البودكاست: العب في نافذة جديدة | تحميل (المدة: 29:26 — 27.0 ميجابايت)
الاشتراك: أبل بودكاست | سبوتيفي
تشارلي هارب، الرئيس التنفيذي للهندسة المعمارية السريرية
في هذه الحلقة من سلسلة Partner Perspective، التي تم إجراؤها في مؤتمر ViVE، يشرح تشارلي هارب، المؤسس والرئيس التنفيذي لشركة Clinical Architecture، سبب كون أوجه القصور في جودة بيانات الرعاية الصحية أكبر تهديد لاعتماد الذكاء الاصطناعي في أنظمة الرعاية الصحية. يصف هارب كيف أن عقودًا من البيانات السريرية التي تم جمعها كمنتج ثانوي لتقديم الرعاية الصحية لا توفر الدقة التي تتطلبها تطبيقات الذكاء الاصطناعي. وهو يشارك استراتيجيات بناء برامج جودة البيانات التي تقدم نتائج تدريجية وقابلة للقياس.
إن اندفاع الرعاية الصحية لنشر الذكاء الاصطناعي يصطدم بحقيقة غير مريحة: فالبيانات التي تغذي هذه النماذج لم تكن مصممة على الإطلاق لهذه المهمة. هذا هو الاستنتاج الصريح الذي توصل إليه تشارلي هارب، المؤسس والرئيس التنفيذي لشركة العمارة السريريةشركة متخصصة في إدارة مصطلحات الرعاية الصحية والتوحيد الدلالي وجودة البيانات. خلال كلمته في مؤتمر ViVE، أوضح هارب أن جودة البيانات هي أكبر عقبة أمام التبني الهادف للذكاء الاصطناعي في أنظمة الرعاية الصحية. وقال: “الذكاء الاصطناعي المبني على بيانات سيئة هو غباء مصطنع”.
البودكاست: العب في نافذة جديدة | تحميل (المدة: 29:26 — 27.0 ميجابايت)
الاشتراك: أبل بودكاست | سبوتيفي
المشكلة أعمق من البيانات القذرة أو الحقول المفقودة. تعمل البيانات السريرية التي يتم جمعها من خلال أنظمة السجلات الصحية الإلكترونية بشكل جيد بما يكفي للجدولة والفوترة وسير العمل التشغيلي. لكن هذه البيانات نفسها تحمل ما يسميه هارب “عدم اليقين غير المعايرة” عند تطبيقها على الذكاء الاصطناعي، أو دعم القرار السريري، أو تحليلات الصحة العامة. تكتشف أنظمة الرعاية الصحية التي تتطلع إلى استخدام الذكاء الاصطناعي في بيانات المرضى انفصالًا أساسيًا بين كيفية التقاط البيانات وما تتطلبه هذه التطبيقات الجديدة. والمخاطر كبيرة: فتغذية نماذج الذكاء الاصطناعي بمعلومات غير موثوقة لا تؤدي إلى نتائج غير دقيقة فحسب؛ فهو يقدم مخاطر سريرية.
تأسست شركة الهندسة المعمارية السريرية في عام 2007، نتيجة لخبرة Harp التي تبلغ ما يقرب من أربعين عامًا في بناء أنظمة برمجيات الرعاية الصحية. بعد تطوير تطبيقات مختبرات المستشفيات في مختبرات SmithKline Beecham Clinical Laboratories، وإدارة أنظمة التجارب السريرية في Covance، والعمل كرئيس تنفيذي للتكنولوجيا في First DataBank وZynx Health، رأى فجوة مستمرة: لم يتم استغلال السباكة الأساسية للرعاية الصحية – المصطلحات والوجود وجودة البيانات. تبدو اللحظة الحالية مختلفة بالنسبة له لأن الذكاء الاصطناعي يجبر أنظمة الرعاية الصحية على معالجة مشكلات جودة البيانات التي كانت مقبولة في السابق. وتمتد فوائد معالجة هذه المشكلات إلى ما هو أبعد من الذكاء الاصطناعي لتشمل مقاييس الجودة، ودعم القرارات السريرية، وموثوقية السجل الطبي نفسه.
