Ali Morin, Chief Nursing Informatics Officer di symplr – Seri Wawancara

Ali Morin, Chief Nursing Informatics Officer di Symplr, adalah seorang pemimpin perawat dan teknologi kesehatan dengan pengalaman yang meliputi perawatan di tempat tidur, sistem klinis, dan informatika keperawatan. Sebelum menjadi Chief Nursing Informatics Officer pada tahun 2024, dia menjabat sebagai Wakil Presiden Nursing Informatics di symplr dan memegang posisi informatika senior di Halo yang fokus pada komunikasi klinis, implementasi, dan adopsi. Sebelumnya, Morin bekerja di bidang informatika klinis dan analitik di Cincinnati Children’s Hospital Medical Center dan memimpin inisiatif dokumentasi klinis elektronik dan pesanan penyedia komputerisasi di Boston Children’s Hospital. Latar belakangnya sebagai perawat terdaftar memberinya perspektif klinis tentang menggunakan teknologi dan desain alur kerja untuk mengurangi beban administratif dan meningkatkan pengiriman perawatan.

symplr adalah perusahaan perangkat lunak operasi kesehatan perusahaan yang fokus pada menghubungkan dan menyederhanakan sistem administratif dan operasional yang mendukung pengiriman kesehatan. Platform Operasi berbasis awan mereka menggabungkan kemampuan yang meliputi manajemen tenaga kerja, data penyedia dan kredensial, kualitas dan keselamatan, komunikasi klinis dan penjadwalan dokter, manajemen bakat, manajemen pengeluaran, kepatuhan, akses, dan manajemen kontrak, dengan tujuan menggantikan solusi titik yang terfragmentasi dengan alur kerja dan data yang lebih terintegrasi. Perusahaan ini juga mengintegrasikan kecerdasan buatan di seluruh platformnya untuk mendukung otomatisasi dan pengambilan keputusan sambil menjaga tata kelola data kesehatan yang spesifik di pusat pendekatannya. symplr mengatakan teknologinya digunakan oleh sembilan dari sepuluh rumah sakit AS dan lebih dari 400 rencana kesehatan AS.

Anda telah menghabiskan hampir tiga dekade sebagai perawat di tempat tidur, pemimpin informatika klinis, dan sekarang Chief Nursing Informatics Officer di symplr. Dengan melihat kembali perjalanan itu, apa kesalahan terbesar yang Anda lihat perusahaan teknologi membuat ketika merancang AI untuk perawat, dan bagaimana pengalaman garis depan Anda sendiri membentuk cara Anda mendekati pengembangan AI hari ini?

Kesehatan telah melalui hal ini sebelumnya. Catatan kesehatan elektronik menjanjikan efisiensi, tetapi pada awalnya, mereka sering menciptakan beban administratif yang lebih besar karena klinisi garis depan yang diharapkan untuk menggunakannya sehari-hari tidak terlibat dalam desain atau implementasi alat tersebut. Saya mengalami ini secara langsung dengan catatan kesehatan elektronik pertama yang saya gunakan di tempat tidur dan lagi ketika keputusan alur kerja diambil di ruang rapat dengan sedikit pengakuan dalam sesi desain untuk klinisi yang akan mengklik ketika itu diluncurkan. AI memberi kita kesempatan untuk melakukan hal yang benar, tetapi hanya jika kita tidak mengulangi kesalahan itu.

Saya memulai karir saya lebih dari 25 tahun yang lalu sebagai perawat perawatan kritis pediatrik, dan saya telah menghabiskan dua dekade terakhir di informatika keperawatan. Saya telah melihat kedua sisi: bagaimana teknologi membantu ketika dibangun dengan perspektif dan konsultasi klinisi, dan bagaimana cepatnya menjadi sumber frustrasi ketika tidak. Kesalahan yang saya masih lihat adalah organisasi kesehatan merancang solusi untuk alur kerja yang mereka pikir seorang perawat miliki, bukan lingkungan yang sebenarnya, penuh dengan gangguan, prioritas yang bersaing, dan saat-saat ketika dokumentasi dan perawatan pasien terjadi secara bersamaan.

