位于亚特兰大的OMNY Health已将其用于大规模现实世界数据洞察的数据网络扩展，增加了300多项临床评估指标。该公司表示，这些指标提供了更细致、真实的患者健康视图，增强了疾病进展和治疗效果的监测能力。它们建立在公司在皮肤病学领域的数据策略之上，首次展示了利用特定疾病指标的价值。
《医疗创新》最近采访了OMNY的CEO兼联合创始人Mitesh Rao博士，以及约翰霍普金斯医学院James P. Gills Jr. MD和Heather Gills人工智能创新中心的首任主任Alvin Liu博士。
医疗创新：Rao博士，您能谈谈您的背景和OMNY的创立吗？
**Rao：**我是一名急诊医学医生。我的大部分职业生涯都是作为医疗系统高管。在创办OMNY之前，我在斯坦福大学负责安全和质量工作，现在我仍然是那里的教员。在此之前，我在西北大学负责创新工作。我一直专注于数据方面，特别是如何跨行业进行研究。不断有制药公司、医疗器械公司和早期AI公司希望与我们合作，获取我们内部生成的高质量信息，但没有一种方法可以大规模地将这些信息带出我们的四面墙。
我们在医疗保健领域面临的持续挑战是，在现有的技术基础设施中，电子病历（EMR）存储数据的方式并不允许数据在各利益相关者之间流动，也无法真正促进协作。因此，我们创建了OMNY，旨在构建一个能够在全国范围内连接数据的基础设施。我们总是开玩笑说，获取数据是最容易的部分，而让数据变得可用才是最难的部分。
医疗创新：OMNY使用的是联邦模型（即数据保留在原地，只发送查询），还是在构建一个数据仓库？或者有什么不同之处？
**Rao：**我们实际上是允许数据在经过安全、合规、去标识化和令牌化处理后，在各利益相关者之间物理流动。我总是开玩笑说，如果我们卖的是饼干，那么从医疗机构那里得到的就是面粉。要把它变成有用的东西还需要很多步骤，对吧？一旦这些数据被整理、去标识化、确保安全和合规，并保护患者的隐私和合规性，我们就会使这些基础数据可用。我们实际上充当了大型医疗系统提供商和更广泛的生物技术世界之间的共同协作语言。因此，当你想到罕见病研究、安全性和有效性研究时，这种不仅及时且深入，而且全面的信息可以真正成为游戏规则改变者。
医疗创新：Liu博士，您能谈谈您在约翰霍普金斯大学领导这个新的人工智能创新中心的角色吗？
**Liu：**我是一名视网膜外科医生。我的大部分临床培训是在约翰霍普金斯大学完成的，之后我留在那里担任教员。目前在霍普金斯大学，我有三个不同的角色。首先是看诊病人。其次，我积极参与转化AI研究，特别是在眼科领域。您提到的AI创新中心得益于几个月前一笔1000万美元的慷慨捐赠，这是约翰霍普金斯医学院第一个获得捐赠的人工智能中心。我的第三个角色是在卫生系统层面参与AI工作。在这个角色中，我的视野超越了眼科，涉及所有与AI相关的事务。
几个月前，约翰霍普金斯医学院的领导层认识到需要一个更正式的治理结构，因此他们组建了一个由整个卫生系统的八个人组成的领导团队，负责所有与AI相关的临床和运营事务，我是其中的一员。
医疗创新：OMNY宣布其网络已扩展到包括许多更多的临床评估指标。Rao博士，您能谈谈这一举措的意义及其可能带来的结果吗？
**Rao：**医疗数据中的许多真实见解往往隐藏在非结构化数据中。它们隐藏在临床笔记中，深藏在信息库中，难以整理和发现。OMNY现在又向前迈进了一步，对于所有这些治疗领域，我们实际上正在整理出特定疾病的指标，包括临床严重程度指标、调查问卷等。例如，在炎症性肠病领域，克罗恩病活动指数或胃肠病学中的Harvey Bradshaw指数都是非常具体的。这使得你不仅能够在患者旅程中深入了解临床分期和结果，还能了解疾病进展。我们可以将这些混乱的真实世界数据提炼成关键见解，从而推动下一代药物发现、设备开发等。这是第一次在一个如此大规模的全国数据仓库中看到这种规模和深度。
医疗创新：我们一直听说电子病历中的非结构化数据中有很多有价值的信息，但很难提取。那么实现这一点的关键是什么？
**Rao：**大量的辛勤努力，然后，坦率地说，是大规模的访问。今年早些时候，我们宣布我们的仓库已经达到了约40亿份非结构化笔记，并且这个数字还在以指数级增长。因为我们已经完成了收集所有这些数据的艰苦工作，进行了整理、提炼并提取了这些片段，我们现在终于到了这样一个阶段，即数据技术的许多承诺开始真正显现。历史上，你需要数千名图表摘要人员手动梳理数据来寻找东西。现在有了大规模的语言模型，可以在更大规模上做到这一点，并能够找到那些片段。所以一部分是技术，一部分是时机，但坦率地说，也是全国网络与大量数据背后的正确对齐。
医疗创新：从您的角度来看，Liu博士，能否谈谈获取更多特定临床评估指标如何帮助约翰霍普金斯大学的研究人员？
**Liu：**我的主要关注点是人工智能，而这当然高度依赖于数据的质量。如果没有好的数据，无论你在上面构建什么人工智能都是完全无用的。如果你看看大数据的发展轨迹，人们已经尝试了很长时间，但从未令人满意，原因有两个。一个是Rao提到的结构化与非结构化数据的问题。在大规模语言模型兴起之前，唯一有用的数据是结构化数据，这是一个根本性的限制。现在Rao能够利用大规模语言模型真正解锁这一数据源，这很好。第二个限制是，如果你看看大多数现有的大数据集，它们要么非常深入，要么非常广泛。当然，你可以根据你追求的目标获得不同类型的见解，但无论如何你都会错过一些东西。因此，我认为这个数据集令人兴奋的地方在于它既广泛又深入。
如果我要总结这种数据集的作用，那就是它可以在患者层面提供非常详细的患者旅程，包括他们的临床结果——发生了什么——生活质量，以及某个患者的成本旅程。如果你是一名临床研究人员，你会关心临床结果。如果你是一名关心结果但也关心成本的医疗保健主管，这也将非常有帮助。个体层面的成本和结果结合在一起，纵向来看，这使其变得非常强大。
医疗创新：Rao博士，您能谈谈您是如何为医疗系统数据建立这个大网络的吗？医疗系统本身既是数据的提供者，也是数据的用户吗？
**Rao：**我提到我因为沮丧而创立了OMNY，因为大多数从事数据业务的组织要么专注于在数据之上提供某种解决方案，要么试图获取数据。历史上，我们有一些公司提出平台，但在后台他们获得了数据的权利。我希望创建一种更民主的方法，让每个人都能成为利益相关者，通过将其视为纯粹的基础设施来实现。因此，我们设计了这个平台，以帮助任何与数据有关联、访问数据或存储数据的组织将其带入前沿。今天，该平台覆盖了超过8500万患者，并将在相对较短的时间内超过1亿患者。全国各地最大的非营利学术医疗中心都利用这一数据层作为其数据的基础门户。
(全文结束)
