Tankeledere

Hvorfor AI i sundhedssektoren bliver taget i brug det forkerte sted

Vasili Razhnou
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterAI bør først tage fat på administrative opgaver som journalføring for at frigøre…
Vis mere
  • AI bør først tage fat på administrative opgaver som journalføring for at frigøre klinikernes tid til patientbehandling.
  • Sundheds-AI skal bruge kliniske data og bevare lægeopsyn for at sikre sikkerhed og overholdelse af regler.
  • Automatisering af rutinemæssige receptfornyelser kan udvide adgangen mere effektivt end at stræbe efter fuld klinisk autonomi.

Branchen jagter det forkerte problem

Snakken i sundhedssektoren om AI i dag handler om autonomi. Kan AI diagnosticere sygdomme? Kan det ordinere medicin? Kan det til sidst erstatte lægen?

Vi behøver ikke længere at overveje disse hvad-hvis-scenarier, fordi vi nu har reelle eksempler på AI’s anvendelse i sundhedssektoren. Utah har allerede åbnet døren for autonom AI i fornyelse af recepter gennem sin regulatoriske sandkasse. Andre delstater følger med for at se, om disse tidlige pilotprojekter viser acceptabel sikkerhed og effektivitet.

Men jeg mener, at spørgsmålet om at erstatte klinikere med AI er det forkerte udgangspunkt for branchen.

Før vi spørger, hvor meget af den kliniske relation AI kan absorbere, bør vi beskæftige os med det langt enklere og mere presserende problem, der ligger foran os. Klinikere er overvældet af administrative opgaver. Patienter kan stadig ikke få tider i rette tid, fordi adgangen er begrænset mere af mangel på brugbar lægetid end af mangel på efterspørgsel fra patienter. Det er her, ophobningen af ventende patienter starter, og det er her, AI er nødvendigt for at lette de operationelle byrder.

Dette er særligt tydeligt inden for psykisk sundhedspleje. Omkring 22 millioner amerikanere lever med ADHD, og angstlidelser rammer omtrent 19% af voksne i USA i løbet af et givet år. Det svarer til omkring 31% over en livstid. Begge tilstande er i høj grad mulige at behandle, men millioner modtager ikke retningslinje-anbefalet behandling. Problemet er ikke mangel på opmærksomhed, for selv en flygtig gennemlæsning af markedet vil vise en række selvhjælpsværktøjer, indhold, trackere og ADHD-venlige apps. Det faktiske hul er adgangen til reel klinisk behandling, diagnose og styring af medicinsk behandling, når det er relevant.

Denne artikel argumenterer for et enklere udgangspunkt. AI’s højeste-ROI-rolle i sundhedssektoren i dag er administrativ. At bruge det for tidligt i den kliniske sammenhæng kan skabe flere problemer end fordele. Hvis vi vil have, at AI bliver en troværdig del af behandlingen, må vi først tage det i brug, hvor byrden er størst og gevinsten er umiddelbar.

Dataene afslører, hvor AI kan være mere effektiv

Der er et mønster, der afsløres meget hurtigt, når man bygger i sundhedssektoren. Uanset hvilken kliniker man ansætter, er klinikeren fuldt booket inden for få måneder. Vi har set dette gentagne gange. Det handler ikke blot om en abstrakt mangel på behandlere, men om hvordan deres tid bliver brugt, når patientlisten begynder at blive fyldt op.

I psykiatri er omkring 80 % af konsultationerne rutinemæssige opfølgninger. Disse er ikke alle komplekse diagnostiske møder. Mange er stabile patienter, der fortsætter den samme behandling, kommer til kontrol, gennemgår symptomer og får fornyet medicin, hvis alt stadig er relevant. Alligevel medfører disse besøg den fulde vægt af dokumentation, verificering, gennemgang af sygehistorien, kontroller i systemet til overvågning af ordineret medicin (PDMP) og arbejdsgangen for ordination. Læger bruger i gennemsnit 16 timer om ugen på sådanne administrative opgaver. Det er tid, der kunne være gået til nye patienter eller blot bedre klinisk opmærksomhed på patienter og komplekse tilfælde.

Dette er, hvor meget af AI-diskussionen bliver afkoblet fra den operationelle virkelighed. Branchen spørger stadig, om AI kan overtage lægens rolle, når i virkeligheden en stor del af den tabte kapacitet kommer fra opgaver, der ikke kræver megen klinisk dømmekraft fra starten. Disse kan være opgaver som dokumentation, verificering, gennemgang af journaler og opfølgningssystemer. Disse er præcis de processer, AI allerede kan støtte på en nyttig og målbar måde.

