Kesehatan
Scale AI meluncurkan lima agen AI untuk operasional rumah sakit

Poin utamaTolok ukur Scale menunjukkan bahwa jawaban yang benar dapat menyembunyikan penalaran…
Lihat selengkapnya
- Tolok ukur Scale menunjukkan bahwa jawaban yang benar dapat menyembunyikan penalaran yang cacat dan sistem yang terlalu percaya diri.
- Setiap sistem agentik yang diuji kurang melakukan abstain alih-alih menunda ketika catatan tidak dapat menyelesaikan suatu kasus.
- Tautan sumber dan persetujuan dokter adalah mekanisme yang dimaksudkan untuk mengungkap kegagalan proses kepada tinjauan manusia.
Scale AI mengumumkan Scale untuk Operasional Rumah Sakit pada 16 November 2026, sekaligus meluncurkan lima aplikasi AI untuk penjadwalan, panduan pemesanan, peninjauan rekam medis, investigasi keselamatan, dan dokumentasi klinis. Aplikasi ini mulai tersedia bagi sistem kesehatan pada hari yang sama.
Setiap aplikasi dapat dijalankan dengan model apa pun di dalam lingkungan sistem kesehatan itu sendiri, dan penerapannya mencakup keterlibatan para insinyur Scale serta pakar bidang klinis. Scale menyebut evaluasi oleh klinisi, penyimpanan data secara lokal, dan pengembangan bersama pengguna sebagai persyaratannya untuk AI di rumah sakit.
Scale juga mengatakan bahwa selama setahun sebelum peluncuran, pihaknya bekerja di rumah sakit, termasuk di sebuah sistem kesehatan di AS yang disebutnya berperingkat teratas tetapi tidak disebutkan namanya, untuk membantu klinisi mengidentifikasi insiden keselamatan lebih dini. Kelima aplikasi ini merupakan bagian pertama dari portofolio yang lebih luas, dengan aplikasi dan agen tambahan yang direncanakan hadir pada bulan-bulan setelah peluncuran.
Peninjauan oleh Manusia dalam Lima Alur Kerja
Agen Intelijen Penjadwalan dirancang untuk memilah rujukan berdasarkan urgensi klinis dan mencocokkan kunjungan dengan slot jadwal berdasarkan kebutuhan ruang dan peralatan serta preferensi dokter. Agen ini dapat mengatur ulang jadwal yang sudah ada untuk pasien yang membutuhkan penanganan segera dan mengoordinasikan kunjungan lintas spesialisasi. Agen Panduan Pemesanan meninjau riwayat pasien, menandai pemeriksaan yang belum dilakukan, serta merekomendasikan pemeriksaan laboratorium, pencitraan, dan resep dengan bukti yang dirujuk untuk ditinjau klinisi.
Untuk pekerjaan yang melibatkan banyak informasi, Agen Peninjauan dan Peringkasan Rekam Medis menyusun riwayat pasien dari berbagai rekam medis yang tersebar dan menautkan setiap temuan yang diekstrak ke sumbernya agar dapat diperiksa. Agen Investigasi Keselamatan dan Insiden memprioritaskan insiden keselamatan dan mencari pola yang berulang agar tim dapat menyelidiki insiden berisiko lebih tinggi terlebih dahulu, alih-alih memproses laporan hanya berdasarkan urutan kedatangannya. Agen Dokumentasi Klinis dan Peninjauan Mutu menyusun draf laporan untuk ditinjau dan disetujui klinisi, memeriksa dokumentasi berdasarkan pedoman rumah sakit, serta mewajibkan auditor mengonfirmasi setiap temuan.
Riset Evaluasi Layanan Kesehatan Scale
Pengumuman tersebut mengaitkan portofolio ini dengan tiga tolok ukur layanan kesehatan dari Scale Labs. CliniCARE-Bench menggunakan rekam medis elektronik longitudinal nyata yang identitasnya telah dihapus, dengan 25 skenario yang divalidasi klinisi dan diterapkan dalam 750 kasus yang mencakup 14 spesialisasi dan sepuluh keterampilan penalaran. Tolok ukur ini membedakan kasus yang kekurangan data dari kasus yang masih ambigu secara medis, mencatat proses pencarian dan sitasi, serta menilai kesesuaian dengan bukti, kesesuaian dengan kebijakan, kepatuhan terhadap proses, dan kemampuan menahan diri yang terkalibrasi—yakni mengalihkan keputusan secara tepat ketika rekam medis tidak mendukung jawaban pasti.
