Hvorfor AI i helsevesenet blir deployert på feil sted

Bransjen jakter på feil problem

Snakk om AI i helsevesenet i dag handler om autonomi. Kan AI diagnostisere sykdommer? Kan det skrive ut medisiner? Kan det til slutt erstatte legen?

Vi trenger ikke lenger å spekulere over disse hva-om-scenarioene fordi vi nå har virkelige eksempler på AI-applikasjoner i helsevesenet. Utah har allerede åpnet døren for autonom AI i fornyelse av resepter gjennom sin reguleringssandbox. Andre stater ser på for å se om disse tidlige pilotprosjektene viser akseptabelt sikkerhet og effisiens.

Men jeg tror at å undre seg over om AI kan erstatte legen er feil sted for bransjen å starte.

Før vi spør hvordan mye av den kliniske relasjonen AI kan absorbere, bør vi håndtere det mye enklere og mer umiddelbare problemet som sitter foran oss. Klinikere er overveldet av administrativt arbeid. Pasienter kan fortsatt ikke få tidlige avtaler fordi tilgangen er begrenset mindre av manglende pasientetterspørsel enn av manglende brukbar legetid. Det er der køen starter, og det er der AI er nødvendig for å lette operasjonelle byrder.

Dette er spesielt påtagelig i psykisk helse. Rundt 22 millioner amerikanere lever med ADHD, og angstlidelser rammer omtrent 19% av voksne i USA i løpet av ett år. Det er omtrent 31% over en livstid. Begge tilstander er høyt behandlelige, men millioner mottar ikke retningslinje-anbefalt behandling. Problemet er ikke manglende bevissthet, for selv en overflatisk gjennomgang av markedet vil vise en rekke selvhjelpsverktøy, innhold, sporingsverktøy og ADHD-vennlige apper. Det faktiske gapet er tilgangen til faktisk klinisk behandling, diagnose og medikamentbehandling når det er nødvendig.

Denne artikkelen argumenterer for et enklere utgangspunkt. AI sin høyest-avkastningsrolle i helsevesenet i dag er administrativ. Å bruke det for tidlig i den kliniske settingen kan skape flere problemer enn fordeler. Hvis vi ønsker at AI skal bli en pålitelig del av omsorgen, må vi deployere det først der byrden er tyngst og gevinsten er umiddelbar.

Dataene avslører hvor AI kan være mer effektiv

Det finnes en mønster som avsløres svært raskt når du bygger i helsevesenet. Uansett hvilken kliniker du ansetter, vil den klinikeren være fullt booket innen noen måneder. Vi har sett dette gjentatte ganger. Dette betyr ikke at det bare er en lege-mangel i abstrakt, men hvordan legens tid blir forbrukt når en panelet begynner å fylle.

I psykiatri er omtrent 80% av avtaler rutinemessige oppfølgingsavtaler. Disse er ikke alle komplekse diagnostiske møter. Mange er stabile pasienter som fortsetter den samme behandlingen, sjekker inn, gjennomgår symptomer og fornyer medisiner hvis alt fortsatt er passende. Likevel bærer disse avtalene den fulle vekten av dokumentasjon, verifisering, historie-gjennomgang, PDMP-sjekker og skript-arbeidsflyt. Leverandører bruker en gjennomsnitt på 16 timer per uke på slike administrative arbeid. Det er tid som kunne ha gått til nye pasienter eller bare bedre klinisk oppmerksomhet til pasienter og komplekse saker.

Dette er der mye AI-diskusjon blir frakoblet fra operasjonell virkelighet. Bransjen spør om AI kan overta legens rolle når i virkeligheten en stor andel av kapasitets-tap kommer fra oppgaver som ikke krever mye klinisk dømmekraft fra først av. Disse kan være oppgaver som kartlegging, verifisering, gjennomgang av journaler og oppfølgings-arbeidsflyt. Disse er nettopp de typene prosesser AI allerede kan støtte på en nyttig og målbar måte.

Hvis du gjenvinner denne tiden, reduserer du ikke bare byrden på leverandøren, men åpner også opp for flere pasienter. Ventetid er et betydelig helsevesen-tilgangsspørsmål. Pasienter venter ofte uker for å se en profesjonell, og tilgangen er fortsatt ujevn over ulike regioner. HHS fortsetter å bemerke at landsby- og grense-samfunnene møter for få leverandører og for lite atferdshelse-støtte, og henviser til telehelse som en måte å øke tilgangen til psykisk helse på.

