Grant Lunney, Kepala Produk di EverHealth – Seri Wawancara

Grant Lunney adalah Kepala Produk di EverHealth, dengan pengalaman hampir dua dekade di bidang teknologi layanan kesehatan, operasional klinis, dan strategi produk. Kariernya mencakup Boulder Community Health, OTTO Health, NextGen Healthcare, dan CrowdHealth, dengan fokus pada layanan rawat jalan serta tantangan praktis yang dihadapi praktik medis. Di EverHealth, ia berupaya menerapkan AI dalam dokumentasi klinis dan alur kerja praktik agar tenaga klinis memiliki lebih banyak waktu untuk merawat pasien.

EverHealth menyediakan teknologi layanan kesehatan yang mencakup rekam medis elektronik, manajemen praktik, penagihan medis, dan komunikasi dengan pasien. EverHealth Scribe menggunakan AI ambient untuk mengubah percakapan antara pasien dan tenaga kesehatan menjadi draf catatan klinis di dalam EHR, yang kemudian ditinjau dan disetujui oleh tenaga klinis. Dalam wawancara ini, Lunney membahas dokumentasi kesehatan perilaku, persetujuan dan privasi pasien, pengawasan klinis, serta cara AI dapat mengurangi beban administrasi bagi praktik mandiri.

Karier Anda telah membentang hampir dua dekade di bidang teknologi layanan kesehatan, mulai dari operasional dan strategi klinis di Boulder Community Health hingga kepemimpinan produk di OTTO Health, NextGen Healthcare, CrowdHealth, dan kini EverHealth. Bagaimana pengalaman-pengalaman ini membentuk pandangan Anda tentang peran AI dalam layanan kesehatan, dan apa yang membuat Anda tertarik memimpin inovasi produk di EverHealth?

Saya telah menghabiskan hampir dua dekade bekerja di bidang teknologi layanan kesehatan, terutama dalam layanan rawat jalan. Selama itu, saya menyaksikan perkembangan luar biasa dalam berbagai perangkat yang kami sediakan bagi dokter untuk membantu mereka menjalankan praktik kedokteran. Saya ingat ketika resep elektronik menjadi terobosan besar. Gagasan bahwa dokter dapat mengirim resep secara elektronik sehingga resep itu sudah siap saat pasien tiba di apotek merupakan kemajuan yang berarti. Sejak itu, kami memperkenalkan EHR yang semakin canggih, otomatisasi proses, interoperabilitas, dan berbagai perangkat yang dirancang untuk meningkatkan efisiensi layanan kesehatan.

Saya memandang AI dengan cara yang kurang lebih sama. Baik yang kita bicarakan adalah model bahasa besar, AI generatif, maupun model prediktif, semuanya merupakan perangkat tambahan dalam perangkat kerja kita. Tujuannya tetap sama: meningkatkan efisiensi tenaga klinis dan, pada akhirnya, meningkatkan mutu layanan yang dapat mereka berikan.

Bayangkan seorang dokter layanan primer yang menangani 2.500 atau 3.000 pasien. Hari-harinya tersita untuk kunjungan terkait masalah kesehatan akut, pengelolaan obat, dan merawat pasien dengan beberapa penyakit kronis. Namun, saya sama sekali tidak percaya bahwa dokter-dokter itu tidak ingin menghabiskan lebih banyak waktu untuk menangani masalah kesehatan pasien sejak dini. Membicarakan nutrisi, olahraga, kesehatan perilaku, dan faktor sosial yang memengaruhi kesehatan seseorang. Membantu orang melakukan perubahan berarti yang mungkin dapat mencegah munculnya penyakit kronis berikutnya sejak awal. Itulah alasan mereka masuk sekolah kedokteran.

Itulah yang membuat saya antusias terhadap AI. Kita mulai mengembangkan teknologi yang mampu mengambil alih porsi signifikan pekerjaan administratif dan pemrosesan informasi dari beban tenaga klinis, sehingga mereka memiliki lebih banyak waktu untuk menjalankan praktik kedokteran.

