David Lareau, Tổng giám đốc và Giám đốc điều hành của Medicomp Systems – Loạt phỏng vấn

David Lareau, Tổng giám đốc và Giám đốc điều hành của Medicomp Systems, là một giám đốc điều hành công nghệ y tế và doanh nhân với sự nghiệp kéo dài gần năm thập kỷ. Sau khi bắt đầu sự nghiệp trong lĩnh vực kiểm toán và quản lý máy tính, ông đã thành lập Dexcom Systems vào năm 1987, giúp triển khai một số mạng lưới truyền thông doanh nghiệp và môi trường LAN quy mô lớn đầu tiên cho các tổ chức như Ngân hàng Thế giới, DuPont và Bệnh viện Sinai. Ông gia nhập Medicomp Systems vào năm 1995 với tư cách là Giám đốc điều hành và được bổ nhiệm làm Giám đốc điều hành vào năm 2012, dẫn dắt sự phát triển của công ty từ một nhà cung cấp động cơ tri thức lâm sàng tiên phong trở thành một công ty công nghệ y tế hiện đại và công ty tương tác. Dưới sự lãnh đạo của ông, Medicomp đã mở rộng phạm vi hoạt động toàn cầu, phát triển các giải pháp thông minh lâm sàng dựa trên bằng chứng và tập trung vào việc cải thiện năng suất của các nhà lâm sàng, khả năng sử dụng dữ liệu và chăm sóc bệnh nhân thông qua công nghệ y tế thông minh hơn.

Medicomp Systems là một công ty công nghệ y tế nổi tiếng với công nghệ trí tuệ lâm sàng và công nghệ động cơ tri thức mà chuyển đổi dữ liệu y tế phức tạp, phân mảnh thành thông tin có cấu trúc, có liên quan lâm sàng. Được thành lập xung quanh động cơ tri thức lâm sàng MEDCIN được cấp bằng sáng chế, nền tảng Quippe của công ty giúp các tổ chức y tế cải thiện tài liệu lâm sàng, khả năng tương tác, đo lường chất lượng, điều chỉnh rủi ro và hỗ trợ quyết định dựa trên trí tuệ nhân tạo. Được thiết kế để phản ánh cách các nhà lâm sàng suy nghĩ và làm việc, các giải pháp của Medicomp được sử dụng bởi các bệnh viện, hệ thống y tế, nhà cung cấp hồ sơ y tế điện tử và các tổ chức y tế trên toàn thế giới để tối ưu hóa quy trình làm việc, giảm gánh nặng hành chính và cung cấp thông tin bệnh nhân có ý nghĩa hơn tại điểm chăm sóc. Công ty đã trở thành một nhà lãnh đạo được công nhận trong việc kết hợp đồ thị tri thức lâm sàng, dữ liệu có cấu trúc và trí tuệ nhân tạo để hỗ trợ việc ra quyết định y tế chính xác, hiệu quả và đáng tin cậy hơn.

Bạn đã dành gần bốn thập kỷ làm việc trong lĩnh vực công nghệ thông tin y tế, từ các mạng lưới truyền thông doanh nghiệp đầu tiên và hệ thống hóa đơn y tế đến việc lãnh đạo Medicomp Systems trong hơn 30 năm. Khi nhìn lại sự phát triển đó, bạn tin rằng ngành y tế vẫn chưa giải quyết được vấn đề dữ liệu y tế cơ bản nào?

Ngành y tế vẫn thiếu một tiêu chuẩn tích hợp cho dữ liệu lâm sàng. Các tiêu chuẩn phân loại mà chúng ta dựa vào được tạo ra để giải quyết các vấn đề mã hóa trong một lĩnh vực duy nhất: ICD-10 cho chẩn đoán, CPT và HCPCS cho thủ tục và xét nghiệm, LOINC cho kết quả xét nghiệm và các phép đo khác, RxNorm cho thuốc và SNOMED CT cho các phát hiện lâm sàng. Mỗi một trong số chúng được xây dựng cho mục đích lập hóa đơn, phân loại hoặc nghiên cứu. Không có tiêu chuẩn nào được xây dựng để tổ chức chăm sóc bệnh nhân.

