Grant Lunney, produktchef hos EverHealth – interviewserie

Grant Lunney er produktchef hos EverHealth og har næsten to årtiers erfaring med sundhedsteknologi, klinisk drift og produktstrategi. Hans karriere spænder over Boulder Community Health, OTTO Health, NextGen Healthcare og CrowdHealth med fokus på ambulant behandling og de praktiske udfordringer, som lægepraksisser står over for. Hos EverHealth arbejder han med at anvende AI på tværs af klinisk dokumentation og arbejdsgange i praksis, så klinikerne får mere tid til patientpleje.

EverHealth leverer sundhedsteknologiske løsninger inden for elektroniske patientjournaler, praksisadministration, medicinsk afregning og patientkommunikation. EverHealth Scribe bruger AI, der lytter med, til at omdanne samtaler mellem patienter og behandlere til udkast til kliniske notater i patientjournalen, som klinikeren kan gennemgå og godkende. I dette interview taler Lunney om dokumentation inden for mental sundhed, patienters samtykke og privatliv, klinisk tilsyn, og hvordan AI kan mindske det administrative arbejde i selvstændige lægepraksisser.

Din karriere har strakt sig over næsten to årtier inden for sundhedsteknologi, fra klinisk drift og strategi hos Boulder Community Health til ledende produktroller hos OTTO Health, NextGen Healthcare, CrowdHealth og nu EverHealth. Hvordan har disse erfaringer formet dit syn på, hvilken rolle AI bør spille i sundhedsvæsenet, og hvad tiltrak dig ved muligheden for at stå i spidsen for produktudviklingen hos EverHealth?

Jeg har brugt det meste af to årtier på at arbejde med sundhedsteknologi, primært inden for ambulant behandling. I den tid har jeg set en bemærkelsesværdig udvikling i de værktøjer, vi har givet lægerne for at hjælpe dem med at udøve deres fag. Jeg husker, da elektronisk ordination var noget helt særligt. Tanken om, at en læge kunne sende en recept elektronisk, så den var klar, når patienten kom til apoteket, var et betydeligt fremskridt. Siden har vi indført stadig mere avancerede elektroniske patientjournalsystemer, procesautomatisering, interoperabilitet og alle mulige værktøjer, der skal gøre sundhedsvæsenet mere effektivt.

Jeg ser på AI nogenlunde på samme måde. Uanset om vi taler om store sprogmodeller, generativ AI eller prædiktive modeller, er det yderligere værktøjer i vores værktøjskasse. Målet er stadig det samme: at gøre klinikerne mere effektive og i sidste ende forbedre kvaliteten af den behandling, de kan levere.

Tænk på en praktiserende læge, der har 2.500 eller 3.000 patienter på sin liste. Hverdagen går med akutte konsultationer, håndtering af medicin og behandling af patienter med flere kroniske lidelser. Men jeg tror ikke et sekund på, at de læger ikke gerne ville bruge mere tid på at arbejde forebyggende sammen med deres patienter. Tale om kost, motion, mental sundhed og de sociale forhold, der påvirker folks helbred. Hjælpe mennesker med at foretage betydningsfulde ændringer, som måske kan forhindre, at den næste kroniske lidelse udvikler sig. Det er derfor, de læste medicin.

Det er det, der begejstrer mig ved AI. Vi er begyndt at udvikle teknologi, der kan overtage betydelige dele af det administrative arbejde og informationsbehandlingen og dermed aflaste klinikerne, så de får mere tid til at udøve deres fag.

Det, der tiltrak mig ved EverHealth, er vores mulighed for gradvist at anvende denne teknologi på tværs af en hel lægepraksis. Jeg tror stærkt på, at man skal løse ét problem særdeles godt, før man går videre til det næste. Vi kan forbedre den kliniske dokumentation, derefter genkendelsen af diagnoser og så kodning, ordrer, recepter og driften af praksissen. Med tiden begynder disse forbedringer at fungere sammen.

EverHealth Scribe bruger AI til at omdanne samtaler mellem patienter og behandlere til struktureret klinisk dokumentation. Kan du gennemgå, hvordan teknologien fungerer, fra optagelse af en konsultation til udarbejdelse af et klinisk notat, og forklare, hvad der adskiller jeres tilgang fra andre AI-baserede løsninger til medicinsk dokumentation?