Yang menarik bagi saya dari EverHealth adalah kemampuan kami menerapkan teknologi ini secara bertahap di seluruh praktik medis. Saya sangat yakin bahwa kita perlu menyelesaikan satu masalah dengan sangat baik, lalu beralih ke masalah berikutnya. Kami dapat meningkatkan dokumentasi klinis, lalu pengenalan diagnosis, kemudian pengodean, instruksi medis, resep, dan operasional praktik. Seiring waktu, semua peningkatan itu mulai bekerja bersama.

EverHealth Scribe menggunakan AI untuk mengubah percakapan antara pasien dan tenaga kesehatan menjadi dokumentasi klinis terstruktur. Dapatkah Anda menjelaskan cara kerja teknologi ini, mulai dari merekam sesi hingga menghasilkan catatan klinis, serta menjelaskan apa yang membedakan pendekatan Anda dari solusi dokumentasi medis berbasis AI lainnya?

Dalam bentuk paling sederhana, pencatat berbasis AI mendengarkan percakapan antara pasien dan tenaga klinis, menggunakan pengenalan suara untuk memahami apa yang dikatakan dan siapa yang mengatakannya, lalu memanfaatkan model bahasa besar untuk menyusun informasi yang relevan secara klinis menjadi catatan terstruktur. Tenaga klinis meninjau informasi tersebut, membuat koreksi yang diperlukan, lalu menyetujui dokumentasi final.

Menurut saya, kita sedang mencapai titik ketika sebagian besar pencatat AI ambient yang baik semakin mampu menjalankan tugas mendasar tersebut dengan sangat baik. Kecanggihan dan akurasi model memang berbeda-beda, tetapi saya yakin peluang yang lebih besar untuk membedakan diri akan semakin bergantung pada segala hal di luar proses tersebut.

Bagi kami, itu dimulai dengan melihat seberapa banyak lagi pekerjaan tenaga klinis yang dapat kami selesaikan setelah catatan dibuat. Kami telah menambahkan rekomendasi diagnosis dan kode CPT, serta sedang memperluas kemampuan ke instruksi dan resep, semuanya terintegrasi langsung ke dalam EHR. Kami juga menyertakan konteks dari kunjungan sebelumnya, riwayat medis, dan dokumentasi sebelum kunjungan, karena percakapan selama 15 menit hanyalah sebagian kecil dari kisah klinis yang jauh lebih besar. Selain itu, kami sedang mengembangkan anotasi untuk merekam pengamatan dan catatan yang dibuat tenaga klinis tetapi tidak pernah diucapkan.

Kami juga telah memastikan keandalan semua kemampuan tersebut. Jika tenaga klinis menghabiskan 30 menit bersama pasien lalu mengetahui bahwa rekamannya gagal, itu merupakan pengalaman yang sangat buruk. Karena itu, kami harus memperhitungkan segala hal, mulai dari penempatan mikrofon hingga koneksi Wi-Fi yang tidak stabil.

Jika semua itu kita lakukan dengan benar, dokter seharusnya dapat menyelesaikan janji temu dengan hampir seluruh pekerjaan dokumentasi sudah selesai. Tanggung jawab yang tersisa adalah meninjau isi klinis, menggunakan pertimbangan profesional, dan menindaklanjuti rekomendasi yang sesuai.

Konsultasi kesehatan mental kerap melibatkan percakapan yang sangat pribadi, nuansa emosi, dan pengungkapan hal-hal sensitif. Apa tantangan teknis khusus dalam mengembangkan pencatat AI untuk kesehatan perilaku, dan bagaimana Anda memastikan sistem tersebut menangkap informasi yang relevan secara klinis dengan akurat tanpa salah menafsirkan konteks atau mendokumentasikan detail pribadi yang tidak perlu?

Sesi psikoterapi selama 50 menit, konsultasi kesehatan perilaku selama 15 menit, dan kunjungan ke dokter penyakit dalam selama tujuh menit merupakan tiga percakapan yang sangat berbeda. Dokumentasi yang dihasilkan dari setiap pertemuan pun akan berbeda.

