面试
RLDatix 北美首席技术官 Vivek Desai – 访谈系列
维维克·德赛 是 首席技术官 北美的 RLDatix，以 连接的医疗保健运营软件和服务公司。 RLDatix 的使命是改变医疗保健。它们通过提供可推动整体改进和安全的治理、风险和合规工具，帮助组织推动更安全、更高效的护理。
计算机科学和网络安全最初吸引您的是什么？
我被计算机科学和网络安全试图解决的复杂问题所吸引——总是有新的挑战需要探索。一个很好的例子是云首次开始受到关注时。它前景广阔，但也引发了一些有关工作负载安全性的问题。很早就很明显，传统方法只是权宜之计，整个组织都需要开发新流程来有效保护云中的工作负载。对于我和许多在该领域工作的其他人来说，探索这些新方法是一次特别令人兴奋的旅程。这是一个充满活力且不断发展的行业，因此每天都会带来一些新的、令人兴奋的事情。
您能否分享一下您目前作为 RLDatix 首席技术官的一些职责？
目前，我专注于领导我们的数据战略，并寻找在我们的产品与其所持有的数据之间创造协同效应的方法，以更好地了解趋势。我们的许多产品都包含类似类型的数据，因此我的工作是找到打破这些孤岛的方法，并使我们的客户（包括医院和卫生系统）更轻松地访问数据。为此，我还致力于制定我们的全球人工智能 (AI) 战略，以告知整个生态系统的数据访问和利用。
及时了解各个行业的新兴趋势是我职责的另一个重要方面，以确保我们朝着正确的战略方向前进。我目前正在密切关注大型语言模型（LLM）。作为一家公司，我们正在努力寻找将法学硕士整合到我们的技术中的方法，以增强和增强人类（特别是医疗保健提供者）的能力，减少他们的认知负担，并使他们能够专注于照顾患者。
在您的 LinkedIn 博客文章中，标题为“我作为 CTO 第一年的反思”，您写道，“首席技术官并不是单独工作。他们是团队的一部分。”您能否详细说明您所面临的一些挑战，以及您如何在本质上具有技术挑战性的项目中解决授权和团队合作问题？
在过去十年中，CTO 的角色发生了根本性的变化。在服务器机房工作的日子已经一去不复返了。现在，这项工作更具协作性。我们跨业务部门共同协调组织优先事项，并将这些愿望转化为推动我们前进的技术要求。目前，医院和卫生系统面临着许多日常挑战，从劳动力管理到财务限制，而采用新技术可能并不总是重中之重。我们最大的目标是展示技术如何帮助缓解而不是加剧这些挑战，以及它为企业、员工和广大患者带来的整体价值。这项工作无法单独完成，甚至无法在我的团队内部完成，因此跨多个学科单位进行协作，以制定一个有凝聚力的策略来展示该价值，无论是让客户获得解锁的数据见解还是激活他们当前无法执行的流程。
人工智能在未来互联医疗保健运营中的作用是什么？
随着人工智能越来越多地提供集成数据，它可以用来连接不同的系统，并提高整个护理过程中的安全性和准确性。这种互联医疗保健运营的概念是我们 RLDatix 重点关注的一个类别，因为它为医疗保健决策者释放了可操作的数据和见解，而人工智能是实现这一目标不可或缺的一部分。
这种集成的一个不可协商的方面是确保数据使用的安全性和合规性，并了解风险。我们是政策、风险和安全方面的市场领导者，这意味着我们拥有充足的数据来更准确、更可靠地培训基础法学硕士。为了实现真正的互联医疗保健运营，第一步是合并不同的解决方案，第二步是提取数据并在这些解决方案中对其进行标准化。医院将从一组互连的解决方案中受益匪浅，这些解决方案可以组合数据集并为用户提供可操作的价值，而不是维护与单个单点解决方案分开的数据集。
在最近的主题演讲中，首席产品官 Barbara Staruk 分享了 RLDatix 如何利用生成式人工智能和大型语言模型来简化和自动化患者安全事件报告。您能详细说明一下这是如何工作的吗？
这对 RLDatix 来说是一项非常重要的举措，也是我们如何最大限度地发挥法学硕士潜力的一个很好的例子。当医院和卫生系统完成事件报告时，目前有三种标准格式用于确定报告中指出的伤害程度：医疗保健研究和质量机构的通用格式、国家药物错误报告和预防协调委员会以及医疗保健绩效改进 (HPI) 安全事件分类 (SEC)。现在，我们可以轻松训练法学硕士阅读事件报告中的文本。例如，如果患者去世，法学硕士可以无缝地找出该信息。然而，挑战在于培训法学硕士以确定背景并区分更复杂的类别，例如严重的永久性伤害（例如 HPI SEC 中包含的分类法）与严重的暂时性伤害。如果报告人没有提供足够的背景信息，法学硕士将无法确定该特定患者安全事件的适当伤害类别级别。
