Warum ein akademisches Gesundheitssystem Daten an der Quelle reparierte, bevor es auf KI setzte
von Aly McGue
Das Gesundheitswesen könnte einer der größten Nutznießer von KI sein. Wenige Branchen generieren so viele Daten, und wenige haben so viel davon zu gewinnen, Erkenntnisse daraus zu gewinnen. Aber die Lücke zwischen der Generierung von Daten und ihrer tatsächlichen Nutzung zur Verbesserung der Versorgung, zur Beschleunigung der Forschung und zur effizienteren Durchführung von Abläufen bleibt in den meisten Gesundheitssystemen enorm. Diejenigen, die diese Lücke schließen, beginnen mit Daten, nicht mit Modellen.
NYU Langone Health, ein führendes akademisches Gesundheitssystem, versorgt die Metropolregion New York durch Patientenversorgung, medizinische Forschung und medizinische Ausbildung. NYU Langone nutzt Databricks für seine einheitliche Daten- und KI-Plattform, hat kürzlich seinen On-Premises-Data-Lake stillgelegt und migriert derzeit sein Enterprise Data Warehouse. Die Institution hat eine breite Gemeinschaft von Klinikern, Analysten, Wissenschaftlern und Mitgliedern der Unternehmensbelegschaft aufgebaut, die die Plattform in den Bereichen Patientenversorgung, Betrieb und Forschung nutzen.
Nader Mherabi, Chief Digital and Information Officer bei NYU Langone Health, leitet die Datenstrategie der Institution schon lange vor der aktuellen KI-Welle und legt damit die Grundlagen für ein datengesteuertes Gesundheitssystem. Im Jahr 2017 erkannte er die Qualität der Datenerfassung bei NYU Langone und sah eine Gelegenheit, mit den aufkommenden KI-Fähigkeiten weiter voranzukommen.
Die Metapher, zu der Nader immer wieder zurückkehrte: Wenn Sie sauberes Wasser wollen, reparieren Sie die Rohre. Versuchen Sie nicht, es am Ende zu filtern.
Aly McGue: NYU Langone ist eine metrikgetriebene Organisation mit einem ausgereiften Datenstack. Wenn Sie bereits ein funktionierendes Warehouse und einen Data Lake haben, was ist das 'fehlende Stück', das einen Umzug zu einer modernen Datenplattform notwendig macht?
Nader Mherabi: Unser Weg war für einige Institutionen etwas anders. Wir waren schon immer eine stark datengetriebene, metrikgetriebene Organisation. Wir hatten bereits vereinheitlichte Daten in einem Data Lake und einem Enterprise Data Warehouse, selbst im traditionellen Stack. Daher war der Aufwand für eine moderne Plattform für uns einfacher als für andere.
Aber die Notwendigkeit war klar. Bereits 2017 erkannten wir, dass das Potenzial von KI, selbst in diesem sehr frühen Stadium, bedeutete, dass wir unseren Datenstack modernisieren mussten. Es ist eine Sache, Modelle zu bauen. Es ist eine andere Sache, sie 24/7 auf sichere und zuverlässige Weise auszuführen. Wir brauchten eine Plattform, die uns helfen konnte, unsere Ambitionen in Bezug auf Patientenqualität, Sicherheit, Effizienz und medizinische Forschung zu verwirklichen und die mit uns wachsen konnte, während sich die Technologie weiterentwickelt.
Ein Leitprinzip, das wir vor über einem Jahrzehnt festgelegt haben, ist, dass man die Daten in der Intelligenzschicht nur dann von hoher Qualität haben kann, wenn man sie zuerst in den Transaktionssystemen korrigiert. Es ist wie Wasser, das durch die Rohre kommt. Wenn Sie sauberes Wasser an der Quelle haben, müssen Sie es am Ende nicht ständig filtern. Das Filtern von schmutzigem Wasser ist teuer. Das Ziel sollte also immer sauberes Wasser zuerst sein. Einige Dinge müssen Sie unterwegs immer noch filtern, aber das Prinzip sollte sein, es stromaufwärts richtig zu machen.
Aly: Wie hat die Disziplin, Daten auf Transaktionsebene zu korrigieren, den tatsächlichen Nutzen Ihrer Datenebene verändert?
Nader: Vor Jahren hatten wir viele Systeme mit Patientendaten, die über mehrere Standorte verteilt waren, ohne einheitliche Identifikatoren. Das ist eine enorme Herausforderung für die Datenqualität und schränkt ein, was man damit machen kann. Ein Teil unseres Ansatzes war es, in gemeinsame Transaktionsplattformen zu investieren: Eine elektronische Patientenakte und ein ERP-System. Als wir neue Praxen oder Krankenhäuser aufnahmen, investierten wir darin, alle auf gemeinsame Plattformen zu bringen und legten dann Leitprinzipien für Daten fest.