Hvis man genskaffer den tid, reducerer man ikke kun byrden på lægen, men åbner også igen for flere patienter. Ventetiden er et betydeligt sundhedsadgangsproblem. Patienter venter ofte uger for at se en professionel, og adgangen forbliver ujævnt fordelt over forskellige regioner. HHS fortsætter med at bemærke, at landdistrikter og tyndt befolkede yderområder står over for for få læger og for lidt psykisk sundhedsstøtte, idet de citerer telemedicin som en måde at øge adgangen betydeligt til psykisk sundhedsbehandling på.

Hvorfor sundhedssektoren er den sværeste branche at automatisere med AI

Sundhedssektoren kan se standardiseret ud udefra. I virkeligheden er den både standardiseret og variabel på samme tid.

Der er uden tvivl visse retningslinjer, reguleringer og dokumentationsregler. Men hver kliniker bringer også vaner, arbejdsgange og protokoller med, der er formet af tidligere arbejdssteder. To læger kan behandle den samme tilstand under den samme lovgivning, mens de stadig nærmer sig rutinebehandling på væsentligt forskellige måder. AI må tage hensyn til denne variation uden at glide væk fra standardbehandlingen. Det er en langt sværere bedrift end at bygge en model, der fungerer godt i en demo.

Når det kommer til regulering, er compliance lagdelt. Delstaternes autorisationsmyndigheder, føderale myndigheder, HIPAA, systemer til overvågning af recepter, delstatsdatabaser og interne kliniske standardprocedurer (SOP) overlapper hinanden. En handling, der opfylder kravene i én delstat, kan være i strid med dem i en anden. En arbejdsgang, der synes harmløs fra et produktperspektiv, kan blive risikabel, når det kommer til recepter, patientidentitet, opbevaring af journaler eller mulighed for audit. Der er strukturel kompleksitet involveret i processen.

Datadelen er heller ikke så enkel, som man kunne forvente. I sundhedssektoren kan man ikke bare koble almindelige værktøjer sammen og starte med at lære af brugeradfærd. Nogle standardanalyseværktøjer og datapipelines er ikke egnede på grund af HIPAA-reguleringer, medmindre de grundlæggende ændres. Man har ofte brug for skræddersyet infrastruktur fra bunden. Ting som, hvordan data gemmes, bearbejdes, auditeres og præsenteres inden for arbejdsgangen. Et overraskende antal virksomheder undervurderer dette, indtil de er dybt inde i byggeprocessen og derefter må ændre hele deres arbejde.

Men mere end noget andet ville jeg sige, at det største problem er, at omkostningerne ved at begå en fejl i sundhedssektoren er ret høje.

Et fejlbehæftet output kan blot skabe ulemper i andre brancher, men i sundhedssektoren kan det påvirke behandlingskvalitet, patientsikkerhed, receptadfærd eller regulatorisk eksponering. Menneskers sundhed er ikke noget, vi kan lege med for at forbedre vores AI-modeller, og det er rigtigt. Dette bør bruges som det styrende princip i at hjælpe os med at forstå, hvor AI kunne introduceres først i denne branche.

AI giver størst afkast ved brug i sundhedssektorens administrative lag

Jeg håber, jeg har gjort læseren opmærksom på vigtigheden af at skifte fokus fra at erstatte lægen med AI til i stedet at fjerne den operationelle friktion omkring lægen. Her vil jeg uddybe, hvordan det ser ud i praksis.

Udarbejdelse af journalnotater. AI kan transkribere og bygge dokumentation i realtid under besøg. Dette reducerer dokumentationsbyrden, forkorter arbejdet efter normal arbejdstid og gør det mere realistisk at fuldføre på samme dag. I MEDvidi’s interne rammeværk opdaterer dokumentgeneratoren dokumentationen kontinuerligt under mødet og er designet til at reducere dokumentationstiden betydeligt.

Gennemgang af journaler. AI kan også gennemgå journaler op mod interne SOP’er og markere afvigelser, før de når receptstadiet. De fleste kvalitetsgennemgange i sundhedsvæsenet er stadig delvise og manuelle; derfor bliver compliance mere synlig og mere konsekvent ved at gennemgå hvert møde i stedet for en lille stikprøve.

Automatisering før konsultationen. En stor del af behandlerens tid bliver brugt før den kliniske beslutning på ting som identitetsverificering, krydskontrol af statlige databaser, gennemgang af medicinsk historie, søgning efter potentielle kontraindikationer eller screening for mønstre, der kan tyde på medicinsøgende adfærd eller dokumentationshuller. Ingen af disse ting erstatter dømmekraft, men alle forbruger tid, og det er derfor, AI kan hjælpe med at bearbejde disse lag før lægen træder ind.

Rutinemæssig recepthåndtering. Stabil opfølgning er, hvor AI kan være særligt nyttigt. For patienter, hvis behandling er forblevet konstant, kan AI hjælpe med at styre arbejdsgangen for receptfornyelse og forberede journalen, mens lægen stadig gennemgår og godkender den endelige beslutning. Det er en helt anden model end fuldt autonom behandling, fordi den har et snævrere omfang, er sikrere og er mere relevant for den faktiske flaskehals i systemet.

