Η τεχνητή νοημοσύνη στην υγεία λειτουργεί καλύτερα όταν οι ροές εργασίας συνεργάζονται

Οι ηγέτες της υγείας βασίζονται ολοένα και περισσότερο στην τεχνητή νοημοσύνη για να μειώσουν τα κόστη, να μειώσουν την εξάντληση των κλινικών και να επιταχύνουν τις λειτουργίες. Ωστόσο, πολλές πιλοτικές εφαρμογές της τεχνητής νοημοσύνης παρέχουν εντυπωσιακές διαδηλώσεις και περιορισμένη επιχειρησιακή επίδραση. Ο πραγματικός διαφορετικός παράγοντας δεν είναι το μοντέλοเอง, αλλά αν η τεχνητή νοημοσύνη ενσωματώνεται σε ροές εργασίας που ήδη κυριαρχούν στον τρόπο που οι εργαζόμενοι διαθέτουν τον χρόνο τους.

Στην πράξη, η τεχνητή νοημοσύνη βελτιώνει τα αποτελέσματα σε μεγάλη κλίμακα μόνο όταν υποστηρίζει συνδεδεμένες ροές εργασίας, διαλειτουργικά συστήματα και σαφή ανθρώπινη εποπτεία. Όταν αυτά τα κομμάτια συνεργάζονται, η τεχνητή νοημοσύνη παύει να είναι μια νεωτερικότητα και αρχίζει να συμπεριφέρεται σαν επιχειρησιακή υποδομή.

Γιατί οι απομονωμένες εργαλεία της τεχνητής νοημοσύνης σταματάνε στην υγεία

Ένας συνηθισμένος τρόπος υιοθέτησης της τεχνητής νοημοσύνης είναι να αντιμετωπίζεται κάθε περίπτωση χρήσης ως ένα αυτόνομο έργο. Ένα μοντέλο μπορεί να συνοψίσει κλινικές σημειώσεις, να συντάξει πακέτα προηγούμενης εξουσιοδότησης, ή να ταξινομήσει εισερχόμενες περιπτώσεις, αλλά να ζει έξω από την κύρια ροή εργασίας του EHR ή της διοίκησης. Όταν συμβαίνει αυτό, το προσωπικό πρέπει ακόμη να αντιγράψει δεδομένα, να συμφωνήσει με τις σημαίες, και να πλοηγηθεί στις εξαιρέσεις με το χέρι, γεγονός που σημαίνει ότι το βάρος μεταφέρεται, όχι εξαλείφεται.

Αυτό είναι ένας λόγος για τον οποίο οι εφαρμογές της τεχνητής νοημοσύνης μπορούν να υποπερφέρουν τις προσδοκίες. Μια συστηματική ανασκόπηση και μετα-ανάλυση της τεχνητής νοημοσύνης στην ιατρική απεικόνιση το 2024 βρήκε ότι ενώ πολλές μελέτες ανέφεραν οικονομία χρόνου, οι συνολικές ενδείξεις δεν έδειξαν αυτόματη απόδοση αποτελεσμάτων, υποδεικνύοντας ότι η πραγματική επίδραση της τεχνητής νοημοσύνης εξαρτάται σε μεγάλο βαθμό από το πώς εντάσσεται στις κλινικές ροές εργασίας.

Οι ηγέτες της υγείας πρέπει επομένως να θέσουν ένα απλό επιχειρησιακό ερώτημα: μειώνει το εργαλείο της τεχνητής νοημοσύνης τον αριθμό των βημάτων στην εργασία, ή απλώς προσθέτει ένα νέο επίπεδο πάνω από την παλιά διαδικασία; Αν η ροή εργασίας είναι ακόμη θραυσματική, η απάντηση είναι συνήθως η δεύτερη.