Zum Beispiel würden wir niemals Daten in der Data-Warehouse-Schicht zuordnen. Wir versuchen immer, sie an der Quelle zu korrigieren. Wir haben die Systeme und die Daten gemeistert, sodass wir wissen, dass dies die maßgebliche Quelle für Patientendaten ist, dies die Quelle für Finanzdaten, dies die Quelle für operative Daten. Sobald Sie das tun, wird Ihre Datenplattform viel aussagekräftiger. Die Leute können Daten kreuzreferenzieren, was im Gesundheitswesen entscheidend ist. Nehmen Sie einen Patienten im Mittelpunkt: Sie müssen seine Behandlungsdaten mit den verfügbaren klinischen Studien verbinden, bis hin zur finanziellen Seite, bis zu den während der Operation entnommenen Proben und wo sie sich physisch befinden. Wenn Sie diese Zuordnung nicht haben, fehlt Ihnen eine enorme Fähigkeit. Das Leitprinzip, das dies ermöglicht, ist immer dasselbe: Korrigieren Sie es stromaufwärts.
Aly: Im Gesundheitswesen sind die Risiken für die Datenrichtigkeit hoch. Wie verhindert eine vereinheitlichte Datenbasis die Debatte über 'widersprüchliche Metriken' zwischen verschiedenen Abteilungen, und warum ist dieses Vertrauen so entscheidend, wenn man sich in Richtung agentischer KI-Systeme bewegt?
Nader: Es ist riesig. Schon vor KI waren die Vorteile vereinheitlichter Daten enorm. Wenn Ihre Daten vereinheitlicht sind, können Sie bessere Metriken erstellen, und verschiedene Geschäftsbereiche kommen nicht mehr und sagen: "Diese Zahl ergibt keinen Sinn." Wenn Ihre Daten nicht vereinheitlicht sind, werden Ihre Metriken niemals übereinstimmen.
Mit KI steigen die Einsätze natürlich. Wenn Sie keine großartigen Daten haben, werden Sie keine großartige KI haben. Die Leistung hängt von der Datenqualität ab. Und dann ist da noch die Echtzeit-Dimension. Die Erkenntnisse der Leute zur richtigen Zeit und am richtigen Ort zu erhalten, ist das, was zählt.
Aly McGue: Sobald Sie vereinheitlichte Daten haben, besteht die nächste Herausforderung darin, sie skalierbar auffindbar und vertrauenswürdig zu machen. Wie passt Data Governance dazu?
Nader Mherabi: Es ist grundlegend. Sie benötigen einen Katalog, um mit Daten und KI-Modellen zu arbeiten. Wir verwenden Unity Catalog und treiben es weiter voran.
Aber die Investition liegt nicht nur im Werkzeug, sondern in der Strategie darum herum. Sie müssen Ihre Master-Datenquellen definieren, entscheiden, wer für jeden Teil des Katalogs verantwortlich ist, und dann sorgfältig überlegen, wie Sie ihn der breiteren Gemeinschaft zugänglich machen, damit die Leute finden können, was sie brauchen, ohne doppelte Arbeit zu leisten. Es ist eine Sache, ein riesiges Datenprogramm zu haben. Es ist eine andere Sache, dass die Leute die richtigen Daten darin finden. Wenn Sie eine Plattform wie diese einführen, würde ich immer empfehlen, den Katalog von Anfang an richtig zu machen. Er ist die Grundlage für alles andere.
Aly McGue: Eine vereinheitlichte Plattform liefert nur dann Wert, wenn die Leute in der gesamten Institution sie tatsächlich nutzen. Wie sind Sie vorgegangen, um diese Gemeinschaft über das Data-Engineering-Team hinaus aufzubauen?
Nader: Wenn Sie in eine solche Plattform investieren, müssen Sie die Investition optimieren. Für uns bedeutet das, ihre Fähigkeiten im gesamten Unternehmen zu bewerben. Ziel ist es, ein lernendes Gesundheitssystem zu werden, das aus jeder Patienteninteraktion lernt und diese Erkenntnisse wieder in die Praxis zurückführt. Das funktioniert nur, wenn die Nutzergemeinschaft der Plattform weit über die IT hinausgeht. Wir haben eine breite Nutzerbasis von Klinikern, Analysten und Wissenschaftlern aufgebaut, die alle innerhalb ordnungsgemäßer Zugriffskontrollen arbeiten, und wir haben in Schulungsprogramme investiert, um sicherzustellen, dass Menschen in den Bereichen Patientenversorgung, Betrieb und Forschung sie nutzen können. Die IT auf die Plattform zu bringen, ist selbstverständlich. Das eigentliche Erfolgsmaß ist, ob der Rest der Institution sie auch nutzen kann.
Aly: In einer Hochrisiko-Umgebung wie einer Notaufnahme sind 'Einblicke am Tag danach' praktisch nutzlos. Welche architektonischen Anforderungen gibt es an eine Plattform, um von retrospektiver Berichterstattung zu einer Echtzeit-klinischen Entscheidungsunterstützung überzugehen, die tatsächlich eine Fehldiagnose verhindern kann?