Hệ thống thông tin y tế sử dụng các tiêu chuẩn này để hoàn thành các giao dịch cụ thể, hầu hết trong số đó được gắn với việc hoàn trả, chứ không phải để cung cấp cho các nhà cung cấp cái nhìn tổng quan về tình trạng của bệnh nhân. Hãy xem xét một bệnh nhân bị tiểu đường. Dữ liệu của bệnh nhân đó được phân散 trên các tab riêng biệt trong hệ thống thông tin y tế, không có “tổng quan về bệnh tiểu đường” nào có thể đưa mọi thứ liên quan đến tình trạng đó lại với nhau. Các hệ thống mã hóa không chia sẻ lược đồ chung, điều này khiến chúng không hiệu quả về mặt tính toán, và sự không hiệu quả đó trở thành một vấn đề lớn hơn trong một thế giới có trí tuệ nhân tạo lâm sàng. Trí tuệ nhân tạo phụ thuộc vào dữ liệu tốt, và ngành của chúng ta vẫn chưa có dữ liệu như vậy.

Hãy tưởng tượng một kho hàng Amazon (AMZN ) cố gắng hoạt động mà không có đơn vị giữ hàng (SKU), thay vào đó dựa vào mô tả văn bản của từng mục, mỗi mô tả được liên kết với một cấu trúc dữ liệu thay đổi từ loại mục này sang loại mục khác. Hầu như mọi ngành đều có một phiên bản của SKU. Ngành y tế không, và vì vậy dữ liệu của nó vẫn còn phân mảnh và không nhất quán.

Bạn đã mô tả nhiều kho dữ liệu y tế hiện đại là “đầm lầy dữ liệu” hơn là “hồ dữ liệu” có thể hoạt động. Những sai lầm kiến trúc lớn nhất mà các hệ thống y tế đã mắc phải trong cuộc chạy đua để tập trung hóa dữ liệu là gì?

Sai lầm trung tâm là tổ chức kho dữ liệu theo cách các hệ thống nguồn được tổ chức, xung quanh các lĩnh vực và giao dịch chứ không phải xung quanh bệnh nhân. Hầu hết các hệ thống y tế vẫn tách thông tin lâm sàng thành các lĩnh vực riêng biệt như xét nghiệm, thuốc, thủ tục và chẩn đoán. Người dùng, và phần mềm họ dựa vào, sau đó phải tiếp cận các tệp và vị trí khác nhau để lắp ráp một bức tranh về bệnh nhân, điều này làm cho mọi quy trình trở nên chậm hơn và cồng kềnh hơn.

Vấn đề sâu hơn là mỗi giao dịch, cho dù là hóa đơn, đơn thuốc, yêu cầu xét nghiệm hay kết quả xét nghiệm, được lưu trữ như một mục riêng biệt chứ không phải là một phần của cái nhìn tổng quan tích hợp về tình trạng của bệnh nhân. Việc tập trung hóa dữ liệu ở một nơi không giải quyết được vấn đề. Một hồ dữ liệu chứa các bản ghi phân mảnh, gắn với lĩnh vực trở thành một đầm lầy dữ liệu vì số lượng alone, không có tổ chức lâm sàng, không mang lại sự hiểu biết.

Một tỷ lệ lớn thông tin lâm sàng có ý nghĩa vẫn sống trong các ghi chú của bác sĩ, báo cáo hình ảnh và tóm tắt xuất viện chứ không phải trong các trường có cấu trúc. Tại sao ngành đã gặp khó khăn rất nhiều trong việc vận hành hóa dữ liệu lâm sàng không có cấu trúc ở quy mô lớn?

Điều này đang thay đổi, và nhanh chóng. Các mô hình ngôn ngữ lớn (LLM) hiện có thể tạo ra tóm tắt văn bản về các cuộc gặp gỡ miễn phí khỏi các từ viết tắt và chữ viết tắt, khiến nó dễ dàng hơn cho xử lý ngôn ngữ tự nhiên lâm sàng (NLP) để trích xuất dữ liệu có mã cấu trúc từ văn bản đó. Trong quá khứ, việc thu thập dữ liệu có cấu trúc có nghĩa là yêu cầu các nhà lâm sàng làm việc thông qua các danh sách kiểm tra hoặc biểu mẫu, điều mà họ thấy cồng kềnh và hầu như không thể sử dụng.

Ngày nay, trình tự hoạt động khác. Việc nghe ambient tạo ra một lưu ý văn bản khá sạch, một LLM tóm tắt lưu ý đó thành một hình thức bán cấu trúc, và sau đó NLP chạy trên tóm tắt. Khi NLP được chỉ định đến một mục tiêu dữ liệu lâm sàng phù hợp, một mục tiêu đại diện cho các khái niệm lâm sàng chứ không phải là một danh sách phẳng của các mã, nó có thể tạo ra dữ liệu có cấu trúc từ văn bản tường thuật. Việc đạt được điều này vẫn đòi hỏi sự kết hợp của các công nghệ hoạt động cùng nhau, và nó phụ thuộc hoàn toàn vào việc có mục tiêu dữ liệu lâm sàng phù hợp đó ở đúng vị trí.