Η διαλειτουργικότητα είναι αυτό που κάνει την τεχνητή νοημοσύνη χρήσιμη στην πράξη

Η τεχνητή νοημοσύνη δεν μπορεί να βελτιώσει μια διαδικασία που δεν μπορεί να δει. Αυτός είναι ο λόγος για τον οποίο η διαλειτουργικότητα δεν είναι ένα πλευρικό ζήτημα στην τεχνητή νοημοσύνη, αλλά η λειτουργική συνθήκη που καθορίζει πώς καλά μπορεί να λειτουργήσει η τεχνητή νοημοσύνη. Όταν τα συστήματα ανταλλάσσουν δεδομένα καθαρά, η τεχνητή νοημοσύνη μπορεί να επιφέρει πληροφορίες την σωστή στιγμή, να σηματοδοτήσει λείπωντα πεδία, και να υποστηρίξει αποφάσεις χωρίς να αναγκάζει το προσωπικό να επαναεισάγει ή να επανεξετάσει πληροφορίες.

Ο Παγκόσμιος Οργανισμός Υγείας παρουσιάζει την ψηφιακή υγεία ως εξαρτώμενη από προτυποποίηση, κοινή χρήση δεδομένων, και συνδεδεμένα συστήματα που υποστηρίζουν καλύτερη λήψη αποφάσεων σε διάφορες ρυθμίσεις φροντίδας. Σε αυτήν την άποψη, η διαλειτουργικότητα δεν είναι μια τεχνική μετάνοια, αλλά ο πυρήνας ενεργοποιητής της τεχνητής νοημοσύνης που οδηγεί τις ροές εργασίας.

Στις Ηνωμένες Πολιτείες, ο Κανόνας Διαλειτουργικότητας και Προηγούμενης Εξουσιοδότησης του CMS ωθεί αυτήν την ιδέα στην πολιτική, απαιτώντας βελτιωμένη ανταλλαγή υγείας για να μειώσει την τριβή στην προηγούμενη εξουσιοδότηση και σε άλλες διοικητικές διαδικασίες. Ο κανόνας σηματοδοτεί ότι η διαλειτουργικότητα δεν είναι πλέον προαιρετική, αλλά γίνεται μια βασική απαιτούμενη για το πώς η τεχνητή νοημοσύνη μπορεί να λειτουργήσει σε διαδικασίες ασφάλισης και συντονισμού φροντίδας.

Πού η συντονισμός της ροής εργασίας προσφέρει τις μεγαλύτερες κερδισμένες

Οι πιο πειστικές περιπτώσεις χρήσης της τεχνητής νοημοσύνης στην υγεία τείνουν να είναι αυτές που αφαιρούν την τριβή από επαναλαμβανόμενες, υψηλής όγκου εργασίες. Παραδείγματα περιλαμβάνουν την προηγούμενη εξουσιοδότηση, την υποστήριξη τεκμηρίωσης, την ανασκόπηση αξιωμάτων, την εισαγωγή ασθενών, τη συντονισμένη φροντίδα, και την υποστήριξη αποφάσεων. Σε κάθε περίπτωση, το όφελος δεν είναι μόνο η ταχύτητα, αλλά και η μειωμένη επανεπεξεργασία και οι λιγότερες λάθη κάτω από τη γραμμή, ένα μοτίβο που γίνεται ολοένα και πιο ορατό στο πώς οι διαδικασίες κύκλου εσόδων που προσανατολίζονται στον ασφαλιστή ανασχεδιάζονται με συστήματα που μοιάζουν με πράκτορες.

Ο Αμερικανικός Οργανισμός Νοσοκομείων σημειώνει ότι η τεχνητή νοημοσύνη χρησιμοποιείται ολοένα και περισσότερο για να βελτιώσει τις κλινικές ροές εργασίας και να βελτιώσει την εμπειρία του ασθενή, υποστηρίζοντας τόσο κλινικές όσο και διοικητικές εργασίες. Η βασική ερμηνεία είναι ότι όταν η τεχνητή νοημοσύνη ενσωματώνεται στον τρόπο που οι άνθρωποι κάνουν τη δουλειά τους, οι βελτιώσεις αρχίζουν να φαίνονται στην απόδοση, την ακρίβεια και την ικανοποίηση.