Karena itu, kami memulai dari sudut pandang dokter, lalu menelusuri prosesnya dari hasil akhir. Informasi apa yang perlu dicatat? Bagaimana sebaiknya informasi itu disusun? Seberapa terperinci catatan yang sesuai secara klinis? Seperti apa catatan akhir yang dibutuhkan agar penyedia layanan yakin bahwa catatan itu menggambarkan pertemuan tersebut dengan akurat?

Setelah menetapkan hal-hal tersebut, kami dapat mulai mengonfigurasi dan menyempurnakan AI agar menghasilkan dokumentasi yang sesuai dengan harapan itu. Tujuannya adalah merangkum percakapan yang mungkin sangat panjang, rumit, dan pribadi menjadi informasi klinis yang benar-benar relevan bagi perawatan pasien.

Menurut saya, hal ini sangat penting khususnya dalam kesehatan perilaku. Sesuatu yang diucapkan selama sesi tidak serta-merta berarti harus dimasukkan ke dalam rekam medis permanen pasien. Model juga harus menafsirkan makna klinis secara akurat. Dalam kesehatan perilaku, satu pernyataan dapat memiliki makna yang sangat berbeda bergantung pada konteksnya. Karena itu, peninjauan dan pertimbangan dokter tetap sangat penting.

Kita sering membahas betapa cerdasnya model-model ini, tetapi menurut saya, sebagian pekerjaan terpenting dilakukan sebelum model menghasilkan catatan. Pekerjaan itu mencakup menetapkan seperti apa hasil klinis yang baik, lalu terus meningkatkan keandalan kita dalam menghasilkannya.

Singkatnya, proses kami adalah menetapkan tolok ukur hasil yang baik, menelusuri prosesnya dari hasil akhir, dan menjadikan dokter sebagai penentu akhir apakah kami telah mencapainya.

Penelitian KFF menemukan bahwa 77% orang dewasa di AS mengkhawatirkan privasi informasi medis yang dibagikan kepada alat AI. Bagaimana EverHealth menanggapi kekhawatiran ini, terutama terkait penyimpanan data pasien, akses pihak ketiga, serta penggunaan informasi sensitif untuk melatih atau menyempurnakan model AI?

Kekhawatiran itu beralasan, dan menurut saya pasien tidak seharusnya harus mengorbankan privasi demi perawatan yang lebih baik. Namun, perusahaan teknologi juga tidak boleh meminta mereka begitu saja untuk memercayai perlindungan yang diterapkan. Pasien dan praktik layanan kesehatan berhak mendapat penjelasan yang gamblang tentang informasi apa yang kami gunakan, siapa yang dapat mengaksesnya, dan berapa lama kami menyimpannya.

Dengan EverHealth Scribe, informasi pasien diproses untuk mendukung dokumentasi klinis dan kesinambungan perawatan. Kami bekerja sama dengan mitra teknologi, termasuk CarePilot, dengan perlindungan kontraktual seperti perjanjian rekanan bisnis yang mengatur penanganan informasi kesehatan yang dilindungi. Kami juga menggunakan enkripsi dan kontrol akses, serta tidak menggunakan informasi pasien yang dapat mengidentifikasi mereka untuk melatih model AI. Transkrip Scribe tersedia hingga 180 hari agar dokter dapat meninjau kembali konteks yang relevan dari berbagai pertemuan. Praktik layanan kesehatan juga dapat meminta penghapusan transkrip.

Pada akhirnya, privasi tidak bisa begitu saja ditambahkan ke dalam inovasi setelah semuanya selesai. Privasi harus membentuk keputusan kami tentang apa yang kami bangun, apa yang kami hubungkan, dan apa yang kami simpan.

Mentavi Health, yang telah menerapkan EverHealth Scribe, meminta persetujuan pasien saat pendaftaran dan sebelum setiap kunjungan. Seberapa penting model persetujuan berkelanjutan ini dalam membangun kepercayaan pasien, dan apa yang seharusnya dilakukan ketika pasien menolak dokumentasi berbantuan AI atau menarik persetujuannya selama sesi?