Hvert af disse anvendelsesområder har noget til fælles. De sparer tid på en måde, der udvider behandlingskapaciteten. Det er mit centrale argument for, hvorfor jeg ser det administrative lag som det højeste-ROI-sted at tage AI i brug først.

Den rette AI-arkitektur for kliniske omgivelser

Forestillingen om at erstatte læger er endnu en af de AI-skræmmehistorier, der skaber sensationelle overskrifter og uro blandt fagfolk. En langt mere praktisk, nyttig og uundværlig model er støtte med lægen i centrum i sundhedssektoren.

Inden for en sådan arkitektur har lægen det sidste ord i hver klinisk beslutning og ordination. Behandlingsplaner vil stadig blive gennemgået og godkendt af en autoriseret sundhedsperson. AI håndterer blot det besværlige af dokumentation, verificering, gennemgangslaget og repetitive opgaver omkring besøget. Det er den sikreste måde at forbedre effektiviteten og fastholde ansvarlighed på.

AI i sundhedssektoren har også brug for faktiske kliniske data, da standardmodeller og generiske datasæt ikke er nok. Kliniske arbejdsgange er for specifikke, reguleringer er for lagdelte, og fejlmarginen er for lille. Et AI-system trænet på et proprietært datasæt af patientbesøg per måned, med lægegennemgang og SOP-overholdelse bygget ind i arbejdsgangen, bør være grundlaget for ethvert system, der træder ind i dette felt. Kernen i det er, at sundheds-AI må være grundlagt i virkelige kliniske operationer i stedet for at være en generel modelkapacitet.

For læger reducerer denne arkitektur antallet af timer, der går tabt på administrative opgaver, og reserverer mere tid til nye patienter og komplekse tilfælde. For patienter giver det hurtigere adgang til sundhedsydelser til en lavere pris, kombineret med mere konsekvens i, hvordan behandling dokumenteres og leveres. Tilsynsmyndigheder har også gavn af at have mere synlighed, da det nuværende system ofte skjuler inkonsistens inden i spredte arbejdsgange. Den korrekte indførelse af AI gør arbejdsgange mere forståelige og lettere at gennemgå. Gennemgangen i sig selv er langt lettere at auditere end menneskeskabt dokumentation.

Ved at blive pålidelig inden for en målbar arbejdsgang bliver AI et troværdigt værktøj til at forbedre et område, som en så vital branche åbenbart kæmper med.

Konklusion

Når folk klager over, at deres behandler er uopmærksom, har de øje på et rigtigt problem. Tænk på din behandlers energi som en ballon, der punkteres fra alle sider af banale, gentagne opgaver. Selvfølgelig har de ikke tid eller mental kapacitet til at beskæftige sig med dig opmærksomt.

I stedet for at hoppe på skrækkøreturen om, hvem der bliver fyret først på grund af AI, er det mere fornuftigt, især i sundhedssektoren, at bruge teknologien til at løse lag af arbejde, som mennesker kæmper med. Det, der gør AI så fordelagtigt, er dets utrættelighed – noget, som menneskelige klinikere ikke besidder.

Det er forståeligt, hvorfor sundhedssektoren er svær at automatisere på grund af kompleks regulering, variation i lægeadfærd, behovet for skræddersyet infrastruktur og de enorme omkostninger ved fejl. Men der er et rigtigt administrativt problem, der kan løses af denne teknologi, som vi har til rådighed. Lad os bruge den.

Uden at starte med det administrative problem, vil klinisk AI kæmpe med at opnå tillid hos mennesker i større målestok, når dens evner udvikler sig ud over, hvad den kan gøre i dag.

Jeg mener, at modellen på kort sigt er enkel. AI gennemgår sygehistorien, checker for kontraindikationer, verificerer identitet, genererer dokumentationen og forbereder arbejdsgangen for ordination. Lægen gennemgår det fulde billede og godkender den endelige beslutning. Det, der tidligere krævede et fuldt 20-minutters besøg for en stabil opfølgning, kan blive en kortere, mere smidig og sikrere proces.

Det kan virke beskedent på papiret, men dette er en stor omstrukturering af et system, der har været manuelt i så lang tid og påvirker alle.

Vasili Razhnou er administrerende direktør og grundlægger af MEDvidi, en AI-drevet platform for mental sundhed. Som serieiværksætter med over 15 års erfaring i sundheds- og forretningssektoren har han etableret fem teknologistartups. I MEDvidi leder Vasili udviklingen af AI-drevne kliniske værktøjer, der reducerer den administrative byrde og giver mulighed for leverandører at levere hurtigere og mere ensartet behandling. Under hans ledelse har virksomheden nået 30 millioner dollars i årlig tilbagevendende omsætning (ARR).