의료 분야에서 AI는 잘못된 곳에 배치되고 있다

산업은 잘못된 문제를 추구하고 있다

의료 분야에서 현재 논의되는 주제는 자율성이다. AI는 질병을 진단할 수 있는가? 약을 처방할 수 있는가? 궁극적으로 의사를 대체할 수 있는가?

이러한 가상 시나리오는 더 이상 고려할 필요가 없다. 실제로 의료 분야에서 AI의 적용 사례가 이미 존재한다. 유타주는 이미 규제 샌드박스를 통해 자율적인 AI를 처방 갱신에 도입했다. 다른 주들은 초기 파일럿이 안전성과 효율성을 보여줄지 지켜보는 중이다.

하지만 나는 의료 분야에서 AI의 적용을 의사 대체에 초점을 맞추는 것이 잘못된 방향이라고 생각한다.

의사와의 임상 관계에서 AI가 흡수할 수 있는 부분을 묻기 전에, 우리 앞에 있는 더 단순하고 즉각적인 문제를 해결해야 한다. 임상의들은 행정 업무로 인해 과부하가 걸리고 있다. 환자들은 아직도 임상의의 시간이 부족해서 진료 예약을 할 수 없다. 이것이 병목 현상의 시작이다. 그리고 이것이 AI가 절실하게 필요한 곳이다.

이것은 특히 정신 건강 분야에서 두드러진다. 약 2200만 명의 미국人が ADHD를 가지고 있으며, 불안 장애는 약 19%의 미국 성인에게 영향을 미친다. 이것은 약 31%의 평생에 걸쳐 영향을 미친다. 두 가지 모두 치료가 가능하지만, 수백만 명이 지침에 따라 추천되는 치료를 받지 못한다. 문제는 인식의 부족이 아니라, 다양한 자가 치료 도구, 콘텐츠, 트래커, ADHD 친화적 앱이 이미 존재한다는 것이다. 실제로 존재하는 간격은 임상 치료, 진단, 약물 관리에 대한 접근이다.

이 기사는 더 단순한 출발점을 주장한다. 현재 의료 분야에서 AI의最高 ROI 역할은 행정적인 것이다. 임상 환경에서 AI를 너무 일찍 도입하면 더 많은 문제를 일으킬 수 있다. 우리는 AI를 신뢰할 수 있는 치료의 일부로 만들고 싶다면, 부담이 가장 크고 이익이 즉각적인 곳에 먼저 배치해야 한다.

데이터는 AI가 더 효율적으로 사용될 수 있는 곳을 보여준다

의료 분야에서 빠르게 나타나는 패턴이 있다. 임상의를 고용하면, 몇 개월 내에 임상의는 완전히 예약이 된다. 우리는 이것을 반복적으로 보았다. 이것은 단순히 제공자 부족이 아니라, 패널이 채워지기 시작하면 제공자의 시간이 어떻게 소비되는지를 의미한다.

정신과에서 약 80%의 예약은 루틴 후속 진료이다. 이것들은 모두 복잡한 진단遭遇가 아니다. 많은 경우는 동일한 치료 과정을 계속하는 안정된 환자들이며, 증상을 검토하고, 약물을 갱신한다. 그러나 이러한 방문은 전체 문서화, 검증, 기록 검토, PDMP 검사, 처방 워크플로우의 전체 중량을 нес는다. 제공자는 이러한 행정 업무에 평균 16시간을 소비한다. 이것은 새로운 환자 또는 복잡한 사례에 더 많은 시간을 할애할 수 있는 시간이다.

이것은 많은 AI 논의가 실제 운영 현실과 분리되어 있다는 것을 보여준다. 산업은 AI가 의사의 역할을 대체할 수 있는지 묻고 있지만, 사실, 많은 потер된 용량은 임상의의 판단이 필요한 작업이 아니라, 차트 작성, 검증, 기록 검토, 후속 워크플로우와 같은 작업에서 비롯된다. 이것들은 AI가 이미 유용하고 측정 가능한 방식으로 지원할 수 있는 작업이다.

이 시간을 회복하면, 제공자에 대한 부담을 줄일 뿐만 아니라, 더 많은 환자에게 예약을 열 수 있다. 대기 시간은 중요한 의료 접근 문제이다. 환자들은 종종 전문가를 보기 위해 몇 주를 기다려야 하며, 접근은 다양한 지역에서 불균일하다. HHS는 계속해서 농촌과 전방 지역 사회가 제공자와 행동 건강 지원이 부족하다고 지적하며, 원격 의료를 통해 정신 건강 치료에 접근을 크게 증가시킬 수 있다고 말한다.

