Proč je umělá inteligence ve zdravotnictví nasazována na špatném místě

Průmysl honí špatný problém

V současné době je ve zdravotnictví umělá inteligence spojena s autonomií. Může umělá inteligence diagnostikovat nemoci? Může předepisovat léky? Může nakonec nahradit lékaře?

Už nemusíme spekulovat o těchto otázkách, protože máme reálné příklady aplikace umělé inteligence ve zdravotnictví. Utah již otevřel dveře autonomní umělé inteligenci v obnově předpisů prostřednictvím svého regulačního sandboxu. Další státy pozorují, zda tyto první pilotní projekty ukazují přijatelnou bezpečnost a efektivitu.

Ale myslím, že uvažovat o nahrazení lékaře umělou inteligencí je špatné místo, kde průmysl začíná.

Než se zeptáme, kolik klinické práce může umělá inteligence absorbovat, měli bychom vyřešit mnohem jednodušší a naléhavější problém, který stojí před námi. Lékaři jsou zahlceni administrativní prací. Pacienti stále nemohou získat včasné schůzky, protože přístup je omezen méně nedostatkem poptávky než nedostatkem využitelného času lékařů. To je místo, kde začíná zácpa, a to je místo, kde je umělá inteligence zoufale potřebná, aby ulevila operační zátěži.

To je zejména patrné v psychologickém zdraví. Asi 22 milionů Američanů žije s ADHD a úzkostné poruchy postihují přibližně 19% dospělých v daném roce. To je asi 31% za celý život. Oba stavy jsou vysoce léčitelné, ale miliony lidí nedostávají doporučenou péči. Problém není nedostatek povědomí, protože i letmý pohled na trh ukáže řadu nástrojů pro sebeimprovement, obsahu, sledovačů a aplikací pro ADHD. Skutečná mezera je přístup k skutečné klinické péči, diagnóze a řízení léků, pokud je to vhodné.

Tento článek argumentuje pro jednodušší výchozí bod. Nejvyšší návratnost investic do umělé inteligence ve zdravotnictví je administrativní. Používání umělé inteligence příliš brzy v klinickém prostředí může vytvořit více problémů než výhod. Pokud chceme, aby umělá inteligence se stala důvěryhodnou součástí péče, musíme ji nasadit nejdříve tam, kde je zátěž největší a zisk je okamžitý.

Data ukazují, kde může být umělá inteligence účinnější

Existuje vzorec, který se velmi rychle ukazuje, když stavíte ve zdravotnictví. Jakýkoli lékař, kterého najmete, je během několika měsíců plně obsazen. Viděli jsme to opakovaně. To neznamená, že je pouze nedostatek poskytovatelů, ale jak čas poskytovatelů spotřebuje, když začne plnit panel.

V psychiatrii je asi 80% schůzek rutinními follow-upy. Tyto nejsou všechny komplexní diagnostické setkání. Mnohé jsou stabilní pacienti, kteří pokračují ve stejné léčbě, kontrolují symptomy a obnovují léky, pokud je vše stále vhodné. Tyto návštěvy však nesou plnou váhu dokumentace, verifikace, přezkumu historie, kontrol PDMP a předepisování workflow. Poskytovatelé tráví průměrně 16 hodin týdně administrativní prací. To je čas, který by mohl jít na nové pacienty nebo prostě lepší klinickou pozornost pacientům a složitým případům.

To je místo, kde se mnoho diskusí o umělé inteligenci odpojí od operační reality. Průmysl se stále ptá, zda umělá inteligence může převzít roli lékaře, zatímco ve skutečnosti velká část ztracené kapacity pochází z úkolů, které nevyžadují mnoho klinického úsudku. Tyto úkoly mohou být jako dokumentace, verifikace, přezkum záznamů a workflow follow-up. Tyto jsou přesně ty procesy, které umělá inteligence již může podporovat v užitečném a měřitelném způsobem.

Pokud získáte zpět ten čas, nesnižujete pouze zátěž na poskytovatele, ale také znovu otevíráte rozvrh více pacientům. Časové prodlevy jsou významným problémem přístupu ke zdravotní péči. Pacienti často čekají týdny, aby viděli odborníka, a přístup zůstává nerovnoměrný v různých regionech. HHS nadále uvádí, že venkovské a hraniční komunity čelí příliš málo poskytovatelům a příliš málo podpory behaviorálního zdraví, s odkazem na telehealth jako na způsob, jak materiálně zvýšit přístup ke zdravotní péči.