Pendekatan Mentavi yang meminta persetujuan saat pendaftaran dan sekali lagi sebelum setiap kunjungan menegaskan bahwa pasien berhak menentukan bagaimana perawatan mereka diberikan.

Sebagian besar karier saya saya jalani di bidang telekesehatan, sehingga saya percaya pasien umumnya menerima teknologi jika mereka dapat melihat manfaat yang dihasilkannya. Idealnya, pasien akan merasakan lebih banyak kontak mata dan keterlibatan langsung, sementara dokter benar-benar berfokus pada percakapan, alih-alih duduk di balik laptop atau mengetik di komputer kerja. Manfaat seperti itu tentu sangat menarik.

Tentu saja, manfaat tersebut harus disertai pilihan. Pasien harus memahami cara teknologi itu digunakan dan merasa nyaman untuk menolaknya. Jika seseorang menarik persetujuannya saat kunjungan berlangsung, perekaman harus dihentikan dan dokter harus dapat melanjutkan pertemuan serta mendokumentasikannya melalui alur kerja yang biasa. Informasi apa pun yang sudah terekam harus ditangani sesuai dengan persyaratan persetujuan dan privasi yang berlaku.

Pada akhirnya, menurut saya, kepercayaan tumbuh dari manfaat yang diberikan secara konsisten. Jika kami membantu dokter meluangkan lebih banyak waktu untuk berinteraksi dengan pasien, dan pasien benar-benar merasakan perbedaannya, berarti kami telah melakukan sesuatu dengan benar.

Catatan klinis yang dihasilkan AI dapat menimbulkan risiko, termasuk informasi yang diada-adakan, detail yang terlewat, dan penafsiran pernyataan pasien yang tidak akurat. Perlindungan apa yang telah diterapkan EverHealth untuk mengidentifikasi kesalahan ini, dan bagaimana Anda memastikan klinisi tetap menjalankan pengawasan yang bermakna, alih-alih sekadar menyetujui dokumentasi yang dihasilkan AI?

Klinisi bekerja erat dengan sistem pencatat dan bertanggung jawab menyunting catatan yang dihasilkan AI sebelum menambahkannya ke rekam medis, sehingga pada akhirnya mengurangi kemungkinan adanya ketidaksesuaian dalam hasilnya.

Klinisi harus meninjau dan menyunting informasi sebelum memasukkannya ke rekam medis. Pada akhirnya, mereka tetap bertanggung jawab menentukan apakah catatan tersebut menggambarkan kunjungan dengan akurat dan apakah ada hal penting yang terlewat atau disalahartikan.

Komponen utama lainnya adalah umpan balik berkelanjutan. Kami menanyakan kepada klinisi setelah setiap kunjungan apakah dokumentasi tersebut bermanfaat, dan lebih dari 96% tanggapan yang kami terima positif. Ini menjadi indikasi yang menggembirakan bahwa kami secara konsisten memberikan nilai tambah.

Ketika klinisi melaporkan masalah, tim kami berkomunikasi langsung dengan mereka untuk memahami apa yang terjadi, mengidentifikasi penyebab dasarnya, dan menentukan cara meningkatkan pengalaman mereka. Hubungan langsung dengan orang-orang yang menggunakan teknologi ini merupakan bagian yang sangat penting dalam proses kami mengembangkan dan menyempurnakan produk.

Pada akhirnya, menurut saya, begitulah cara membangun kepercayaan terhadap dokumentasi yang dibantu AI. Informasi yang mendasarinya harus mudah diakses, pengawasan klinis yang bermakna harus dipertahankan, dan kita harus terus mengevaluasi apakah teknologi tersebut benar-benar membantu.

Mentavi Health baru-baru ini melaporkan penerapan bertahap yang melibatkan lebih dari 30 klinisi berlisensi dan menghasilkan lebih dari 14.000 catatan klinis dengan bantuan AI, disertai peningkatan dalam dokumentasi terstruktur dan pencatatan kode diagnosis. Apa temuan terpenting dari penerapan ini, dan bagaimana Anda mengukur apakah pencatat berbasis AI benar-benar meningkatkan produktivitas klinisi, akurasi dokumentasi, dan perawatan pasien?

