چگونه استارتاپ AI کانفلیکسیس از بیمارستان‌ها در برابر پزشکان فاسد محافظت می‌کند
بعد از یک دوره کاری به عنوان محقق حوادث در شرکت‌های مدیریت ریسک چون Kroll و FTI Consulting، آرون ناروو (در تصویر بالا) در حال همکاری با یک مشتری بزرگ بانکی بین‌المللی در سازنده نرم‌افزار انطباق Exiger بود. او مسئول نظارت بر انطباق مشتری‌ها با قوانین بود پس از اینکه این بانک حدود یک دهه قبل به خاطر یک رسوایی پولشویی به تیتر خبری تبدیل شده بود.
ناروو گفت: «در زمان همکاری‌ام با Exiger، چند شرکت نرم‌افزاری، از جمله یک ابزار نرم‌افزاری AI که به استخراج ریسک از سوابق عمومی غیرساختاریافته کمک می‌کرد، را خریدیم. و یک ابزاری ایجاد کردیم که به شناسایی ریسک‌های فساد و تحریم در روابط تجاری برای شرکت‌های بسیار بزرگ کمک می‌کرد.»
این کار به او ایده‌ای برای Conflixis داد. بیمارستان‌ها و دیگر شرکت‌های پزشکی بزرگ با ریسک‌های مشابه در زمینه فساد مانند بانک‌ها مواجه‌اند. شرکت‌های داروسازی و تولیدکنندگان دستگاه‌ها آنقدر با پزشکان رابطه نزدیک برقرار می‌کنند که پزشکان مجبورند تضاد منافع خود را فاش کنند: سفرها، هزینه‌های مشاوره و حمایت‌های مالی از تحقیقات و موارد مشابه.
بسیاری از تحقیقات نشان می‌دهند که کسانی که روابط نزدیکی با این شرکت‌ها دارند، بیشتر به تجویز داروها و دستگاه‌های آن‌ها اقدام می‌کنند، خواه نتیجه بهتری برای بیماران داشته باشد یا نه. ریسک به اندازه‌ای بالاست که دولت یک پایگاه داده به نام OpenPaymentsData.com برگزار می‌کند، جایی که هر کسی می‌تواند افشای تضاد منافع را ببیند.
اما افشای چنین تضادهایی مشکل را متوقف نمی‌کند، که بیمارستان‌ها را در معرض ریسک قانونی قرار می‌دهد. مجموعه قوانین زیادی این رفتارهای پزشکان را ممنوع کرده‌است، از جمله قانون Stark و قانون ضد بازپرداخت (AKS).
در عین حال، علایق تجاری نیاز دارند با پزشکان کار کنند -به عنوان کارشناسان پزشکی- تا به آن‌ها در تحقیق درباره داروهای جدید و ساخت دستگاه‌ها کمک کنند. بنابراین همه روابط ممنوع نیستند.
ناروو به یک نرم‌افزار هوش مصنوعی به عنوان یک سرویس فکر کرد که به بیمارستان‌ها و کلینیک‌های پزشکی بزرگ کمک کند تا موقعیت‌های واقعی که بیمارستان- اگر نه بیمار- را در معرض ریسک قرار می‌دهند شناسایی کند.
ناروو گفت: «یک سیستم سلامت بزرگ ممکن است 200,000 رابطه بین پزشکان و فروشندگان و تامین‌کنندگان خود داشته باشد.» «کدام یک از آن 200,000 رابطه‌ها از شش ریسک، شما را تحت تاثیر قرار می‌دهد؟»
ریسک‌ها از نقض قوانین تا نتایج پزشکی نامطلوب متغیر است. دولت فدرال همچنین یک پایگاه داده ارائه می‌دهد که اطلاعات مربوط به کیفیت مراقبت‌های بیمارستان را منتشر می‌کند.
ناروو با دوستی که از کلاس هشتم می‌شناخت، جوزف برگن، مدیر مهندسی در BuzzFeed در آن زمان، تماس گرفت تا نظر او را درباره این ایده بگیرد. برگن آنقدر از این ایده خوشش آمد که کارش را ترک کرد و یکی از بنیان‌گذاران شد.
کانفلیکسیس با وارد کردن داده‌ها از OpenPaymentsData.com، داده‌های خرید بیمارستان، داده‌های ادعا، سوابق نتایج بیماران، فرم‌های افشای تضاد منافع و منابع دیگر کار می‌کند. نقاط تضاد را برای شناسایی و تحقیق‌های بیمارستان تحلیل می‌کند.
«خب، ما به تمامی 5,000 یا 10,000 رابطه قضیه نگاه کردیم و اینجا هفت موردی است که باید واقعاً بررسی کنید.» ناروو این را به عنوان یک نمونه توضیح می‌دهد. «مثلاً، ما دریا را جوشاندیم و این هفت مورد را به شما تحویل دادیم.»
کانفلیکسیس یک مرحله جلوتر می‌رود و می‌تواند هزینه‌های بیمارستان را پیش‌بینی کرده و راه‌هایی برای کاهش آن پیشنهاد دهد. مثلاً، آیا بیمارستان بر اساسی پیشنهاد از یک پزشک که با آن فروشنده رابطه دارد، ابزار گران‌تری را می‌خرد به جای یک مورد ارزان‌تر؟
او می‌گوید: «ما می‌توانیم این گونه کنیم که بیمارستان‌ها ریسک نظارتی خود را به طور قابل توجهی کاهش دهند، اعتماد و شفافیت خود با بیمارانشان را افزایش دهند، بلکه همچنین تصمیمات عملیاتی بهتری درباره خرید خود بگیرند.»
شرکت که در سال 2023 بنیان‌گذاری شده، در حال حاضر تعداد کمی مشتری دارد، با کمتر از 5 میلیون دلار درآمد، ناروو گفت. او به تازگی یک دور سرمایه‌گذاری بذر به مبلغ 4.2 میلیون دلار را اعلام کرده، که به طور متشکل از لری هیپو (صندوق تاسیس شده توسط رئیس سابق BuzzFeed، کنث لرر) و Origin Ventures، با ورودی‌های دیگر شامل mark vc، Springtime Ventures، و سرمایه‌گذار پیش‌بذر Cretiv Capital.
کانفلیکسیس به یک زمینه شلوغ از شرکت‌های نرم‌افزار انطباق سلامت مانند Compliatric و Symplr می‌پیوندد، ولی برخی بیشتر بر حفاظت از داده‌های بیماران متمرکز هستند تا فساد و خرید.
ناروو می‌گوید چیزی که Conflixis را متمایز می‌کند، راهی است که کارکنانش تجربه‌های کاری خود در زمینه تحقیق را با LLMها ترکیب کرده‌اند. او مدل‌های آماده بر روی قفسه را تغییر داد تا به دنبال الگوها در داده‌ها باشد بر اساس "تجربه‌های ما در نظارت معاملات و فساد در تحقیقات داده‌های بزرگ."
TechCrunch یک خبرنامه متمرکز بر هوش مصنوعی دارد! اینجا ثبت‌نام کنید تا هر چهارشنبه آن را در صندوق ورودی ایمیل خود دریافت کنید.