Bạn cho rằng thách thức cốt lõi không phải là “chất lượng dữ liệu” mà là sự phân mảnh của dữ liệu. Bạn có thể giải thích sự khác biệt và tại sao sự khác biệt đó lại quan trọng đối với các hệ thống y tế được thúc đẩy bởi trí tuệ nhân tạo?

Hai khái niệm này liên quan chặt chẽ, nhưng chúng mô tả các vấn đề khác nhau, và sự khác biệt đó rất quan trọng đối với trí tuệ nhân tạo. Chất lượng dữ liệu liên quan đến việc liệu một mảnh thông tin riêng lẻ có chính xác, đầy đủ và được ghi lại chính xác hay không. Sự phân mảnh của dữ liệu là cấu trúc. Sự phân mảnh xảy ra khi thông tin lâm sàng, bất kể chất lượng của nó, được chia cắt thành các lĩnh vực và hệ thống mã hóa riêng biệt và được lưu trữ ở các định dạng và vị trí khác nhau.

Sự phân mảnh đó là thực hành hiện tại vì mỗi hệ thống mã hóa được thiết kế cho một trường hợp sử dụng giao dịch riêng biệt. Phương pháp này là đủ cho việc viết một đơn thuốc, tạo một hóa đơn hoặc xử lý các nhiệm vụ riêng biệt khác. Tuy nhiên, chăm sóc bệnh nhân tổng thể là một vấn đề khác, một vấn đề đòi hỏi thông tin từ nhiều lĩnh vực phải được đưa lại với nhau, xử lý và hiển thị như một cái nhìn tổng quan duy nhất về bệnh nhân. Một hồ sơ có thể chứa đầy đủ các điểm dữ liệu chính xác riêng lẻ và vẫn thất bại trong việc giúp các nhà lâm sàng, vì không có gì kết nối các điểm đó thành cái nhìn tổng quan đó.

Bạn đã nhấn mạnh ba khoảng trống lớn trong hầu hết các hồ dữ liệu y tế: trích xuất tường thuật thông qua NLP, đồ thị tri thức lâm sàng và sự hòa giải của các bản ghi mâu thuẫn. Trong số các khả năng bị thiếu đó, khả năng nào hiện đang gây ra tác động lớn nhất đến chăm sóc bệnh nhân?

Hai trong số ba khả năng đó có liên quan chặt chẽ: sự hòa giải của các bản ghi mâu thuẫn và thực tế là một đồ thị tri thức lâm sàng chỉ tốt như dữ liệu nó hoạt động. Trong số ba khả năng đó, sự hòa giải hiện đang gây ra thiệt hại lớn nhất, vì nó nằm ở thượng nguồn của mọi thứ khác.

Một lượng lớn thông tin sống trong hồ sơ bệnh nhân được nhập bằng cách sao chép và dán từ các cuộc gặp trước hoặc bằng cách hợp nhất thông tin từ nhiều nhà cung cấp. Việc di chuyển thông tin đó giữa các hệ thống bằng cách sử dụng Tài nguyên Tương tác Y tế Nhanh chóng (FHIR) làm cho việc gửi và nhận thông tin dễ dàng hơn, nhưng nó không làm gì để cải thiện chất lượng cơ bản. Chạy trí tuệ nhân tạo hoặc một đồ thị tri thức lâm sàng trên thông tin đó và kết quả sẽ có khả năng mang các bất nhất đó tiếp tục.

Các tiêu chuẩn như SNOMED CT, LOINC, RxNorm, FHIR và C-CDA thường được thảo luận như các giải pháp tương tác. Trong thực tế, tại sao nhiều tổ chức vẫn gặp khó khăn trong việc chuyển đổi sự tuân thủ tiêu chuẩn thành các hệ thống lâm sàng có ý nghĩa?

Nhiều hệ thống và tổ chức mang dữ liệu mã hóa kém vì giao diện người dùng của họ làm cho việc chọn mục đầu tiên được trình bày dễ dàng nhất. Những giao diện đó được xây dựng để di chuyển mã hóa cho việc lập hóa đơn càng nhanh càng tốt, chứ không phải để cung cấp ngữ cảnh lâm sàng mà sẽ cho phép người dùng ghi lại tình trạng một cách chính xác.

