의료 분야에서 AI를 잘못된 곳에 배치하는 이유

산업은 잘못된 문제를 추구하고 있다

의료 분야에서 현재 논의되는 AI의 화두는 자율성에 관한 것이다. AI가 질병을 진단할 수 있는가? 약을 처방할 수 있는가? 의사를 대체할 수 있는가?

이러한 가상 시나리오에 대해 더 이상 고민할 필요는 없다. 이미 실제 사례에서 의료 분야에서 AI의 적용을 볼 수 있다. 유타주는 이미 규제 샌드박스를 통해 처방 갱신에 대한 자율적 AI의 문을 열었다. 다른 주들은 초기 시험의 안전성과 효율성이 받아들여질 수 있는지 확인하기 위해 지켜보고 있다.

하지만 나는 의료 산업이 시작해야 할 곳은 의사와의 대체에 대한 고민이 아니라 더 단순하고 즉각적인 문제에 대한 해결책을 찾는 것이라고 생각한다.

의료 관계에서 AI가 흡수할 수 있는 부분에 대해 물어보기 전에, 임상의가 행정 작업으로 인해 과도한 업무를 수행하고 있다는 더 간단한 문제를 해결해야 한다. 환자들은 임상의의 시간이 부족하기 때문에 적절한 시간에 예약을 잡을 수 없다. 이것이 병목 현상이 시작되는 곳이며, 여기서 AI가 운영 부담을 줄이는 데 절실히 필요하다.

이것은 특히 정신 건강 분야에서 더욱 느껴진다. 약 2,200만 명의 미국人が ADHD를 가지고 있으며, 불안 장애는 약 19%의 미국 성인을 1년 동안 영향을 미친다. 이는 평생에 약 31%에 해당한다. 이 두 가지 조건 모두 잘 치료할 수 있지만, 수백만 명이 가이드라인에 따라 추천되는 치료를 받지 못한다. 문제는 인식의 부족이 아니라, 시장에는 다양한 자기 도움 도구, 콘텐츠, 추적기 및 ADHD 친화적 앱이 존재한다는 것이다. 실제로 존재하는 간격은 적절한 임상 치료, 진단 및 약물 관리에 대한 접근이다.

이 글은 더 단순한 출발점을 주장한다. 현재 의료 분야에서 AI의最高 ROI 역할은 행정적인 것이다. 임상 환경에서 너무 일찍 AI를 사용하면 더 많은 문제를 생성할 수 있다. 우리가 치료의 신뢰할 수 있는 부분으로 AI를 만들고 싶다면, 가장 먼저 부담이 가장 크고 이익이 즉각적인 곳에 배치해야 한다.

데이터는 AI가 더 효율적으로 사용될 수 있는 곳을 보여준다

의료 분야에서 빌드를 할 때 빠르게 나타나는 패턴이 있다. 임상의를 고용하면 몇 개월 내에 임상의는 완전히 예약이 된다. 우리는 이것을 반복적으로 본다. 이것은 단순히 제공자 부족이 아니라, 패널이 채워지면 제공자 시간이 어떻게 소비되는지를 의미한다.

정신 의학 분야에서는 약 80%의 예약이 루틴 후속이다. 이것들은 모두 복잡한 진단遭遇가 아니다. 많은 경우는 안정적인 환자들이 동일한 치료 과정을 계속하고, 증상을 검토하고, 약을 갱신하는 것이다. 그러나 이러한 방문은 문서화, 검증, 기록 검토, PDMP 검사 및 처방 워크플로우의 전체 중량을 нес고 있다. 제공자는 이러한 행정 작업에 평균 16시간을 소비한다. 이것은 새로운 환자 또는 단순히 더 복잡한 경우에 대한 임상 주의로 사용할 수 있는 시간이다.

이것은 많은 AI 토론이 운영 현실과 분리되는 곳이다. 산업은 의사의 역할을 AI가 대체할 수 있는지 묻고 있지만, 실제로 많은 능력 손실은 임상 판단이 필요하지 않은 작업에서 비롯된다. 이러한 작업은 차트 작성, 검증, 기록 검토 및 후속 워크플로우와 같은 작업이다. 이것들은 AI가 이미 유용하고 측정 가능한 방식으로 지원할 수 있는 프로세스이다.

