医療におけるAIの誤った導入場所

業界は間違った問題を追跡している

医療におけるAIの話題は、自律性についてです。AIは疾患を診断できるか。薬を処方できるか。最終的に医師を置き換えることができるか。

これらのもしもを考える必要はありません。医療におけるAIの実際のケースがあります。ユタ州はすでに、規制サンドボックスを通じて処方更新のための自律AIの扉を開けています。他の州は、初期のパイロットが安全性と効率性を示すかどうかを見守っています。

しかし、私は医師の代わりとなるAIについて考えるのが間違った場所だと思います。

AIが臨床関係をどれだけ吸収できるかを問う前に、目の前のより単純で即時の問題に対処する必要があります。臨床医は行政作業で圧倒されています。患者は、患者数の不足ではなく、利用可能な臨床医の時間の不足により、タイムリーな予約を取得できないままです。那がボトルネックの始まりであり、そこがAIが運用負荷を軽減するために必要な場所です。

これは特に精神医療で感じられます。約2200万のアメリカ人がADHDと生活しています。うつ病は約19%のアメリカ人の大人のうち、1年に約31%が影響を受けています。これらの状態は、高い治療可能性がありますが、数百万人がガイドラインに基づいたケアを受けていません。問題は、認識の欠如ではなく、市場には自己診断ツール、コンテンツ、トラッカー、ADHDフレンドリーなアプリが豊富にあります。実際のギャップは、臨床ケア、診断、適切な場合の薬物管理へのアクセスです。

この記事は、より単純な出発点を主張しています。医療におけるAIの最高のROIの役割は、行政的なものです。AIを臨床設定で早期に使用すると、利点よりも問題が生じる可能性があります。AIを信頼できるケアの一部にするには、負担が最も大きく、利益が最も即時的な場所に最初に展開する必要があります。

データはAIがより効率的に導入できる場所を示している

医療で構築する際にすぐに明らかになるパターンがあります。どの臨床医を雇用しても、数ヶ月以内にその臨床医は完全に予約されます。これは、プロバイダー不足が抽象的なものではなく、パネルが充たされたときにプロバイダーの時間がどのように消費されるかを示しています。

精神科では、約80%の予約はルーチンなフォローアップです。これらはすべて複雑な診断エンカウントではありません。多くは、同じ治療コースを続ける安定した患者、症状の確認、症状のレビュー、薬の更新（すべて適切な場合）です。しかし、これらの訪問は、文書化、検証、履歴のレビュー、PDMPチェック、処方ワークフローの完全な重量を負っています。プロバイダーは、1週間あたり平均16時間を行政作業に費やします。那は、新しい患者や複雑な症例へのより良い臨床的注意に費やされる時間です。

これは、AIの議論が運用の現実から切り離されている場所です。業界は、AIが医師の役割を引き継ぐことができるかどうかを問い続けています。実際、多くの容量喪失は、最初から多くの臨床的判断を必要としないタスクから来ています。チャーティング、検証、レコードのレビュー、フォローアップワークフローなどのタスクは、AIがすでに有用で測定可能な方法でサポートできるものです。

その時間を回復すれば、プロバイダーの負担を軽減するだけでなく、スケジュールをより多くの患者に開放することができます。待ち時間は、医療アクセスの重要な問題です。患者は、プロフェッショナルを見るために週間待たされることが多く、アクセスは、さまざまな地域で不均一なままです。HHSは、農村および辺境コミュニティがプロバイダーと行動保健サポートの両方で不足していることを繰り返し指摘し、テレヘルスを、精神保健ケアへのアクセスを大幅に増やす方法として挙げています。

医療はなぜAIで自動化するのが最も難しい業界なのか

医療は外から見ると標準化されているように見えます。実際、標準化と変数の両方です。

確かに、ガイドライン、規制、文書化ルールがあります。しかし、各臨床医も、以前の設定によって形成された習慣、ワークフロー、プロトコルをもたらします。2人のプロバイダーは、同じ条件を同じ法的枠組みの下で治療しているかもしれませんが、ルーチンケアに大きく異なるアプローチで臨む可能性があります。AIは、標準ケアから逸脱しないように、その変数を考慮する必要があります。那は、デモでうまく機能するモデルを構築することよりもはるかに難しい業績です。

規制については、コンプライアンスは主に層状です。州ライセンス委員会、連邦機関、HIPAA、処方監視システム、州データベース、内部臨床SOPがすべて交差します。1つの州ではコンプライアントなアクションが別の州では非コンプライアントになる可能性があります。製品の観点からは無害なように見えるワークフローは、処方、患者ID、レコード保持、監査可能性についてはリスクになる可能性があります。構造的な複雑さがプロセスに伴います。

データ部分は、予想よりも簡単ではありません。医療では、一般的なツールを接続してユーザーの行動から学習を開始することはできません。HIPAA規制により、標準的な分析ツールやデータパイプラインは、根本的に変更されなければ使用できません。ワークフロー内でデータが保存、処理、監査、提示される方法については、カスタムインフラストラクチャが必要です。驚くほど多くの企業が、これを軽視し、構築プロセスの中で全体を覆わなければなりません。

しかし、最も重要なことは、医療におけるミスのコストが非常に高くなることです。

不完全な出力は、他の業界では不便さを生み出すだけですが、医療では治療の質、患者安全、処方行為、または規制への露出に影響を及ぼす可能性があります。人間の健康は、AIモデルを改善するために遊ばれるものではありません。那は、AIを導入する際の指針となるべき原則です。

