患者紹介の変革：ProvidenceがDatabricks MLflowを使用して1,000以上のクリニックで自動化を加速

プロビデンスは、思いやりのある高品質なケアを通じて、脆弱で不利なコミュニティに奉仕しています。米国最大の非営利保健システムの一つとして、51の病院、1,000以上の外来クリニック、7つの州にまたがる130,000以上のケアギバーを持つ私たちの能力は、タイムリーで調整されたケアを提供することにより、臨床結果だけでなく、それを支えるワークフローも変革することに依存しています。

最も急を要する事例の一つは、私たちがファクスの取り扱いを自動化する方法です。デジタルヘルスの進歩にもかかわらず、特にプロバイダー間の紹介においては、ファックスがヘルスケアにおける主要なコミュニケーション手段として残っています。プロビデンスは年間4000万件以上のファックスを受け取り、合計で1億6000万ページ以上になります。その量の大部分は、私たちの電子健康記録（EHR）システムであるEpicに手動でレビューし、転記する必要があります。

このプロセスは遅く、エラーが発生しやすく、患者のケアを遅らせる数ヶ月間のバックログにつながります。もっと良い方法があるはずだと思いました。

大規模で整理されていないワークフローと非構造化データに取り組む

主な課題は技術的なものだけでなく、人間的なものでした。医療業界では、クリニック、役割、個々の人間によってワークフローが大きく異なります。スタッフの一人は、紹介状を印刷してスキャンした後、手動でEpicに入力するかもしれませんが、別のスタッフは完全にデジタルなキュー内で作業するかもしれません。標準化の欠如は、「ユニバーサル」な自動化パイプラインを定義したり、現実の複雑さを反映したテストシナリオを作成するのが難しいです。

その上で、基礎となるデータはしばしば断片化され、一貫性のない形で保存されています。手書きのメモからタイプ入力のPDFまで、着信ファクス文書の多様性は、処理、分類、情報抽出のための幅広い入力を生み出します。複数の光学文字認識（OCR）ツール、プロンプト戦略、言語モデルを扱うとき、これらすべてのハイパーパラメータを調整することは指数関数的に難しくなります。

この複雑さは、私たちの成功が低摩擦のテストエコシステムの構築にかかっていることを明らかにしました。それは私たちが迅速に実験を行い、何千もの組み合わせの結果を比較し、モデルとプロンプトを継続的に改良することを可能にします。

Databricks上のMLflowを使用してGenAI実験を加速する

その課題に対応するために、私たちはDatabricks Data Intelligence Platform、特にMLflowを用いて、機械学習モデルの実験パイプラインを組織化し、スケールアップしました。私たちのプロダクションインフラストラクチャはマイクロサービスに基づいて構築されていますが、実験と検証のフェーズはDatabricksによって支えられており、ここに大きな価値があります。

私たちのeFaxプロジェクトでは、MLflowを使用して：

• パラメータ化されたジョブを定義し、実行する これらはOCRモデル、プロンプトテンプレート、その他のハイパーパラメータの組み合わせを探索します。パラメータ化されたジョブは、ユーザーがランタイムで動的な入力を提供することを可能にし、タスクをより柔軟で再利用可能にします。私たちはCI/CDパイプラインを通じてジョブを管理し、大規模なテストを効率的かつ反復可能に設定するためのYAMLファイルを生成します。
• 実験結果を追跡し、ログに記録して効率的に比較します。これにより、私たちのチームは何がうまくいっていて何が調整が必要かを明確に把握することができ、労力を重複させることなく行うことができます。中央のログも、ドキュメントタイプや紹介シナリオ全体でのモデルの挙動の詳細な評価を支援します。
• 過去のデータを活用することで、プロダクションにプッシュする前にモデルを洗練し、ダウンストリームの結果をシミュレートします。テストサイクルの早い段階で問題を見つけることは、リスクを減らし、デプロイメントを加速します。これは、紹介フォームの多様性と、Epicのような厳格に規制されたEHR環境内でのコンプライアンスが必要なため、特に重要です。

このプロセスは、私たちがDatabricksと共に深層学習フレームワークを用いて成功を収めたことに触発されました。私たちはそれをeFaxの作業と大規模言語モデル（LLM）の実験のために適応させ、拡大しました。

OCRとしてAzure AI Document Intelligenceを使用し、抽出にはOpenAIのGPT-4.0モデルを使用していますが、真のエンジニアリングの加速剤は、MLflowパイプラインを通じて制御された繰り返しのテストを実行する能力であり、これにより手動で断片化された開発を自動化しています。Databricks Data Intelligence Platformの統一性により、私たちは生のファクスを変換し、異なるAI技術を試し、出力を一箇所で迅速かつ自信を持って検証することができます。

すべての抽出された紹介データはEpicに統合する必要があり、これにはシームレスなデータフォーマット、検証、安全な配信が必要です。Databricksは、この情報をEHRシステムに手渡す前に前処理と正規化を行う上で重要な役割を果たします。

また、バッチETL、メタデータストレージ、ダウンストリーム分析のためにDatabricksに依存しています。私たちの広範な技術スタックには、コンテナ化されたデプロイメントのためのAzure Kubernetes Service（AKS）、Retrieval Augmented Generation（RAG）ワークフローをサポートするためのAzure Search、そして構造化ストレージのためのPostgresが含まれています。今後のフェーズでは、Mosaic AIをRAGとモデルサービングに活用し、AIソリューションの精度、スケーラビリティ、応答性を向上させることを積極的に探求しています。モデルサービングを使用すると、リアルタイムでモデルを効果的にデプロイし、管理することができ、すべてのAI努力にわたるワークフローの一貫性を保証します。

数ヶ月のバックログからリアルタイムのトリアージへ

結局のところ、このeFaxソリューションの受益者は、現在、繰り返しの文書処理に時間を費やしている私たちのケアギバー—臨床医、医療記録管理者、看護師、その他のフロントラインスタッフです。低価値の手動ボトルネックを取り除くことで、その時間を患者のケアに戻すことを目指しています。

一部の地域では、ファクスが2〜3ヶ月間もレビューされずにキューに留まっていることがあります。これは患者のケアに深刻な影響を及ぼす可能性があります。AIによる自動化により、年間4000万件以上のファクスをリアルタイムで処理する方向に進んでおり、ボトルネックを排除し、より迅速な紹介受け入れを可能にしています。このシフトは、生産性の向上と運用上のオーバーヘッドの削減だけでなく、治療のタイムラインの加速、患者の結果改善、そして臨床スタッフがより高価値のケア提供に集中できるようになったことを意味します。歴史的に手動のワークフローを近代化することで、1000以上の外来クリニック全体で効率を向上させ、タイムリーで調整されたケアを提供するという私たちの使命を支援しています。

MLflowのおかげで、私たちはただ実験を行っているだけではありません。私たちは、私たちの使命、ワークフロー、ケアギバーや患者のリアルタイムのニーズに合わせた方法でAIを運用化しています。