Η αξιοπιστία έχει μεγαλύτερη σημασία από τις διαδηλώσεις του μοντέλου

Οι οργανώσεις υγείας είναι αναμενόμενα ελκυστικές σε διαδηλώσεις μοντέλων: ένα σύστημα που συνοψίζει, προβλέπει, ή ταξινομεί με υψηλή ακρίβεια σε μια διαφάνεια μπορεί να φαίνεται μεταμορφωτικό. Αλλά οι πραγματικές επιχειρήσεις δεν είναι διαδηλώσεις. Περιλαμβάνουν περιπτώσεις ακραίων τιμών, λείπων δεδομένων, αλλαγές προσωπικού, και μεταβαλλόμενες απαιτήσεις. Σε αυτό το περιβάλλον, η αξιοπιστία είναι πιο σημαντική από την οπτική γυαλιστερή.

Αυτό είναι ο λόγος για τον οποίο η παρατηρησιμότητα μόνο δεν είναι αρκετή. Γνωρίζοντας τι συνέβη μετά το γεγονός βοηθά με τα μεταθανάτια, αλλά δεν προλαμβάνει τις επαναλαμβανόμενες αποτυχίες. Ένα αξιόπιστο σύστημα τεχνητής νοημοσύνης πρέπει να συμπεριφέρεται προβλέψιμα, να αναβαθμίζει τις εξαιρέσεις κατάλληλα, και να ταιριάζει στο υφιστάμενο μοντέλο διακυβέρνησης της οργάνωσης για αλλαγή και κίνδυνο.

Στην υγεία, μικρά λάθη στις ροές εργασίας possono να οδηγήσουν σε μεγάλες επιπτώσεις. Ένα λείπων πεδίο σε μια διαδικασία εξουσιοδότησης μπορεί να καθυστερήσει τη θεραπεία. Μια κακώς χρονισμένη σύσταση μπορεί να διακόψει έναν κλινικό γιατρό στην λάθος στιγμή. Μια αδύναμη διαδρομή αναβάθμισης μπορεί να αφήσει το προσωπικό να αναρωτιέται τι να εμπιστευτεί. Η τεχνητή νοημοσύνη πρέπει να μειώνει την αβεβαιότητα, όχι να δημιουργεί νέες μορφές της.

Τι απαιτεί πραγματικά μια επιτυχημένη εφαρμογή

Μια επιτυχημένη εφαρμογή της τεχνητής νοημοσύνης συνήθως αρχίζει με τον σχεδιασμό της ροής εργασίας, όχι με το μοντέλο. Οι ομάδες πρέπει να ορίσουν το επιχειρησιακό πρόβλημα, τα σημεία λήψης αποφάσεων, τις πηγές δεδομένων, και τους ανθρώπινους ρόλους που εμπλέκονται πριν αναπτύξουν οτιδήποτε. Αν αυτά τα βασικά είναι ασαφή, η τεχνολογία δεν θα ανταποκριθεί στην έλλειψη σαφήνειας της διαδικασίας.

Η πειθαρχία του πεδίου είναι επίσης κρίσιμη. Οι πιο αποτελεσματικές αναπτύξεις συνήθως κάνουν μια ή δύο cosas καλά. Μπορεί να αναγνωρίσουν λείπων πληροφορίες πριν από μια περίπτωση, να συνοψίσουν ένα γράφημα για ανασκόπηση, ή να ενεργοποιήσουν μια εξαίρεση όταν κάτι πέφτει έξω από το αναμενόμενο μοτίβο. Η προσπάθεια να αυτοματοποιήσετε πολύ γρήγορα μπορεί να δημιουργήσει περισσότερη複잡ότητα από αξία.