Pengalaman garis depan saya membentuk tes sederhana yang saya terapkan pada setiap alat AI: Apakah itu mendukung pekerjaan perawat dengan berarti, atau apakah itu menjadi hanya satu hal lagi yang bersaing untuk perhatian mereka? Jika itu yang terakhir, itu tidak masalah seberapa maju modelnya di bawah; itu hanya satu prioritas yang bersaing lagi yang menambah beban kerja perawat dan bersaing untuk waktunya.

Anda sering berargumen bahwa klinisi perlu terlibat sepanjang pengembangan AI, bukan hanya selama penerapan. Apa yang dimaksud dengan partisipasi klinisi yang bermakna, dan mengapa banyak inisiatif AI kesehatan masih salah dalam hal ini?

Keterlibatan perawat dalam tata kelola teknologi harus menjadi harapan struktural, dibangun ke dalam cara organisasi mengevaluasi dan menerapkan teknologi dari awal. Artinya, memastikan perawat berada di ruangan setiap langkah jalan – dari pengadaan hingga implementasi hingga evaluasi.

Kali pertama perawat melihat solusi tidak boleh setelah keputusan dibuat dan staf dilatih. Perawat yang menggunakan alat ini setiap hari akan mengidentifikasi tantangan dan peluang yang administrator, pengembang, dan vendor mungkin tidak pernah lihat, hanya karena sebagai klinisi, mereka hidup di dalam alur kerja.

Sebagian besar inisiatif AI kesehatan salah dalam hal ini karena mereka memperlakukan input klinis sebagai titik periksa bukan proses berkelanjutan. Seringkali, perawat diminta untuk memberikan umpan balik selama demo atau pilot, dan itu dihitung sebagai “keterlibatan klinisi”. Keterlibatan yang sebenarnya terlihat lebih seperti pekerjaan yang saya lakukan di symplr, berada di ruangan ketika kami merancang, mengembangkan, dan mengembangkan solusi AI kami. Partisipasi klinisi juga dapat dilihat dalam kelompok seperti Komite Kepemimpinan, Inovasi, Teknologi, dan Transformasi AONL, atau Kelompok Kerja Vendor CNO/CNIO HIMSS, di mana perawat mendefinisikan kompetensi dan tata kelola yang digunakan organisasi kesehatan untuk mengevaluasi teknologi; mereka tidak hanya bereaksi terhadap apa yang sudah dibangun.

Manajer perawat dapat menghabiskan sebagian besar hari mereka membuat dan menyesuaikan jadwal. Bagaimana AI secara mendasar mengubah manajemen tenaga kerja, dan di mana Anda melihat perbaikan terukur terbesar dalam efisiensi dan kepuasan staf?

Alat penjadwalan dan manajemen beban kerja yang didorong AI menghilangkan banyak kompleksitas operasional yang telah lama membebani pemimpin perawat. Tugas yang sebelumnya memerlukan koordinasi manual yang berkelanjutan, seperti membangun jadwal, menyesuaikannya secara real-time, dan menutupi panggilan terlambat, dapat semakin diotomatisasi daripada menghabiskan hari seorang manajer perawat.

Di sisi efisiensi, kami memiliki data untuk menunjukkan dampaknya. Misalnya, dengan penjadwalan terintegrasi di platform tenaga kerja symplr yang ada, solusi gabungan sekarang dapat memperkirakan kebutuhan staf hingga 120 hari ke depan dengan akurasi 96%. Itu adalah pergeseran yang terukur, dari pendekatan reaktif, hari demi hari, ke pendekatan yang memungkinkan pemimpin perawat dan klinisi untuk merencanakan.