Nader: In der Patientenversorgung ist die Auswirkung direkt. Wir haben Modelle in der Notaufnahme, die nach bestimmten kritischen Zuständen suchen und Klinikern Entscheidungsunterstützung bieten. Ziel ist es sicherzustellen, dass, wenn ein Patient entlassen wird, das System kennzeichnen kann: Haben Sie diese Diagnose identifiziert? Haben Sie das berücksichtigt? Denn wir wollen nicht, dass ein Patient die Notaufnahme mit einer Erkrankung verlässt, die schwerwiegende Folgen haben könnte, wenn sie übersehen wird.
Wir alle hören von Fällen in anderen Institutionen, in denen eine Fehldiagnose zu einem schlechten Ergebnis führt. Wir wollen Echtzeit-Modelle, die kontinuierlich laufen und den Klinikern die beste Beratung bieten. Nicht ihr Urteilsvermögen ersetzen, sondern sagen: "Hey, Sie haben das vielleicht übersehen. Bitte schauen Sie noch einmal nach." Damit das funktioniert, benötigen die Modelle Echtzeitdaten. Und das erfordert, dass die Datenplattform Echtzeit-Feeds unterstützt, damit die Modelle mit aktuellen Informationen arbeiten und zeitnahe Einblicke liefern können.
Aly: Wie hat KI die Herangehensweise Ihres Unternehmens an die Analyse- und BI-Strategie verändert?
Nader: Ich glaube, Analytik hat drei Ebenen. Erstens müssen Sie einige grundlegende Visualisierungen bereitstellen. Sie können nicht einfach sagen: "Was möchten Sie sehen?" Die Leute brauchen einige strukturierte Ausgangspunkte. Zweitens fügen Sie die Konversationsschicht hinzu, Tools wie Genie, mit denen die Leute neugierig werden und tiefere Fragen stellen können. Und drittens müssen Sie in der Lage sein, die Antwort in verschiedenen Formen je nach Benutzer zu liefern: Manchmal ist es eine direkte Tatsache, manchmal eine Visualisierung und manchmal sind es ein paar Zahlen auf einem Bildschirm.
Was an unserem jetzigen Standpunkt so wirkungsvoll ist, ist, dass wir zum ersten Mal in der Mensch-Maschine-Geschichte tatsächlich in menschlichen Begriffen mit Maschinen sprechen können, so wie man einen Kollegen fragen würde. Das hat eindeutig seinen Platz. Aber ich würde jedem raten, darüber nachzudenken, wo es sinnvoll ist und in welchem Umfang. Ersetzen Sie nicht Ihre Visualisierung vollständig. Fügen Sie die Konversationsschicht hinzu, damit die Leute neugierig werden, mehr Fragen stellen und sich auf einfache Weise selbst helfen können.
Aly: Das Tempo der KI-Entwicklung kann für viele Führungskräfte lähmend sein. Wie wägen Sie die Notwendigkeit einer stabilen langfristigen Strategie mit der Realität ab, dass sich die Technologie in sechs Monaten völlig anders anfühlen könnte?
Nader: Akzeptieren Sie zuerst die Unvorhersehbarkeit von KI. Sie werden morgen aufwachen und etwas Neues wird angekommen sein. Die Werkzeuge und die Technologie werden sich weiter ändern. Hängen Sie sich nicht daran auf. Finden Sie gute Partner, die ihre Plattform als Teil des Wandels wachsen lassen können, und konzentrieren Sie sich auf die Wertschöpfung.
Ob Sie eine sichere, qualitativ hochwertige Versorgung leisten, die betriebliche Effizienz verbessern oder das Patientenerlebnis verbessern, das ist der Wert. Gehen Sie ihn mit den heute verfügbaren Fähigkeiten an und entwickeln Sie sich dann weiter. Und das andere ist, sich selbst zu bilden. Ein Teil dessen, was die Leute zögern lässt, ist, dass sie nicht das Gefühl haben, zu verstehen, was passiert. Sie müssen sich so gut wie möglich auf dem Laufenden halten, denn das hilft Ihnen, bessere Entscheidungen zu treffen, wenn sich der Markt weiterentwickelt, besonders bei dem Tempo, das er jetzt hat.
Der frühe und bewusste Ansatz der NYU Langone ist die wichtigste Erkenntnis aus dieser Diskussion. Die Metapher des sauberen Wassers erfasst etwas Wichtiges. Organisationen, die in die Filterung von schmutzigen Daten nachgelagert investieren, sind immer im Rückstand. Diejenigen, die sie auf der Transaktionsebene beheben, bauen, auch wenn es länger dauert und anfänglich mehr kostet, eine Grundlage, auf der jede nachfolgende Investition, von Analysen über KI bis hin zur klinischen Entscheidungsunterstützung in Echtzeit, zuverlässig aufbauen kann. In einer Umgebung, in der es um Patientensicherheit geht, ist diese Disziplin nicht optional.
Um von Branchenführern zu hören und Ihren Weg zur Operationalisierung von KI zu definieren, laden Sie den Economist Enterprise Report „Making AI Deliver“ herunter.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.