Το Ιατρικό Σχολείο του Χάρβαρντ έχει σημειώσει ότι η τεχνητή νοημοσύνη μπορεί να μειώσει τη ρουτίνα για τους κλινικούς και να βελτιώσει την αποτελεσματικότητα όταν χρησιμοποιείται με σκέψη στην πράξη. Η βασική φράση είναι “χρησιμοποιημένη με σκέψη στην πράξη”: αυτό σημαίνει εκπαίδευση του προσωπικού, ορισμό των υπερβάσεων, παρακολούθηση των αποτελεσμάτων, και διασφάλιση ότι η τεχνητή νοημοσύνη ταιριάζει στη δουλειά αντί να αναγκάζει τη δουλειά να ταιριάζει στην τεχνητή νοημοσύνη.

Η τεχνητή νοημοσύνη στην υγεία βελτιώνεται όταν οι διαδικασίες είναι συνδεδεμένες

Οι πιο ανθεκτικές κερδισμένες της τεχνητής νοημοσύνης στην υγεία προέρχονται από συνδεδεμένες διαδικασίες, όχι από απομονωμένα εργαλεία. Όταν τα δεδομένα ρέουν ομαλά, οι ανασκοπήσεις συμβαίνουν με τη σωστή σειρά, και οι εξαιρέσεις χειρίζονται συνεπώς, η τεχνητή νοημοσύνη μπορεί να υποστηρίξει καλύτερες αποφάσεις με λιγότερη χειροκίνητη προσπάθεια. Όταν αυτές οι συνθήκες λείπουν, η τεχνολογία μπορεί ακόμη να φαίνεται προηγμένη, αλλά η ροή εργασίας παραμένει αργή και θραυσματική.

Αυτό είναι ο λόγος για τον οποίο η τεχνητή νοημοσύνη πρέπει να μετράται στο επίπεδο του συστήματος. Οι ηγέτες πρέπει να κοιτάξουν πέρα από την ακρίβεια του μοντέλου και να ρωτήσουν αν η διαδικασία έχει γίνει πιο εύκολη στην εκτέλεση, πιο εύκολη στη监督, και πιο εύκολη στη κλιμάκωση. Η πραγματική δοκιμή δεν είναι αν η τεχνητή νοημοσύνη μπορεί να ολοκληρώσει μια単ιακή εργασία σε απομόνωση. Είναι αν η ολόκληρη ροή εργασίας είναι πιο αξιόπιστη επειδή η τεχνητή νοημοσύνη είναι μέρος της.

Η πραγματική αξία της συνδεδεμένης τεχνητής νοημοσύνης στην υγεία

Η τεχνητή νοημοσύνη λειτουργεί καλύτερα όταν υποστηρίζει μια πλήρη αλυσίδα εργασίας αντί για μια μονή απομονωμένη ενέργεια. Αυτό σημαίνει να συνδέει συστήματα, να διαclare την ιδιοκτησία, να σφίγγει τις μεταβιβάσεις, και να διατηρεί τους ανθρώπους στη λούπα όπου η κρίση έχει τη μεγαλύτερη σημασία. Όταν οι ροές εργασίας συνεργάζονται, η τεχνητή νοημοσύνη γίνεται πιο αξιόπιστη, πιο χρήσιμη, και πιο κλιμακώσιμη.

Το μέλλον της τεχνητής νοημοσύνης δεν θα quyếtιστεί από ποιος έχει το πιο προηγμένο μοντέλο. Θα quyếtιστεί από ποιος μπορεί να σχεδιάσει τη ροή εργασίας γύρω από το μοντέλο ώστε να προσφέρει συνεχείς, μετρήσιμες βελτιώσεις στην αποτελεσματικότητα, την ακρίβεια, και την εμπειρία. Σε ένα σύνθετο, υψηλού κινδύνου κλάδο όπως η υγεία, αυτό είναι πιθανό να είναι η διαφορά μεταξύ της τεχνητής νοημοσύνης που κάθεται σε μια πιλοτική και της τεχνητής νοημοσύνης που γίνεται μέρος του πώς παρέχεται η φροντίδα.