만약 당신이 그 시간을 회복한다면, 당신은 제공자에 대한 부담을 줄이는 것뿐만 아니라, 더 많은 환자에게 예약을 재개할 수 있다. 대기 시간은 중요한 의료 접근 문제이다. 환자들은 종종 전문가를 볼 수 있는 시간을 기다리며, 접근은 다양한 지역에서 여전히 불균일하다. HHS는 계속해서 주목하고 있다. 농촌 및 전방 커뮤니티는 제공자가 너무 적고, 행동 건강 지원이 부족하다는 것을 지적하며, 텔레헬스를 통해 정신 건강 치료에 대한 접근을 크게 증가시킬 수 있다고 말한다.

의료 분야에서 AI를 자동화하는 것이 가장 어려운 이유

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

Undoubtedly, 특정 가이드라인, 규정 및 문서화 규칙이 있다. 그러나 각 임상의마다 이전 환경에서 형성된 습관, 워크플로우 및 프로토콜을 가지고 있다. 두 제공자는 동일한 조건을 동일한 법적 프레임워크 아래서 치료하고 있지만, 여전히 루틴 치료에 대해 상당히 다른 방식으로 접근할 수 있다. AI는 이러한 변화를 고려해야 하는 동시에 치료 표준에서 벗어나지 않아야 한다. 이것은 데모에서 잘 수행하는 모델을 구축하는 것보다 훨씬 더 어려운 업적이다.

규제에 관해서는, 준수는 대부분 계층화되어 있다. 주 라이센스 보드, 연방 기관, HIPAA, 처방 모니터링 시스템, 주 데이터베이스 및 내부 임상 SOP가 모두 교차한다. 한 주에서 준수되는 동작은 다른 주에서 준수되지 않을 수 있다. 제품 관점에서 무해한 것으로 보이는 워크플로우는 처방, 환자 신원, 기록 보존 또는 감사 가능성과 관련하여 위험해질 수 있다. 이 프로세스에는 구조적 복잡성이 있다.

데이터 부분도 예상과는 다르게 간단하지 않다. 의료 분야에서는 단순히 일반 도구를 연결하여 사용자 행동에서 학습을 시작할 수 없다. 일부 표준 분석 도구 및 데이터 파이프라인은 HIPAA 규정으로 인해 적합하지 않을 수 있다. 사용자 워크플로우 내에서 데이터가 저장, 처리, 감사 및 표면화되는 방식에 대한 사용자 정의 인프라가 필요하다. 의료 분야에 진출하는 시스템의 기초가 되어야 한다. 핵심은 의료 AI가 실제 임상 운영에 기반해야 한다는 것이다.

임상의를 위한 이 아키텍처는 행정 작업으로 인한 시간을 줄여주고, 새로운 환자 및 복잡한 경우에 더 많은 시간을 할애할 수 있다. 환자에게는 더 빠른 의료 접근과 더 일관된 치료를 제공한다. 규제 기관도 현재 시스템이 워크플로우 내에서 일관성을 숨기는 것을 혜택을 받는다. 올바른 AI 배치는 워크플로우를 더 읽기 쉽고 검토 가능하게 만든다. 검토 자체는 인간이 만든 문서보다 훨씬 더 쉽게 감사할 수 있다.

신뢰할 수 있는 도구로 발전하여 의료 분야에서 어려움을 겪고 있는 영역을 개선하는 데 도움이 된다.

AI의最高 ROI 배치는 의료의 행정 계층이다

나는 독자에게 임상을 대체하는 것보다 임상의를 둘러싼 운영 마찰을 제거하는 것의 중요성을 강조했다. 여기서 실제로 무엇을 의미하는지 확장하고 싶다.

차트 생성. AI는 방문 중에 실시간으로 문서화 및 차트를 생성할 수 있다. 이것은 차트 작성 부담을 줄여주고, 근무 후 시간을 단축하며, 당일 완성을 더 현실적으로 만든다. MEDvidi의 내부 프레임워크에서 차트 생성기는 방문 중에 지속적으로 문서를 업데이트하며 차트 작성 시간을 크게 줄일 수 있도록 설계되었다.

차트 검토. AI는 또한 내부 SOP에 대한 차트를 검토하고, 처방 단계에 도달하기 전에 편차를 플래그할 수 있다. 대부분의 의료 품질 검토는 여전히 부분적이고 수동적이기 때문에, 샘플의 일부가 아니라 모든遭遇를 검토함으로써, 준수는 더 가시적이고 일관적이게 된다.

방문 전 워크플로우 자동화. 제공자의 많은 시간이 실제 임상 결정 이전에 身分 검증, 주 데이터베이스 교차 검사, 의료 기록 검토, 잠재적인 부작용 또는 문서화 격차를 위한 패턴 검색과 같은 작업에 소비된다. 이것은 모두 임상의의 판단을 대체하지는 않지만, 모두 시간을 소비한다. 이는 AI가 임상의가 개입하기 전에 이러한 계층을 처리하는 데 도움이 될 수 있는 이유이다.

