLDatix почав включати ВММ у свої операції?

Іншим способом, яким ми використовуємо ВММ внутрішньо, є оптимізація процесу акредитації. Креденціали кожного постачальника форматуються по-різному та містять унікальну інформацію. Щоб уявити це, подумайте про те, як кожен резюме виглядає по-різному – від шрифтів до досвіду роботи, освіти та загального форматування. Акредитація подібна. Де постачальник відвідував коледж? Яка його сертифікація? Які статті він опублікував? Кожен медичний працівник надає цю інформацію по-різному.

У RLDatix ВММ дозволяють нам читати ці креденціали та витягувати всі дані у стандартизованому форматі, так що працівники відділу вводу даних не повинні проводити багато часу на пошуки цієї інформації, що дозволяє їм витратити менше часу на адміністративну складову та зосередитися на значимих завданнях, які додають цінність.

Кібербезпека завжди була складною, особливо з переходом до хмарних технологій, чи можете ви обговорити деякі з цих викликів?

Кібербезпека є складною, тому важливо працювати з правильним партнером. Забезпечення того, що ВММ залишаються безпечними та відповідними, є найбільш важливим аспектом використання цієї технології. Якщо ваша організація не має присвячених працівників у компанії для виконання цієї роботи, це може бути надзвичайно складним та часоємним. Це одна з причин, чому ми працюємо з Amazon Web Services (AWS) над більшою частиною наших ініціатив з кібербезпеки. AWS допомагає нам встановити безпеку та відповідність як основні принципи нашої технології, так що RLDatix може зосередитися на тому, що ми робимо добре – будівництві великих продуктів для наших клієнтів у всіх наших відповідних вертикалях.

Які нові загрози безпеки ви бачили з недавнім швидким впровадженням ВММ?

З точки зору RLDatix існує кілька факторів, які ми розглядаємо під час розробки та навчання ВММ. Одним з важливих аспектів для нас є пом’якшення упередженості та несправедливості. ВММ тільки так хороши, як і дані, на яких вони навчаються. Фактори, такі як стать, раса та інші демографічні дані, можуть містити багато вбудованих упередженостей, оскільки сам набір даних упереджений. Наприклад, подумайте про те, як південно-східні Сполучені Штати використовують слово “y’all” у повсякденній мові. Це унікальне мовне упередження, властиве певному пацієнтському населенню, яке дослідники повинні враховувати при навчанні ВММ для точного розрізнення мовних нюансів порівняно з іншими регіонами. Такі упередження повинні бути вирішені у масштабі при використанні ВММ у сфері охорони здоров’я, оскільки навчання моделі у одному пацієнтському населенні не обов’язково означає, що модель буде працювати в іншому.

Збереження безпеки, прозорості та підзвітності також є великими напрямами нашої організації, а також пом’якшення будь-яких можливостей для галюцинацій та дезінформації. Забезпечення того, що ми активно вирішуємо будь-які проблеми конфіденційності, що ми розуміємо, як модель прийшла до певної відповіді, і що у нас є безпечний цикл розробки, є важливими компонентами ефективної реалізації та підтримки.

Які інші алгоритми машинного навчання використовуються в RLDatix?

Використання машинного навчання для розкриття критичних інсайтів щодо розкладу було цікавим випадком використання для нашої організації. У Великій Британії ми досліджуємо, як використовувати машинне навчання для кращого розуміння того, як відбувається складання розкладу медичних працівників. RLDatix має доступ до величезної кількості даних про розклад за останні десять років, але що ми можемо зробити з усіма цими даними? Саме тут вступає у дію машинне навчання. Ми використовуємо модель машинного навчання для аналізу цих історичних даних та надання інсайтів щодо того, як може виглядати ситуація з персоналом через дві тижні, у певній лікарні або певному регіоні.

Цей конкретний випадок використання є досить досяжною моделлю машинного навчання, але ми ще більше просунемо його, підключивши його до реальних подій. Наприклад, що якщо ми подивимось на кожен футбольний розклад у цьому районі? Ми знаємо з першого джерела, що спортивні події зазвичай призводять до більшої кількості травм, і що місцевій лікарні, ймовірно, буде більше пацієнтів у день проведення заходу порівняно з типовим днем. Ми працюємо з AWS та іншими партнерами над тим, щоб дослідити, які публічні набори даних ми можемо використовувати для того, щоб зробити розклад ще більш оптимізованим. У нас вже є дані, які свідчать про те, що ми очікуємо збільшення кількості пацієнтів під час великих спортивних заходів або навіть несприятливої погоди, але модель машинного навчання може зробити ще один крок далі, витягуючи дані та ідентифікуючи критичні тенденції, які допоможуть забезпечити, що лікарні будуть достатньо укомплектовані, в кінцевому підсумку зменшуючи навантаження на нашу робочу силу та рухаючись далі у напрямку забезпечення безпечнішої допомоги всім.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати RLDatix.