Medicomp Systems 首席执行官 David Lareau – 采访系列

David Lareau，Medicomp Systems 的总裁兼首席执行官，是一位拥有近五十年职业生涯的医疗技术高管和企业家。他在计算机审计和管理领域开始了自己的职业生涯，后来于 1987 年创立了 Dexcom Systems，帮助部署了一些最早的企业通信网络和大型局域网环境，为包括世界银行、杜邦和西奈医院在内的组织提供服务。他于 1995 年加入 Medicomp Systems，担任首席运营官，并于 2012 年被任命为首席执行官，领导公司从临床知识引擎提供商转变为现代医疗人工智能和互操作性公司。在他的领导下，Medicomp 扩大了其全球影响力，推进了基于证据的临床智能解决方案，并专注于通过更智能的医疗技术提高临床医生的生产力、数据可用性和患者护理。

Medicomp Systems 是一家医疗技术公司，以其临床智能和知识引擎技术而闻名，该技术可以将复杂、碎片化的医疗数据转化为结构化、临床相关的信息。该公司的旗舰 Quippe 平台帮助医疗组织改善临床文档、互操作性、质量测量、风险调整和人工智能驱动的决策支持。Medicomp 的解决方案旨在模拟临床医生的思维和工作方式，被全球的医院、医疗系统、电子健康记录供应商和医疗组织使用，以简化工作流程、减少行政负担，并在护理现场提供更有意义的患者洞察。

您在医疗信息技术领域工作了近四十年，从早期的企业通信网络和医疗计费系统到领导 Medicomp Systems 超过三十年。回顾这段演变，您认为医疗行业仍然没有解决的基本医疗数据问题是什么？

医疗行业仍然缺乏一个集成的临床数据标准。我们依赖的术语标准都是为解决单个领域内的编码问题而创建的：ICD-10 用于诊断、CPT 和 HCPCS 用于程序和测试、LOINC 用于实验室结果和其他测量、RxNorm 用于药物、SNOMED CT 用于临床发现。每个标准都是为特定的交易用例而设计的，而不是为组织患者的护理而设计的。

医疗信息系统使用这些标准来完成特定的交易，大多数交易都与报销有关，而不是为提供者提供对患者状态的集成视图。考虑一个患有糖尿病的患者。该患者的数据分散在健康信息系统的各个标签中，没有一个单一的“糖尿病视图”可以将所有与该病况相关的信息集中在一起。编码系统之间没有共同的模式，这使得它们在计算上效率低下，这个问题在人工智能的世界中变得更加严重。人工智能依赖于良好的数据，我们的行业还没有做到这一点。

想象一个没有库存单元（SKU）的亚马逊仓库，取而代之的是每件物品的文本描述，每个描述都链接到一个从一个物品类型到另一个物品类型的数据结构。几乎每个行业都有某种版本的 SKU。医疗行业没有，因此其数据仍然碎片化和不一致。

您将许多现代医疗数据仓库描述为“数据沼泽”而不是可操作的数据湖。医疗系统在集中数据的过程中犯下的最大的架构错误是什么？

最大的错误是按照源系统的组织方式来组织存储库，而不是按照患者的需求。大多数医疗系统仍然将临床信息分成独立的领域，例如实验室、药物、程序和诊断。用户和他们依赖的软件必须进入不同的文件和位置来组装患者的图像，这使得每个过程都变得更慢、更繁琐。

更深层次的问题是，每个交易，无论是账单、处方、测试订单还是实验室结果，都被存储为一个独立的项目，而不是患者状况的集成视图的一部分。在一个地方集中这些数据并不能解决这个问题。一个充满碎片化、域绑定记录的数据湖变成了数据沼泽，因为没有临床组织的数据量并不能带来理解。

