Waarom AI in de gezondheidszorg op de verkeerde plaats wordt ingezet

De industrie jaagt achter het verkeerde probleem aan

Het onderwerp van gesprek in de gezondheidszorg AI tegenwoordig is autonomie. Kan AI ziektes diagnosticeren? Kan het medicijnen voorschrijven? Kan het uiteindelijk de arts vervangen?

We hoeven niet langer te speculeren over deze wat-als-scenario’s, omdat we nu reële voorbeelden hebben van de toepassing van AI in de gezondheidszorg. Utah heeft al de deur geopend voor autonome AI in het vernieuwen van recepten via zijn regelgevingszandbak. Andere staten kijken toe om te zien of deze vroege proefprojecten aanvaardbare veiligheid en efficiëntie laten zien.

Maar ik denk dat het zich afvragen of AI de arts kan vervangen, de verkeerde plaats is voor de industrie om te beginnen.

Voordat we ons afvragen hoeveel van de klinische relatie AI kan absorberen, moeten we het veel simpelere en directe probleem aanpakken dat voor ons ligt. Clinici zijn overweldigd door administratief werk. Patiënten kunnen nog steeds geen tijdige afspraken krijgen omdat de toegang niet zozeer wordt beperkt door een gebrek aan patiëntvraag, maar door een gebrek aan bruikbare clinici-tijd. Dat is waar de achterstand begint, en dat is waar AI nodig is om de operationele lasten te verlichten.

Dit is vooral voelbaar in de geestelijke gezondheidszorg. Ongeveer 22 miljoen Amerikanen leven met ADHD, en angststoornissen treffen ongeveer 19% van de Amerikaanse volwassenen in een bepaald jaar. Dat is ongeveer 31% over een hele leven. Beide aandoeningen zijn zeer behandelbaar, maar miljoenen ontvangen geen richtlijn-aanbevolen zorg. Het probleem is niet een gebrek aan bewustzijn, want zelfs een vluchtige blik op de markt toont een verscheidenheid aan zelfhulpinstrumenten, inhoud, trackers en ADHD-vriendelijke apps. Het werkelijke gat is de toegang tot daadwerkelijke klinische zorg, diagnose en medicatiebeheer wanneer dat nodig is.

Dit artikel pleit voor een eenvoudiger startpunt. De hoogste ROI-rol van AI in de gezondheidszorg vandaag is administratief. Het te vroeg gebruiken van AI in de klinische setting kan meer problemen creëren dan voordelen. Als we willen dat AI een vertrouwd onderdeel van de zorg wordt, moeten we het eerst inzetten waar de last het zwaarst is en het voordeel onmiddellijk is.

De gegevens laten zien waar AI efficiënter kan zijn

Er is een patroon dat zich snel laat zien als je in de gezondheidszorg bouwt. Wat voor clinici je ook inhuurt, binnen een paar maanden is die clinici volledig geboekt. We hebben dit herhaaldelijk gezien. Dit betekent niet dat er alleen een tekort aan zorgverleners is in het abstract, maar hoe de tijd van de zorgverlener wordt opgebruikt zodra een paneel begint vol te raken.

In de psychiatrie zijn ongeveer 80% van de afspraken routine-controles. Dit zijn niet alle complexe diagnostische ontmoetingen. Velen zijn stabiele patiënten die dezelfde behandeling voortzetten, symptomen controleren en medicatie vernieuwen als alles nog steeds passend is. Toch dragen deze bezoeken het volle gewicht van documentatie, verificatie, geschiedenisbeoordeling, PDMP-controles en voorschrijfworkflow met zich mee. Zorgverleners besteden gemiddeld 16 uur per week aan dergelijk administratief werk. Dat is tijd die had kunnen gaan naar nieuwe patiënten of gewoon betere klinische aandacht voor patiënten en complexe gevallen.

Dit is waar veel AI-discussie losgekoppeld raakt van de operationele realiteit. De industrie blijft vragen of AI de rol van de arts kan overnemen, terwijl in feite een groot deel van het verloren capaciteit afkomstig is van taken die niet veel klinische oordeel vereisen om te beginnen. Dit kunnen taken zijn zoals het opstellen van documenten, verificatie, het beoordelen van dossiers en follow-up-workflows. Dit zijn precies het soort processen dat AI al op een nuttige en meetbare manier kan ondersteunen.

Als je die tijd terugwint, vermindert niet alleen de last voor de zorgverlener, maar wordt ook de agenda opnieuw geopend voor meer patiënten. Wachttijd is een aanzienlijk gezondheidszorgtoegangsprobleem. Patiënten wachten vaak weken om een professional te zien, en toegang blijft ongelijk verdeeld over verschillende regio’s. HHS blijft opmerken dat plattelands- en grensgemeenschappen te weinig zorgverleners en te weinig gedragsgezondheidssteun hebben, en noemt telehealth als een manier om de toegang tot geestelijke gezondheidszorg aanzienlijk te vergroten.

