مصاحبه با بلال محسن، معاون اجرایی و رئیس بخش مراقبت های متصل، بکتون دیکنسون

Becton Dickinson یک شرکت فناوری پزشکی با مجموعه گسترده ای از تجهیزات پزشکی، دارورسانی، اتوماسیون داروخانه و محصولات مداخله ای است. بخش مراقبت‌های متصل آن، رباتیک داروخانه‌ها، کابینت‌های توزیع، پمپ‌های تزریق، مانیتورهای بیمار و نرم‌افزار ابری مبتنی بر هوش مصنوعی را توسعه می‌دهد که داده‌های مراقبت‌های بهداشتی را به بینش‌های عملی در سراسر ارائه مراقبت تبدیل می‌کند.

BD چگونه مراقبت های مرتبط را در یک محیط بیمارستانی عملی تعریف می کند؟

سیستم های بهداشتی با فشار مالی مداوم، کمبود نیروی انسانی، افزایش هوشیاری بیماران و پیری جمعیت مواجه هستند و به دنبال افزایش کارایی هستند. بیمارستان ها حجم وسیعی از داده ها را تولید می کنند که هنوز برای بازگرداندن ارزش به کار گرفته نشده اند. برای افسران فناوری و تحول، مراقبت متصل به معنای دیجیتالی کردن اکوسیستم و استخراج ارزش با وارد کردن جریان های داده با ارزش بالا در یک چارچوب منسجم است.

در BD، مجموعه ما در حال حاضر بخش عمده ای از این زیرساخت را در بر می گیرد. با اتصال رباتیک داروخانه‌های خودکار، محلول‌های توزیع دارو BD Pyxis™ و سیستم‌های تزریق BD Alaris™ و سیستم‌های پیشرفته نظارت بر بیمار، ما اجزای کلیدی را لمس می‌کنیم که پیوسته مراقبت را هدایت می‌کنند. از نظر تاریخی، اتصال به معنای فشار دادن داده ها به یک پرونده پزشکی الکترونیکی (EMR) بود. اما از آنجایی که EMR ها ذاتا اپیزودیک هستند و در جمع آوری داده ها کند هستند، این زمان تاخیر نمی تواند قابلیت های پیش بینی را باز کند. ما به بیمارستان ها کمک می کنیم تا این شکاف و انتقال به مراقبت های پیش بینی شده در زمان واقعی را برطرف کنند.

چگونه حرکت به یک مدل زمان واقعی همه چیز را در کنار تخت تغییر اساسی می دهد؟

داده های قابل اعتماد و پیوسته حلقه مفقودی است که برای باز کردن قابلیت پیش بینی واقعی لازم است. اگر یک پزشک به طور متناوب هر ربع ساعت یک بار بیمار را چک کند، پیش‌بینی اینکه چه اتفاقی خواهد افتاد در بهترین حالت حدس زدن است زیرا داده‌ها بسیار پراکنده هستند. برعکس، زمانی که یک تیم مراقبتی می تواند به طور مداوم روندها و شکل موج های زنده را تماشا کند، می تواند تشخیص دهد که آیا بیمار در حال تثبیت یا وخامت است و اقدام فوری را توصیه می کند.

وقتی هوش مصنوعی را در این محیط اعمال می کنید، همان سنتز بلادرنگ با قدر بسیار بالاتر اتفاق می افتد. با گرفتن داده های فیزیولوژیکی پیوسته به جای عکس های فوری متناوب، سیستم های هوشمند می توانند شکل موج های پیچیده را تجزیه و تحلیل کنند. این به تیم مراقبت اجازه می‌دهد تا قبل از آشکار شدن علائم سنتی، یک مسیر بالینی منفی را ببیند و اساسا نحوه تعامل پزشکان با داده‌های بیمار را تغییر دهد.

