Hvorfor AI i sundhedssektoren bliver anvendt på det forkerte sted

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 forlængelse af recepter gennem sin reguleringssandbox. Andre stater følger med for at se, om disse tidlige pilotprojekter viser acceptabel sikkerhed og effektivitet.

Men jeg mener, at at spekulere over, om AI kan erstatte lægen, er det forkerte sted for branchen at starte.

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 tidlige aftaler, fordi adgangen er begrænset mere af mangel på brugbar lægetid end af mangel på patientefterfrage. Det er her, tilbageslaget starter, og det er her, AI er nødvendigt for at lette de operationelle byrder.

Dette er særligt påfaldende i psykiatri. Omkring 22 millioner amerikanere lever med ADHD, og angstlidelser rammer omtrent 19% af voksne i USA på et givet år. Det svarer til omkring 31% over en livstid. Begge tilstande er højst behandelbare, men millioner modtager ikke retningslinje-anbefalet behandling. Problemet er ikke mangel på opmærksomhed, for selv en flygtig gennemlæsning af markedet vil vise en række selvhelpsværktøjer, indhold, trackere og ADHD-venlige apps. Det faktiske hul er adgangen til reel klinisk behandling, diagnose og medicinadministration, 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 mere problemer end fordele. Hvis vi vil have, at AI bliver en troværdig del af behandlingen, må vi først udvikle det, hvor byrden er størst og gevinsten er umiddelbar.

Dataene afslører, hvor AI kan være mere effektiv

Der er en 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. Dette betyder ikke, at der kun er en mangel på læger i det abstrakte, men hvordan lægetid bliver forbrugt, når en patientliste begynder at blive fyldt op.

I psykiatri er omkring 80% af aftaler rutinemæssige opfølgninger. Disse er ikke alle komplekse diagnostiske møder. Mange er stabile patienter, der fortsætter den samme behandling, checker ind, gennemgår symptomer og forlænger medicin, hvis alt stadig er relevant. Alligevel medfører disse besøg den fulde vægt af dokumentation, verificering, gennemgang af historik, PDMP-kontroller og receptworkflow. 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 ujævn fordelt over forskellige regioner. HHS fortsætter med at bemærke, at landdistrikter og grænseområder står over for for få læger og for lidt psykisk sundhedsstøtte, idet de citerer telemedicin som en måde at materielt øge adgangen til psykisk sundhedsbehandling på.

Hvorfor sundhedssektoren er den sværeste branche at automatisere med AI

Sundhedssektoren kan se standardiseret ud fra udenfor. 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 indstillinger. 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. Statlige licensudvalg, føderale myndigheder, HIPAA, receptovervågningsystemer, statlige databaser og interne kliniske SOP’er alle krydser hinanden. En compliant handling i en stat kan være ikke-compliant i en anden. En arbejdsgang, der synes harmløs fra et produktPerspektiv, kan blive risikabel, når det kommer til recepter, patientidentitet, journalhåndtering eller revision. Der er strukturel kompleksitet involveret i processen.

Data-delen er heller ikke så enkel, som man kunne forvente. I sundhedssektoren kan man ikke bare tilslutte 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 brugerdefineret infrastruktur fra bunden. Ting som, hvordan data gemmes, bearbejdes, revisioneres 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.

En fejlbehæftet output kan blot skabe ulemper i andre brancher, men i sundhedssektoren kan det påvirke behandlingskvalitet, patientssikkerhed, 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 den ledende princip i at hjælpe os med at forstå, hvor AI kunne introduceres først i denne branche.

AI’s højeste-ROI-udvikling i sundhed er den 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. Jeg vil udvide her på, hvad dette ser ud til i praksis.

Dokumentgenerering. AI kan transkribere og bygge dokumentation i realtid under besøg. Dette reducerer dokumentationsbyrden, forkorter efterarbejdet 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.

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

Forbesøgsarbejdsgangen. En stor del af lægetid bliver brugt før den kliniske beslutning på ting som identitetsverificering, krydskontrol af statlige databaser, gennemgang af medicinsk historie, søgning efter potentielle kontraindikationer eller skærmning af mønstre, der kan antyde misbrug af stoffer 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.

Rutineprescriptionsstyring. Stabil opfølgning er, hvor AI kan være særligt nyttigt. For patienter, hvis behandling er forblevet konstant, kan AI hjælpe med at styre forlængelsesworkflow og forberede journalen, mens lægen stadig gennemgår og godkender den endelige beslutning. Det er en meget anden model end fuldt autonom behandling, fordi det er smallere, sikrere og mere relevant for den faktiske flaskehals i systemet.

Hver 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 den administrative lag som det højeste-ROI-sted at udvikle AI først.

Den rette AI-arkitektur for kliniske omgivelser

Lægeerstatning er endnu en af disse AI-bogeyman-historier, der skaber sensationelle overskrifter og jostler ubehagelighed ind i professionelles tanker. En langt mere praktisk, nyttig og uundværlig model er lægecentreret udvikling i sundhedssektoren.

Inden for en sådan arkitektur har lægen det endelige ord på hver klinisk beslutning, recept. Behandlingsplaner vil stadig blive gennemgået og godkendt af en licenseret sundhedsuddannelsesinstitution. 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 enhver system, der træder ind i dette felt. Kernen af 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. Regulatorer har også gavn af at have mere synlighed, da det nuværende system ofte skjuler inkonsistens inden i spredte arbejdsgange. Den korrekte udvikling af AI gør arbejdsgange mere læselige og gennemgangsbar. Gennemgangen i sig selv er langt lettere at revisionere 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 sundhedsydelser er uopmærksomme, har de øje på et rigtigt problem. Tænk på din sundhedsydelers 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 at bruge teknologien til at løse lag af arbejde, som mennesker kæmper med. Det, der gør AI så fordelagtigt, er dets udmattethed – noget, som menneskelige klinikere ikke besidder.

Det er forståeligt, hvorfor sundhedssektoren er svær at automatisere på grund af kompleks regulering, variation i lægeadfærd, behov for brugerdefineret infrastruktur og omkostningerne ved fejl er enorme. 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 den nærmeste model er enkel. AI gennemgår historik, checker for kontraindikationer, verificerer identitet, genererer dokumentationen og forbereder receptworkflow. 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 et kortere, renere og sikrere proces.

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