Waarom de gezondheidszorg de moeilijkste industrie is om te automatiseren met AI

De gezondheidszorg kan van buitenaf gestandaardiseerd lijken. In werkelijkheid is het zowel gestandaardiseerd als variabel.

Er zijn ongetwijfeld bepaalde richtlijnen, regelgeving en documentatie-regels. Echter, elke clinici brengt ook gewoonten, workflows en protocollen met zich mee die zijn gevormd door eerdere instellingen. Twee zorgverleners kunnen dezelfde aandoening behandelen onder hetzelfde wettelijke kader, terwijl ze nog steeds routinezorg op significante wijze verschillend benaderen. AI moet rekening houden met die variatie zonder af te wijken van de zorgstandaard. Dat is een veel moeilijker prestatie dan het bouwen van een model dat goed presteert in een demo.

Wanneer het gaat om regelgeving, is naleving meestal in lagen. Staatslicentieborden, federale agentschappen, HIPAA, receptenbewakingsystemen, staatsdatabases en interne klinische SOP’s komen allemaal samen. Een compliant actie in een staat kan niet-compliant zijn in een andere staat. Een workflow die vanuit een productperspectief onschuldig lijkt, kan riskant worden zodra het gaat om voorschrijven, patiëntidentiteit, dossierretentie of controleerbaarheid. Er is structurele complexiteit bij het proces.

Het gegevensdeel is ook niet zo eenvoudig als men zou verwachten. In de gezondheidszorg verbind je geen gewone instrumenten samen en begin je niet met het leren van gebruikersgedrag. Sommige standaardanalyse-instrumenten en gegevenspijpleidingen zijn niet geschikt vanwege HIPAA-regelgeving, tenzij ze fundamenteel worden gewijzigd. Je hebt vaak aangepaste infrastructuur vanaf de grond af nodig. Dingen zoals hoe gegevens worden opgeslagen, verwerkt, gecontroleerd en in de workflow getoond. Een verbazingwekkend aantal bedrijven onderschat dit totdat ze diep in hun bouwproces zitten en dan hun hele werk moeten omkeren.

Maar meer dan alles, zou ik zeggen dat het grootste probleem eenvoudigweg is dat de kosten van het maken van een fout in de gezondheidszorg vrij steil zijn.

Een gebrekkig resultaat kan slechts ongemak veroorzaken in andere industrieën, maar in de gezondheidszorg kan het de kwaliteit van de behandeling, patiëntveiligheid, voorschrijfgedrag of regelgevingsblootstelling beïnvloeden. De menselijke gezondheid is niets waar we mee kunnen spelen om onze AI-modellen te verbeteren, en terecht. Dit moet worden gebruikt als de leidende principe om ons te helpen begrijpen waar AI het eerst in deze industrie kan worden ingezet.

De hoogste ROI-implementatie van AI in de gezondheidszorg is de administratieve laag

Ik hoop dat ik de lezer heb doen inzien hoe belangrijk het is om onze focus te verleggen van het vervangen van de arts met AI naar het wegnemen van de operationele wrijving rond de arts. Ik zal hier uitbreiden over wat dit in de praktijk betekent.

Opstellen van documenten. AI kan documenten transcriberen en opstellen in real-time tijdens bezoeken. Dit vermindert de last van het opstellen van documenten, verkort het aantal uren dat na kantooruren wordt besteed, en maakt het veel realistischer om documenten dezelfde dag nog te voltooien. In MEDvidi’s interne kader werkt de documentgenerator de documentatie continu bij tijdens de ontmoeting en is ontworpen om de tijd die nodig is voor het opstellen van documenten aanzienlijk te verkorten.

Beoordeling van documenten. AI kan ook documenten beoordelen tegen interne SOP’s en afwijkingen markeren voordat ze het voorschrijfstadium bereiken. De meeste kwaliteitsbeoordelingen in de gezondheidszorg zijn nog steeds gedeeltelijk en handmatig; door elke ontmoeting te beoordelen in plaats van een kleine steekproef, wordt de naleving zichtbaarder en consistenter.

Automatisering van de voorafgaande workflow. Een groot deel van de tijd van de zorgverlener wordt besteed aan dingen voor de daadwerkelijke klinische beslissing, zoals identiteitsverificatie, het controleren van staatsdatabases, het beoordelen van de medische geschiedenis, het zoeken naar potentieel contraindicaties of het screenen op patronen die mogelijk drugzoekend gedrag of documentatiegaten suggereren. Niets hiervan vervangt oordeel, maar alles hiervan verbruikt tijd, en dat is waarom AI kan helpen deze lagen te verwerken voordat de clinici zich ermee bemoeien.

