دنیل کین یکی از مدیران عامل و بنیانگذار ModMed مستقر در فلوریدا جنوبی است®، یک شرکت فناوری اطلاعات مراقبت های بهداشتی است که در حال تغییر مراقبت های بهداشتی از طریق پلت فرم های تخصصی و هوشمند برای افزایش کارایی تمرین و بهبود نتایج بیمار است.
در فوریه 2010 تأسیس شد، ModMed به بیش از 1200 کارمند افزایش یافته است و بیش از 332 میلیون دلار در کل سرمایه گذاری کرده است. ModMed که به دلیل رشد تدریجی خود به عنوان یک شرکت فناوری پزشکی شناخته می شود، به دلیل دستاوردهای خود تحت رهبری دانیل، اغلب در سطح ملی و منطقه ای شناخته می شود. در سال 2020، این شرکت توسط مجله Inc. به عنوان یکی از بهترین مکان های کاری کشور انتخاب شد. بین سال‌های 2016 تا 2018، این شرکت به عنوان یکی از سریع‌ترین شرکت‌های در حال رشد در آمریکای شمالی در Deloitte Technology Fast 500 معرفی شد.™ فهرست از سال 2015، این شرکت هر ساله در فهرست انحصاری Inc. 5000 قرار می گیرد که مجموعه ای معتبر از سریع ترین شرکت های خصوصی در حال رشد در کشور است.
آیا می توانید اطلاعاتی در مورد پیشینه خود و اینکه چگونه بر کار شما در ModMed تأثیر گذاشته است به اشتراک بگذارید؟
سفر من به سمت فناوری در طول سال‌های کارشناسی من در کرنل آغاز شد، زمانی که تخته سیاه را تأسیس کردم. ما آموزش را با دیجیتالی کردن یادداشت‌های کلاس و ایجاد بستری تغییر دادیم که به دانشجویان و اساتید انعطاف‌پذیری و تعامل بی‌سابقه‌ای داد. برای من، موفقیت Blackboard در سال 2004 با IPO آن به اوج رسید، و در حالی که راه حل های ما در edTech بازی را تغییر می داد، من نمی توانستم چشم به چالش های جدید نداشته باشم.
یکی از این چالش‌ها زمانی که برای معاینه معمول با متخصص پوستم رفتم، خود را نشان داد. ما یک گفتگوی باورنکردنی در مورد مشکلات استفاده از سیستم های کاغذی قدیمی و راه های رفع آنها داشتیم. با درک پل ارتباطی بین تخصص پزشکی او و دانش فنی من، تصمیم گرفتیم با همکاری یکدیگر، ModMed را همراه با اولین پلتفرم پرونده الکترونیک سلامت (EHR) خود ایجاد کنیم.
در آن زمان، برخی از EHR ها قبلا وجود داشتند، اما متاسفانه، مطالعات اغلب آنها را به عنوان یکی از دلایل اصلی فرسودگی شغلی پزشک ذکر می کردند. ما رویکرد متفاوتی در پیش گرفتیم و EHR خود را برای تطبیق تجربه کاربر با گردش کار خاص یک تخصص پزشکی طراحی کردیم. EHR پرچمدار مبتنی بر ابر ما، EMA، توسط پزشکان برای پزشکان طراحی شده و همچنان ادامه دارد، که ما را متمایز کرده و سس مخفی ما را در بازار تعریف می کند. در طول سال‌ها، ما پیشنهادات محصولات خود را گسترش داده‌ایم تا مجموعه کاملی از راه‌حل‌ها را شامل شود که به ارائه‌دهندگان پزشکی کمک می‌کند تا عملیات عملی خود را ساده و ساده کرده و ارائه مراقبت‌ها را تسریع کنند.
نبرد برای هوش مصنوعی موثر در مراقبت های بهداشتی را چگونه می بینید که با داده ها برنده یا شکست می شود؟
ما شروع به مشاهده افزایش پذیرش فناوری هوش مصنوعی در شیوه‌هایی برای ساده‌سازی گردش کار و به حداکثر رساندن کارایی کرده‌ایم. همانطور که ما به عصر استفاده از هوش مصنوعی برای انجام کارهای پیچیده تر می رویم – مانند پیشنهاد درمان یا سایر توصیه های پشتیبانی بالینی – داشتن داده های مناسب و استراتژی آموزش هوش مصنوعی بسیار مهم است. هوش مصنوعی این فرصت را دارد که به طور قابل توجهی تجربه را برای بیماران و ارائه دهندگان بهبود بخشد و تغییرات سیستمی ایجاد کند که واقعاً مراقبت های بهداشتی را بهبود می بخشد، اما تحقق این امر به مقادیر زیادی داده با کیفیت بالا متکی است که برای آموزش مدل ها استفاده می شود.