Hvorfor helsevesenet er den hardeste industrien å automatisere med AI

Helsevesenet kan se standardisert ut fra utsiden. I virkeligheten er det både standardisert og variabelt på samme tid.

Det finnes uten tvil visse retningslinjer, reguleringer og dokumentasjonsregler. Likevel bringer hver kliniker også med seg vaner, arbeidsflyt og protokoller formet av tidligere settinger. To leverandører kan behandle samme tilstand under samme lovlig rammeverk, mens de likevel nærmer seg rutinemessig omsorg på vesentlig forskjellige måter. AI må ta hensyn til denne variasjonen uten å gli bort fra omsorgsstandard. Det er en langt harder bragd enn å bygge en modell som fungerer bra i en demo.

Når det gjelder regulering, er compliance hovedsakelig lagd. Statlige lisensstyret, føderale byråer, HIPAA, resept-overvåkningssystemer, statlige databaser og interne kliniske SOP-er alle krysser hverandre. En compliant handling i en stat kan være ikke-compliant i en annen. En arbeidsflyt som ser harmløs ut fra et produkt-perspektiv kan bli risikabel når det kommer til å skrive ut resepter, pasient-identitet, journal-oppbevaring eller granskning. Det er strukturell kompleksitet involvert i prosessen.

Data-delen er heller ikke like enkel som man skulle tro. I helsevesenet kan du ikke bare koble sammen vanlige verktøy og starte å lære fra bruker-atferd. Noen standard-analyse-verktøy og data-pipelines er ikke egnet på grunn av HIPAA-reguleringer, med mindre de er fundamentalt endret. Du trenger ofte tilpasset infrastruktur fra bunnen av. Ting som hvordan data lagres, prosesseres, granskes og fremføres i arbeidsflyten. Et overraskende antall selskaper undervurderer dette til de er dypt inni byggeprosessen og må deretter endre hele arbeidet.

Men mer enn noe annet ville jeg si at det største problemet er at kostnadene ved å gjøre en feil i helsevesenet er ganske høye.

En feilaktig utgang kan bare skape ulemper i andre industrier, men i helsevesenet kan det påvirke behandlingskvalitet, pasient-sikkerhet, skript-atferd eller reguleringseksponering. Menneskets helse er ikke noe vi kan leke med for å forbedre våre AI-modeller, og rettmessig så. Dette bør brukes som den ledende prinsippet for å hjelpe oss å forstå hvor AI kunne bli introdusert først i denne industrien.

AI sin høyest-avkastnings-deployering i helse er den administrative laget

Jeg håper jeg har overbevist leseren om viktigheten av å flytte fokus fra å erstatte legen med AI til å rydde den operative friksjonen rundt legen. Jeg vil utvide her på hva dette ser ut som i praksis.

Kart-generering. AI kan transkribere og bygge dokumentasjon i sanntid under avtalene. Dette reduserer kart-leggingsbyrden, forkorter etter-timers arbeid og gjør det mer realistisk å fullføre på samme dag. I MEDvidi sitt interne rammeverk oppdaterer kart-generatoren dokumentasjonen kontinuerlig under møtet og er designet for å kutte kart-leggingstiden betydelig.

Kart-gjennomgang. AI kan også gjennomgå kart mot interne SOP-er og flagge avvik før de når skript-stadiet. De fleste helse-kvalitets-gjennomgangene er fortsatt delvis og manuelle; derfor blir compliance mer synlig og mer konsistent ved å gjennomgå hver enkelt møte i stedet for en liten prøve.

Før-avtale-arbeidsflyt-automatisering. En stor del av leverandørens tid brukes før den faktiske kliniske beslutningen på ting som identitets-verifisering, kryss-sjekking av statlige databaser, gjennomgang av medisinsk historie, søking etter potensielle kontraindikasjoner eller skjerming for mønster som kan antyde legemiddel-søking eller dokumentasjons-gapper. Ingen av disse erstatter dømmekraft, men alle disse forbruker tid, som er hvorfor AI kan hjelpe med å prosessere disse lagene før klinikeren trår inn.

Rutin-medisin-forvaltning. Stabil oppfølgings-omsorg er der AI kan være spesielt nyttig. For pasienter hvis behandling har forblitt konsekvent, kan AI hjelpe med å forvalte fornyelses-arbeidsflyten og forberede journalen, mens legen fortsatt gjennomgår og godkjenner den endelige avgjørelsen. Det er et helt annet modell enn fullt autonom omsorg fordi det er smalere, tryggere og mer relevant for den faktiske flaskehalsen i systemet.