حساب جودة البيانات بواسطة الذكاء الاصطناعي
يميل العديد من المؤسسات إلى افتراض أن الذكاء الاصطناعي بحد ذاته سيحل مشكلة جودة البيانات. يرفض Harp هذه الفرضية تمامًا. وقال: “أضمن لك أن الذكاء الاصطناعي لن يحل مشكلة جودة البيانات”. والسبب هو أن الذكاء الاصطناعي التوليدي المدرب على بيانات معيبة ينتج أنماطًا احتمالية معيبة. وعندما يتم تغذية الذكاء الاصطناعي بمئات الصفحات من معلومات المريض غير الموثوقة، لا يستطيع أي نموذج التمييز بشكل موثوق بين الإشارات والضوضاء. لا يوجد معيار مرجعي للبيانات الجيدة التي يستطيع الذكاء الاصطناعي من خلالها قياس ما يتلقاه.
هناك فرق حاد بين المشاكل المناسبة للذكاء الاصطناعي والمشكلات التي تتطلب حلولاً حتمية. إن استخدام الذكاء الاصطناعي حيث تكون الاستجابة المحسوبة والمتكررة مطلوبة يؤدي إلى مخاطر وعدم يقين غير ضروريين. وينطبق هذا المبدأ بشكل مباشر على الإعدادات السريرية، حيث يجب أن يؤدي فحص التفاعل الدوائي أو التحقق من صحة النتائج المختبرية إلى نفس الإجابة في كل مرة.
لا شيء من هذا ينتقص من إمكانات الذكاء الاصطناعي. يرى هارب أن الذكاء الاصطناعي التوليدي هو أحد أهم الأدوات المتاحة للرعاية الصحية. التحدي هو الانضباط في التنفيذ. إن صناعة الرعاية الصحية لديها نمط يتسم بتبني التكنولوجيات الناشئة في ذروة الضجيج، وتنفيذها دون إعداد كاف، ثم التخلص منها عندما تكون النتائج مخيبة للآمال. يخاطر الذكاء الاصطناعي بنفس الدورة التي تتخطى فيها أنظمة الرعاية الصحية العمل الأساسي لضمان أن البيانات التي تغذي هذه النماذج دقيقة وكاملة ومناسبة للغرض.
قياس ما يهم
ولمعالجة المشكلة بشكل منهجي، أنشأت هارب إطار عمل تحسين جودة معلومات المرضى (PIQI)، وهي مبادرة مفتوحة المصدر تتقدم الآن من خلال عملية التصويت على HL7. يوفر PIQI طريقة موحدة لتقييم جودة بيانات المرضى قبل دخولها إلى بيئة المؤسسة. تقوم أنظمة الرعاية الصحية بالفعل بإجراء الآلاف من فحوصات الجودة للتأكد من التكامل المرجعي داخل أنظمتها الخاصة؛ تقوم PIQI بتوسيع هذا البحث ليشمل البيانات الواردة من مصادر خارجية عبر TEFCA أو الشركاء التجاريين أو منصات تجميع البيانات مثل Snowflake وDatabricks. كما يوفر الإطار أيضًا للمؤسسات طريقة منظمة لتوصيل أوجه القصور المحددة في الجودة إلى المنظمة المرسلة، مما يؤدي إلى إنشاء حلقة تعليقات تدفع التحسينات على جانبي التبادل.
يعالج PIQI فجوة في البنية التحتية لتبادل بيانات الرعاية الصحية. تحدد FHIR ومعايير التشغيل البيني الأخرى كيفية تنظيم البيانات ونقلها. ولا يذكرون شيئًا عن جودة المعلومات الواردة في هذه الهياكل. مع تسارع تبادل البيانات في ظل TEFCA وأنظمة الرعاية الصحية التي تدفع المزيد والمزيد من البيانات السريرية إلى بيئات التجميع للتحليلات والذكاء الاصطناعي، تصبح القدرة على تقييم البيانات الواردة مقابل معايير الجودة المحددة ضرورية.
تلعب الحوكمة دورًا حاسمًا في الحفاظ على جودة البيانات بمرور الوقت. يسلط هارب الضوء على خطأ شائع يراه في أنظمة الرعاية الصحية الكبيرة: تعيين موظفي تكنولوجيا المعلومات لرسم خريطة للمصطلحات السريرية. يتطلب العمل خبرة سريرية في الموضوع؛ يفهم عالم الكمبيوتر الاختلافات الدلالية التي تحدد ما إذا كان التعيين دقيقًا أم مضللاً. وبالمثل، تتطلب إدارة القاموس للأدوية والمختبرات والعناصر القابلة للطلب ممارسة مفردات منضبطة. وبدون عمليات موحدة لإضافة القوائم والحفاظ عليها، تتراكم الأنظمة التكرارات وعدم الاتساق التي تتفاقم بمرور الوقت وتقوض أي حالة استخدام نهائية.