루틴 처방 관리. 안정적인 후속 치료는 AI가 특히 유용할 수 있는 분야이다. 치료가 일관된 환자에게, AI는 갱신 워크플로우를 관리하고 기록을 준비할 수 있다. 임상의는 여전히 최종 결정에 대한 검토 및 승인을 담당한다. 이것은 완전히 자율적인 치료와는 다른 모델이다. 더狭い, 더 안전하고, 실제 시스템의 병목 현상에 더 관련이 있다.

이러한 사용 사례 모두 공통점이 있다. 시간을 절약하여 치료 능력을 확대한다. 이것이 내가 행정 계층에서 AI를 먼저 배치하는 것을 주장하는 중추적인 논리이다.

임상 환경을 위한 올바른 AI 아키텍처

의사 대체는 또 다른 AI의 공포 이야기 중 하나로, 헤드라인을 선동하고 전문가들의 마음에 불안을 조성한다. 훨씬 더 실용적이고 유익하며, 필수적인 모델은 의료 분야에서 임상의 중심의 보강이다.

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

의료 분야에서 AI는 실제 임상 데이터가 필요하다. 오프-더-셸프 모델과 일반적인 데이터 세트는 충분하지 않다. 임상 워크플로우는 너무 특정적이고, 규제는 너무 계층화되어 있으며, 오류의 여지는 너무 작다. 실제 방문 수로 구성된 고유한 데이터 세트로 훈련된 AI 시스템이 있어야 하며, 제공자 검토 및 SOP 준수가 워크플로우에 내장되어 있어야 한다. 핵심은 의료 AI가 실제 임상 운영에 기반해야 한다는 것이다.

임상의를 위한 이 아키텍처는 행정 작업으로 인한 시간을 줄여주고, 새로운 환자 및 복잡한 경우에 더 많은 시간을 할애할 수 있다. 환자에게는 더 빠른 의료 접근과 더 일관된 치료를 제공한다. 규제 기관도 현재 시스템이 워크플로우 내에서 일관성을 숨기는 것을 혜택을 받는다. 올바른 AI 배치는 워크플로우를 더 읽기 쉽고 검토 가능하게 만든다. 검토 자체는 인간이 만든 문서보다 훨씬 더 쉽게 감사할 수 있다.

신뢰할 수 있는 도구로 발전하여 의료 분야에서 어려움을 겪고 있는 영역을 개선하는 데 도움이 된다.

결론

임상을 받는 사람들이 임상의가 무심한 것으로 생각하는 것은 실제 문제를 감지하는 것이다. 임상의의 에너지를 모든 방향에서 구멍이 나있는 풍선으로 생각해 보라. 물론, 그들은 당신에게 주의를 기울이거나 정신적인 밴드幅을 가지고 있지 않다.

AI로 인해 먼저 해고될 것인지에 대한 두려움에 대한 논의에 뛰어드는 대신, 특히 의료 분야에서, 이러한 기술을 사용하여 인간이 어려움을 겪는 작업 계층을 수정하는 것이 더 합리적이다. AI가 इतन 유용한 이유는 바로 그 무한한 에너지이다. 인간 임상의는 이러한 에너지를 소유하지 않는다.

의료 분야가 규제의 복잡성, 제공자 행동의 변이, 사용자 정의 인프라의 필요성 및 오류의 비용이 엄청난 것 때문에 자동화하기 어려운 것은 이해할 수 있다. 하지만 실제로 해결할 수 있는 행정적인 병목 현상이 있다. 우리 손가락 끝에 있는 기술을 사용해 보자.

행정적인 병목 현상을 해결하지 않고서는 임상 AI가 더 큰 규모에서 신뢰를 얻는 데 어려움을 겪을 것이다.

나는 근미래 모델이 간단하다고 생각한다. AI는 기록을 검토하고, 부작용을 확인하고, 身分을 검증하며, 차트를 생성하고, 처방 워크플로우를 준비한다. 임상의는 전체 그림을 검토하고 최종 결정에 대한 승인을 담당한다. 안정적인 후속 치료를 위한 20분 방문이 필요한 것이 더 짧고, 더 깨끗하고, 더 안전한 프로세스가 될 수 있다.

이것은 종이上에서 사소해 보일 수 있지만, 수동으로 유지되어 온 시스템에서 주요한 개혁이다. 이것은 모든 사람에게 영향을 미친다.