Hver av disse bruks-tilfellene har noe til felles. De sparer tid på en måte som utvider omsorgskapasiteten. Det er mitt sentrale argument for hvorfor jeg ser den administrative laget som den høyest-avkastnings-plassen å deployere AI først.

Den riktige AI-arkitekturen for kliniske settinger

Leger-erstatning er et annet av disse AI-bøylene som skaper sensasjonelle overskrifter og jostler ubehag inn i profesjonelles sinn. En langt mer praktisk, nyttig og uunnværlig modell er lege-sentrert augmentasjon i helsevesenet.

Innenfor en slik arkitektur har klinikeren den endelige avgjørelsen på hver enkelt klinisk beslutning, skript. Behandlingsplaner vil fortsatt bli gjennomgått og godkjent av en lisensiert medisinsk leverandør. AI håndterer bare det praktiske av dokumentasjon, verifisering, gjennomgangs-laget og repetitive oppgaver rundt avtalen. Det er den tryggeste måten å forbedre effisiensen og opprettholde ansvar.

AI i helsevesenet trenger også faktiske kliniske data, siden standard-modeller og generiske datasett ikke er nok. Kliniske arbeidsflyt er for spesifikke, reguleringer er for lagde, og feil-margen er for liten. Et AI-system trent på et proprietært datasett av pasient-møter per måned, med leverandør-gjennomgang og SOP-overholdelse bygget inn i arbeidsflyten, bør være grunnlaget for ethvert system som går inn i dette feltet. Kjernen i det er at helse-AI må være grunnlagt i virkelige kliniske operasjoner i stedet for å være en generell modell-kapasitet.

For klinikere kutte denne arkitekturen ned på de timene som går tapt til administrativt arbeid og reserverer mer tid for nye pasienter og komplekse saker. For pasienter tilbyr det raskere tilgang til helsevesenet til en lavere kostnad, kombinert med mer konsistens i hvordan omsorgen dokumenteres og leveres. Regulatorer har også nytte av å ha mer synlighet, siden det nåværende systemet ofte skjuler inkonsistens inni spredte arbeidsflyt. Den riktige deployeringen av AI gjør arbeidsflytene mer leselige og gjennomgangs-barere. Gjennomgangen i seg selv er mye enklere å granske enn menneske-laget dokumentasjon.

Ved å bli pålitelig innenfor en målbar arbeidsflyt, blir AI et pålitelig verktøy for å forbedre et område som en så viktig industri åpenbart sliter med.

Konklusjon

Når folk klager over at deres medisinske leverandør er uoppmerksom, har de merket seg et virkelig problem. Tenk på din medisinske leverandørs energi som en ballong som punkteres fra alle kanter av mundane, repetitive oppgaver. Selvfølgelig har de ikke tid eller mentalt bredde til å håndtere deg oppmerksomt.

I stedet for å hoppe på skrekk-toget om hvem som blir lagt av først på grunn av AI, er det mer fornuftig å bruke teknologien til å fikse lag av arbeid som mennesker sliter med. Det som gjør AI så fordelerikt er dens uutmattelighet – noe menneskelige klinikere ikke besitter.

Det er forståelig hvorfor helsevesenet er vanskelig å automatisere på grunn av kompleks regulering, variasjon i leverandør-atferd, behov for tilpasset infrastruktur og kostnadene ved feil er enorme. Likevel er det en virkelig administrativ propell som kan fikses av denne teknologien vi har til våre fingertopper. La oss sette den i bruk.

Uten å starte med den administrative proppen, vil klinisk AI slite med å tjene tillit hos folk i større skala når dens evner utvikler seg utover hva den kan gjøre i dag.

Jeg tror den nærmeste modellen er enkel. AI gjennomgår historie, sjekker for kontraindikasjoner, verifiserer identitet, genererer kart-arbeidsflyten og forbereder skript-arbeidsflyten. Legen gjennomgår det fulle bildet og godkjenner den endelige avgjørelsen. Det som tidligere krevde en full 20-minutters avtale for en stabil oppfølgingsavtale kan bli en kortere, renere, tryggere prosess.

Det kan se mindre ut på papir, men dette er en stor omveltning i et system som har vært manuelt i så lenge og berører alle.