Proč je zdravotnictví nejtěžším odvětvím pro automatizaci pomocí umělé inteligence

Zdravotnictví může vypadat standardizovaně zvenčí. Ve skutečnosti je standardizované a variabilní současně.

Existují jistě určitá pravidla, předpisy a dokumentační předpisy. Každý lékař však přináší také návyky, workflow a protokoly formované předchozími prostředími. Dva poskytovatelé mohou léčit stejnou podmínku ve stejném právním rámci, zatímco stále přístup k rutinní péči významně odlišným způsobem. Umělá inteligence musí zohlednit tuto variabilitu bez odchýlení se od standardu péče. To je mnohem těžší úkol než stavba modelu, který funguje dobře v demo.

Při regulaci je dodržování předpisů většinou vrstvené. Státní licenční rady, federální agentury, HIPAA, monitorovací systémy předpisů, státní databáze a interní klinické SOP se všechny protínají. Dodržování předpisů v jednom státě může být nedodržením v jiném. Workflow, který parece neškodný z produktového hlediska, může se stát rizikovým, když se jedná o předepisování, identitu pacienta, uchovávání záznamů nebo auditovatelnost. Existuje strukturální složitost zapojená do procesu.

Data část není tak přímočará, jak by se mohlo zdát. Ve zdravotnictví nemůžete jednoduše propojit běžné nástroje a začít se učit z chování uživatelů. Některé standardní analytické nástroje a datové potrubí nejsou vhodné kvůli předpisům HIPAA, pokud nejsou fundamentálně změněny. Často potřebujete vlastní infrastrukturu od základu. Věci, jako je, jak jsou data uložena, zpracována, audity a prezentována v workflow. Překvapivé množství společností podceňuje to, dokud nejsou hluboko ve svém procesu budování a pak musí otočit celý svůj pracovní postup.

Ale více než cokoliv jiného bych řekl, že největší problém je prostě to, že cena chyby ve zdravotnictví je bastante vysoká.

Chybný výstup může vytvořit pouze nepříjemnost v jiných odvětvích, ale ve zdravotnictví může ovlivnit kvalitu léčby, bezpečnost pacienta, předepisování léků nebo regulatorní expozici. Lidské zdraví není něco, s čím můžeme jednoduše hrát, abychom vylepšili naše modely umělé inteligence, a správně tak. To by mělo být použito jako řídící princip, který nám pomáhá pochopit, kde může být umělá inteligence poprvé zavedena do tohoto odvětví.

Nejvyšší návratnost investic do umělé inteligence ve zdravotnictví je administrativní vrstva

Doufám, že jsem na čtenáře zapůsobil důležitostí posunu našeho zaměření z nahrazování lékaře umělou inteligencí na odstranění operační tření kolem lékaře. Rozšířím zde, co to vypadá prakticky.

Generování dokumentů. Umělá inteligence může přepisovat a vytvářet dokumentaci v reálném čase během návštěv. To snižuje zátěž dokumentace, zkracuje práci po hodinách a činí dokončení stejného dne mnohem reálnějším. V interním rámci MEDvidi je generátor dokumentů aktualizován nepřetržitě během setkání a je navržen tak, aby podstatně snížil čas dokumentace.

Přezkum dokumentů. Umělá inteligence může také přezkoumat dokumenty proti interním SOP a označit odchylky, než dosáhnou fáze předepisování. Většina kontrol kvality ve zdravotnictví je stále částečná a manuální; proto, přezkoumáním každého setkání místo malého vzorku, se dodržování předpisů stává více viditelným a konzistentním.

Automatizace workflow před návštěvou. Velká část času poskytovatele je strávena před skutečným klinickým rozhodnutím na věcech, jako je ověření identity, kontrola státních databází, přezkum zdravotní historie, hledání potenciálních kontraindikací nebo vyhledávání vzorců, které mohou naznačovat chování související s drogami nebo mezery v dokumentaci. Žádná z těchto věcí nenahrazuje úsudek, ale všechny spotřebovávají čas, který je důvodem, proč může umělá inteligence pomoci zpracovat tyto vrstvy, než se do toho zapojí lékař.

Rutinní management předpisů. Stabilní follow-up péče je místem, kde může být umělá inteligence obzvláště užitečná. Pro pacienty, jejichž léčba zůstala konzistentní, může umělá inteligence pomoci spravovat workflow obnovy a připravit záznam, zatímco lékař přezkoumá a schválí konečná rozhodnutí. To je velmi odlišný model od plně autonomní péče, protože je užší, bezpečnější a mnohem relevantnější k skutečnému uzávěru v systému.