خستگی زنگ یک مشکل حیاتی برای بیمارستان ها است. یک سیستم هشدار هوشمندتر تحت این مدل پیشگو چگونه به نظر می رسد؟

بیمارستان های امروزی بر اساس یک چارچوب واکنشی که توسط هشدارهای آستانه ای دیکته می شود، کار می کنند. یک پارامتر خاص خارج از محدوده تنظیم شده است، یک اعلان فعال می شود و یک پزشک باید به طور فیزیکی وارد اتاق شود. بسیاری از این آلارم‌ها غیرقابل عمل هستند و بار شناختی را برای کارکنان پرستاری ایجاد می‌کنند. با تغییر تمرکز خود به سمت کل فیزیولوژی بیمار به جای آستانه های جدا شده، می توانیم نحوه تعامل سیستم های مختلف اندام را تجزیه و تحلیل کنیم و پیش بینی کنیم که بیمار به کجا می رود.

هدف این است که خیلی زودتر مداخله کنیم و از وقوع هشدار آستانه جلوگیری کنیم. شناسایی یک بیمار رو به وخامت قبل از به صدا درآمدن زنگ سنتی به ما امکان می دهد از آسیب فیزیولوژیکی به طور کامل جلوگیری کنیم. این امر نه تنها ایمنی بیمار را بهبود می بخشد، بلکه جریان کار بالینی را نیز بهینه می کند و محیط بیمارستان را از مدیریت بحران پر استرس دور می کند و به سمت مراقبت های پیشگیرانه و پیشگیرانه می رود.

امروز بیمارستان ها از BD چه چیزی می خواهند که چندین سال پیش آن را نمی خواستند؟

بیمارستان ها برای خرید تجهیزات پزشکی به عنوان کالاهای مجزا استفاده می شوند. امروزه، هم BD و هم شرکای بیمارستان ما تشخیص می دهند که ارزش واقعی در پیوند دادن اکوسیستم موجود ما به یکدیگر است. از آنجایی که ما فناوری‌هایی را مدیریت می‌کنیم که از انتخاب تا تجویز دارو را لمس می‌کنند، ما به طور منحصربه‌فردی در موقعیتی هستیم که ببینیم چه چیزی در حال آماده‌سازی، توزیع، تزریق و نظارت به طور همزمان است. اکنون بیمارستان ها از ما می خواهند که حلقه این فناوری ها را ببندیم تا بینش های بالینی جامع را باز کنیم.

مراقبت از دیابت را به عنوان یک موازی در نظر بگیرید: یک مانیتور قند یا یک پمپ انسولین ارزش فردی دارد، اما پیشرفت زمانی اتفاق می افتد که آنها را برای تیتراسیون خودکار انسولین وصل کنید. ما این مفهوم را به محیط بیمارستانی گسترده تر تبدیل می کنیم. با همگام‌سازی داده‌های بی‌درنگ در سراسر سیستم‌هایمان، موتورهای هوش مصنوعی هوشمندتری را تغذیه می‌کنیم که بینش عملی را به پزشکان ارائه می‌دهند. از همه مهمتر، فلسفه ما این است که پزشک را محکم در وسط حلقه نگه داریم. این فناوری جایگزین قضاوت انسان نمی‌شود، اما تصمیم‌گیری بالینی را افزایش می‌دهد.

پلتفرم شما، BD Incada، چگونه به چالش‌های مداوم صنعت با قابلیت همکاری می‌پردازد؟

BD Incada یک لایه نرم‌افزاری پیشرفته و مبتنی بر ابر است که در بالای راه‌حل‌های سخت‌افزاری موجود ما قرار می‌گیرد و داده‌ها را بدون نیاز به زیرساخت‌های فیزیکی جدید به صورت یکپارچه در پس‌زمینه می‌کشد. از طریق این پلتفرم، ابزارهای هوش مصنوعی مکالمه ای را معرفی می کنیم. به جای کشیدن گزارش های دست و پا گیر و ایستا برای بررسی مسائلی مانند انحراف دارو، یک داروساز می تواند از رابط چت بات ایمن برای پرس و جو از داده ها به زبان طبیعی و دریافت بینش های تحلیلی آنی و سفارشی شده استفاده کند.

