Если вы запросите данные о коэффициенте оттока направлений у четырех разных инструментов, вы можете получить четыре разных ответа: 22% с панели бизнес-аналитики (BI), 15% из встроенного приложения, 18% из электронной таблицы и 27% из ИИ-чата. Это заставляет всех судорожно пытаться выяснить, какой ответ верный.
В здравоохранении эти цифры отвечают на вопросы об опыте пациентов и результатах лечения. Команды по уходу, которые принимают решения на основе этих данных, должны им доверять.
Самообслуживаемая аналитика уже много лет является захватывающей перспективой, но для ее реализации еще предстоит проделать работу. Решения на базе ИИ наконец-то могут сделать ее реальной возможностью. Однако доверие остается одной из самых больших проблем, и это еще важнее для данных, которые вы предоставляете ИИ.
Вот почему мы фокусируемся на надежных данных, согласованных определениях и сквозной прослеживаемости. В этой статье мы расскажем, почему доверие является «узким местом» для ИИ в здравоохранении, как создать надежный фундамент данных и как приложение AXIOM от Astrodata использует его, чтобы помочь медицинскому директору пройти путь от анализа тенденций популяции до плана лечения конкретного пациента.
Доверие — это «узкое место» для ИИ в здравоохранении
Джей Би Брукс, главный архитектор данных и ИИ в Astrodata, видел эту проблему с обеих сторон: как практикующий врач и, со стороны данных, как человек, пытающийся не отставать от потребностей бизнеса.
Одной из главных проблем всегда было согласование разрозненных данных, распределенных по электронным медицинским картам (EHR), электронным историям болезни (EMR), больничным информационным системам и внутренним таблицам Google Sheets. Эти «силосы» затрудняют объединение бизнес-контекста и получение свежих данных для принятия решений.
Управление и процедуры обмена данными существуют не просто так, но они еще больше замедляют работу в сфере здравоохранения. Согласно a 2024 study by Arcadia and the Healthcare Information and Management Systems Society (HIMSS), в среднем 47% данных в здравоохранении недостаточно эффективно используются при принятии клинических и бизнес-решений.
Не так давно Брукс отправлял бумажные записи по факсу через весь офис. Он говорит, что эпоха до 2010 года «отчасти все еще повсеместно встречается сегодня».
С тех пор цифровизация и возможности подключения улучшились. Следующий этап — агентный ИИ, который предоставляет рекомендации в режиме реального времени, а это требует унифицированных и управляемых данных.
«Узкое место» — это доверие. Когда данные разбросаны по разным системам, а процессы трансформации изолированы или плохо протестированы, цифры выглядят неверно. Люди теряют веру в данные, и работа останавливается.
Но Брукс утверждает, что система, предоставляющая ИИ высоконадежные данные и бизнес-контекст, возможна с такими инструментами, как Fivetran и dbt, при использовании надежных шаблонов внедрения, которые завоевывают доверие заинтересованных сторон.
Четыре столпа надежных данных
- Одна цифра везде. Если ИИ запрашивает метрику, которая также используется на панели мониторинга для принятия решений, все должны оперировать одной и той же цифрой. В противном случае данные не помогут вам прийти к согласованному выводу или обеспечить единство действий.
- Управление. Вы и ваши агенты должны знать, как рассчитывается число, кто его определяет и какая команда его контролирует. Это возвращает нас к тому, как команда по работе с данными осуществляет контроль версий и развивает моделирование.
- Актуальность. Если число не является свежим, оно устарело. Оно больше не является точным, даже если когда-то было таковым. Мы приложили много усилий, чтобы сделать платформу Fivetran надежной, чтобы у вас не возникало пробелов, из-за которых данные становятся неактуальными.
- Безопасность по проектированию. Такие функции, как блокировка и хеширование столбцов, дают вам контроль над данными по мере их прохождения. Вы можете сравнивать данные, не раскрывая сами данные.
Сквозная архитектура для данных в здравоохранении
Организация, которая хочет объединить EHR, финансовые данные и опросы об опыте пациентов, может стремиться оптимизировать кадровое обеспечение, изучить, коррелируют ли данные посещений с результатами опросов, или оптимизировать финансы на основе того, что происходит во время этих визитов.
Fivetran и dbt находятся в центре этой архитектуры. Все соединения зашифрованы. Fivetran шифрует данные при передаче и в состоянии покоя. С помощью ключей, управляемых клиентом в Fivetran, вы управляете шифрованием и сохраняете контроль и прозрачность. Fivetran также может работать с внешними хранилищами ключей для команд безопасности, которые хотят управлять ключами самостоятельно.
Fivetran загружает данные в хранилище данных. Затем dbt преобразует и моделирует их. С помощью Fivetran Activations вы можете записывать смоделированные данные обратно в исходные системы, чтобы они не оставались только на панелях мониторинга или в агентных интерфейсах. Практикующие врачи получают прямой доступ к своим данным в инструментах, которые они используют каждый день.
Защита конфиденциальных данных на этапе моделирования
Данные из такой системы, как EHR, очень «сырые». Вероятно, это больше, чем нужно большинству людей для ответов на их вопросы, и для большинства этих вопросов не нужны идентифицируемые данные.
На этапе моделирования вы можете анонимизировать и предварительно агрегировать данные, а затем предоставлять их для дальнейшего использования, не рискуя конфиденциальной информацией. Некоторая анонимизация также может происходить во время загрузки, как предварительная трансформация.
Трансформация также позволяет команде по работе с данными управлять тем, как данные впервые предоставляются: через «золотой слой» или витрину данных, которую легко запрашивать, с упакованными наборами данных, соответствующими потребностям ваших пользователей.