I sin enkleste form lytter en AI-baseret dokumentationsassistent til en samtale mellem en patient og en kliniker, bruger talegenkendelse til at forstå, hvad der bliver sagt, og hvem der siger det, og anvender derefter en stor sprogmodel til at organisere de klinisk relevante oplysninger i et struktureret notat. Klinikeren gennemgår oplysningerne, foretager eventuelle nødvendige rettelser og godkender den endelige dokumentation.

Jeg tror, vi er nået til et punkt, hvor de fleste gode AI-baserede dokumentationsassistenter, der lytter med, er blevet bemærkelsesværdigt dygtige til at udføre denne grundlæggende opgave. Modellerne varierer i avancerethed og nøjagtighed, men jeg tror, at de største muligheder for at skille sig ud i stigende grad vil ligge i alt det, der omgiver processen.

For os begynder det med, hvor meget mere af klinikerens arbejde vi kan færdiggøre, når notatet er udarbejdet. Vi har allerede tilføjet anbefalinger til diagnoser og CPT-koder, og vi udvider med ordrer og recepter, som alt sammen er integreret direkte i det elektroniske patientjournalsystem. Vi inddrager også oplysninger fra tidligere konsultationer, sygehistorik og dokumentation udarbejdet før konsultationen, for en samtale på 15 minutter er kun en lille del af en langt større klinisk historie. Derudover udvikler vi annoteringer, der indfanger de observationer og notater, klinikerne gør sig, men aldrig siger højt.

Vi har også indbygget pålidelighed i alle disse funktioner. Hvis en kliniker bruger 30 minutter sammen med en patient og bagefter opdager, at optagelsen mislykkedes, er det en katastrofal oplevelse. Derfor er vi nødt til at tage højde for alt fra mikrofonens placering til ustabilt Wi-Fi.

Hvis vi lykkes med alt dette, bør behandleren være færdig med en konsultation, hvor stort set alt dokumentationsarbejdet allerede er udført. Behandlerens resterende opgave er at gennemgå det kliniske indhold, udøve sit faglige skøn og handle på de anbefalinger, der giver mening.

Samtaler om mental sundhed handler ofte om dybt personlige forhold, følelsesmæssige nuancer og følsomme oplysninger. Hvilke særlige tekniske udfordringer er der ved at udvikle en AI-dokumentationsassistent til mental sundhed, og hvordan sikrer I, at systemet registrerer klinisk relevante oplysninger korrekt uden at fejlfortolke konteksten eller dokumentere unødvendige personlige detaljer?

En psykoterapisession på 50 minutter, en konsultation om mental sundhed på 15 minutter og en konsultation i intern medicin på syv minutter er tre meget forskellige samtaler. Dokumentationen fra hver konsultation vil også se forskellig ud.

Derfor tager vi udgangspunkt i behandleren og arbejder baglæns. Hvilke oplysninger skal registreres? Hvordan skal de organiseres? Hvilket detaljeringsniveau er klinisk passende? Og hvordan skal den færdige journalnotits se ud, for at behandleren kan føle sig sikker på, at den gengiver konsultationen korrekt?

Når vi har fastlagt det, kan vi begynde at konfigurere og finjustere AI’en, så den udarbejder dokumentation, der lever op til forventningerne. Målet er at tage en måske meget lang, kompliceret og dybt personlig samtale og sammenfatte den til de kliniske oplysninger, der faktisk er relevante for patientens behandling.

Det synes jeg især er vigtigt inden for mental sundhed. At noget bliver sagt under en session, betyder ikke automatisk, at det hører hjemme i patientens permanente journal. Modellen skal også fortolke den kliniske betydning korrekt, og inden for mental sundhed kan én og samme udtalelse betyde meget forskellige ting afhængigt af konteksten. Derfor er behandlerens gennemgang og faglige skøn fortsat afgørende.

Vi taler meget om, hvor intelligente disse modeller er, men jeg synes, at noget af det vigtigste arbejde foregår, før modellen overhovedet udarbejder en notits. Det handler om at fastlægge, hvordan et godt klinisk resultat ser ud, og derefter løbende forbedre, hvor pålideligt vi kan levere det.

Kort sagt går vores proces ud på at definere, hvad et godt resultat er, arbejde baglæns derfra og lade behandleren være den endelige dommer over, om vi har nået det.