با توجه به قابلیت همکاری، موانع تاریخی فقط اتصال سیستم ها نبوده است. این اعتبار خود داده ها بوده است. اگر کیفیت جریان داده های دریافتی ضعیف باشد، با معضل «آشغال در، زباله بیرون» مواجه می شوید که هوش مصنوعی را بی فایده می کند. از آنجایی که BD منابع داده اولیه را در کنار تخت کنترل می کند، می توانیم مجموعه داده هایی را که وارد اکوسیستم می شوند واجد شرایط و اعتبارسنجی کنیم. ما به طور فعال با پلتفرم‌های اصلی EMR مانند Epic و Oracle ادغام می‌شویم تا مدل‌های خود را غنی‌سازی کنیم، اما رویکرد تأیید نشده plug-and-play را به نفع اعتبارسنجی دقیق داده‌ها رد می‌کنیم.

مدیریت داروی حلقه بسته از نظر عملی چگونه به نظر می رسد و چه موانعی وجود دارد؟

در یک محیط سنتی، مدیریت یک بیمار با فشار خون فرار بسیار اپیزودیک است. یک پرستار یک جابجایی را یادداشت می کند، یک داروی بولوس دستی تجویز می کند و بعدا برای تیتراسیون پمپ برمی گردد. با یک سیستم حلقه بسته، پزشک منطقه فیزیولوژیکی هدف را تعریف می‌کند و نظارت نهایی را حفظ می‌کند، اما راه‌حل خودکار ریز دوز و تنظیمات را در زمان واقعی مدیریت می‌کند. این میخ های فیزیولوژیکی خطرناک را از بین می برد، سلامت اندام را حفظ می کند و با حذف تنظیمات دستی و تکراری، گردش کار پرستاری را بهینه می کند.

آینده بالینی این فناوری در زمینه‌هایی مانند بیهوشی و مدیریت مواد افیونی فوق‌العاده هیجان‌انگیز است، اما مسیر رسیدن به بازار شامل چالش‌های متمایزی است. اولین مانع، پیمایش فرآیند تأیید نظارتی دقیق برای الگوریتم‌های پیشرفته هوش مصنوعی است، منطقه‌ای که BD در حال حاضر سابقه قوی دارد. چالش دوم اولویت بندی خط لوله ما است. همکاری با بیمارستان‌ها و مؤسسات مراقبت‌های بهداشتی پیشرو برای ایجاد موارد استفاده بالینی مناسب و در عین حال حرکت به سمت مدیریت مستقل‌تر دارو.

با جابجایی مراقبت‌ها به خارج از کلینیک، آیا این راه‌حل‌های متصل به اکوسیستم مراقبت در منزل اعمال می‌شوند؟

چشم انداز ارائه مراقبت به طور چشمگیری تغییر خواهد کرد. در حال حاضر، اکثریت قریب به اتفاق مراقبت های بهداشتی در داخل یک بیمارستان مدیریت می شود، اما در آینده نزدیک، این پویایی تغییر خواهد کرد و تنها اقلیت کوچکی از مراقبت های حاد در داخل یک بیمارستان انجام می شود. بیماران همچنان برای اقدامات جراحی به بیمارستان ها مراجعه خواهند کرد، اما هر دو مرحله آمادگی قبل از عمل و بهبودی پس از عمل به طور فزاینده ای در خانه زندگی می کنند. برای BD، خانه یک دید دور نیست. این یک واقعیت عملیاتی فعلی است.

با این حال، ارائه مراقبت در خانه از نظر فنی و بالینی دشوارتر از بیمارستان است. در اتاق بیمارستان، یک تیم فیزیکی از متخصصان می توانند بیمار را مشاهده کنند و فورا ناهنجاری های داده ها را تأیید کنند، در حالی که یک بیمار خانگی ایزوله می شود. این بدان معناست که دستگاه‌های پزشکی خانگی باید دقیق‌تر و قابل اعتمادتر باشند، نه کمتر. در حالی که پوشیدنی‌های سلامت مصرف‌کننده برای ردیابی معیارهای اساسی مناسب هستند، مدیریت یک عضو بیمار خانواده نیازمند اعتماد بالینی مطلق است، به همین دلیل است که BD بر روی راه‌حل‌های خانگی دقیق و خودکار متمرکز است که داده‌ها را به طور قابل اعتمادی به پزشکان دور متصل می‌کند.

این گزارش توسط شخص ثالث پرداخت شده است. نظرات و نظرات بیان شده نظرات نیوزویک نیست و محصولات، خدمات یا افراد ذکر شده را تایید نمی کند.