Salah satu pelajaran terpenting dari penerapan di Mentavi adalah bahwa keberhasilan adopsi sangat bergantung pada hal-hal di luar teknologi itu sendiri. Mentavi menyatukan keahlian klinis, administratif, dan teknologi untuk menetapkan standar dokumentasi, menyusun ukuran mutu, serta memperkenalkan berbagai kemampuan secara cermat. Kolaborasi seperti inilah yang seharusnya menjadi wujud inovasi layanan kesehatan yang bertanggung jawab.

Untuk Scribe, masalah yang ingin kami atasi sederhana: klinisi menghabiskan terlalu banyak waktu untuk mendokumentasikan konsultasi. Jadi, seberapa banyak waktu dan upaya tersebut yang bisa kami kurangi?

Kami mengukur waktu yang digunakan untuk dokumentasi, kepuasan klinisi, dan seberapa efektif fitur seperti pengenalan diagnosis serta rekomendasi kode CPT menghilangkan langkah-langkah tambahan dalam alur kerja. Saat kami memperluas layanan hingga mencakup instruksi medis dan resep, pendekatan yang sama akan kami terapkan. Setiap kemampuan baru seharusnya mengurangi satu lagi bagian pekerjaan klinisi yang berarti.

Peningkatan pencatatan kode diagnosis sangat menggembirakan. Dalam evaluasi tersebut, tingkat pencatatan kode diagnosis untuk kunjungan yang menggunakan Scribe hampir mencapai 80%, dibandingkan dengan sekitar 26% tanpa Scribe. Ini merupakan peningkatan besar dalam konsistensi dokumentasi klinis terstruktur dan contoh bagus tentang bagaimana AI dapat memberikan nilai tambah, bukan sekadar menghasilkan catatan.

Jumlah catatan yang dihasilkan memang menggembirakan, tetapi hasil yang paling penting adalah banyaknya pekerjaan yang kami kurangi, serta mutu dan konsistensi dokumentasi yang kami bantu hasilkan.

Praktik medis dan kesehatan mental independen sering kali memiliki sumber daya administratif yang terbatas dibandingkan dengan sistem layanan kesehatan yang lebih besar. Bagaimana dokumentasi berbasis AI dapat membantu praktik yang lebih kecil bersaing, dan kendala apa terkait biaya penerapan, integrasi alur kerja, atau adopsi teknologi yang masih perlu diatasi?

Menurut saya, peluang terbesar bagi praktik independen adalah keleluasaan untuk menentukan pilihan. Dengan mengurangi beban administratif klinisi dan staf, kami memberi praktik kebebasan untuk mengambil keputusan yang lebih baik tentang cara menggunakan waktu dan sumber daya mereka. Mungkin seorang dokter ingin menerima lebih banyak pasien. Mungkin mereka ingin menghabiskan lebih banyak waktu bersama pasien yang sudah mereka tangani. Atau, mereka mungkin hanya ingin menyelesaikan janji temu terakhir pada pukul lima, meluangkan 15 menit untuk meninjau dokumentasi, lalu pulang, alih-alih menghabiskan dua jam lagi untuk menyelesaikan pekerjaan yang tertunda. Semua itu merupakan hasil yang berharga, dan praktik tersebutlah yang seharusnya menentukan mana yang paling penting.

Untuk penerapan, kami sudah menjadi penyedia teknologi bagi praktik tersebut, jadi integrasi alur kerja adalah tanggung jawab kami, bukan mereka. Scribe berjalan di perangkat yang sudah dimiliki klinisi, dan proses memulainya bisa hanya membutuhkan satu atau dua sesi pelatihan. Meski begitu, praktik kecil hampir tidak memiliki ruang untuk menanggung masalah teknis. Karena itu, tujuan kami adalah membuat penyiapan semudah mungkin dilakukan sendiri.

Pada akhirnya, menurut saya AI memberi praktik independen akses ke berbagai kemampuan dan efisiensi operasional yang sebelumnya hanya dapat dicapai oleh organisasi yang jauh lebih besar. Sama pentingnya, AI memberi orang-orang yang bekerja di praktik tersebut kendali lebih besar atas cara mereka menggunakan waktu.