Každý z těchto případů použití má něco společného. Ušetří čas tak, že rozšiřují kapacitu péče. To je můj hlavní argument, proč považuji administrativní vrstvu za místo s nejvyšší návratností investic do umělé inteligence.

Správná architektura umělé inteligence pro klinické prostředí

Nahrazení lékaře je další z těch strašáků umělé inteligence, které vytvářejí senzace a znepokojují profesionály. Mnohem praktičtějším, prospěšnějším a nepostradatelným modelem je augmentace lékaře v zdravotnictví.

V rámci takové architektury má lékař poslední slovo ve všech klinických rozhodnutích, předepisování. Plány léčby budou stále přezkoumány a schváleny licencovaným zdravotnickým pracovníkem. Umělá inteligence jednoduše zpracovává drobnosti dokumentace, verifikace, vrstvy přezkumu a opakující se úkoly kolem návštěvy. To je nejbezpečnější způsob, jak zlepšit efektivitu a zachovat odpovědnost.

Umělá inteligence ve zdravotnictví také potřebuje skutečná klinická data, protože hotové modely a obecné datové sady nejsou dostatečné. Klinické workflow jsou příliš specifické, předpisy jsou příliš vrstvené a marže pro chybu je příliš malá. Systém umělé inteligence školený na proprietární datové sadě pacientů za měsíc, s přezkumem poskytovatele a dodržováním SOP v workflow by měl být základem každého systému, který vstupuje do tohoto oboru. Jádro toho je, že umělá inteligence ve zdravotnictví musí být založena na reálných klinických operacích, nikoli na obecné modelové schopnosti.

Pro lékaře tato architektura snižuje hodiny ztracené administrativní prací a rezervuje více času pro nové pacienty a složitější případy. Pro pacienty poskytuje rychlejší přístup ke zdravotní péči za nižší cenu, spojený s větší konzistencí v dokumentaci a poskytování péče. Regulátoři také profitují, protože mají více viditelnosti, protože současné systémy často skrývají nekonzistenci uvnitř rozptýlených workflow. Správné nasazení umělé inteligence činí workflow více čitelnými a přezkoumatelnými. Přezkum sám o sobě je mnohem snazší auditovat než lidská dokumentace.

Stáním se spolehlivou v měřitelném workflow, umělá inteligence se stává důvěryhodným nástrojem pro zlepšení oblasti, ve které je toto tak důležité odvětví jasně bojuje.

Závěr

Když lidé si stěžují na svého poskytovatele zdravotní péče, že je nepozorný, vidí skutečný problém. Představte si energii svého poskytovatele zdravotní péče jako balón, který je propichován ze všech stran všedními, opakujícími se úkoly. Samozřejmě, že nemají čas ani mentální kapacitu, aby se vám věnovali pozorně.

Místo skoku na vlak strašáků, kdo bude první, kdo bude propuštěn kvůli umělé inteligenci, je rozumnější, zejména ve zdravotnictví, použít technologii k opravě vrstev práce, se kterými lidé bojují. Ta samá věc, která dělá umělou inteligenci tak výhodnou, je její nevyčerpatelnost – něco, co lidský personál zdravotnické péče nemá.

Je pochopitelné, proč je zdravotnictví obtížné automatizovat kvůli složitým předpisům, variabilitě chování poskytovatelů, potřebě vlastních infrastruktur a enormní ceně chyb. Existuje však skutečná administrativní zácpa, která může být opravena touto technologií, kterou máme na dosah. Použijme ji.

Bez začátku u administrativní zácpy bude klinická umělá inteligence bojovat, aby získala důvěru lidí v širším měřítku, když se její schopnosti vyvinou za to, co může dělat dnes.

Myslím, že blízký model je přímý. Umělá inteligence přezkoumá historii, zkontroluje kontraindikace, ověří identitu, vygeneruje dokument a připraví workflow předpisů. Lékař přezkoumá celý obraz a schválí konečná rozhodnutí. Co dříve vyžadovalo plnou 20minutovou návštěvu pro stabilní follow-up, může se stát kratším, čistějším a bezpečnějším procesem.

Může se zdát jako maličkost na papíru, ale je to velká přestavba systému, který zůstal ruční po tak dlouhou dobu a ovlivňuje každého.