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 naar autonome AI in het vernieuwen van medicijnen via zijn regelgevingsandbox. Andere staten kijken toe om te zien of die vroege proefprojecten aanvaardbare veiligheid en efficiëntie laten zien.

Maar ik denk dat het zich afvragen of AI de arts kan vervangen, het verkeerde startpunt is voor de industrie.

Voordat we ons afvragen hoeveel van de klinische relatie AI kan absorberen, moeten we het veel eenvoudigere 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 wordt beperkt door een gebrek aan bruikbare clinici-tijd. Dat is waar de achterstand begint, en dat is waar AI nodig is om 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-gebaseerde zorg. Het probleem is niet een gebrek aan bewustzijn, want zelfs een vluchtige blik op de markt toont een verscheidenheid aan zelfhulp-tools, 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. AI’s hoogste-ROI-rol in de gezondheidszorg vandaag is administratief. Het te vroeg inzetten 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 data onthult waar AI efficiënter kan zijn

Er is een patroon dat zich snel openbaart wanneer je in de gezondheidszorg werkt. Welke clinici je ook inhuurt, binnen een paar maanden zijn ze volledig geboekt. We hebben dit herhaaldelijk gezien. Dit betekent niet dat er alleen een tekort aan zorgverleners is in het abstracte, maar hoe de tijd van de zorgverleners wordt opgemaakt zodra een panel vol raakt.

In de psychiatrie zijn ongeveer 80% van de afspraken routine-controles. Deze zijn niet allemaal complexe diagnostische ontmoetingen. Veel zijn stabiele patiënten die dezelfde behandeling voortzetten, controleren, symptomen bekijken 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-discussies loskomen 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 komt van taken die niet veel klinische oordeel vereisen in de eerste plaats. Deze taken zijn bijvoorbeeld het opmaken van dossiers, verificatie, het bekijken van dossiers en follow-up-workflows. Deze zijn precies de soort processen die AI al op een nuttige en meetbare manier kan ondersteunen.

Als je die tijd terugwint, vermindert je niet alleen de last voor de zorgverlener, maar open je ook de agenda voor meer patiënten. Wachttijd is een aanzienlijk toegangsprobleem in de gezondheidszorg. Patiënten wachten vaak weken om een professional te zien, en de toegang blijft ongelijk verdeeld over verschillende regio’s. HHS merkt op dat plattelands- en grensgebieden te weinig zorgverleners en te weinig geestelijke gezondheidszorg 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 lijkt van buitenaf gestandaardiseerd. In werkelijkheid is het zowel gestandaardiseerd als variabel.

Er zijn ongetwijfeld bepaalde richtlijnen, regels en documentatie-regels. Echter, elke clinici brengt ook gewoonten, workflows en protocollen met zich mee die zijn gevormd door eerdere omgevingen. Twee zorgverleners kunnen dezelfde aandoening behandelen onder hetzelfde wettelijke kader, terwijl ze toch routinezorg op significante wijze verschillend benaderen. AI moet rekening houden met die variatie zonder af te wijken van de standaard van zorg. 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 laagdrempelig. Staatslicentieraad, federale agentschappen, HIPAA, voorschrijfmonitoringssystemen, staatsdatabases en interne klinische SOP’s komen allemaal samen. Een compliant actie in een staat kan non-compliant zijn in een andere staat. Een workflow die onschuldig lijkt vanuit een productperspectief kan riskant worden zodra het gaat om voorschrijven, patiëntidentiteit, dossieropslag of controleerbaarheid. Er is structurele complexiteit bij het proces betrokken.

Het datapunt is ook niet zo eenvoudig als men zou verwachten. In de gezondheidszorg verbind je geen gewone tools samen en begin je niet met het leren van gebruikersgedrag. Sommige standaardanalyse-tools en datapijpleidingen zijn niet geschikt vanwege HIPAA-regels, tenzij ze fundamenteel worden gewijzigd. Je hebt vaak aangepaste infrastructuur nodig vanaf het begin. Dingen zoals hoe data wordt opgeslagen, verwerkt, gecontroleerd en getoond in de workflow. Een verrassend aantal bedrijven onderschatten 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 behoorlijk hoog zijn.

Een gebrekkige output kan mogelijk alleen ongemak veroorzaken in andere industrieën, maar in de gezondheidszorg kan het de kwaliteit van de behandeling, patiëntveiligheid, voorschrijfgedrag of regelgevingsblootstelling beïnvloeden. Menselijke gezondheid is niet iets waar we mee kunnen spelen om onze AI-modellen te verbeteren, en terecht. Dit moet worden gebruikt als de leidende principes om ons te helpen begrijpen waar AI het eerst in deze industrie kan worden geïntroduceerd.

