杰米·布兰德博士，Aquila Health联合创始人兼首席执行官 – 采访系列

杰米·布兰德博士，Aquila Health联合创始人兼首席执行官，是一位专注于解决医疗保健行业最顽固挑战之一的医疗技术领导者：碎片化和难以访问的数据。她联合创立了Aquila Health，以建立一个统一的数据基础设施，能够使医疗保健组织超越孤立的系统，利用机器学习和结构化分析来生成可执行的见解，同时保持临床监督。她的工作重点是改善互操作性，实现人口级别的健康智能，并通过集成临床、索赔和基因组数据系统支持早期发现新兴健康威胁。

Aquila Health是一款面向医疗保健数据的AI驱动平台，旨在将不同的数据源统一到一个单一的、可互操作的系统中，以支持运营效率和高级分析。该平台可以处理大量医疗保健数据格式，如HL7和FHIR，实现医院、公共卫生系统和其他利益相关者之间的无缝集成。通过将结构化的机器学习方法与人工验证模型相结合，Aquila专注于提供可靠的见解，以支持人口健康管理、异常检测和实时决策，而不是仅仅依赖于不透明的AI系统。这使得公司处于数据基础设施和应用AI的交叉点，提高数据质量和可访问性是解锁医疗保健智能的全部潜力的基础。

您曾领导CyncHealth实现了巨大的增长，跨越数百万患者记录和多个州，之后创立了Aquila Health。在那段旅程中，您遇到了哪些关键的限制或系统性失败，最终促使您从头开始建设Aquila？

在CyncHealth，我们花了多年时间建立连接医疗保健组织的基础设施，横跨内布拉斯加州和爱荷华州。我们连接了1,100多个医疗保健网站和数百万患者记录，涵盖了超过500万人的生命。

然而，我们不断遇到的问题是，连接系统和使数据可用是两个非常不同的问题。例如，我们努力创建一个阿片类药物过量仪表板，协调我们从多个来源收到的数据。花了几个月的时间，数百个全职工作小时，跨多个利益相关者进行协调，才能使这个单一的数据点在公共卫生和医疗保健的背景下可理解。即使那样，画面仍然不完整。

这种经历是Aquila的种子。传统的方式是没有理解数据完整性和质量的连接接口，这种方式不能满足近年来人工智能的进步。当人工智能可以在几个小时内完成过去需要数月才能完成的任务，并且以更高的质量和更低的成本完成时，您必须利用这种知识来重建一个新的基础。这就是我们在Aquila做的事情，我们专注于现代工具，这些工具降低了连接的成本，这样我们就可以专注于完成整个健康画面，而不仅仅是传统的EHI来源的数据。

Aquila最近以一个专注于统一碎片化医疗保健数据的平台从隐身模式中脱颖而出。是什么核心的技术突破使得这一点现在成为可能，而不是几年前？

人工智能能力几乎完全推动了这一转变。

我花了多年时间看着熟练的工程师手动调和数据标准，一次一个来源。它有效，但这种模型永远无法扩展。您无法快速地雇佣足够多的员工来跟上医疗保健数据的体积和多样性。

现在不同的是，人工智能可以在数据层面上连续地执行标准化工作，当信息通过系统移动时。它不是一个在夜间运行的批处理过程。它几乎实时发生。这种变化使得临床医生和公共卫生团队能够获得他们需要的数据，因为数据在到达他们之前已经被结构化和验证（使其可用）。

临床医生习惯于在没有完整的患者画像的情况下做出决定。公共卫生习惯于在没有最近的数据支持的情况下推动计划。Aquila正在改变这种格局，并为整个医疗保健领域提供了实现有效的数据驱动决策的速度。

我们构建了TREUE ™作为框架，用于组织来自EHR的临床数据、实验室、公共卫生、索赔、药店和社会数据到一个统一的结构中。人工智能不会取代良好的数据治理；它使得良好的数据治理首次具有可扩展性。