En undersøgelse fra KFF viste, at 77 % af voksne i USA er bekymrede for privatlivets fred omkring helbredsoplysninger, der deles med AI-værktøjer. Hvordan imødekommer EverHealth disse bekymringer, særligt når det gælder opbevaring af patientdata, adgang for tredjeparter og brug af følsomme oplysninger til at træne eller forbedre AI-modeller?

Den bekymring er berettiget, og jeg mener ikke, at patienter skal være nødt til at give afkald på privatlivets fred for at få bedre behandling. Samtidig bør en teknologivirksomhed ikke bede dem om blot at stole på dens sikkerhedsforanstaltninger. Patienter og klinikker fortjener klare svar på, hvilke oplysninger vi bruger, hvem der har adgang til dem, og hvor længe vi opbevarer dem.

Med EverHealth Scribe behandles patientoplysninger for at understøtte klinisk dokumentation og kontinuitet i behandlingen. Vi samarbejder med teknologipartnere, herunder CarePilot, og har kontraktlige sikkerhedsforanstaltninger på plads, såsom aftaler med forretningspartnere, der regulerer håndteringen af beskyttede helbredsoplysninger. Vi bruger også kryptering og adgangskontrol, og identificerbare patientoplysninger bruges ikke til at træne AI-modeller. Transskripter fra Scribe er tilgængelige i op til 180 dage, så behandlere kan genbesøge relevant kontekst på tværs af konsultationer, men klinikker kan også anmode om at få transskripter slettet.

I sidste ende kan vi ikke føje privatlivsbeskyttelse til innovationen bagefter. Den skal præge de beslutninger, vi træffer om, hvad vi udvikler, hvad vi forbinder, og hvad vi opbevarer.

Mentavi Health, der har implementeret EverHealth Scribe, indhenter patientens samtykke både ved den første kontakt og inden hvert besøg. Hvor vigtig er denne løbende samtykkemodel for at skabe tillid hos patienterne, og hvad bør der ske, hvis en patient afslår AI-understøttet dokumentation eller trækker sit samtykke tilbage under en session?

Mentavis praksis med at indhente samtykke ved den første kontakt og igen inden hvert besøg understreger, at patienten har indflydelse på, hvordan behandlingen foregår.

Jeg har tilbragt en stor del af min karriere inden for telemedicin, så jeg mener, at patienter generelt tager godt imod teknologi, når de kan se, hvilken værdi den skaber. Ideelt set oplever patienterne mere øjenkontakt og mere direkte kontakt med en behandler, der faktisk er fokuseret på samtalen i stedet for at sidde bag en bærbar computer eller skrive på en arbejdsstation. Det er et ret overbevisende værditilbud.

Værdien skal selvfølgelig følges af et valg. Patienterne bør forstå, hvordan teknologien bruges, og føle sig trygge ved at sige nej. Hvis nogen trækker sit samtykke tilbage under et besøg, bør optagelsen stoppe, og behandleren bør kunne fortsætte konsultationen og dokumentere den gennem sin sædvanlige arbejdsgang. Alle oplysninger, der allerede er indsamlet, skal håndteres i overensstemmelse med de gældende krav til samtykke og privatlivsbeskyttelse.

I sidste ende tror jeg, at tillid opstår, når man konsekvent leverer værdi. Hvis vi hjælper behandlere med at bruge mere tid på kontakten med patienterne, og patienterne rent faktisk kan mærke forskellen, gør vi noget rigtigt.

AI-genererede kliniske notater indebærer potentielle risici, herunder hallucinerede oplysninger, udeladte detaljer og fejlagtige fortolkninger af patienters udsagn. Hvilke sikkerhedsforanstaltninger har EverHealth indført for at identificere disse fejl, og hvordan sikrer I, at klinikerne bevarer et meningsfuldt fagligt overblik i stedet for blot at godkende AI-genereret dokumentation?

Klinikerne samarbejder tæt med dokumentationsassistenten og har ansvaret for at redigere AI-genererede notater, før de føjes til patientjournalen, så risikoen for eventuelle uoverensstemmelser i resultatet mindskes.

Klinikeren skal gennemgå og redigere oplysningerne, før de føres ind i patientjournalen. I sidste ende er det stadig klinikeren, der har ansvaret for at afgøre, om notatet gengiver konsultationen korrekt, og om noget vigtigt er blevet overset eller misforstået.

