Byl zodpovědný za monitorování dodržování právních předpisů tohoto klienta poté, co se před deseti lety dostal na titulní stránky novin kvůli skandálu s praním špinavých peněz.

„Během mého působení ve společnosti Exiger jsme získali několik softwarových firem, včetně softwarového nástroje s umělou inteligencí, který pomáhal vytahovat rizika z nestrukturovaných veřejných záznamů. A vytvořili jsme nástroj, který pomáhal identifikovat korupční a sankční rizika v obchodních vztazích pro velmi velké společnosti,“ řekl Narva.

Tato práce ho přivedla na myšlenku založit Conflixis. Nemocnice a další velké lékařské praxe čelí podobným korupčním rizikům jako banky. Firmy vyrábějící léky a přístroje se s lékaři kamarádí tak, že lékaři musí zveřejňovat střety zájmů: výlety, honoráře za konzultace, sponzorování výzkumných grantů a podobně.

Mnohé výzkumy ukazují, že ti, kteří se s nimi příliš kamarádí, s větší pravděpodobností předepisují tyto léky a přístroje bez ohledu na to, zda by pro pacienta přinesly lepší výsledky, nebo ne. Riziko je tak velké, že vláda provozuje databázi s názvem OpenPaymentsData.com, kde si každý může prohlédnout informace o střetu zájmů.

Zveřejňování takových střetů zájmů však problém nezastaví, což nemocnice vystavuje právnímu riziku. Takové chování lékařů zakazuje celá řada zákonů, počínaje zákonem Stark Law a konče zákonem o zákazu zpronevěry (AKS).

Komerční zájmy zároveň potřebují spolupracovat s lékaři – odborníky v oblasti medicíny -, aby jim pomohly při výzkumu nových léků a konstrukci přístrojů. Ne každá interakce je tedy zakázána.

Narva si představovala software jako službu poháněný umělou inteligencí, který by pro nemocnice a velké lékařské praxe identifikoval skutečné situace, které nemocnici – ne-li pacienta – ohrožují.

„Velký zdravotnický systém může mít 200 000 vztahů mezi svými lékaři a prodejci a dodavateli,“ řekl Narva. „Který z těchto 200 000 vztahů na vás má dopad z některého z takových šesti rizik?“

Rizika sahají od porušení zákonů až po nepříznivé lékařské výsledky. Federální vláda také poskytuje databázi, která zveřejňuje informace o kvalitě péče v nemocnicích.

Narva zavolal svému příteli, kterého znal od osmé třídy, Josephu Bergenovi, v té době řediteli technického oddělení společnosti Buzzfeed, aby se ho zeptal na jeho názor na tento nápad. Bergena to zaujalo natolik, že dal výpověď a stal se spoluzakladatelem.

Conflixis funguje tak, že přijímá data z OpenPaymentsData.com, údaje o veřejných zakázkách nemocnic, údaje o nárocích, záznamy o výsledcíchpacientů, formuláře o střetu zájmů a další zdroje. Analyzuje všechny body střetu zájmů a identifikuje ty, které by nemocnice měla prošetřit.

„Dobře, prošli jsme všech 5 000 nebo 10 000 vztahů [a] tady je sedm, na které je třeba se skutečně podívat,“ popisuje Narva příklad. „Jako bychom vyvařili oceán a tady je těch sedm.“

Conflixis jde ještě o krok dál a dokáže také předpovědět výdaje nemocnice a navrhnout způsoby, jak je snížit. Kupuje například nemocnice dražší zařízení na základě doporučení lékaře, který má s daným dodavatelem vztah, místo levnějšího?

„Můžeme to udělat tak, že nemocnice výrazně sníží své regulační riziko, zvýší svou důvěru a transparentnost vůči pacientům, to ano, ale také učiní lepší provozní rozhodnutí o tom, co nakupují,“ říká.

Společnost byla založena v roce 2023 a již má několik klientů s obratem necelých 5 milionů dolarů, uvedl Narva. Právě oznámila seed kolo v hodnotě 4,2 milionu dolarů, na němž se podílely Lerer Hippeau (fond založený bývalým předsedou představenstva BuzzFeedu Kennethem Lererem) a Origin Ventures, dále se na něm podílely společnosti mark vc, Springtime Ventures a pre-seed investor Cretiv Capital.

Conflixis se připojuje k přeplněnému poli softwarových společností v oblasti dodržování předpisů ve zdravotnictví, jako jsou Compliatric a Symplr, i když některé z nich se více zaměřují na ochranu údajů pacientů než na korupci a zadávání veřejných zakázek.

Narva říká, že Conflixis se odlišuje tím, že skloubil kariéru svých zaměstnanců v oblasti vyšetřování s magisterským studiem. Upravila hotové modely tak, aby v datech hledaly vzorce na základě „našeho zázemí v oblasti monitorování transakcí a korupce při vyšetřování velkých objemů dat“, říká.