データ品質の向上が AI の可能性を引き出す鍵

チャーリー・ハープ氏、臨床アーキテクチャー担当 CEO

Partner Perspective シリーズのこのエピソードでは、Clinical Architecture の創設者兼 CEO である Charlie Harp が、医療のデータ品質の欠点が医療システム全体での AI 導入にとって最大の脅威となる理由を説明します。 ViVE カンファレンスのインタビューで、彼は、ケア提供の副産物として収集された数十年にわたる臨床データが、AI アプリケーションに求められる精度をいかに欠いているかを説明しました。 Harp は、増分的で測定可能な結果をもたらすデータ品質プログラムを構築するための戦略を共有します。

医療機関が AI の導入を急いでいることは、不都合な真実と衝突しています。それは、これらのモデルに供給されるデータが、その業務のために設計されていなかったということです。これは、医療用語管理、セマンティック正規化、データ品質を専門とする会社である Clinical Architecture の創設者兼 CEO である Charlie Harp の率直な評価です。 ViVE カンファレンスで講演したハープ氏は、医療システム全体で有意義な AI 導入を妨げる唯一の最大の障害はデータ品質であると主張しました。 「悪いデータに対する人工知能は、人工的な愚かさです」と彼は言いました。

ポッドキャスト: 新しいウィンドウで再生する | ダウンロード (長さ: 29:26 — 27.0MB)

購読する： アップルのポッドキャスト | スポティファイ

この問題は、レコードの汚れやフィールドの欠落よりもさらに深刻です。 EHR システムを通じて収集された臨床データは、スケジュール設定、請求、運用ワークフローに十分に役立ちます。しかし、その同じデータは、AI、臨床意思決定支援、または集団健康分析に適用される場合、ハープ氏の言うところの「校正されていない不確実性」を伴います。患者データに AI を使用したいと考えている医療システムは、データの取得方法とこれらの新しいアプリケーションが必要とするものとの間に根本的な不一致があることを発見しています。そして、リスクは高くなります。信頼性の低い情報を AI モデルに入力すると、不正確な結果が生成されるだけではありません。それは臨床リスクをもたらします。

2007 年に設立された Clinical Architecture は、Harp のヘルスケア ソフトウェア システム構築の約 40 年にわたる経験から成長しました。 SmithKline Beecham Clinical Laboratories で病院ラボ アプリケーションを開発し、Covance で臨床試験システムを管理し、First DataBank と Zynx Health で CTO を務めた後、彼は永続的なギャップに気づきました。それは、医療の基礎となる用語、オントロジー、データ品質が十分なサービスを受けられていないということです。 AI の登場により、医療システムは以前は許容できたデータ品質の問題に直面することを余儀なくされているため、彼にとって現在の瞬間は異なるものに感じられます。そして、これらの問題に対処するメリットは、AI をはるかに超えて、品質測定、臨床意思決定のサポート、医療記録そのものの信頼性にまで及びます。

AI のデータ品質計算

多くの組織にとって、AI 自体がデータ品質の問題を解決すると考えてしまう誘惑にかられます。ハープはその前提を真っ向から否定します。 「保証しますが、AI はデータ品質の問題を解決しません」と彼は言いました。その理由は、欠陥のあるデータに基づいてトレーニングされた生成 AI が欠陥のある確率パターンを生成するためです。そして、AI が数百ページにわたる信頼性の低い患者情報を要求された場合、信号とノイズを確実に区別できるモデルは存在しません。 AI が受信したデータを測定できる、優れたデータの参照基準はありません。

AI に適した問題と、決定論的な解決策が必要な問題との間には明確な違いがあります。計算された再現可能な答えが必要な場合に AI を使用すると、不必要なリスクと不確実性が生じます。この原則は、薬物相互作用のチェックや検査結果の検証で毎回同じ答えが得られる必要がある臨床環境に直接当てはまります。

これらはいずれも AI の可能性を損なうものではありません。 Harp は、生成 AI を医療で利用できる最も重要なツールの 1 つとみなしています。課題は展開の規律です。医療業界には、流行がピークに達したときに新興テクノロジーを採用し、十分な準備をせずに導入し、結果が期待外れになると廃棄するというパターンがあります。医療システムがモデルに供給するデータが正確で完全で目的に適合していることを確認するという基本的な作業を省略すると、AI も同じサイクルに陥る危険性があります。

何が重要かを測定する

この問題に体系的に対処するために、Harp は患者情報品質向上 (PIQI) フレームワークを作成しました。これは現在、HL7 投票プロセスを通じて進められているオープンソースの取り組みです。 PIQI は、患者データが組織の環境に入る前にその品質を評価するための標準化された方法を提供します。医療システムはすでに、自身のシステム内の参照整合性について数千件の品質チェックを実行しています。 PIQI は、TEFCA、取引パートナー、または Snowflake や Databricks などのデータ集約プラットフォームを介して外部ソースから到着するデータにもその精査を拡張します。また、このフレームワークは、特定の品質欠陥を送り出し組織に伝える構造化された方法を組織に提供し、やり取りの両側で改善を促進するフィードバック ループを作成します。

