Terveydenhuolto

Scale AI tuo markkinoille viisi tekoälyagenttia sairaalatoimintoihin

Lila Rowan
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatScalen vertailuarvioinnit osoittavat, että oikeat vastaukset voivat peittää alleen…
Näytä lisää
  • Scalen vertailuarvioinnit osoittavat, että oikeat vastaukset voivat peittää alleen virheellisen päättelyn ja yliluottavaiset järjestelmät.
  • Jokainen testattu agenttinen järjestelmä pidättäytyi vastaamasta liian harvoin sen sijaan, että olisi siirtänyt asian eteenpäin, kun tiedot eivät riittäneet tapauksen ratkaisemiseen.
  • Lähdelinkit ja kliinikon hyväksyntä ovat mekanismeja, joiden on tarkoitus paljastaa prosessivirheet ihmisten tarkastettaviksi.

Scale AI julkisti Scale for Hospital Operations -ratkaisun 16. marraskuuta 2026 ja toi samalla markkinoille viisi tekoälysovellusta ajanvaraukseen, tilausten ohjaukseen, potilastietojen tarkasteluun, turvallisuustapahtumien tutkintaan ja kliiniseen dokumentointiin. Sovellukset tulivat terveydenhuoltojärjestelmien saataville samana päivänä.

Jokainen sovellus voi toimia millä tahansa terveydenhuoltojärjestelmän omassa ympäristössä käytettävällä mallilla, ja käyttöönottoihin osallistuu Scalen insinöörejä ja kliinisiä asiantuntijoita. Scale kertoo edellyttävänsä sairaaloissa käytettävältä tekoälyltä kliinikkojen tekemää arviointia, paikallista tietojen säilyttämistä sekä kehittämistä yhteistyössä käyttäjien kanssa.

Scale kertoi myös työskennelleensä julkaisua edeltäneen vuoden ajan sairaaloissa, muun muassa yhdysvaltalaisessa terveydenhuoltojärjestelmässä, jonka se kuvaili maan parhaimmistoon kuuluvaksi mutta jonka nimeä se ei paljastanut. Työn tavoitteena oli auttaa kliinikkoja tunnistamaan turvallisuustapahtumat aiemmin. Nämä viisi sovellusta ovat laajemman tuotevalikoiman ensimmäinen osa; lisää sovelluksia ja agentteja on suunnitteilla julkaisua seuraaville kuukausille.

Ihmisen tekemä tarkistus viidessä työnkulussa

Ajanvarauksen älykkään ohjauksen agentti on suunniteltu kiireellisyyden arviointiin lähetteiden kliinisen kiireellisyyden perusteella sekä käyntien sovittamiseen ajanvarauspaikkoihin, joissa huomioidaan huoneiden ja laitteiden vaatimukset sekä lääkärien mieltymykset. Se voi järjestellä olemassa olevat aikataulut uudelleen kiireellisten potilaiden vuoksi ja sovittaa yhteen eri erikoisalojen käyntejä. Tilausten ohjausagentti tarkastelee potilaan aiempia tietoja, merkitsee puuttuvat tutkimukset ja suosittelee laboratoriotutkimuksia, kuvantamista ja lääkemääräyksiä lähdeviitteisiin perustuvin tiedoin kliinikon tarkistettavaksi.

Paljon tietoa sisältävässä työssä potilastietojen tarkastelu- ja yhteenvetoagentti kokoaa potilaan sairaushistorian hajallaan olevista potilastiedoista ja linkittää jokaisen poimitun havainnon lähteeseensä tarkistamista varten. Turvallisuus- ja vaaratapahtumien tutkinta-agentti asettaa turvallisuustapahtumat tärkeysjärjestykseen ja etsii toistuvia malleja, jotta tiimit voivat tutkia ensin vakavampia vaaratapahtumia sen sijaan, että käsittelisivät ilmoitukset ainoastaan saapumisjärjestyksessä. Kliinisen dokumentoinnin ja laadun tarkastusagentti laatii raporttiluonnoksia kliinikon tarkistettaviksi ja hyväksyttäviksi, vertaa dokumentaatiota sairaalan ohjeisiin ja edellyttää, että tarkastajat vahvistavat jokaisen havainnon.

Scalen terveydenhuollon arviointitutkimus

Julkistuksessa tuotevalikoima liitetään kolmeen Scale Labsin terveydenhuollon vertailutestiin. CliniCARE-Bench perustuu todellisiin, tunnistetiedoista poistettuihin pitkittäisiin sähköisiin potilaskertomuksiin. Siinä on 25 kliinikkojen validoimaa skenaariota, jotka on toteutettu 750 tapauksessa ja jotka kattavat 14 erikoisalaa sekä kymmenen päättelytaitoa. Testi erottaa tapaukset, joissa tietoja puuttuu, niistä, jotka jäävät lääketieteellisesti monitulkintaisiksi, kirjaa tiedonhaun ja lähdeviitteet sekä arvioi näyttöön perustuvuutta, ohjeiden noudattamista, prosessien noudattamista ja kalibroitua pidättäytymistä vastaamisesta eli asianmukaista vastaamisesta pidättäytymistä silloin, kun potilaskertomus ei riitä varman vastauksen antamiseen.