大量临床有意义的信息仍然存在于医生笔记、影像报告和出院摘要中，而不是结构化字段中。医疗行业为什么如此难以在规模上运营非结构化临床数据？

这种情况正在迅速改变。大型语言模型（LLM）现在可以生成文本摘要，免除缩写和习惯性速记，使得临床自然语言处理（NLP）从文本中提取结构化、编码数据变得更加容易。在过去，捕获结构化数据意味着要求临床医生填写清单或表格，他们发现这些清单或表格很繁琐，几乎无法使用。

今天，序列的工作方式不同。环境监听生成一个相对干净的文本笔记，LLM 将该笔记总结为半结构化形式，然后 NLP 运行在该总结上。当 NLP 指向适当的临床数据目标时，即代表临床概念而不是平面代码列表时，它可以从叙述文本中生成结构化数据。实现这一点仍然需要组合技术共同工作，并且完全依赖于放置适当的临床数据目标。

您认为核心挑战不是“数据质量”而是数据碎片化。您能解释一下这两者的区别以及为什么这种区别对人工智能驱动的医疗系统很重要吗？

这两个问题密切相关，但它们描述了不同的问题，这种区别对于人工智能至关重要。数据质量是关于个别信息是否准确、完整、正确记录。数据碎片化是结构性的。碎片化发生在临床信息，无论其质量如何，被分散在不同的领域和编码系统中，并以不同的格式和位置存储。

这种碎片化是当前实践，因为每个编码系统都是为单独的交易用例而设计的。这种方法对于编写处方、生成账单或处理其他离散任务是足够的。整体患者护理是一个不同的问题，需要从几个领域收集信息，处理并以单一、诊断相关的患者视图显示。一个记录可能充满个别准确的数据点，但仍然会让临床医生失望，因为没有什么把这些点连接成那样的视图。

您强调了大多数医疗数据湖中存在的三个主要差距：通过 NLP 的叙述提取、临床知识图和冲突记录的调解。这些缺失的功能中哪一个目前对患者护理产生了最大的下游影响？

其中两个密切相关：冲突记录的调解和临床知识图只与其操作的数据一样好。其中，调解目前造成的下游影响最大，因为它位于其他一切的上游。

大量患者图表中的信息是通过从以前的遭遇或多个提供者复制和粘贴而进入的。使用快速医疗互操作性资源（FHIR）使其更容易发送和接收，但这并不能提高底层质量。运行人工智能或临床知识图表在该信息上，结果可能会将相同的不一致性向前传递。

考虑一个患有糖尿病的患者正在接受视网膜病变或白内障评估的评估。这并不意味着患者患有糖尿病性白内障，因为白内障可能是与糖尿病无关的年龄相关白内障。LLM 可能会错过这种区别，错误的关联然后进入患者的记录，并在系统之间移动时保持不变。给予知识图表不良数据，返回的结果将是糟糕的。

SNOMED CT、LOINC、RxNorm、FHIR 和 C-CDA 等标准通常被讨论为互操作性解决方案。在实践中，为什么许多组织仍然难以将标准合规转化为临床有用的系统？

许多系统和组织携带不良编码的数据，因为它们的用户界面使选择第一个显示的项目最容易。这些界面是为快速进行编码以便于计费而设计的，而不是为提供临床背景以便用户准确记录病况。

例如，ICD-10 包括一个“遗传性运动和感觉神经病变”的代码，这个类别不能区分夏科-马里-图斯病和鲁斯-列维综合征，即使这两种病都属于该类别。如果用户界面首先显示该类别并使特定病况更难选择，用户很可能会选择该类别。该类别可能足以支付索赔，但从临床角度来说，它远不如特定病况那么有用。所有交易编码术语都共享这种问题的某种版本。

Medicomp 多年来一直致力于围绕 MEDCIN 等系统构建临床相关的术语和相关性引擎。临床知识图对于使医疗人工智能值得信赖和上下文感知有多重要？

临床知识图是必不可少的，因为它使数据在临床医生或审查者实际需要时变得可用。测试很简单。当患者有特定的病况正在被管理时，用户是否可以立即看到与该病况相关的一切，还是必须浏览整个记录，标签页一一地来重建临床背景？一个建立在干净的临床数据上的临床知识图可以瞬间显示该背景。没有它，找到相同的信息需要太长时间。