의료 분야는 AI를 자동화하기 가장 어려운 산업이다

의료 분야는 외부에서 표준화된 것으로 보일 수 있다. 그러나 실제로는 표준화되고 변수가 있는 것이다.

확실하게 가이드라인, 규정, 문서화 규칙이 있다. 그러나 각 임상의마다 이전 환경에서 형성된習慣, 워크플로우, 프로토콜을 가지고 있다. 두 제공자는 동일한 조건을 동일한 법적 프레임워크에서 치료하지만, 루틴 치료에 대해 상당히 다른 방식으로 접근할 수 있다. AI는 표준 치료를 벗어나지 않으면서 이러한 변화를 고려해야 한다. 이것은 데모에서 잘 수행하는 모델을 구축하는 것보다 훨씬 더 어려운 업적이다.

규제에 관해서, 규정은 대부분 계층적으로 구성되어 있다. 주 라이센스 보드, 연방 기관, HIPAA, 처방 監督 시스템, 주 데이터베이스, 내부 임상 표준 운영 절차가 모두 교차한다. 한 주에서 규정 준수하는 동작은 다른 주에서 규정 준수하지 않을 수 있다. 제품 관점에서 무해한 것으로 보이는 워크플로우는 처방, 환자 신원, 기록 보존, 감사 가능성과 관련하여 위험해질 수 있다. 구조적인 복잡성이 포함되어 있다.

데이터 부분도 예상과는 다르다. 의료 분야에서 일반적인 분석 도구와 데이터 파이프라인을 단순히 연결하여 사용자 행동에서 학습을 시작할 수 없다. 일부 표준 분석 도구와 데이터 파이프라인은 HIPAA 규정으로 인해 적합하지 않다. 사용자 행동에서 학습을 시작하기 전에 사용자 데이터를 저장, 처리, 감사, 워크플로우 내에서 표면화하는 방법에 대한 맞춤형 인프라가 필요하다. 많은 회사들이 이를 과소평가하다가 구축 과정에서 깊이 빠져서 전체 작업을 전면 재구성해야 한다.

그러나 무엇보다도, 나는 가장 큰 문제는 단순히 의료 분야에서 오류의 비용이 매우 높다고 생각한다.

잘못된 출력은 다른 산업에서 불편함을 일으킬 수 있지만, 의료 분야에서는 치료의 질, 환자 안전, 처방 행동, 규제 노출에 영향을 미칠 수 있다. 인간의 건강은 우리가 AI 모델을 개선하기 위해 玩弄할 수 있는 것이 아니다. 이것이 이 산업에서 AI를 도입할 수 있는 곳을 이해하는 데 도움이 되는 지침으로 사용되어야 한다.

의료 분야에서 AI의最高 ROI 배치는 행정 계층이다

나는 독자에게 임상의를 대체하는 것보다 임상의를 둘러싼 운영 마찰을 제거하는 것의 중요성을 강조하고 싶다. 여기서 실제로 무엇이 가능한지에 대해 확장하고 싶다.

차트 생성. AI는 실시간으로 문서화를 생성하고 빌드할 수 있다. 이것은 차트 작성 부담을 줄이고, 이후 작업을 줄이고, 당일 완성을 더 현실적으로 만든다. MEDvidi의 내부 프레임워크에서 차트 생성기는遭遇 중에 문서화를 계속 업데이트하고, 차트 작성 시간을 크게 줄이는 것을 목표로 한다.

차트 검토. AI는 또한 내부 표준 운영 절차에 대한 차트를 검토하고, 처방 단계에 도달하기 전에 편차를 플래그할 수 있다. 대부분의 의료 품질 검토는 여전히 부분적이고 수동적이기 때문에, 샘플이 아닌 모든遭遇를 검토함으로써, 규정 준수는 더 가시적이고 일관적이게 된다.

예약 이전 워크플로우 자동화. 제공자의 많은 시간이 실제 임상 결정 이전에 身分 확인, 주 데이터베이스 크로스 체크, 의료 기록 검토, 잠재적인 부작용을 위한 스크리닝, 문서화 격차를 위한 패턴 검색과 같은 것에 소비된다. 이것은 임상의의 판단을 대체하지는 않지만, 모두 시간을 소비한다. 이것이 AI가 임상의가 개입하기 전에 이러한 계층을 처리하는 데 도움이 될 수 있는 이유이다.