Определите метрику один раз, чтобы панель мониторинга и агент были согласны
Раньше аналитика означала загрузку, трансформацию и панели мониторинга. Теперь агенты получают доступ к данным. Люди по всей организации могут напрямую обращаться к данным через SQL и интерфейсы семантического слоя.
Чат с агентом — это мощный инструмент, но он может вводить людей в заблуждение и вызывать несогласованность. Решение заключается в управляемых метриках, определенных в проекте dbt. Когда агент использует управляемую метрику, вы можете привязать его ответ к этому конкретному определению. Вместо того чтобы спорить о цифре, вы смотрите на определение и подтверждаете, что оно верно.
Возьмем коэффициент оттока направлений: количество направлений вне сети, деленное на общее количество направлений, по специальности и месяцу. Вы определяете его один раз в коде, на основе доверенных данных EHR о направлениях, данных о страховых выплатах и данных о поставщиках услуг. Каждый инструмент возвращает одни и те же 19%, включая ИИ-агента, подключенного через сервер протокола контекста модели (MCP) dbt. Изменения проходят через запрос на слияние (pull request). Прослеживаемость показывает, от каких именно данных зависит метрика.
Спенсер Тейлор, соучредитель Astrodata, называет согласованные, управляемые ответы обязательным условием для любого встроенного или внутреннего аналитического решения. С помощью dbt и семантического слоя dbt конечные пользователи получают один и тот же ответ «независимо от нюансов того, как именно они задали вопрос или что LLM решила сгенерировать в виде SQL-запроса».
«Мы избавляемся от большой части этой расплывчатой, недетерминированной методологии», — говорит Тейлор, — «и заменяем ее детерминированной, кодифицированной логикой, которая отражает бизнес-цели и бизнес-логику».
Контекст объясняет вашим агентам, почему изменилось число
ИИ-агенты на самом деле не обладают памятью и не учатся между взаимодействиями. Вы должны дать им знания и навыки, чтобы понимать организацию: какую метрику запрашивать, как запрашивать ее правильно и как она вписывается в общую картину.
Fivetran Context Layer разработан для того, чтобы принимать вопрос типа «Почему отток направлений в кардиологии вырос на шесть пунктов?» и помещать его в контекст. Он опирается на то, как части организации работают вместе и откуда берутся точки данных, чтобы объяснить, почему метрика могла измениться и что с этим делать.
Этот контекст охватывает метрики; связи между поставщиками услуг, медицинскими учреждениями и планами; документы, такие как контракты и правила предварительного согласования; события вроде ухода поставщиков услуг; происхождение данных; а также правила доступа к защищенной медицинской информации (PHI).
По умолчанию Fivetran Context Layer выгружает этот контекст в ваше хранилище данных. Вы владеете контекстуальными и неструктурированными данными о своей организации точно так же, как и структурированными таблицами, используемыми для аналитики.
Даже без сервера MCP ваши агенты могут выполнять запросы к нему напрямую. Решение Agent Context MCP от Fivetran разработано для более эффективного выполнения запросов: оно применяет индексацию, чтобы агенты получали быстрый и оперативный доступ ко всей картине в целом.
От тенденций на уровне популяции до пути лечения пациента
Компания Astrodata, состоящая примерно из 30 человек — опытных специалистов по работе с данными уровня от Senior до Principal, — создала AXIOM на этой основе. Это командный центр для работы с пациентами из групп высокого риска для команд по уходу, основанному на ценности (value-based care). Он объединяет аналитические и операционные рабочие процессы — два направления, которые исторически управлялись разными людьми и системами.
AXIOM объединяет в своей архитектуре несколько элементов:
- Интерфейс на React
- Встроенные панели мониторинга
- Семантический слой dbt
- Fivetran Context Layer
- The Tuva Project, набор готовых витрин dbt для клинических данных и данных по страховым искам
Ассистент AXIOM — это специализированный агент, который взаимодействует со всеми этими источниками, а также выполняет поиск в интернете и связанных репозиториях, таких как Google Drive и GitHub. Он также совершает действия, включая навигацию и запуск рабочих процессов.
Представьте себе медицинского директора, который пытается обуздать рост расходов из-за увеличения числа повторных госпитализаций. Имея уровень контекста, созданный во Fivetran и dbt, агент может указать на когорту, чьи расходы растут быстрее всего, а затем порекомендовать шаги по уходу, которые снизят прогнозируемый риск повторной госпитализации пациента.
Посмотрите, как эта система работает от начала и до конца в материале «За пределами панели мониторинга: создание медицинского ИИ, которому можно доверять».
Оценки и защитные механизмы удерживают ответы ИИ в заданных рамках
ИИ — это вероятностное решение. Astrodata оценивает и проверяет выходные данные, поэтому любые обновления или изменения соответствуют тем же высоким стандартам. «Очень приятно, что мы действительно можем это измерить», — говорит Брукс (Brooks).
Здравоохранение — это чувствительная экосистема, поэтому результаты работы требуют защитных механизмов. Защитные механизмы при вызовах больших языковых моделей (LLM) гарантируют, что предоставляемые данные остаются в рамках требований управления и конфиденциальности решения.
Вам не нужно ждать годами, чтобы подготовить данные для решения такого рода. Начните с концептуального доказательства (PoC) или компактного минимально жизнеспособного продукта (MVP) на основе ваших первых управляемых метрик, чтобы продемонстрировать возможности вашей системе здравоохранения.
С этого момента вы можете запустить решение в производство и масштабировать его, воплощая в реальность долгожданную мечту о самообслуживании данными в высокочувствительных средах.
Чтобы увидеть, как AXIOM переходит от тепловой карты популяции к плану лечения пациента, посмотрите полный вебинар по запросу. Чтобы узнать, как Fivetran и dbt подходят для ваших медицинских данных, обратитесь к эксперту для получения индивидуальной демонстрации платформы dbt.