每次我访问我的大型医院，我都会被要求填写一份四页、六个屏幕的医疗史表格，内容与我一个月前提供的信息相同。找到当前的健康信息系统中的任何信息都太难了。Medicomp 已经花了 45 年时间构建 MEDCIN 和其临床知识图，以弥合这一差距，这样在干净、连接的数据上运行的人工智能既可以值得信赖，也可以意识到患者的临床背景。

许多医疗组织现在正在部署生成性人工智能副驾驶和环境文档系统。这些人工智能系统在碎片化、上下文不良的临床数据上进行训练或运行时会出现什么风险？

出现幻觉和信息的错误分类是两种最常见的风险，当底层数据是碎片化和上下文不良时，这两种风险的可能性会增加。

一个个人例子：我的父亲死于肝癌，78 岁，但在最近的一次访问中，我被问及我已经从肝癌中康复了多久。环境文档系统在我的图表中记录了个人肝癌史。同事遇到了类似的事情。他在记录中有慢性阻塞性肺疾病（COPD），因为他的提供者使用环境文档，已经订购了一份胸部 X 光检查来排除 COPD。当他后来申请人寿保险时，他被拒绝了，理由是 COPD 诊断，这是早期 X 光检查订单无意中产生的。

背景失败可能更为奇怪。在最近的一起案例中，一个提到早餐吃鸡蛋的男性患者被重新归类为女性，可能是因为该系统将“鸡蛋”这个词与女性生物学联系起来。每个错误单独看起来很容易笑，但一旦它们被写入图表并在系统之间交换，它们就不再好笑了。

随着国家互操作性进展，目前有数亿条记录被交换，每年都有数百万条记录被交换。为了使临床医生真正相信交换的数据是完整、准确和临床相关的，还需要发生什么？

需要发生两件事。首先，签署遭遇的提供者需要在签署之前，在数据进入患者记录之前，有快速、易于使用的防护措施。只要不正确的信息进入图表，每个下游使用都会继承“垃圾进，垃圾出”的问题，事后更正它很困难。

其次，即使数据是准确的，临床医生也必须能够在不浏览整个图表的情况下找到所需的信息。交换数亿条记录如果接收的临床医生无法找到相关信息或相信它反映了患者的真实临床图景，那么这并没有什么好处。护理现场的验证和轻松检索是使交换的数据成为临床医生可以依赖的东西。

展望未来五年，当人工智能、互操作性标准、临床背景和医生工作流程终于以有意义的方式对齐时，一个“激活”的医疗数据环境会是什么样子？

对齐将取决于每个方都能访问可靠的临床数据基础。假设有这样的基础，对齐将从个人患者开始。在每次遭遇之前，一个人工智能代理将从健康信息网络、交换、支付者和企业中收集所有可用的数据，而另一个代理将删除重复项并组织剩余的数据。通过应用程序、自助服务终端或对话代理，患者然后验证当前的诊断、药物、最近的实验室结果和任何新问题，纠正任何错误。在遭遇时，临床医生会审查这些信息并关注需要关注的病况。一个代理会为每个现有的病况或新投诉提供诊断相关的背景，环境监听会捕获对话。第二个代理会总结它以供临床医生审查、更正和批准。

从那里开始，代理处理下游工作：获取任何所需的授权、将处方发送到药店、提交索赔、安排随访护理，并为批准方打包信息。在此过程中，后台代理评估临床风险并提示质量、风险调整和法规文档。整个模型建立在每一步都有干净、可靠的数据之上，临床医生始终参与其中，产生支持个别患者护理和有效的人口健康管理的信息。感谢您接受这次精彩的采访，希望您能通过访问 Medicomp Systems 来了解更多信息。