Lebih sulit untuk menghubungkan kepuasan staf dengan penjadwalan yang diprediksi, tetapi perawat yang merasa didukung oleh sistem di sekitar mereka cenderung tetap berada di profesi lebih lama. Dewan Nasional Papan Keperawatan melaporkan bahwa dari perawat yang mengatakan mereka bermaksud meninggalkan profesi dalam lima tahun ke depan, 41,5% menyebutkan stres dan kelelahan sebagai penyebabnya, dengan beban kerja, kekurangan staf, dan gaji yang tidak memadai sebagai alasan utama lainnya. Ketika penjadwalan staf berhenti menghabiskan hari seorang manajer, dan celah cakupan diprediksi sebelumnya, itu adalah perubahan positif yang dapat mempengaruhi bagaimana orang merasa tentang pekerjaan mereka.

Penjadwalan prediktif berjanji untuk memprediksi kekurangan sebelum menjadi krisis. Apa sinyal data yang terbukti paling berharga, dan bagaimana Anda memastikan model-model ini mendukung perawat daripada hanya mengoptimalkan biaya tenaga kerja?

Sinyal yang paling berarti adalah yang mengungkapkan celah sebelum situasinya menjadi mendesak, seperti seberapa jauh ke depan shift diisi, dan seberapa sering unit bergantung pada insentif terlambat untuk menutupi shift. Bellin Health adalah contoh yang baik. Setelah tim klinis penyedia memiliki visibilitas ke shift terbuka dan celah cakupan, tim mengisi 65% shift dua atau lebih minggu ke depan dan 80% dalam seminggu, bukan bergumul di menit terakhir untuk menutup celah staf.

Cara untuk menjaga model-model ini tetap jujur adalah dengan mengukur lebih dari biaya. Penjadwalan prediktif menyelamatkan Bellin Health lebih dari satu juta dolar dalam biaya tenaga kerja. Tapi apa yang penting bagi perawatnya adalah bahwa 80% shift diisi lebih awal. Model yang dibangun dengan input perawat melampaui efisiensi, keselamatan, dan prediktabilitas untuk mempengaruhi kepuasan perawat secara positif.

Kesehatan telah melihat banyak peluncuran teknologi yang meningkatkan beban administratif bukan menguranginya. Apa yang membedakan alat AI yang perawat terima dari yang dengan cepat menjadi sumber frustrasi lain?

Alat yang perawat terima adalah yang memudar ke latar belakang. Misalnya, dokumentasi yang menulis dirinya sendiri sementara perawat tetap hadir dengan pasien, atau alur kerja yang menghilangkan tugas berulang daripada menambahkan layar baru untuk diperiksa. Alat yang menjadi sumber frustrasi biasanya diimplementasikan tanpa didasarkan pada bagaimana perawat bekerja, bukan menambahkan ke jumlah item yang perawat harus tinjau, klik, atau periksa sambil merawat pasien.

Ini berkaitan dengan transparansi dan kesesuaian. Ketika kepemimpinan transparan tentang apa yang dilakukan alat dan mengapa, dan itu dibangun di sekitar alur kerja nyata daripada versi ideal, maka hasilnya nyata – lebih banyak waktu untuk perawatan pasien, lebih banyak waktu untuk pemikiran kritis, dan lebih banyak kapasitas untuk mentoring perawat yang lebih baru. Tapi ketika tidak, teknologi menjadi hambatan dalam pekerjaan yang sudah menantang.

Seiring siklus pengembangan AI terus mempercepat, apakah Anda khawatir bahwa organisasi kesehatan mungkin memprioritaskan kecepatan daripada validasi klinis? Apa yang harus ada sebagai pengaman sebelum sistem AI diintegrasikan ke dalam lingkungan perawatan pasien?

Ya, fokus pada kecepatan daripada validasi adalah kekhawatiran yang nyata. Kecepatan pengembangan AI cepat, dan persyaratan regulasi dan keselamatan kesehatan ada untuk alasan yang baik. Organisasi yang melakukan hal ini dengan benar memperlakukan validasi klinis dan tata kelola perawat sebagai bagian dari proses desain dari hari pertama, bukan sesuatu yang ditambahkan sebelum go-live untuk memuaskan daftar periksa.

