ヘルスケアにおけるAIの有効性は、ワークフローが連携することで向上する

ヘルスケアのリーダーたちは、コスト削減、臨床医のバーンアウトの軽減、業務の迅速化のために、人工知能にますます頼るようになっています。しかし、多くのAIのパイロットプロジェクトは、印象的なデモを提供するものの、限られた運用上の影響しかありません。実際の違いは、モデル自体ではなく、AIがすでにスタッフが時間を費やす方法に埋め込まれているワークフローに組み込まれているかどうかです。

実践では、AIは、接続されたワークフロー、相互運用可能なシステム、明確な人間の管理をサポートする場合にのみ、大規模なスケールで成果を向上させます。そうした部分が連携するとき、AIは新奇なものではなく、運用上のインフラストラクチャのように動作し始めます。

ヘルスケアにおける単独のAIツールが停滞する理由

AIの導入における一般的なパターンは、各ユースケースを独立したプロジェクトとして扱うことです。モデルは、臨床ノートの要約、事前認可パケットの作成、または受信ケースのトライエージュを行う可能性がありますが、主要なEHRまたは管理ワークフロー外で動作します。その場合、スタッフはまだデータをコピーし、フラグを調整し、例外を手動で処理する必要があります。そのため、負担は軽減されません。

これが、AIの導入が期待を下回る理由の1つです。2024年の体系的なレビューとメタ分析では、医療画像におけるAIについて、多くの研究が時間の節約を報告したものの、全体的な証拠は自動的な効率性の向上を示さなかったことがわかりました。これは、AIの現実世界での影響が、臨床ワークフローにどのように適合するかに大きく依存していることを示唆しています。

ヘルスケアのリーダーたちは、単純な運用上の質問を問うべきです。AIツールは、作業のステップ数を減らすのでしょうか、それとも古いプロセスに新しいレイヤーを追加するのでしょうか？ワークフローがまだ断片化されている場合、答えは通常後者です。

相互運用性がAIを実践で有用にする

AIは、見えないプロセスを改善することはできません。したがって、相互運用性は、AIがどの程度機能できるかを決定する運用条件です。システムがクリーンにデータを交換する場合、AIは適切なタイミングで情報を提示し、不足しているフィールドをフラグし、スタッフが情報を再入力または再確認することなく決定をサポートできます。

世界保健機関は、デジタルヘルスケアのインフラストラクチャを、基準、データ共有、ケア設定全体でより良い意思決定をサポートする接続されたシステムに依存するものとして捉えています。この観点から、相互運用性は技術的な後付けではなく、AI駆動のワークフローの核心的なエナブラーです。

アメリカの文脈では、CMSの相互運用性と事前認可最終規則は、事前認可やその他の管理プロセスにおける摩擦を減らすために、ヘルス情報の交換を改善することを政策に組み込みました。この規則は、相互運用性がもう長くは任意ではなくなり、AIが請求やケア調整全体で動作するための基準要件になっていることを示しています。

ワークフロー調整が最大の利益をもたらす場所

ヘルスケアにおける最も説得力のあるAIのユースケースは、繰り返し発生する、高いボリュームのタスクからフリクションを除去するものです。例として、事前認可、文書化のサポート、請求のレビュー、患者受け入れ、ケア調整、意思決定のサポートがあります。各ケースで、利点は速度だけではなく、再作業が少なく、ダウンストリームのエラーが少ないということです。これは、ペイアー向けの収益サイクルワークフローがエージェントのようなシステムで再設計される方法で、ますます見られるパターンです。

アメリカ病院協会は、AIは、臨床ワークフローと患者経験の最適化の両方をサポートすることで、収益サイクル管理を改善するために使用されていると指摘しています。重要な洞察は、AIが仕事のやり方に統合される場合、改善はスループット、精度、満足度で表れるということです。

信頼性はモデルデモよりも重要

ヘルスケア組織は、当然、モデルデモに惹かれます。スライド上で高い精度で要約、予測、分類するシステムは、変革的であると感じられます。しかし、実際の運用はデモではありません。エッジケース、不足しているデータ、スタッフの離職、要件の変更が含まれます。その環境では、信頼性は視覚的なポリッシュよりも重要です。

これが、観察可能性だけが十分ではない理由です。事後的に何が起こったかを知ることは、事後分析に役立ちますが、繰り返し発生する失敗を防ぐことはできません。信頼性の高いAIシステムは、予測可能に動作し、例外を適切にエスケレートし、組織の既存のガバナンスモデルに適合する必要があります。

ヘルスケアでは、小さなワークフローのエラーが連鎖する可能性があります。認可ワークフローにおける不足しているフィールドは治療を遅らせる可能性があります。タイミングの悪い推奨は、臨床医を間違ったタイミングで中断する可能性があります。弱いエスケレーションパスは、スタッフが何を信頼するかについて疑問に思わせる可能性があります。AIは、不明確さを減らすべきであり、新しい形式を作成するべきではありません。

成功した実装の実際の要件

成功したAIの実装は、通常、ワークフローの設計から始まり、モデルから始まるのではありません。チームは、ビジネス上の問題、意思決定のポイント、データソース、関与する人間の役割を、デプロイする前に定義する必要があります。そうした基本的な点が不明確であれば、テクノロジーはプロセスの不明確さを補うことはできません。

スコープの規律も重要です。最も効果的なデプロイは、1つか2つのことをうまく行います。例えば、ケースがルーティングされる前に不足している情報を特定したり、チャートをレビューのために要約したり、予想外のパターンから外れたときに例外アラートをトリガーしたりします。同時に多くのことを自動化しようとすると、価値よりも複雑さが増すことがあります。

ハーバード・メディカル・スクールは、AIが、思慮深く実践で使用された場合、臨床医のためのルーチンワークを減らし、効率性を向上させることができることを指摘しています。重要なフレーズは「実践で思慮深く使用された」です。つまり、スタッフをトレーニングし、オーバーライドを定義し、成果を追跡し、AIが仕事に適合するようにすることを意味します。

ヘルスケアAIは、プロセスが接続されているときに改善される

ヘルスケアにおける最も持続可能なAIの利益は、接続されたプロセスから生じます。データがスムーズに流れ、レビューが適切な順序で行われ、例外が一貫して処理される場合、AIは、手動の労力が少なく、より良い決定をサポートできます。そうした条件が欠けている場合、テクノロジーは先進的であるかもしれませんが、ワークフローはまだ遅く、断片化しています。

そのため、AIはシステムレベルで測定されるべきです。リーダーたちは、モデル精度を見て、プロセスがより簡単に実行されるか、より簡単に管理されるか、より簡単にスケーラブルになるかを問うべきです。実際のテストは、AIが単独でタスクを完了できるかどうかではありません。ワークフロー全体がAIを含むことでより信頼性が高くなったかどうかです。

ヘルスケアにおける接続されたAIの実際の価値

AIは、単独の分離されたアクションをサポートするのではなく、作業の完全な連鎖をサポートする場合に最も効果的です。つまり、システムを接続し、所有権を明確にし、ハンドオフを強化し、人間が最も重要な判断を下す場所に人間を配置することを意味します。ワークフローが連携する場合、AIはより信頼性が高く、より有用で、よりスケーラブルになります。

AIの未来は、最も先進的なモデルを持っている人によって決まるのではありません。モデルを取り巻くワークフローを設計して、効率性、精度、経験の面で一貫した、測定可能な改善をもたらすことができる人によって決まります。複雑で、ハイリスクな業界であるヘルスケアでは、それが、AIがパイロットプロジェクトに留まるか、ケアの提供方法の一部になるかを決定する違いになります。