医療におけるAIの最高のROIの展開は行政層です

私は、医師をAIで置き換えるのではなく、医師の周りの運用の摩擦を取り除くことの重要性を読者に印象づけることを希望します。ここでは、実際的な意味で何を見ているかについて説明します。

チャート生成。 AIは、訪問中にリアルタイムで文書化とチャートを構築できます。那はチャーティングの負担を軽減し、午後の仕事を短縮し、同じ日の完了をより現実的にします。MEDvidiの内部フレームワークでは、チャートジェネレーターはエンカウント中に継続的に文書化を更新し、チャーティング時間を大幅に削減するように設計されています。

チャートレビュー。 AIはまた、内部SOPに対するチャートをレビューし、処方ステージに達する前に逸脱をフラグできます。ほとんどのヘルスケア品質レビューはまだ部分的で手動です。したがって、サンプルの代わりに各エンカウントをレビューすることで、コンプライアンスはより見えやすく、より一貫性があります。

事前ワークフローの自動化。 プロバイダーの時間の多くは、実際の臨床的決定よりも、IDの検証、州データベースのクロスチェック、医療歴のレビュー、潜在的な禁忌症の確認、またはドキュメンテーションギャップを示唆するパターンのスクリーンなど、事前に費やされます。どれも判断を置き換えるものではありませんが、すべて時間を消費し、AIがプロバイダーが介入する前にこれらの層を処理するのに役立ちます。

ルーチンな処方管理。 安定したフォローアップケアは、AIが特に役立つ場所です。治療が一貫している患者については、AIは更新ワークフローを管理し、レコードを準備するのに役立ちますが、医師は最終的な決定をレビューし、承認します。那は、より狭い、より安全で、システムのボトルネックにより関連するモデルです。

これらのユースケースすべてに共通するものがあります。時間を節約することで、ケアの容量を拡大します。那が、私が行政層をAIの最高のROIの場所として見ている理由です。

臨床設定のための正しいAIアーキテクチャ

医師の置き換えは、センセーショナルなヘッドラインを生み出し、プロフェッショナルの心に不安を生み出す別のAIの物語です。より実用的で、より有益で、より不可欠なモデルは、医師中心の強化です。

そのようなアーキテクチャの中で、臨床医はすべての臨床的決定、処方について最終的な判断を下します。治療プランは、ライセンスされた医療プロバイダーによってレビューされ、承認されます。AIは、文書化、検証、レビューレイヤー、訪問の周りの繰り返しのタスクを処理します。那が、効率性を改善し、説明責任を維持する最も安全な方法です。

医療におけるAIは、実際の臨床データが必要です。オフザシェルフのモデルや汎用データセットは十分ではありません。臨床ワークフローは特に具体的で、規制は層状で、誤りの余地は小さすぎます。毎月の患者訪問の独自のデータセットでトレーニングされたAIシステムで、プロバイダーのレビューとSOPの遵守がワークフローに組み込まれている必要があります。那が、医療分野に参入するあらゆるシステムの基盤です。

臨床医の場合、このアーキテクチャは行政作業に費やされる時間を短縮し、新しい患者や複雑な症例に時間を割くことができます。患者にとっては、医療へのアクセスが速くなり、コストが低くなり、ケアの文書化や提供がより一貫性のあるものになります。規制当局も、ワークフローがより読みやすく、レビュー可能になるため、利益を得ます。AIの正しい展開は、ワークフローをより読みやすく、レビュー可能にします。レビュー自体は、人間が作成した文書化よりも監査が容易です。

AIが測定可能なワークフローの中で信頼できるツールになるにつれて、明らかに苦しんでいる分野を改善するのに役立ちます。

結論

人々が医療プロバイダーが不注意であると不満を訴えるのは、実際の問題を指摘しているのです。医療プロバイダーのエネルギーを、退屈で繰り返しのタスクで穿たれたバルーンのように考えてください。当然、注意深く対応する時間や精神的バンド幅がありません。

AIが最初に誰を解雇するかについての恐怖に乗じるのではなく、特に医療の分野では、人間が苦労する作業の層を修復するために技術を使用する方が、より賢明なことです。AIがあまりに有利なものになるのは、その不疲労性です。人間の臨床医はそれを持っていません。

医療が自動化するのが難しいのは、複雑な規制、プロバイダーの行動の変化、カスタムインフラストラクチャの必要性、ミスのコストが巨大であるため、理解できます。ただし、技術で修復できる実際の行政的ボトルネックがあります。私たちはそれを活用しましょう。

行政的ボトルネックに取り組まなければ、臨床AIは、将来の能力が現在できることよりも発展したときに、より大きなスケールで信頼を獲得するのに苦労するでしょう。

近期的なモデルは簡単です。AIは歴史をレビューし、禁忌症を確認し、IDを検証し、チャートを生成し、処方ワークフローを準備します。医師は最終的な決定をレビューし、承認します。那は、従来の20分間の訪問が必要だった安定したフォローアップが、より短く、よりきれい、より安全なプロセスになることを意味します。

紙上では些細なことのように思えるかもしれませんが、これは、長い間手動で残っていたシステムの大きな転換です。それは、すべての人に影響を及ぼします。

kflow. 医師は全体像をレビューし、最終的な決定を承認します。従来、20分間の訪問が必要だった安定したフォローアップが、より短く、よりきれい、より安全なプロセスになることができます。那は、長い間手動で残っていたシステムの大きな転換です。それは、すべての人に影響を及ぼします。