Hvorfor AI i helsevesenet blir deployet 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-hvis-scenarioene, for nå har vi virkelige eksempler på AI-applikasjoner i helsevesenet. Utah har allerede åpnet døren for autonom AI i reseptfornyelse gjennom sin reguleringssandbox. Andre stater ser på for å se om disse tidlige pilotprosjektene viser akseptabel sikkerhet og effisiens.

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

Før vi spør hvordan mye av den kliniske relasjonen AI kan absorbere, bør vi håndtere det mye enklere og mer presserende problemet som sitter foran oss. Klinikere er overveldet av administrative oppgaver. Pasienter kan fortsatt ikke få tidlige avtaler fordi tilgangen er begrenset mindre av en mangel på pasientetterspørsel enn av en mangel på brukbar klinikertid. Det er der køen starter, og det er der AI er nødvendig for å lette operative belastninger.

Dette er spesielt tydelig i psykisk helsevern. 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 omsorg. Problemet er ikke en mangel på bevissthet, selv om en flyktig blikk på markedet vil vise en rekke selvhjelpsverktøy, innhold, sporingsverktøy og ADHD-vennlige apper. Den faktiske gapet er tilgangen til faktisk klinisk omsorg, diagnose og medikamentbehandling når det er nødvendig.

Denne artikkelen argumenterer for en 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 belastningen 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, innen få måneder, er den klinikeren fullt booket. Vi har sett dette gjentatte ganger. Dette betyr ikke at det bare er en leverandør-mangel i abstrakt, men hvordan leverandørens tid blir konsumert når en panelet starter å fylle.

I psykiatri er omtrent 80% av avtaler rutine-oppfølgninger. Disse er ikke alle komplekse diagnostiske møter. Mange er stabile pasienter som fortsetter samme behandlingsforløp, sjekker inn, gjennomgår symptomer og fornyer medisiner hvis alt fortsatt er passende. Likevel bærer disse besøkene full vekt av dokumentasjon, verifisering, historie-gjennomgang, PDMP-sjekker og skript-arbeidsflyt. Leverandører bruker en gjennomsnittlig 16 timer per uke på slike administrative oppgaver. Det er tid som kunne ha gått til nye pasienter eller bare bedre klinisk oppmerksomhet til pasienter og komplekse tilfeller.

Dette er hvor mye AI-diskusjon blir frakoblet fra operasjonell realitet. Bransjen fortsetter å spørre om AI kan overta legens rolle, når i virkeligheten en stor andel av tapte kapasiteter kommer fra oppgaver som ikke krever mye klinisk dømmekraft fra første sted. 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 belastningen på leverandøren, men åpner også opp skemaet for flere pasienter. Ventetid er et betydelig helsevesen-tilgangsspørsmål. Pasienter venter ofte uker for å se en profesjonell, og tilgangen er fortsatt ueven i forskjellige regioner. HHS fortsetter å bemerke at landsby- og grenseområder møter for få leverandører og for lite atferdshelse-støtte, og nevner telehelse som en måte å øke tilgangen til psykisk helsevern på.

Hvorfor helsevesenet er den hardeste industrien å automatisere med AI

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

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

Når det kommer til regulering, er compliance hovedsakelig lagdelt. Statlige lisensstyremyndigheter, føderale byråer, HIPAA, reseptovervåkningssystemer, 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 skript, pasientidentitet, journal-oppbevaring eller granskning. Det er strukturell kompleksitet involvert i prosessen.

Data-delen er heller ikke like enkel som man kunne forvente. I helsevesenet kan du ikke bare koble sammen vanlige verktøy og starte å lære fra brukeratferd. Noen standard analytics-verktøy og data-pipelines er ikke egnet på grunn av HIPAA-reguleringer, med mindre de er grundig 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 omgjøre hele arbeidet.

Men mer enn noe, ville jeg si at det største problemet er enkelt og greit 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, pasientsikkerhet, 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 i 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 imponert på leseren om viktigheten av å skifte 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 praktisk.

Kartgenerering. AI kan transkribere og bygge dokumentasjon i sanntid under besøk. Dette reduserer kartleggingsbyrden, forkorter etter-timers arbeid og gjør samme-dags fullføring langt mer realistisk. I MEDvidi sin interne ramme, oppdaterer kartgeneratoren dokumentasjon kontinuerlig under møtet og er designet for å kutte kartleggingstiden betydelig.

Kartgjennomgang. AI kan også gjennomgå kart mot interne SOP-er og flagge avvik før de når skript-stadiet. De fleste helsekvalitetsgjennomgangene er fortsatt delvis og manuelle; derfor, ved å gjennomgå hver møte i stedet for en liten sample, blir compliance mer synlig og mer konsistent.

For-besøks-arbeidsflyt-automatisering. En stor del av leverandørens tid blir brukt før den kliniske avgjørelsen på ting som identitetsverifisering, kryssjekking av statlige databaser, gjennomgang av medisinsk historie, søking etter potensielle kontraindikasjoner eller skjerming for mønster som kan antyde legesøkende atferd eller dokumentasjonsglapp. Ingen av dette erstatter dømmekraft, men alt dette konsumerer tid, som er hvorfor AI kan hjelpe prosess disse lagene før klinikeren trer inn.

Rutin-medisinbehandling. Stabil oppfølgingsbehandling er hvor AI kan være spesielt nyttig. For pasienter hvis behandling har forblitt konsekvent, kan AI hjelpe med å håndtere fornyelses-arbeidsflyten og forberede journalen, mens legen likevel gjennomgår og godkjenner den endelige avgjørelsen. Det er et svært annet modell enn fullt autonom omsorg, fordi det er smalere, tryggere og langt mer relevant for den faktiske flaskehalsen i systemet.

Hver av disse brukstilfellene 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 til å deployere AI først.

Den riktige AI-arkitekturen for kliniske settinger

Legen-erstatning er en annen av disse AI-bøggene-historier som skaper sensasjonelle overskrifter og jostler ubehag inn i profesjonelles sinn.

En mye mer praktisk, nyttig og uunnværlig modell er legen-sentrert augmentasjon i helsevesenet.

Innenfor en slik arkitektur har klinikeren den endelige avgjørelsen på hver klinisk avgjørelse, skript. Behandlingsplaner vil fortsatt bli gjennomgått og godkjent av en lisensiert medisinsk leverandør. AI håndterer bare det grunnleggende av dokumentasjon, verifisering, gjennomgangslaget og repetitive oppgaver rundt besøket. Det er den tryggeste måten å forbedre effisiens og opprettholde ansvar.

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

For klinikere, kutter denne arkitekturen ned på de timene som går tapt til administrative oppgaver og reserverer mer tid for nye pasienter og komplekse tilfeller. For pasienter, gir det raskere tilgang til helsevesenet til en lavere kostnad, kombinert med mer konsistens i hvordan omsorgen dokumenteres og levert. 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 arbeidsflyt mer lesbar og granskbar. Gjennomgangen i seg selv er mye enklere å granske enn menneskeskapt dokumentasjon.

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

Konklusjon

Når folk klager over at deres medisinske leverandør er uoppmerksom, har de funnet et virkelig problem. Tenk på din medisinske leverandørs energi som en ballong som punkteres fra alle kanter av banale, 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 sagt opp 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 bygget infrastruktur og kostnadene ved å gjøre 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 ved den administrative proppen, vil klinisk AI slite med å tjene tillit hos folk i større skala når dens kapasiteter utvikler seg utover hva det kan gjøre i dag.

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

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