Scale Labsin mukaan sen testaamien 16 agenttisen tekoälyn järjestelmän raakatarkkuus oli 65,3–76,1 prosenttia. Virheettömien vastausten osuus kuitenkin laski 4,8–14,8 prosenttiyksikköä, kun kielletyistä päättelyn oikoteistä rangaistiin. Kaikki järjestelmät pidättyivät vastaamisesta liian harvoin: ne antoivat varmoja vastauksia useammin kuin pidättäytyivät vastaamasta tapauksissa, joita potilaskertomuksen tietojen perusteella ei voitu ratkaista. Nämä ovat testattuja järjestelmiä koskevia vertailutestin tuloksia, eivät ilmoitettuja validointituloksia viidestä sairaalasovelluksesta.

Kaksi muuta vertailutestiä laajentaa tätä lähestymistapaa. PSEBench sisältää 5 074 potilasturvallisuuteen liittyvää tapausta, jotka perustuvat Minnesotan 29 ilmoitettavaan haitalliseen terveydenhuollon tapahtumaan. Tapaukset sisältävät täydellisiä, puutteellisia ja epävarmoja tietoja, ja testiä käytettiin 15 kielimallin arviointiin. DistressBench sisältää 718 kliinikkojen laatimaa keskustelua 23 itsemurhaan ja itsensä vahingoittamiseen liittyvästä alaluokasta. Scale Labsin mukaan malli ei 35,3 prosentissa niistä keskusteluista, joissa se tunnisti kriisitilanteen täysin, silti ohjannut käyttäjää hakemaan apua ihmiseltä.

Scalen mukaan tämä tutkimus luo perustan kullekin terveydenhuoltojärjestelmälle räätälöidyille arvioinneille, jotka pohjautuvat sen työnkulkuihin ja tarjoavat samalla yhteisen tavan vertailla malleja. Monitulkintaisuuteen ja prosesseihin keskittyvä lähestymistapa liittyy tilausten ohjauksen, potilastietojen tarkistamisen, raporttien hyväksymisen ja auditointihavaintojen yhteydessä kuvattuihin tarkistuskäytäntöihin.

Dokumentaatiota koskeva näyttö ja sen rajat

Scalen siteeraamassa vuoden 2025 JAMA Network Open -tutkimuksessa tarkasteltiin 263:a avohoidon kliinikkoa kuudessa yhdysvaltalaisessa terveydenhuoltojärjestelmässä. Kaikki käyttivät samaa Abridge-tekoälykirjuria 30 päivän ajan; tutkimuksessa ei arvioitu Scalen tuotteita. Vakioidussa analyysissä arvioitu työuupumuksen esiintyvyys laski 51,9 prosentista 38,8 prosenttiin. Osallistujat raportoivat myös parannuksista muistiinpanoihin liittyvässä kognitiivisessa kuormituksessa, työajan ulkopuolella tehtävässä dokumentoinnissa ja potilaisiin keskittymisessä.

Tulokset tukevat tekoälypohjaisten dokumentointityökalujen hallinnollisen työkuorman vähentämiseen perustuvaa perustelua, mutta ne koskevat eri tuotteen käyttöä avohoidossa eivätkä uutta sairaalatoimintojen tuotevalikoimaa. Tutkijat luettelivat tärkeitä rajoituksia: osallistuminen oli vapaaehtoista, kyselyt eivät olleet anonyymejä, tulokset perustuivat osallistujien omiin ilmoituksiin eikä tutkimuksessa ollut verrokkiryhmää ajallisten kehityskulkujen huomioimiseksi. Nämä rajoitukset kaventavat sitä, mitä 30 päivän ennen ja jälkeen -tuloksista voidaan päätellä. Tämä on erityisen merkittävää, kun Scale laajentaa hallinnollista työkuormaa koskevan perustelunsa avohoidon dokumentoinnista ajanvaraukseen, tilauksiin ja turvallisuustapahtumien kiireellisyysarviointiin.

Terveydenhuollon organisaatioiden kannalta julkaisun keskeinen kysymys on, voivatko niiden omiin työnkulkuihin perustuvat arvioinnit varmistaa vastausten paikkansapitävyyden lisäksi näytön hakemisen, käytäntöjen noudattamisen ja sen, että järjestelmä pidättäytyy asianmukaisesti vastaamasta. Scalen vertailutestit osoittavat, kuinka oikeat vastaukset voivat peittää virheelliset prosessit; uusien sovellusten lähdelinkit, viitteistetyt suositukset, kliinikon hyväksyntä ja auditoijan vahvistus ovat keinoja, joiden tarkoituksena on tuoda nämä ongelmat ihmisten arvioitaviksi.

Lila Rowan on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälyn, terveydenhuollon ja mielenterveyden risteämän. Hänen työnsä keskittyy siihen, miten tekoälyohjelmistot parantavat diagnostiikkaa, laajentavat hoitoon pääsyä ja tukevat mielenterveyden palveluita tavalla, joka täydentää - ei korvaa - ihmisten tekemää kliinistä työtä.
Myötätuntoisesta ja näyttöön perustuvasta näkökulmasta hän tarkastelee kliinisiä tutkimuksia, todellisia käyttöönottoja ja uusia terveydenhuollon teknologioita humanistisen näkökulman kautta. Hän on erityisen kiinnostunut tekoälysovelluksista, jotka vähentävät esteitä hoitoon, parantavat varhaista havaitsemista ja tukevat mielenterveyden hyvinvointia kunnioittaen potilaiden yksityisyyttä, turvallisuutta ja eettisiä standardeja.
Artikkelit, joita Lila Rowan on kirjoittanut, ovat tekoälyn generoimia ja Unite.AI:n toimittajatiimi on tarkastanut ne varmistaakseen tarkkuuden, herkkyyden ja vastuullisen raportoinnin terveydenhuollon ja mielenterveyden teknologioista.