متن خبر

چگونه استارت‌آپ هوش مصنوعی Conflixis از بیمارستان‌ها در برابر پزشکان فاسد محافظت می‌کند 

چگونه استارت‌آپ هوش مصنوعی Conflixis از بیمارستان‌ها در برابر پزشکان فاسد محافظت می‌کند 

شناسهٔ خبر: 811386 -




آرون ناروا پس از یک شغل به عنوان محقق حوادث در شرکت‌های مدیریت ریسک مانند Kroll و FTI Consulting، با یک مشتری بزرگ بین‌المللی بانکی در سازنده نرم‌افزار سازگاری Exiger کار می‌ کرد. او مسئول نظارت بر انطباق قانونی آن مشتری پس از آن بود که یک دهه پیش از آن به عنوان یک رسوایی پولشویی به تیتر اخبار تبدیل شد.

زمانی که من در Exiger بودم، برخی از کسب‌وکارهای نرم‌افزاری، از جمله ابزار نرم‌افزاری هوش مصنوعی را به دست آوردیم که به حذف ریسک از سوابق عمومی بدون ساختار کمک می‌ کرد. ناروا به تک‌کرانچ بيان کرد و ما ابزاری برای کمک به شناسایی ریسک‌های فساد و تحریم در روابط تجاری برای شرکت‌های بسیار بزرگ ساختیم.

این کار ایده Conflixis را به او داد. بیمارستان ها و سایر مراکز پزشکی بزرگ مانند بانک ها با خطرات فساد روبرو هستند. شرکت‌های دارویی و سازندگان دستگاه‌ها آنقدر با پزشکان برخورد می‌کنند که پزشکان ملزم به افشای تضاد منافع هستند: هزینه‌های ناخواسته، هزینه‌های مشاوره، حمایت از کمک‌های مالی تحقیقاتی و موارد مشابه.

تحقیقات زیادی نشان می‌دهد که کسانی که بیش از حد بداخلاق می‌شوند، احتمالاً آن داروها و دستگاه‌ها را تجویز می‌کنند، چه نتایج بهتری برای بیمار داشته باشند یا نه. خطر آنقدر زیاد است که دولت پایگاهی به نام OpenPaymentsData.com دارد که در آن هر کسی می تواند افشای تضاد منافع را ببیند.

با این حال، افشای چنین درگیری‌هایی مانع از این مشکل نمی‌شود که بیمارستان‌ها را در معرض خطر قانونی قرار می‌دهد. مجموعه ای از قوانین، چنین رفتارهایی را از سوی پزشکان ممنوع می کند، همه چیز از قانون استارک گرفته تا قانون ضد بدگمانی (AKS).

در عین حال، منافع تجاری نیاز به همکاری با پزشکان - متخصصان پزشکی - دارند تا به آنها در تحقیق در مورد داروهای جدید و ساخت دستگاه کمک کنند. پس هر تعاملی حرام نیست.

ناروا نرم‌افزاری به‌عنوان یک سرویس مبتنی بر هوش مصنوعی را متصور شد که موقعیت‌های واقعی را که بیمارستان -اگر نه بیمار- را در معرض خطر قرار می‌دهد، برای بیمارستان‌ها و مراکز پزشکی بزرگ شناسایی می‌کند.

ناروا گفت: "یک سیستم بهداشتی بزرگ ممکن است 200000 رابطه بین پزشکان و فروشندگان و تامین کنندگان داشته باشد." "کدام یک از آن 200000 رابطه شما را تحت تاثیر یکی از شش خطر قرار می دهد؟"

خطرات از نقض قوانین تا نتایج نامطلوب پزشکی متغیر است. دولت فدرال همچنین پایگاه داده ای را فراهم می کند که اطلاعات مربوط به کیفیت مراقبت بیمارستان را منتشر می کند.

ناروا با دوستی که از کلاس هشتم می‌شناخت، جوزف برگن، مدیر مهندسی Buzzfeed در آن زمان، تماس گرفت تا نظر برگن را در مورد این ایده بپرسد. برگن آن را بسیار دوست داشت، او کار خود را رها کرد و یکی از بنیانگذاران شد.

Conflixis با دریافت داده‌ها از OpenPaymentsData.com، داده‌های تدارکات بیمارستان، داده‌های ادعاها، سوابق نتایج بیمار، فرم‌های تضاد منافع و سایر منابع کار می‌کند. تمام نقاط تضاد را برای شناسایی مواردی که یک بیمارستان باید تحلیل کند، تجزیه و تحلیل می کند.

ناروا به عنوان مثال توضیح می دهد: "خوب، ما همه 5000 یا 10000 رابطه را تحلیل کردیم [و] در اینجا هفت موردی است که باید در واقع به آنها نگاه کنید." "مثلاً ما اقیانوس را جوشاندیم و این هفت نفر هستند."

Conflixis آن را یک قدم فراتر می برد و همچنین می تواند هزینه های بیمارستان را پیش بینی کند و راه هایی برای کاهش آن پیشنهاد دهد. به عنوان مثال، آیا بیمارستان بر اساس توصیه پزشکی که با آن فروشنده رابطه دارد، به جای تجهیزات ارزان‌تر، تجهیزات گران‌تری می‌خرد؟

او او میگوید : «ما می‌توانیم کاری کنیم که بیمارستان‌ها ریسک نظارتی خود را به میزان قابل‌توجهی کاهش دهند، اعتماد و شفافیت خود را با بیماران خود افزایش دهند، بله، اما همچنین تصمیمات عملیاتی بهتری در مورد آنچه می‌خرند می‌گیرند».

ناروا بيان کرد که این شرکت که در سال 2023 تأسیس شد، در حال حاضر تعداد انگشت شماری مشتری با درآمد کمتر از 5 میلیون دلار دارد. به تازگی یک دور اولیه 4.2 میلیون دلاری به رهبری لرر هیپئو (صندوقی که توسط رئیس سابق BuzzFeed، کنت لرر تأسیس شده است) و Origin Ventures، با مشارکت mark vc، Springtime Ventures و سرمایه‌گذار پیش‌بنی Cretiv Capital را اعلام کرد.

Conflixis به حوزه شلوغی از شرکت‌های نرم‌افزار انطباق با صنعت سلامت مانند Compliatric و Symplr می‌پیوندد، اگرچه برخی از آنها بیشتر بر حفاظت از داده‌های بیمار متمرکز هستند تا فساد و تدارکات.

ناروا او میگوید آنچه Conflixis را متمایز می‌کند روشی است که با شغل کارمندانش در کار تحقیقاتی با LLM ازدواج کرده است. او او میگوید که مدل‌های خارج از قفسه را اصلاح کرد تا الگوهایی را در داده‌ها بر اساس «پیشینه ما در نظارت بر تراکنش و فساد در تحقیقات کلان داده» جستجو کند.

خبرکاو

ارسال نظر




تبليغات ايهنا تبليغات ايهنا

تمامی حقوق مادی و معنوی این سایت متعلق به خبرکاو است و استفاده از مطالب با ذکر منبع بلامانع است