Dengan semakin beragamnya undang-undang yang diberlakukan berbagai negara bagian untuk mengatur penggunaan AI dalam layanan kesehatan, khususnya kesehatan perilaku, bagaimana EverHealth menyiasati lingkungan regulasi yang terfragmentasi ini? Tantangan apa yang muncul saat mengembangkan produk AI yang harus memenuhi berbagai persyaratan terkait persetujuan pasien, privasi data, dan pengawasan klinisi di berbagai yurisdiksi?

Rasanya seperti pernah mengalami hal ini. Sebagian besar karier saya sebelum COVID dihabiskan di bidang telehealth, menghadapi perbedaan antarnegara bagian terkait perizinan, lokasi pasien, persetujuan, peresepan, dan penggantian biaya. Lalu, hampir dalam semalam, peraturannya berubah, dan kami harus memperluas layanan sementara aturan terus berubah.

Situasi di bidang AI terasa serupa. Kami berfokus untuk mengantisipasi rancangan undang-undang, memahami nuansa peraturan di tingkat negara bagian dan federal, serta membangun produk yang dapat beradaptasi.

Hal ini paling penting dalam telehealth kesehatan perilaku, ketika seorang klinisi dapat melayani pasien di banyak negara bagian. Persetujuan, privasi, dan pengawasan klinisi harus menjadi landasan layanan yang dapat dikonfigurasi.

Pelajaran sesungguhnya dari pengalaman itu adalah bahwa produk harus dirancang agar dapat beradaptasi dengan regulasi sejak awal. Itulah filosofi yang kami terapkan pada AI di EverHealth. Tugas kami adalah menangani sebanyak mungkin kerumitan tersebut agar klinisi dapat berfokus memberikan layanan.

Ke depan, kemampuan AI berkembang pesat, melampaui dokumentasi hingga mencakup dukungan pengambilan keputusan klinis, keterlibatan pasien, dan alur kerja layanan kesehatan yang semakin otonom. Menurut Anda, di mana batas antara bantuan AI dan penilaian klinis manusia seharusnya tetap ditegakkan, khususnya dalam kesehatan mental, dan bagaimana Anda membayangkan teknologi EverHealth berkembang dalam tiga hingga lima tahun ke depan?

AI dapat mendengarkan, menyusun informasi, menampilkan konteks yang relevan, dan memberikan saran. Namun, penilaian klinis tetap menjadi wewenang klinisi.

Hal ini sangat penting dalam kesehatan mental, ketika riwayat pasien, perubahan nada bicara, atau bahkan hal-hal yang tidak terucapkan bisa sama bermaknanya dengan kata-kata itu sendiri. Teknologi seharusnya membantu klinisi lebih hadir dalam momen-momen tersebut, bukan sebaliknya.

Dalam tiga hingga lima tahun ke depan, peluang yang terbuka jauh lebih besar daripada sekadar membuat asisten pencatat yang lebih cerdas. Visi kami di EverHealth adalah menghadirkan perjalanan layanan rawat jalan yang cerdas, dengan teknologi yang membantu menghubungkan momen sebelum, selama, dan setelah kunjungan.

Bayangkan sebuah klinik yang mengingat hal-hal penting: riwayat yang relevan tersedia saat dibutuhkan, klinisi dapat berfokus pada pasien alih-alih menyatukan informasi yang terfragmentasi, dan keputusan klinis mengalir lebih terpadu ke dalam dokumentasi, pengodean, koordinasi perawatan, dan tindak lanjut. Tujuan kami bukan sekadar mempercepat masing-masing tugas. Kami ingin mengurangi hambatan di antara tugas-tugas tersebut.

Prinsip utama dalam semua yang kami lakukan adalah memastikan setiap pasien merasa benar-benar dipahami dan setiap penyedia layanan memiliki kejelasan untuk memberikan perawatan yang meyakinkan dan terkoordinasi.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin menjelajahi dokumentasi klinis berbantuan AI dan alur kerja layanan kesehatan yang terhubung dapat mengunjungi EverHealth.