您强调了医疗保健人工智能的真正挑战不是模型，而是数据本身。今天的医疗保健数据基础设施中最关键的缺口是什么，它们阻止人工智能提供有意义的结果？

该行业正在讨论人工智能模型，但模型不是难点。

难点是，当患者可以在一天内走进三个不同的设施，并在三个不同的系统中以三个不同的人的身份出现时。实验室结果不匹配临床笔记。支付者的记录具有与医院记录和公共卫生记录不同的标识符。通过手动解决所有这些问题，临床窗口已经关闭。

强大的技术连接不能修复不完整或不按顺序到达的记录。人工智能无法检测到数据中不存在的模式，也无法从缺失一半历史或当前信息的记录中提供可靠的建议。

缺口不是处理能力，而是对底层数据的信任。必须首先解决这个问题，并在规模上解决它，这是人工智能可以真正发挥作用的地方。

Aquila将自己定位为“数据准备层”，位于人工智能摄取之前。您能否带我们了解一下这种层在实践中实际上做了什么，特别是在处理像临床记录、索赔数据和实时提要这样的高度异构输入时？

考虑一下当患者遭遇时产生的数据。您从医院获得一条HL7消息，从保险公司获得一份索赔记录，从参考实验室获得一份实验室结果，使用不同的标识符，并在一个完全不同的时间表上获得一份公共卫生报告。这些都没有被设计成可以与彼此协调。

我们的准备层TREUE ™位于这些输入和任何下游分析或人工智能应用程序之间。其工作是评估每个记录，当它到达时，匹配跨源的身份，规范格式，并标记缺失或不一致的内容，然后数据移动到其他地方。

在实践中，这意味着查看患者的临床医生正在处理一个在源之间验证和对齐的记录，而不是在护理遭遇期间手动协调四个不同的系统视图。对于公共卫生团队来说，这意味着不会因不同格式和不同管辖区的数据到达而延迟爆发信号。

这是基础设施工作。它可能不光彩，但没有它，下游的工作都无法进行。

像Fast Healthcare Interoperability Resources（FHIR）和United States Core Data for Interoperability（USCDI）这样的互操作性标准已经存在多年，但碎片化仍然存在。从标准的角度来看，还缺少什么，而Aquila又如何以不同的方式解决这些差距？

FHIR和USCDI为行业提供了共享的数据交换语言。这是一个重要的进步。然而，共享的数据交换语言与数据一旦到达后表现一致性是两回事。

这里有一个缺口：医疗保健数据不是来自一个域。临床系统、公共卫生登记册、实验室和社会数据源都有自己的治理要求、时间表和字段含义。FHIR不会告诉您如何协调来自不同管辖区的社会决定因素数据集和临床记录。

TREUE ™添加了一个统一的框架，用于组织和验证来自所有这些域的数据，同时仍然尊重适用于每个源的治理规则。结果是可以在域之间分析的数据，而不仅仅是成功传输的数据。

Aquila在后果严重的环境中运行，失败不是一个选择。您如何设计人工智能系统，以平衡实时性能和严格的治理、可审计性和可信度要求？

您必须在编写第一行应用程序代码之前将治理构建到体系结构中。它不应该是您稍后添加的层。

在医疗保健和政府环境中，数据驱动的决策会影响患者护理、爆发响应和公共资源分配。对数据的每个操作都必须是可追溯的，访问必须受到严格控制。系统必须满足其运行的环境的合规性要求。

对于Aquila来说，这意味着在政府级别的云基础设施、零信任访问控制和符合HIPAA和联邦标准的安全实践中运行。我们正在与州政府、联邦机构和医疗保健组织进行活跃的合同，这些环境具有不同的合规性要求，平台必须同时满足这些要求。