PIQI は、医療のデータ交換インフラストラクチャのギャップに対処します。 FHIR およびその他の相互運用性標準は、データの構造化と送信方法を定義します。彼らは、それらの構造内で運ばれる情報の質については何も述べていません。 TFCA のもとでデータ共有が加速し、医療システムが分析や AI のための集約環境に臨床データを送り込むことが増えているため、定義された品質基準に照らして受信データをスコアリングする機能が不可欠になっています。

ガバナンスは、長期にわたってデータ品質を維持する上で重要な役割を果たします。ハープ氏は、大規模な医療システム全体で遭遇するよくある間違い、つまり臨床用語のマッピングを実行するために IT スタッフを割り当てることを強調します。この仕事には臨床主題に関する専門知識が必要です。情報学者は、マッピングが正確であるか誤解を招くかを決定する意味上の区別を理解しています。同様に、医薬品、研究室、注文品の辞書管理には、規律ある語彙の実践が必要です。エントリの追加と維持のための標準化されたプロセスがなければ、システムは重複と不一致を蓄積し、時間の経過とともに悪化し、すべての下流のユースケースを台無しにします。

Harp 氏は、データ品質への継続的な投資がどのようなものかを示す例として、Clinical Architecture と HCA の取り組みを挙げています。目標はデータの流動性です。組織が新しい目的でデータを使用する必要があるときに、すぐに使用できるようにすることです。戦術的な緊急事態が日々長期にわたるプロジェクトを狂わせる医療システム環境では、その準備状態が不可欠です。

エッジからの勝利

データ品質における最も厄介な課題は組織的なものです。 CIO、最高データ責任者、および最高 AI オフィサーに対するハープ氏のアドバイスは 2 つの原則に基づいています。 1 つ目は、最前線での運用の現実を尊重することです。 「医療は中心部ではなく、末端から進化します」と彼は言いました。中央集権的な機能からのトップダウンの命令は、スタッフが日々直面する厳しい状況を考慮していないため、彼の経験ではほとんど成功しません。 Harp は 37 年間の医療 IT 業務の中で、純粋に一元化されたアプローチが永続的な結果をもたらしたことを一度も見たことがありません。賛同を確保するには、最前線の専門知識を認識し、データに最も近いチームとのパートナーシップを構築する必要があります。

2 番目の原則は、一度にすべてに取り組みたいという衝動に抵抗することです。組織が数か月または数年にわたる包括的な修復プログラムを試みると、大規模なデータ品質への取り組みは失敗します。それらのプロジェクトは勢いを失い、運用上の需要によって脇に追いやられ、目に見える価値はほとんど提供されません。別の方法は、90 日以内に測定可能な結果が得られる範囲の小規模なプロジェクトを開始することです。クリニカル アーキテクチャでは、エンゲージメントを開始する際に、見込み客に簡単な質問をすることがよくあります。「3 か月以内に解決でき、従業員が即座に価値を感じる問題は何ですか?」

このアプローチが機能するのは、早期の勝利が組織の勢いを高めるためです。よりクリーンなデータから測定可能な結果が得られると、チームは独自に継続的な投資を推進します。

テイク・イット・アウェイ

• 請求や運用のために収集された医療データは、AI アプリケーションに求められる品質を欠いています。そのギャップを埋めることは、意思決定のサポートと品質対策にも利益をもたらします
• AI はデータ品質の問題を解決しません。モデルに関係なく、欠陥のある入力は欠陥のある出力を生成します
• PIQI フレームワークのような標準化されたスコアリングを使用して、受信データが環境に入る前に品質を評価します
• 臨床情報学者を用語マッピングと辞書管理に割り当てます。 IT を技術インフラストラクチャに集中させ続ける
• データの流動性を追求し、新しいユースケースで数か月の修復を必要としないようにする
• 目に見える結果をもたらす 90 日間のデータ品質プロジェクトから始めます。早期の勝利により、より大きな投資への勢いが生まれる
• 組織の末端での運用上の現実を尊重します。最前線の賛同がなければ中央集権的な命令は行き詰まる

その可能性は非常に大きいとハープ氏は主張しますが、それは基礎を築く意欲のある組織に限られます。 「AIには非常に多くの可能性があります」と彼は言いました。 「私たちはそれを正しく使用する必要があります。適切なデータを供給する必要があります。そうすれば、素晴らしい可能性が生まれるでしょう。」

ポッドキャスト: 新しいウィンドウで再生する | ダウンロード (長さ: 29:26 — 27.0MB)

購読する： アップルのポッドキャスト | スポティファイ