루틴 처방 관리. 안정된 후속 치료는 AI가 특히 유용할 수 있는 분야이다. 치료가 일관된 환자에게, AI는 갱신 워크플로우를 관리하고, 기록을 준비할 수 있다. 그리고 의사는 최종 결정에 대한 검토와 승인을 한다. 이것은 완전히 자율적인 치료와는 다른 모델이다. 더 좁고, 더 안전하고, 실제 병목 현상에 더 관련이 있다.

이러한 사용 사례 모두 시간을 절약하는 방식으로 치료 능력을 확장한다. 이것이 내가 행정 계층에서 AI를 가장 높은 ROI로 배치하는 이유이다.

임상 환경을 위한 올바른 AI 아키텍처

의사 대체는 또 하나의 AI 공포 이야기이다. 이것은 헤드라인을 감동시키고, 전문가들의 마음에 불안을 조성한다. 더 실용적이고 유용하고, 필수적인 모델은 임상 환경에서 의사 중심의 보강이다.

이 아키텍처 내에서, 임상의는 모든 임상 결정, 처방에 대한 최종 판단을 한다. 치료 계획은 여전히 면허를 가진 의료 제공자가 검토하고 승인할 것이다. AI는 단순히 문서화, 검증, 검토 계층, 방문 주변의 반복적인 작업을 처리한다. 이것이 효율성을 개선하고 책임을 유지하는 가장 안전한 방법이다.

의료 분야에서 AI는 실제 임상 데이터가 필요하다. 오프-더-쉘프 모델과 일반적인 데이터셋은 충분하지 않다. 임상 워크플로우는 너무 특정적이고, 규정은 너무 계층적이며, 오류의 여지는 너무 작다. 실제 임상 운영에 기반한 AI 시스템은 제공자 검토와 표준 운영 절차를 워크플로우에 통합하여 구축해야 한다. 이것이 이 분야에 진출하는 시스템의 기초가 되어야 한다. 핵심은 의료 AI가 실제 임상 운영에 기반해야 한다는 것이다.

임상의를 위한 이 아키텍처는 행정 업무에 소요되는 시간을 줄이고, 새로운 환자와 복잡한 사례에 더 많은 시간을 할애할 수 있다. 환자에게는 더 빠른 의료 접근과 더 일관된 치료를 제공한다. 규제 기관도 워크플로우가 더 가시적이고 검토 가능해지기 때문에 혜택을 받는다. AI의 올바른 배치는 워크플로우를 더 가시적이고 검토 가능하게 만든다. 검토 자체는 인간이 만든 문서보다 더 쉽게 감사할 수 있다.

AI가 측정 가능한 워크플로우 내에서 신뢰할 수 있는 도구가 되면, 의료 분야에서 어려움을 겪고 있는 영역을 개선하는 데 도움이 될 수 있다.

결론

의료 제공자가 무심한 것으로 불평하는 경우, 실제 문제를 발견하고 있다. 의료 제공자의 에너지를 시간이 지남에 따라 점점 더 많이 소모되는 풍선으로 생각해 보라. 물론, 그들은 당신에게 주의를 기울일 시간이나 정신적 자원을 가지고 있지 않다.

AI로 인해 누가 먼저 해고될지에 대한 두려움에 뛰어드는 대신, 특히 의료 분야에서, 기술을 사용하여 인간이 어려워하는 작업의 계층을 수정하는 것이 더 합리적이다. AI가 इतन 유용한 이유는 바로 그 무한한 에너지이다. 인간 임상의가 가지고 있지 못한 것이다.

의료 분야가 자동화하기 어려운 이유는 복잡한 규제, 제공자 행동의 변이, 맞춤형 인프라의 필요성, 오류의 비용이 매우 높기 때문이다. 그러나 실제 운영 마찰이 존재한다. 그리고 이 기술을 사용하여 이를 수정할 수 있다. 이를 사용해 보자.

행정 마찰을 해결하지 않고서는, 임상 AI는 더 큰 규모에서 신뢰를 얻는 데 어려움을 겪을 것이다.

나는 근시안적인 모델이 간단하다고 생각한다. AI는 기록을 검토하고, 부작용을 확인하고, 身分을 검증하고, 차트를 생성하고, 처방 워크플로우를 준비한다. 그리고 의사는 전체 그림을 검토하고, 최종 결정에 대한 승인을 한다. 안정된 후속 치료를 위한 20분간의 방문이 필요한 것이, 더 짧고, 더 깨끗하고, 더 안전한 과정으로 바뀔 수 있다.

이것은 종이 위에서 사소해 보일 수 있지만, 오랜 시간 동안 수동으로 유지되어 왔던 시스템에서 주요한 전환이다. 그리고 모두에게 영향을 미친다.