人工验证组件同样重要。人工智能可以表面信号，但临床专家在操作决策之前验证异常。技术使得找到这些信号变得更快。它不会取代对结果负责的人的判断。

您的平台支持安全的设备内人工智能部署和数据主权。去中心化在医疗保健人工智能中变得越来越重要，特别是考虑到日益增长的对数据隐私和监管合规性的担忧。您如何看待这一点？

它变得至关重要，我认为该行业才刚刚开始意识到为什么。

医疗保健组织在严格的隐私义务下运营。敏感的患者数据不能简单地集中处理。不同的州有不同的规则。联邦机构有不同的规则。国际健康数据有另一套约束。任何需要将敏感数据移动到集中位置的架构都将反复遇到这些障碍。

实际上有效的方向是生成更接近数据所在位置的见解。组织可以在不放弃对其底层数据控制权的情况下为共享分析做出贡献。这就是联邦模型允许的。

我们的平台旨在在受监管的、去中心化的环境中运行 – 随着数据移动的治理。它是一种更难构建的架构，但它是实际上与医疗保健数据治理兼容的架构。

许多人工智能初创公司严重依赖黑盒模型，而Aquila则融入了人工验证。您认为临床人工智能系统中人工智能和人工监督之间的界限在哪里？

我从护士开始了我的职业生涯。这种经历塑造了我对人工智能在临床环境中的作用的看法，以及它不应该扮演的角色。

人工智能在大型数据集中的模式查找方面非常出色。它不擅长知道特定模式对特定患者具有特定历史和特定社区背景的含义。这种判断仍然是人类的判断。

人工智能在临床系统中的正确角色是表面信号，这些信号可能会被人类在大量数据中忽略，而不是取代随后的临床推理。Aquila的异常和人工智能标记的见解将由临床医生和领域专家审查，然后驱动操作决策。技术告诉您在哪里寻找，专业人员告诉您它的含义。

我认为界限在哪里：自动检测，解释保持在人手中。

Aquila正在公共卫生、政府系统和受监管行业中工作。人工智能基础设施在这些环境中的要求与传统企业人工智能部署相比如何？

在典型的企业人工智能部署中，您通常在一个组织的数据环境中工作，一个治理规则集，一个合规性框架。

公共卫生和政府环境在结构上是不同的。您正在跨多个管辖区、多个机构、多个临床环境协调，每个环境都有不同的报告时间表和法律框架。一个州的医院，另一个州的公共卫生机构，一个具有自己数据要求的联邦计划。所有这些都需要在没有任何单一实体对其他实体的记录具有不受控制的访问权限的情况下交换数据和生成见解。

基础设施必须支持高容量处理，同时在所有这些边界内保持严格的可审计性。它必须与遗留的医疗保健消息格式集成，因为这些系统不会消失。它必须在停机时间不仅仅是商业问题，而是患者安全问题的环境中可靠运行。

这种复杂性是我们从这些环境开始Aquila的原因。如果您可以在这里构建基础设施，那么它就可以在任何地方运行。

人工智能能力的进步速度超过了治理框架。创始人和平台建设者在确保这些系统从第一天起就以道德和安全的方式部署方面有何责任？

我认为责任是明确的，即使满足它并不容易。如果您正在构建影响临床决策或公共卫生结果的人工智能，您不应该把治理当作一个产品路线图项目，最终会解决它。它必须从一开始就被设计进去。

在实践中，这意味着对数据的每个操作都必须是可审计的。模型必须足够可解释，以便临床医生可以理解为什么会标记一个信号。临床专家必须是审查过程的一部分，而不是事后补充。组织必须对系统可以和不能可靠地做什么保持诚实。

我在数据故障具有真正后果的环境中度过了我的职业生涯。这种经历塑造了我对这一点的看法。能力正在快速发展，但部署它们的责任不能被允许落后。构建这些系统的创始人必须为自己设定这个标准，而不是等待监管来强加它。

感谢您进行了这次富有洞察力的讨论。有兴趣探索该平台及其对医疗保健数据基础设施的方法的读者可以通过访问Aquila Health来了解更多信息。