چرا داده ها برای توسعه هوش مصنوعی در صنعت مراقبت های بهداشتی بسیار حیاتی هستند؟
داده‌ها مایه حیات هوش مصنوعی هستند و کیفیت پایین داده‌ها عملکرد هوش مصنوعی را مختل می‌کند و منجر به نتایج غیربهینه می‌شود. این می تواند عواقب بدی در یک محیط مراقبت های بهداشتی داشته باشد زیرا ممکن است جان بیماران در خطر باشد. اما سناریوی محتمل تر این است که این تجربیات منفی می تواند اعتماد بیماران و ارائه دهندگان را به هوش مصنوعی تضعیف کند، پیشرفت را کند کند و تأثیر مثبتی که این فناوری انقلابی می تواند بر مراقبت های بهداشتی داشته باشد.
به عنوان مثال، در اتاق امتحان، ابزارهای گوش دادن محیطی مجهز به هوش مصنوعی طراحی شده‌اند تا محتوایی را برای یادداشت‌های بالینی پیشنهاد کنند تا ارائه‌دهنده آن را بررسی و تأیید کند. در حالت ایده‌آل، این باید مدت زمانی را که یک ارائه‌دهنده برای مستندسازی در EHR صرف می‌کند کاهش دهد و زمان با کیفیت بیشتری را با بیمار فراهم کند. با این حال، منبع‌یابی ضعیف داده و ابزارهای هوش مصنوعی بدآموزش می‌تواند اثر معکوس داشته باشد و ارائه‌دهندگان را مجبور می‌کند زمان زیادی را صرف رفع خطاها و بازنویسی یادداشت‌ها کنند.
علاوه بر این، سوگیری یک خطر مهم مرتبط با الگوریتم‌های هوش مصنوعی است و داده‌های با کیفیت می‌توانند نقش کلیدی در کاهش نابرابری‌های مراقبت‌های بهداشتی داشته باشند. مدل‌های هوش مصنوعی می‌توانند الگوهایی را بیاموزند که در مقایسه با سایر جمعیت‌ها، از جمله گروه‌های تحت حفاظت قانونی، به طور مؤثری با یک جمعیت بیمار رفتار ترجیحی دارند. با نظارت بر ورودی داده ها و آموزش بر روی داده های قوی و نماینده، خروجی های هوش مصنوعی می توانند جامع تر و دقیق تر باشند.
آیا می‌توانید در مورد انواع داده‌هایی که ModMed برای آموزش مدل‌های هوش مصنوعی خود استفاده می‌کند و نحوه منبع‌یابی و مدیریت این داده‌ها توضیح دهید؟
در ModMed، ما از داده‌های تخصصی جامع برای کمک به آموزش مدل‌های هوش مصنوعی خود با دقت استفاده می‌کنیم. در 14 سال گذشته، ما مجموعه‌های داده‌های ساختاریافته خاص و غیرقابل شناسایی را مطابق با قوانین حفظ حریم خصوصی ایجاد کرده‌ایم و اکنون از این داده‌های داخلی برای آموزش مدل‌های هوش مصنوعی خود استفاده می‌کنیم. برای مثال، ابزار گوش دادن محیط ما ModMed Scribe برای پوست، اولین راه‌اندازی تخصصی ما، بر روی میلیون‌ها پارامتر ساختاری از سوابق بیمار شناسایی‌نشده نمونه‌برداری شده از مجموعه‌ای از 500 میلیون برخورد بیمار، آموزش دیده است.
ModMed چگونه “هوش مصنوعی اخلاقی” را در زمینه مراقبت های بهداشتی تعریف می کند؟
پتانسیل هوش مصنوعی برای سوگیری یا ارائه اطلاعات نادرست به شکل “توهم” یا حذف می تواند بر زندگی بیماران تأثیر بگذارد. به همین دلیل، هوش مصنوعی اخلاقی در مراقبت های بهداشتی در مورد تعیین یک استاندارد بالا برای دقت و دقت است. این به معنای توسعه الگوریتم‌ها با دقت و مسئولانه و استفاده از داده‌های با کیفیت بالا و متنوع برای کمک به پیش‌بینی دقیق‌تر برای هر کاربر است.