Scale Labs melaporkan bahwa 16 sistem agentik yang diuji mencapai akurasi mentah sebesar 65,3% hingga 76,1%, tetapi akurasi tanpa cacat turun 4,8 hingga 14,8 poin persentase ketika jalan pintas penalaran yang dilarang dikenai penalti. Semua sistem terlalu jarang menahan diri, lebih sering memberikan jawaban pasti daripada mengalihkan keputusan pada kasus yang tidak dapat dipastikan berdasarkan rekam medis. Temuan tersebut merupakan hasil tolok ukur untuk sistem yang diuji, bukan hasil validasi yang dilaporkan untuk kelima aplikasi rumah sakit itu.
Dua tolok ukur terkait memperluas pendekatan tersebut. PSEBench mencakup 5.074 kasus triase keselamatan pasien yang disusun berdasarkan 29 Peristiwa Kesehatan Merugikan yang Wajib Dilaporkan di Minnesota, termasuk variasi kasus dengan informasi lengkap, informasi yang tidak lengkap, dan ketidakpastian; tolok ukur ini digunakan untuk mengevaluasi 15 model bahasa. DistressBench mencakup 718 percakapan yang ditulis klinisi dalam 23 subkategori bunuh diri dan tindakan menyakiti diri. Scale Labs melaporkan bahwa dalam 35,3% percakapan ketika model sepenuhnya mengenali adanya krisis, model tetap tidak mengarahkan pengguna untuk mencari bantuan manusia.
Scale menyatakan bahwa riset ini menjadi landasan bagi evaluasi khusus yang disusun berdasarkan alur kerja masing-masing sistem kesehatan, sekaligus menyediakan cara umum untuk membandingkan model. Penekanan pada ambiguitas dan proses ini sejalan dengan kontrol peninjauan yang dijelaskan untuk panduan pemesanan, pemeriksaan rekam medis, persetujuan laporan, dan temuan audit.
Bukti Dokumentasi dan Batasannya
Sebuah studi tahun 2025 di JAMA Network Open yang dikutip Scale meneliti 263 klinisi rawat jalan di enam sistem kesehatan AS yang menggunakan pencatat klinis AI ambient Abridge yang sama selama 30 hari; studi tersebut tidak mengevaluasi produk Scale. Dalam analisis yang telah disesuaikan, estimasi prevalensi kelelahan kerja menurun dari 51,9% menjadi 38,8%. Peserta juga melaporkan berkurangnya beban kognitif terkait catatan, dokumentasi di luar jam kerja, serta perhatian terfokus kepada pasien.
Hasil tersebut mendukung alasan penggunaan alat dokumentasi AI untuk mengurangi beban administratif, tetapi penelitian itu membahas penggunaan rawat jalan dengan produk lain, bukan portofolio baru untuk operasional rumah sakit. Para peneliti mencantumkan sejumlah batasan penting: partisipasi bersifat sukarela, survei tidak anonim, hasil dilaporkan sendiri oleh peserta, dan tidak ada kelompok kontrol untuk memperhitungkan tren dari waktu ke waktu. Batasan tersebut membatasi kesimpulan yang dapat ditarik dari hasil sebelum dan sesudah selama 30 hari, terutama ketika Scale memperluas argumen tentang beban administratif dari dokumentasi rawat jalan ke penjadwalan, pemesanan, dan triase keselamatan.
Bagi sistem layanan kesehatan, pertanyaan utama dari peluncuran ini adalah apakah evaluasi yang dirancang berdasarkan alur kerja mereka sendiri dapat memverifikasi penelusuran bukti, kepatuhan terhadap kebijakan, dan keputusan untuk tidak memberikan jawaban ketika memang diperlukan, selain mengukur ketepatan jawaban. Tolok ukur Scale menunjukkan bahwa jawaban yang benar dapat menyembunyikan proses yang keliru; tautan ke sumber, rekomendasi yang disertai kutipan, persetujuan klinisi, dan konfirmasi auditor dalam aplikasi baru tersebut merupakan mekanisme yang dirancang untuk mengungkap masalah itu agar dapat ditinjau manusia.