En anden vigtig del er løbende feedback. Efter hvert besøg spørger vi klinikerne, om dokumentationen har været nyttig, og mere end 96 % af svarene har været positive. Det er et opmuntrende tegn på, at vi konsekvent skaber værdi.

Når en kliniker melder om et problem, tager vores team direkte kontakt for at forstå, hvad der er sket, identificere den underliggende årsag og finde ud af, hvordan vi kan forbedre oplevelsen. Den direkte kontakt med dem, der bruger teknologien, er utrolig vigtig for vores udvikling og videreudvikling af produktet.

Jeg tror, at det i sidste ende er sådan, man opbygger tillid til AI-understøttet dokumentation. Man gør de underliggende oplysninger tilgængelige, sikrer et meningsfuldt klinisk tilsyn og vurderer løbende, om teknologien rent faktisk hjælper.

Mentavi Health har for nylig rapporteret om en trinvist gennemført implementering med mere end 30 autoriserede klinikere og over 14.000 AI-assisterede kliniske notater, som førte til forbedringer i struktureret dokumentation og registrering af diagnosekoder. Hvad var de vigtigste resultater af implementeringen, og hvordan måler I, om AI-assistenter til dokumentation reelt forbedrer klinikernes produktivitet, dokumentationens nøjagtighed og patientbehandlingen?

En af de vigtigste erfaringer fra Mentavis implementering er, at en vellykket indførelse afhænger af langt mere end selve teknologien. Mentavi samlede klinisk, administrativ og teknologisk ekspertise for at fastlægge dokumentationsstandarder, etablere kvalitetsmål og indføre funktioner på en velovervejet måde. Det er netop sådan, ansvarlig innovation i sundhedsvæsenet bør se ud.

For Scribe er problemet, vi forsøger at løse, enkelt: Klinikere bruger for meget tid på at dokumentere en konsultation. Hvor meget af den tid og indsats kan vi så spare dem for?

Vi ser på, hvor lang tid dokumentationen tager, klinikernes tilfredshed, og hvor effektivt funktioner som genkendelse af diagnoser og forslag til CPT-koder fjerner ekstra trin i arbejdsgangen. Når vi udvider med funktioner til bestillinger og recepter, vil vi følge samme tankegang. Hver funktion bør fjerne endnu en væsentlig arbejdsopgave fra klinikerens dag.

Forbedringen i registreringen af diagnosekoder var særligt glædelig. I evalueringen var registreringsgraden af diagnosekoder ved konsultationer, hvor Scribe blev brugt, næsten 80 % mod cirka 26 % uden Scribe. Det er en markant forbedring af ensartetheden i den strukturerede kliniske dokumentation og et godt eksempel på, hvordan AI kan skabe værdi ud over blot at generere et notat.

Antallet af genererede notater er opmuntrende, men det afgørende er, hvor meget arbejde vi fjerner, og hvor høj kvalitet og ensartethed den dokumentation, vi hjælper med at udarbejde, har.

Uafhængige lægepraksisser og mental sundhedspraksisser har ofte færre administrative ressourcer end større sundhedssystemer. Hvordan kan AI-baseret dokumentation hjælpe mindre praksisser med at konkurrere, og hvilke udfordringer med implementeringsomkostninger, integration i arbejdsgange eller indførelse af teknologi skal stadig overvindes?

Jeg tror, at de uafhængige praksissers største mulighed ligger i friheden til at vælge. Ved at aflaste klinikere og medarbejdere for administrative opgaver giver vi praksisserne mulighed for at træffe bedre beslutninger om, hvordan de bruger deres tid og ressourcer. Måske vil en læge gerne se flere patienter. Måske vil lægen bruge mere tid på de patienter, vedkommende allerede har. Eller måske vil lægen bare gerne afslutte dagens sidste konsultation klokken fem, bruge 15 minutter på at gennemgå dokumentationen og tage hjem i stedet for at bruge yderligere to timer på at indhente det forsømte. Alle disse resultater er værdifulde, og det bør være op til praksissen at beslutte, hvad der betyder mest.