Bagi saya, pengaman dasar adalah bahwa perawat dan klinisi garis depan lainnya mengevaluasi alat ini sebelum mereka menyentuh perawatan pasien. Di luar itu, sistem kesehatan memerlukan transparansi tentang apa yang dilakukan sistem, dan proses yang jelas untuk klinisi untuk menandai ketika sesuatu tidak berfungsi. Struktur tata kelola nasional, seperti yang dibangun oleh kelompok industri seperti AONL dan HIMSS, memberikan organisasi kerangka kerja yang dapat digunakan daripada membiarkan setiap sistem kesehatan untuk menanganinya sendiri.

Di luar penjadwalan, di mana Anda percaya AI memiliki potensi tersembunyi terbesar untuk mengurangi kelelahan di kalangan perawat sambil secara bersamaan meningkatkan hasil pasien dalam lima tahun ke depan?

Dokumentasi adalah tempat saya masih melihat ruang tumbuh terbesar. Alat ambient baru saja mulai menangkap momen-momen perawatan di antara yang secara historis tidak terdokumentasikan. Ada banyak tanah yang belum ditutupi selama beberapa tahun ke depan, baik dalam memberikan perawat waktu kembali dan membangun catatan perawatan pasien yang lebih lengkap.

Perawatan virtual adalah area lain dengan ruang tumbuh nyata. Saat ini, itu sebagian besar digunakan untuk pendidikan pasien, dokumentasi admission, perencanaan pelepasan, dan pemantauan jarak jauh. Kesempatan yang lebih besar adalah menskalakan dukungan tersebut, sehingga lebih banyak perawat di tempat tidur mendapatkan waktu kembali untuk fokus pada pasien di depan mereka daripada kertas kerja di sekitar mereka. Penting untuk dicatat, bagaimanapun, bahwa alat ambient dan perawatan virtual tidak dapat menggantikan penilaian klinisi. Teknologi hanya menghilangkan tugas yang bersaing diam-diam dengannya.

Menghadap ke depan, apa saran yang Anda berikan kepada eksekutif kesehatan yang ingin membangun strategi AI yang perawat akan dukung daripada menolak, dan apa peran yang harus dimainkan oleh kepemimpinan perawat dalam membentuk generasi berikutnya dari AI klinis? 

Saran saya adalah untuk melibatkan perawat dalam pengadaan teknologi, implementasi, dan evaluasi dari awal. Perawat yang bekerja dengan alat ini setiap hari akan mengidentifikasi tantangan dan peluang yang lain mungkin tidak pernah lihat. Juga, investasikan dalam pengembangan kepemimpinan digital sekarang, bukan tahun-tahun dari sekarang. Kami tidak bisa mengharapkan pemimpin perawat untuk memandu keputusan teknologi yang kompleks tanpa memberi mereka alat atau pengetahuan untuk melakukannya dengan baik.

Peran kepemimpinan perawat adalah untuk memastikan bahwa keterlibatan klinis adalah sengaja, bukan insidental. Melalui pekerjaan saya di komite AONL, kami telah mendefinisikan kompetensi digital yang dibutuhkan pemimpin perawat: kefasihan digital, kemampuan untuk berkolaborasi di seluruh pemangku kepentingan, dan memposisikan keputusan teknologi dengan alur kerja klinis dan hasil yang sebenarnya. Program seperti Dana Pendidikan Kepemimpinan Perawat Karlene Kerfoot di Teknologi, yang symplr ciptakan dalam kemitraan dengan The DAISY Foundation, ada untuk memastikan lebih banyak perawat memiliki akses ke persiapan semacam itu.

Ketika pemimpin perawat memiliki tempat yang nyata di meja, teknologi lebih dekat dengan cara perawatan disampaikan, adopsi meningkat, beban administratif berkurang, dan keselamatan dan hasil pasien meningkat. Itu adalah titik utamanya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi symplr.