ICD-10, ví dụ, bao gồm một mã cho “bệnh thần kinh vận động di truyền và cảm giác”, một loại không phân biệt bệnh Charcot-Marie-Tooth với hội chứng Roussy-Lévy, mặc dù cả hai đều rơi vào loại đó. Nếu giao diện người dùng hiển thị loại đó đầu tiên và làm cho tình trạng cụ thể khó chọn hơn, người dùng sẽ chọn loại đó. Loại đó có thể đủ để có một yêu cầu được trả, nhưng nó ít có ý nghĩa lâm sàng hơn tình trạng cụ thể. Tất cả các hệ thống mã hóa giao dịch đều chia sẻ một số phiên bản của vấn đề này.

Medicomp đã dành nhiều năm xây dựng thuật ngữ lâm sàng kết nối và động cơ liên quan xung quanh các hệ thống như MEDCIN. Làm thế nào quan trọng một đồ thị tri thức lâm sàng để làm cho trí tuệ nhân tạo y tế đáng tin cậy và nhận thức được ngữ cảnh?

Một đồ thị tri thức lâm sàng là thiết yếu vì nó làm cho dữ liệu có thể sử dụng được vào thời điểm một nhà lâm sàng hoặc người xem xét thực sự cần nó. Bài kiểm tra rất đơn giản. Khi một bệnh nhân có một tình trạng cụ thể đang được quản lý, người dùng có thể xem mọi thứ liên quan đến tình trạng đó ngay lập tức, hay họ phải sắp xếp toàn bộ hồ sơ, tab bằng tab, để tái tạo ngữ cảnh lâm sàng? Một đồ thị tri thức lâm sàng được xây dựng trên dữ liệu lâm sàng sạch sẽ có thể hiển thị ngữ cảnh đó trong tích tắc. Nếu không, việc tìm thông tin đó sẽ mất quá nhiều thời gian.

Đây là lý do tại sao, mỗi khi tôi đến thăm bệnh viện lớn của mình, tôi được yêu cầu hoàn thành một biểu mẫu lịch sử y tế bốn trang, sáu màn hình với cùng thông tin mà tôi đã cung cấp vào tháng trước. Việc tìm kiếm bất cứ điều gì trong các hệ thống thông tin y tế hiện tại đơn giản là quá khó. Medicomp đã dành hơn 45 năm xây dựng MEDCIN và đồ thị tri thức lâm sàng của nó để đóng chính xác khoảng trống đó, để trí tuệ nhân tạo hoạt động trên dữ liệu sạch, kết nối có thể đáng tin cậy và nhận thức được ngữ cảnh lâm sàng.

Nhiều tổ chức y tế hiện đang triển khai các đồng pilot trí tuệ nhân tạo và hệ thống tài liệu ambient. Những rủi ro nào xuất hiện khi các hệ thống trí tuệ nhân tạo đó được đào tạo hoặc hoạt động trên dữ liệu lâm sàng phân mảnh và không được ngữ cảnh hóa?

Ảo giác và việc phân loại thông tin không chính xác là hai trong số các rủi ro phổ biến nhất, và cả hai đều có khả năng xảy ra hơn khi dữ liệu cơ bản bị phân mảnh và không được ngữ cảnh hóa.

Một ví dụ cá nhân: cha tôi đã qua đời vì ung thư gan ở tuổi 78, nhưng trong một chuyến thăm gần đây, tôi được hỏi tôi đã ở trong remission bao lâu. Hệ thống tài liệu ambient đã ghi lại một lịch sử cá nhân về ung thư gan trong hồ sơ của tôi. Một đồng nghiệp của tôi đã gặp phải điều gì đó tương tự. Anh ấy đã có bệnh phổi tắc nghẽn mãn tính (COPD) được nhập vào hồ sơ của mình vì nhà cung cấp của anh ấy, sử dụng hệ thống tài liệu ambient, đã đặt hàng một chụp X-quang ngực để loại trừ COPD. Khi anh ấy sau đó nộp đơn xin bảo hiểm nhân thọ, anh ấy đã bị từ chối, và lý do được đưa ra là chẩn đoán COPD mà đơn đặt hàng X-quang trước đó đã vô tình tạo ra.