Routine medicatiebeheer. Stabiele follow-upzorg is waar AI bijzonder nuttig kan zijn. Voor patiënten wiens behandeling consistent is gebleven, kan AI helpen bij het beheer van de vernieuwingsworkflow en het voorbereiden van het dossier, terwijl de arts nog steeds de volledige afbeelding beoordeelt en de definitieve beslissing goedkeurt. Dat is een heel ander model dan volledig autonome zorg, omdat het smaller, veiliger en veel relevanter is voor de werkelijke bottleneck in het systeem.

Elk van deze use cases heeft iets gemeen. Ze besparen tijd op een manier die de zorgcapaciteit uitbreidt. Dat is mijn centrale argument voor waarom ik de administratieve laag zie als de plaats met de hoogste ROI om AI eerst in te zetten.

De juiste AI-architectuur voor klinische omgevingen

Het vervangen van de arts is een van die AI-bogeymannen-verhalen die sensationele koppen creëren en ongemak in de geesten van professionals brengen. Een veel praktischer, nuttiger en onmisbaarder model is arts-gecentreerde augmentatie in de gezondheidszorg.

Binnen een dergelijke architectuur heeft de clinici de finale zeg over elke klinische beslissing, voorschrijving. Behandelingsplannen worden nog steeds beoordeeld en goedgekeurd door een bevoegde medische zorgverlener. AI behandelt eenvoudigweg de details van documentatie, verificatie, de beoordelingslaag en repetitieve taken rond het bezoek. Dat is de veiligste manier om efficiëntie te verbeteren en aansprakelijkheid te behouden.

AI in de gezondheidszorg heeft ook daadwerkelijke klinische gegevens nodig, omdat standaardmodellen en generieke datasets niet voldoende zijn. Klinische workflows zijn te specifiek, regelgeving is te ingewikkeld, en de marge voor fouten is te klein. Een AI-systeem getraind op een propriëtaire dataset van patiëntbezoeken per maand, met zorgverlenersbeoordeling en SOP-naleving ingebouwd in de workflow, moet de basis vormen van elk systeem dat deze branche betreedt. Het cruciale punt is dat AI in de gezondheidszorg moet worden geworteld in de reële klinische operaties in plaats van een algemene modelcapaciteit te zijn.

Voor clinici vermindert deze architectuur de uren die verloren gaan aan administratief werk en reserveert meer tijd voor nieuwe patiënten en complexe gevallen. Voor patiënten biedt het snellere toegang tot de gezondheidszorg tegen een lagere kostprijs, gekoppeld aan meer consistentie in hoe de zorg wordt gedocumenteerd en geleverd. Regulatoren profiteren ook door meer zichtbaarheid te hebben, aangezien het huidige systeem vaak inconsistentie verbergt in verspreide workflows. De correcte inzet van AI maakt workflows dan leesbaarder en controleerbaarder. De controle zelf is veel gemakkelijker te auditen dan door mensen gemaakte documentatie.

Door betrouwbaar te worden binnen een meetbare workflow, wordt AI een betrouwbaar instrument om een gebied te verbeteren waarin een dergelijke vitale industrie duidelijk worstelt.

Conclusie

Wanneer mensen klagen over hun medische zorgverlener die onoplettend is, zien ze een echt probleem. Denk aan de energie van uw medische zorgverlener als een ballon die van alle kanten wordt doorboord door alledaagse, repetitieve taken. Natuurlijk hebben ze geen tijd of mentale bandbreedte om met u attent om te gaan.

In plaats van op de sensatietrein te springen van wie het eerst wordt ontslagen vanwege AI, is het verstandiger, vooral in de gezondheidszorg, om de technologie te gebruiken om lagen van werk te repareren die mensen moeilijk vinden. Het allerbelangrijkste dat AI zo gunstig maakt, is zijn onvermoeibaarheid – iets dat menselijke clinici niet bezitten.

Het is begrijpelijk waarom de gezondheidszorg moeilijk te automatiseren is vanwege complexe regelgeving, variatie in zorgverlenersgedrag, de noodzaak van aangepaste infrastructuur en de kosten van fouten enorm zijn. Er is echter een echte administratieve blokkade die kan worden opgelost met deze technologie die we tot onze beschikking hebben. Laten we het gebruiken.

Zonder te beginnen bij de administratieve blokkade, zal klinische AI worstelen om vertrouwen te verdienen van mensen op een grotere schaal wanneer de capaciteiten zich ontwikkelen tot meer dan wat het vandaag kan doen.

Ik denk dat het near-term model eenvoudig is. AI beoordeelt de geschiedenis, controleert op contraindicaties, verifieert identiteit, genereert het document en bereidt de voorschrijfworkflow voor. De arts beoordeelt het volledige beeld en keurt de definitieve beslissing goed. Wat eerder een volledig 20-minutenbezoek voor een stabiele follow-up vereiste, kan een korter, schoner, veiliger proces worden.

Het mag dan misschien onbeduidend lijken op papier, maar dit is een grote herziening van een systeem dat al zo lang handmatig is gebleven en iedereen beïnvloedt.