هوش مصنوعی اخلاقی همچنین در مورد اطمینان از باقی ماندن انسان ها در معادله است. یک هوش مصنوعی نباید “دکتر را کنار بگذارد” بلکه باید بار اداری تجربه پزشکان و کارکنان آنها را کاهش دهد تا بتوانند بیشتر بر کمک به بیماران تمرکز کنند.
چه تدابیری در ModMed وجود دارد تا امکان توسعه و بکارگیری فناوری‌های هوش مصنوعی به صورت اخلاقی فراهم شود؟
رویکرد داده‌های ساختاریافته ما – تنظیم مجموعه‌های داده آموزشی با کیفیت بالا و نماینده – به ما کمک می‌کند هوش مصنوعی مسئول را به واقعیت تبدیل کنیم. داده‌های مرتبط و شناسایی نشده جمع‌آوری‌شده از سیستم‌های EHR ما از طیف گسترده‌ای از شیوه‌ها، مجموعه متنوعی از داده‌های آموزشی را در اختیار ما قرار می‌دهد که منعکس‌کننده جمعیت‌های مختلف بیماران است.
علاوه بر این، تیم توسعه ما از پاکسازی داده ها برای تسهیل جمع آوری و استفاده از داده های با کیفیت بالا استقبال می کند. این فرآیند به تیم‌های ما امکان می‌دهد ناسازگاری‌ها، خطاها و مقادیر گمشده را از مجموعه داده شناسایی، اصلاح و حذف کنند. از طریق این تعمیر و نگهداری منظم، می‌توانیم به طور مداوم هوش مصنوعی را بر اساس داده‌های عملکرد، به‌ویژه داده‌های بالینی، به‌روزرسانی کنیم، جایی که می‌توان بر نتایج بیمار تأثیر گذاشت.
آیا می توانید در مورد اهمیت شفافیت و مسئولیت پذیری در توسعه هوش مصنوعی، به ویژه در مراقبت های بهداشتی صحبت کنید؟
شفافیت مسئولیت پذیری را ممکن می کند، به همین دلیل است که زیربنای اساسی برای هر راه حل هوش مصنوعی در مراقبت های بهداشتی است. اولویت های پزشکان مراقبت از بیمار و ایمنی است، بنابراین جای تعجب نیست 80 درصد از پزشکان می خواهید ویژگی ها و ویژگی های طراحی، توسعه و استقرار ابزارهای هوش مصنوعی را بدانید.
علاوه بر این، همه داده ها یکسان ایجاد نمی شوند. مهم است که بدانید داده‌ها کجا و چگونه ذخیره و منبع می‌شوند و به‌طور مرتب به‌روزرسانی می‌شوند. ما خوش شانسیم که از زمان شروع ModMed، ما متعهد به یک استراتژی داده هستیم که شفافیت و دقت را در اولویت قرار می دهد. ما درک کاملی از منابع و کیفیت داده‌های خود داریم و مطمئن هستیم که ادغام‌های هوش مصنوعی ما ارزش قابل توجهی را برای مشتریانمان به ارمغان می‌آورند.
چگونه هوش مصنوعی در سیستم‌های EHR ویژه ModMed مانند EMA و gGastro ادغام می‌شود؟
در سراسر مجموعه خود، مدتی است که از یادگیری ماشینی استفاده می کنیم و سرمایه گذاری خود را در هوش مصنوعی پیشرفته و مولد تقویت می کنیم تا تجارت پزشکی را ساده کنیم و مراقبت های با کیفیت را تسریع کنیم. ما در حال ساختن یک تجربه کامل تمرینی مبتنی بر هوش مصنوعی هستیم که قبل از ورود بیمار به در شروع می شود، از اتاق معاینه و تا بخش صورتحساب امتداد می یابد.
در محیط بالینی، ما در مراحل پایانی برنامه آزمایشی گوش دادن به محیط هوش مصنوعی برای EMA هستیم، که معتقدیم برای عملکرد پایین دست و محتوای ساختار یافته پیشنهادی، یک تغییر بازی خواهد بود. راه حل مستندات مبتنی بر هوش مصنوعی ما برای ساده کردن فرآیند مراقبت فراتر از رونویسی یا تهیه پیش نویس یادداشت SOAP طراحی شده است. با استفاده از حجم وسیعی از داده‌های ساختاریافته، مدل‌های هوش مصنوعی خود را آموزش می‌دهیم تا اطلاعات ضروری را از مکالمات پزشک و بیمار دریافت کنند و در کنار EHR خود، محتوای مرتبط را برای یادداشت‌های بازدید، از جمله کدهای ICD-10، کدهای جراحی و نسخه‌ها پیشنهاد دهیم. این باعث صرفه جویی در وقت گرانبهای پزشکان می شود و به آنها اجازه می دهد زمان با کیفیت بیشتری را با بیماران خود بگذرانند.