AI’s hoogste-ROI-inzet 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 hoe dit er in de praktijk uitziet.

Dossiergeneratie. AI kan documentatie transcriberen en opmaken in real-time tijdens bezoeken. Dit vermindert de last van dossieropmaak, verkort het aantal uren na kantooruren en maakt het veel realistischer om dezelfde dag af te ronden. In MEDvidi’s interne kader wordt de dossiergenerator voortdurend bijgewerkt tijdens het bezoek en is ontworpen om de tijd voor dossieropmaak aanzienlijk te verkorten.

Dossierbeoordeling. AI kan ook dossiers controleren op 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 controleren 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 als identiteitsverificatie, controle van staatsdatabases, beoordeling van de medische geschiedenis, zoeken naar potentieel contra-indicaties of screening op patronen die mogelijk medicijnzoekgedrag of dossierlacunes suggereren. Niets van dit alles vervangt oordeel, maar het verbruikt allemaal tijd, en dat is waarom AI kan helpen deze lagen te verwerken voordat de clinici ingrijpen.

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 bekijkt en de finale 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 sparen tijd op een manier die de capaciteit van de zorg uitbreidt. Dat is mijn centrale argument voor waarom ik de administratieve laag zie als de hoogste-rentable plek om AI eerst in te zetten.

De juiste AI-architectuur voor klinische omgevingen

Artsvervanging is een van die AI-bogeymannen-verhalen die sensationele koppen maken en ongemak in de gedachten van professionals brengen. Een veel praktischer, nuttiger en onmisbaarder model is arts-gecentreerde versterking in de gezondheidszorg.

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

AI in de gezondheidszorg heeft ook daadwerkelijke klinische data nodig, omdat standaardmodellen en generieke datasets niet voldoende zijn. Klinische workflows zijn te specifiek, regels zijn te laagdrempelig en de marge voor fouten is te klein. Een AI-systeem getraind op een propriëtaire dataset van patiëntbezoeken per maand, met zorgverlenerbeoordeling en SOP-naleving ingebouwd in de workflow, moet de basis zijn van elk systeem dat deze branche betreedt. Het kernpunt is dat AI in de gezondheidszorg moet worden gebaseerd op echte klinische operaties in plaats van een algemeen modelcapaciteit.

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 gezondheidszorg tegen lagere kosten, gekoppeld aan meer consistentie in hoe zorg wordt gedocumenteerd en geleverd. Regulatoren profiteren ook door meer zichtbaarheid te hebben, aangezien het huidige systeem vaak inconsistentie verbergt in verspreide workflows. De juiste inzet van AI maakt workflows dan meer leesbaar en controleerbaar. De controle zelf is veel gemakkelijker te auditen dan door mensen gemaakte documentatie.

Door betrouwbaar te worden in 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 onoplettende medische zorgverlener, zien ze een echt probleem. Denk aan de energie van je medische zorgverlener als een ballon die van alle kanten wordt doorboord door saaie, herhalende taken. Natuurlijk hebben ze geen tijd of mentale capaciteit om met je om te gaan.

In plaats van op de angsttrein te springen over wie het eerst wordt ontslagen vanwege AI, is het verstandiger, vooral in de gezondheidszorg, om de technologie te gebruiken om lagen van werk aan te pakken die mensen moeilijk hebben. Het allerbelangrijkste dat AI zo gunstig maakt, is zijn onuitputtelijkheid – 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 hoge kosten van fouten. Er is echter een echte administratieve bottleneck die kan worden opgelost met deze technologie die we tot onze beschikking hebben. Laten we het gebruiken.

Zonder te beginnen met de administratieve bottleneck, zal klinische AI worstelen om vertrouwen te verdienen bij 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 bekijkt de geschiedenis, controleert op contra-indicaties, verifieert identiteit, genereert het dossier en bereidt de voorschrijfworkflow voor. De arts bekijkt de volledige afbeelding en keurt de finale beslissing goed. Wat eerder een volledig 20-minutenbezoek voor een stabiele follow-up vereiste, kan een korter, schoner, veiliger proces worden.

Het kan onbeduidend lijken op papier, maar dit is een grote ommekeer in een systeem dat al zo lang handmatig is gebleven en iedereen aangaat.