Når det gælder implementeringen, er vi allerede praksissens teknologileverandør, så det er vores ansvar at integrere løsningen i arbejdsgangene, ikke praksissens. Scribe fungerer på enheder, som klinikerne allerede ejer, og det kan tage så lidt som en eller to oplæringssessioner at komme i gang. Når det er sagt, har en lille praksis meget lidt plads til tekniske problemer. Derfor tilstræber vi en opsætning, der ligger så tæt på selvbetjening som muligt.

I sidste ende tror jeg, at AI giver uafhængige praksisser adgang til funktioner og driftsmæssige effektiviseringer, som tidligere krævede langt større organisationer. Og lige så vigtigt er det, at teknologien giver dem, der arbejder i praksisserne, større kontrol over, hvordan de bruger deres tid.

Når delstaterne indfører stadig mere forskelligartet lovgivning om AI i sundhedsvæsenet, især inden for mental sundhed, hvordan navigerer EverHealth så i dette fragmenterede lovgivningslandskab? Hvilke udfordringer opstår der, når man udvikler et AI-produkt, der skal kunne håndtere forskellige krav til patienters samtykke, databeskyttelse og klinisk tilsyn på tværs af flere jurisdiktioner?

Jeg føler, at jeg har set den film før. Jeg tilbragte en stor del af min karriere med telemedicin før COVID og måtte håndtere forskelle fra delstat til delstat med hensyn til autorisation, patientens opholdssted, samtykke, ordination og refusion. Så ændrede reglerne sig næsten fra den ene dag til den anden, og vi måtte skalere op, mens de fortsat ændrede sig.

Landskabet for AI føles tilsvarende. Vi fokuserer på at være på forkant med foreslået lovgivning, forstå nuancerne i reglerne på delstatsligt og føderalt niveau og udvikle produktet, så det kan tilpasses.

Det er især vigtigt inden for telemedicin på området for mental sundhed, hvor en enkelt kliniker kan have patienter i mange delstater. Samtykke, databeskyttelse og klinisk tilsyn skal være grundlæggende elementer i tjenesten, som kan tilpasses.

Den vigtigste lære af den erfaring er, at produktet skal udvikles med mulighed for at tilpasse sig lovgivningen fra begyndelsen. Det er den filosofi, vi tager med os i vores arbejde med AI hos EverHealth. Vores opgave er at håndtere så meget af kompleksiteten som muligt, så klinikerne kan fokusere på at yde behandling.

AI-funktioner udvikler sig hurtigt og rækker nu ud over dokumentation til klinisk beslutningsstøtte, patientinddragelse og stadig mere autonome arbejdsgange i sundhedsvæsenet. Hvor mener du, grænsen mellem AI-assistance og menneskelig klinisk dømmekraft bør gå, især inden for mental sundhed, og hvordan forestiller du dig, at EverHealths teknologi vil udvikle sig over de næste tre til fem år?

AI kan lytte, strukturere information, fremhæve relevant kontekst og komme med forslag. Men den kliniske vurdering tilkommer klinikeren.

Det er især vigtigt inden for mental sundhed, hvor patientens historik, en ændring i tonefaldet eller selv det, der ikke bliver sagt, kan være lige så betydningsfuldt som selve ordene. Teknologien bør gøre det lettere for klinikerne at være nærværende i de øjeblikke, ikke sværere.

I løbet af de næste tre til fem år rækker mulighederne langt videre end til en bedre digital referent. EverHealths vision er et intelligent, ambulant behandlingsforløb, hvor teknologien hjælper med at skabe sammenhæng mellem tiden før, under og efter et besøg.

Forestil dig en klinik, der husker det, der betyder noget: Relevant historik er tilgængelig, når der er brug for den, klinikerne kan fokusere på patienten i stedet for at stykke fragmenterede oplysninger sammen, og kliniske beslutninger indgår mere sammenhængende i dokumentation, kodning, koordinering af behandling og opfølgning. Vi vil ikke bare gøre de enkelte opgaver hurtigere. Vi vil mindske friktionen mellem dem.

Vores ledestjerne i alt, hvad vi gør, er at sikre, at alle patienter føler sig set og forstået, og at alle behandlere har det overblik, der skal til for at kunne yde sammenhængende behandling med sikkerhed.

Tak for et godt interview. Læsere, der ønsker at udforske AI-understøttet klinisk dokumentation og sammenhængende arbejdsgange i sundhedsvæsenet, bør besøge EverHealth.