ويشير هارب إلى عمل الهندسة المعمارية السريرية مع HCA كمثال لما تبدو عليه الاستثمارات المستدامة في جودة البيانات. الهدف هو سيولة البيانات: التأكد من أنه عندما تحتاج المنظمة إلى استخدام بياناتها لغرض جديد، فإنها تكون جاهزة على الفور. في بيئة الرعاية الصحية، حيث تؤدي حالات الطوارئ التكتيكية إلى عرقلة المشاريع طويلة الأجل كل يوم، فإن حالة الاستعداد هذه ضرورية.
الفوز من الحواف
إن أصعب التحديات في جودة البيانات هي تحديات تنظيمية. تركز نصيحة Harp لمدراء تكنولوجيا المعلومات وكبار مسؤولي البيانات وكبار مسؤولي الذكاء الاصطناعي على مبدأين. الأول هو احترام الحقائق العملياتية على الخطوط الأمامية. وقال: “إن الرعاية الصحية تتطور من الأطراف، وليس من المركز”. نادراً ما تنجح المهام من أعلى إلى أسفل من وظيفة مركزية في تجربته لأنها لا تأخذ في الاعتبار الظروف الصعبة التي يواجهها الموظفون على أساس يومي. خلال 37 عامًا من العمل في مجال تكنولوجيا المعلومات في مجال الرعاية الصحية، لم تشهد Harp أبدًا نهجًا مركزيًا بحتًا يحقق نتائج دائمة. ويتطلب تأمين المشاركة الاعتراف بالخبرة في الخطوط الأمامية وبناء الشراكات مع الفرق الأقرب إلى البيانات.
المبدأ الثاني هو مقاومة الرغبة في معالجة كل شيء دفعة واحدة. تفشل مبادرات جودة البيانات الرئيسية عندما تحاول المؤسسات تنفيذ برامج معالجة واسعة النطاق تمتد لأشهر أو سنوات. تفقد هذه المشاريع زخمها، ويتم تهميشها بسبب المتطلبات التشغيلية، ولا تقدم سوى القليل من القيمة المرئية. والبديل هو البدء على نطاق صغير: استهدف المشاريع لتحقيق نتائج قابلة للقياس في غضون 90 يومًا. غالبًا ما تطرح الهندسة السريرية على العملاء المحتملين سؤالًا بسيطًا عند بدء المشاركة: ما هي المشكلة التي يمكننا حلها خلال ثلاثة أشهر والتي سيرى موظفوك قيمة فورية منها؟
ينجح هذا النهج لأن الانتصارات المبكرة تزيد من زخم المنظمة. وبمجرد أن ترى الفرق نتائج قابلة للقياس من البيانات الأنظف، فإنها ستدفع نحو المزيد من الاستثمار بمفردها.
خذها بعيدا
- تفتقر بيانات الرعاية الصحية التي يتم جمعها لإعداد الفواتير والعمليات إلى الجودة التي تتطلبها تطبيقات الذكاء الاصطناعي؛ إن سد هذه الفجوة يفيد أيضًا دعم القرار وتدابير الجودة
- لن يحل الذكاء الاصطناعي مشكلات جودة البيانات؛ المدخلات المعيبة تنتج مخرجات معيبة، بغض النظر عن النموذج
- قم بتقييم جودة البيانات الواردة قبل دخولها إلى بيئتك باستخدام درجات موحدة مثل إطار عمل PIQI
- تعيين متخصصين في المعلوماتية السريرية لرسم خرائط المصطلحات وإدارة القاموس؛ حافظ على تركيز تكنولوجيا المعلومات على البنية التحتية التقنية
- احرص على توفير سيولة البيانات حتى لا تتطلب حالات الاستخدام الجديدة شهورًا من التعافي
- ابدأ بمشاريع جودة البيانات لمدة 90 يومًا والتي تحقق نتائج واضحة؛ فالانتصارات المبكرة تبني الزخم لاستثمارات أكبر
- احترام الواقع التشغيلي على أطراف مؤسستك؛ وسوف تشهد التفويضات المركزية التي لا تحظى بمشاركة في الخطوط الأمامية ركوداً
يقول هارب إن الإمكانات هائلة، ولكنها متاحة فقط للمنظمات الراغبة في وضع الأساس. يقول: “يتمتع الذكاء الاصطناعي بالكثير من الإمكانات”. “علينا فقط أن نستخدمها بالطريقة الصحيحة. علينا أن نعطيها البيانات الصحيحة، ومن ثم فهي تتمتع بإمكانات هائلة.”