Có một sự phấn khích ngày càng tăng xung quanh tiến bộ tương tác quốc gia, với hàng trăm triệu hồ sơ đang được trao đổi hàng năm. Còn gì cần phải xảy ra trước khi các nhà lâm sàng có thể thực sự tin tưởng rằng dữ liệu được trao đổi là hoàn chỉnh, chính xác và có ý nghĩa lâm sàng tại điểm chăm sóc?

Hai điều phải xảy ra. Đầu tiên, các nhà cung cấp ký kết các cuộc gặp gỡ, được tạo ra ngày càng nhiều bởi các công cụ nghe ambient với tóm tắt LLM, cần có các rào cản dễ sử dụng trước khi họ ký, tại thời điểm ngay trước khi dữ liệu đó vào hồ sơ bệnh nhân. Một khi thông tin không chính xác đã vào hồ sơ, mọi sử dụng tiếp theo của nó sẽ thừa kế vấn đề “rác vào, rác ra” cũ, và việc sửa chữa nó sau đó là khó khăn.

Thứ hai, ngay cả khi dữ liệu chính xác, một nhà lâm sàng phải có thể tìm thấy những gì họ cần mà không cần phải tìm kiếm mọi thứ khác trong hồ sơ. Việc trao đổi hàng trăm triệu hồ sơ không mang lại lợi ích gì nếu nhà lâm sàng nhận không thể tìm thấy thông tin liên quan hoặc tin tưởng rằng nó phản ánh bức tranh lâm sàng thực sự của bệnh nhân. Xác thực tại điểm chăm sóc và việc thu hồi dễ dàng là những gì làm cho dữ liệu được trao đổi trở thành thứ mà một nhà lâm sàng thực sự có thể dựa vào.

Nhìn về tương lai năm năm, môi trường dữ liệu y tế “kích hoạt” sẽ trông như thế nào khi trí tuệ nhân tạo, tiêu chuẩn tương tác, ngữ cảnh lâm sàng và quy trình làm việc của bác sĩ cuối cùng được căn chỉnh một cách có ý nghĩa?

Căn chỉnh sẽ phụ thuộc vào việc mọi bên có quyền truy cập vào một nền tảng dữ liệu lâm sàng đáng tin cậy, một nền tảng được thiết kế để quản lý hiệu quả từng bệnh nhân và, tập thể, để biến quản lý sức khỏe dân số thực sự trở thành hiện thực. Với nền tảng đó, căn chỉnh bắt đầu từ bệnh nhân cá nhân.

Trước mỗi cuộc gặp gỡ, một đại lý trí tuệ nhân tạo thu thập tất cả dữ liệu có sẵn cho bệnh nhân đó từ mạng lưới thông tin y tế, trao đổi, người trả tiền và doanh nghiệp, trong khi một đại lý khác loại bỏ các bản sao và tổ chức dữ liệu còn lại. Thông qua một ứng dụng, một ki-ốt hoặc một đại lý đối thoại, bệnh nhân sau đó xác minh các chẩn đoán hiện tại, thuốc, kết quả xét nghiệm gần đây và bất kỳ vấn đề mới nào, sửa chữa bất kỳ sai sót nào trên đường đi. Một bản nháp của những thay đổi đó được gửi đến một nhà lâm sàng để xem xét.

Tại cuộc gặp gỡ, ảo hoặc vật lý, nhà lâm sàng xem xét thông tin đó với bệnh nhân và chuyển sang các tình trạng cần chú ý. Một đại lý hiển thị ngữ cảnh liên quan đến chẩn đoán cho từng tình trạng hiện có hoặc khiếu nại mới, và việc nghe ambient thu thập cuộc trò chuyện. Một đại lý khác tóm tắt nó cho nhà lâm sàng xem xét, sửa chữa và phê duyệt.

Từ đó, các đại lý xử lý công việc hạ nguồn: đảm bảo mọi ủy quyền cần thiết, gửi đơn thuốc đến nhà thuốc, gửi yêu cầu, sắp xếp chăm sóc theo dõi, và đóng gói thông tin cho các bên được ủy quyền. Trong suốt quá trình, các đại lý nền tảng đánh giá rủi ro lâm sàng và nhắc nhở về tài liệu chất lượng, điều chỉnh rủi ro và quy định. Toàn bộ mô hình dựa trên dữ liệu sạch, đáng tin cậy tại mọi bước, với các nhà lâm sàng được giữ trong vòng lặp, tạo ra thông tin hỗ trợ cả chăm sóc bệnh nhân cá nhân và quản lý sức khỏe dân số hiệu quả.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Medicomp Systems.