راه حل های هوش مصنوعی ویژه چه مزایای خاصی برای ارائه دهندگان مراقبت های بهداشتی و بیماران فراهم می کند؟
هیچ دو تخصص پزشکی شبیه هم نیستند. آنها به طور گسترده ای با بیمارانی که می بینند، شرایطی که درمان می کنند و کدهای پزشکی مورد استفاده برای بازپرداخت متفاوت هستند. راه‌حل‌های هوش مصنوعی باید به گونه‌ای طراحی شوند که این تغییرات را تطبیق دهند تا از هر راه واقعاً معناداری مؤثر باشند.
به عنوان مثال، ابزارهای گوش دادن به محیط EHR و هوش مصنوعی ModMed به صراحت برای هر تخصص پزشکی طراحی شده است و پشتیبانی بسیار مرتبط و دقیقی را برای پزشکان ارائه می دهد. فرآیند مستندسازی هر تخصص به اجزای مختلفی در یادداشت داده های ساختاریافته، از جمله کدهای پزشکی و اصطلاحات منحصر به فرد نیاز دارد. این تخصص به هوش مصنوعی اجازه می‌دهد تا نیازها و جریان‌های کاری منحصربه‌فرد شیوه‌های تخصصی مختلف را بهتر درک و پیش‌بینی کند، که ما معتقدیم این امر منجر به اجرای کارآمدتر، پذیرش سریع‌تر و اثربخشی کلی بیشتر در بهبود کارایی عملیاتی خواهد شد.
مهم ترین فرصت های هوش مصنوعی در مراقبت های بهداشتی را در پنج تا ده سال آینده کجا می بینید؟
در آینده، هوش مصنوعی بدون شک تقریباً در تمام جنبه های مراقبت های بهداشتی به گونه ای نفوذ خواهد کرد که ما نمی توانیم تصور کنیم. در حال حاضر، هوش مصنوعی برای کارهای اداری به کار گرفته شده است، و در کوتاه مدت، این روند احتمالاً با آشکارتر شدن ارزش هوش مصنوعی افزایش خواهد یافت.
من همچنین آینده ای را می بینم که هوش مصنوعی به طور یکپارچه در تعاملات پزشک و بیمار یکپارچه شود، جایی که «رابط کاربر» یا UI تقریباً نامرئی باشد. به جای تعاملات مبتنی بر صفحه نمایش امروزی، هوش مصنوعی می تواند ترکیبی از واقعیت و واقعیت افزوده را ارائه دهد. این هوش مصنوعی وضعیت آینده به طور بالقوه می تواند سوابق سلامتی را برای شناسایی بینش های حیاتی تجزیه و تحلیل کند و خطر بیماری های مختلف بیمار را پیش بینی کند. حجم وسیعی از داده ها در پرونده های پزشکی فرصتی را برای هوش مصنوعی فراهم می کند تا نیازهای مراقبتی آینده را پیش بینی کند و برنامه های درمانی مراقبت های پیشگیرانه را ایجاد و به مدیریت آن کمک کند.
این تجربه می تواند فراتر از محیط تمرین گسترش یابد و به زندگی روزمره بیمار تبدیل شود. پوشیدنی‌های مجهز به هوش مصنوعی می‌توانند پشتیبانی شخصی، پاسخ به سؤالات و برنامه‌ریزی قرار ملاقات را از جمله موارد دیگر ارائه دهند. هوش مصنوعی همچنین می‌تواند علائم حیاتی را از راه دور کنترل کند و ارائه‌دهندگان را در مورد مشکلات سلامتی بالقوه شناسایی و هشدار دهد. برنامه‌های درمانی شخصی‌شده، متناسب با بیماران فردی براساس داده‌ها و ترجیحات، می‌تواند به یک هنجار تبدیل شود.
این واقعاً زمان هیجان انگیزی برای مراقبت های بهداشتی است. پنج تا ده سال آینده با فرصت هایی برای تغییر بیشتر صنعت و بهبود تجربه بیمار آماده است.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند ModMed.