RLDatix 的目标是在全球范围内在我们的投资组合中实施更简单的分类法，并提供法学硕士可以轻松区分的具体类别。随着时间的推移，用户将能够简单地写下发生的事情，法学硕士将通过提取所有重要信息并预先填充事件表格来处理它。这不仅可以为已经紧张的劳动力节省大量时间，而且随着模型变得更加先进，我们还能够识别关键趋势，使医疗保健组织能够全面做出更安全的决策。
RLDatix 还开始通过哪些其他方式将法学硕士纳入其运营？
我们在内部利用法学硕士的另一种方式是简化认证流程。每个提供商的凭证的格式不同，并且包含独特的信息。换个角度来看，想想每个人的简历看起来都有什么不同——从字体、工作经验、教育背景到整体格式。资格认证是类似的。提供者在哪里上大学？他们的认证是什么？他们发表在哪些文章中？每个医疗保健专业人员都会以自己的方式提供这些信息。
在 RLDatix，法学硕士使我们能够阅读这些凭证并将所有数据提取为标准化格式，以便从事数据输入工作的人员不必进行广泛搜索，从而使他们能够在管理组件上花费更少的时间并专注于他们的工作把时间花在有意义的、能增加价值的任务上。
网络安全一直充满挑战，特别是随着向基于云的技术的转变，您能讨论其中一些挑战吗？
网络安全 is 具有挑战性，这就是为什么与合适的合作伙伴合作很重要。确保法学硕士保持安全和合规是利用该技术时最重要的考虑因素。如果您的组织没有专门的内部员工来执行此操作，那么这可能会非常具有挑战性且耗时。这就是我们在大多数网络安全计划中与 Amazon Web Services (AWS) 合作的原因。 AWS 帮助我们将安全性和合规性作为我们技术的核心原则，以便 RLDatix 能够专注于我们真正擅长的事情，即为我们所有各自垂直领域的客户构建出色的产品。
随着最近法学硕士的快速采用，您看到了哪些新的安全威胁？
从 RLDatix 的角度来看，我们在开发和培训法学硕士时正在考虑几个因素。我们的一个重要关注点是减少偏见和不公平。法学硕士的好坏取决于他们接受培训的数据。性别、种族和其他人口统计等因素可能包含许多固有的偏见，因为数据集本身就有偏见。例如，想想美国东南部在日常语言中如何使用“y'all”这个词。这是特定患者群体固有的独特语言偏见，研究人员在培训法学硕士以准确区分与其他地区相比的语言细微差别时必须考虑到这一点。在医疗保健领域利用 LLMS 时，必须大规模处理这些类型的偏差，因为在一个患者群体中训练模型并不一定意味着该模型适用于另一个患者群体。
维护安全、透明度和问责制也是我们组织的重点，并减少产生幻觉和错误信息的机会。确保我们积极解决任何隐私问题、了解模型如何得出特定答案以及我们拥有安全的开发周期，这些都是有效实施和维护的重要组成部分。
RLDatix 使用的其他机器学习算法还有哪些？
使用机器学习 (ML) 来发现关键的调度见解一直是我们组织的一个有趣的用例。特别是在英国，我们一直在探索如何利用机器学习来更好地了解护士和医生的排班或日程安排。 RLDatix 可以访问过去十年的大量调度数据，但是我们可以用所有这些信息做什么呢？这就是机器学习的用武之地。我们利用机器学习模型来分析历史数据，并深入了解两周后特定医院或特定地区的人员配置情况。
这个特定的用例是一个非常容易实现的机器学习模型，但我们通过将其与现实生活中的事件联系起来，进一步推动了这一点。例如，如果我们查看该地区的每个足球赛程会怎样？我们第一手资料知道，体育赛事通常会导致更多的伤害，而且与平常相比，当地医院在赛事当天可能会有更多的住院患者。我们正在与 AWS 和其他合作伙伴合作，探索我们可以播种哪些公共数据集，以使调度更加简化。我们已经有数据表明，重大体育赛事甚至恶劣天气期间患者数量将会增加，但机器学习模型可以更进一步，通过获取这些数据并识别关键趋势，帮助确保医院充分满足医疗需求。配备人员，最终减轻我们劳动力的压力，并使我们的行业在为所有人提供更安全的护理方面更进一步。
感谢您的精彩采访，想要了解更多信息的读者可以访问 RLDatix.
