Tankeledare
Varför AI i vården införs på fel ställe

Viktiga punkterAI bör först ta itu med administrativa uppgifter som journalföring för att frigöra…
Visa mer
- AI bör först ta itu med administrativa uppgifter som journalföring för att frigöra klinisk tid för patientvård.
- Hälso- och sjukvårds-AI måste använda kliniska data och bevara läkares övervakning för att säkerställa säkerhet och efterlevnad.
- Att automatisera rutinmässiga förnyelser av recept kan utöka tillgången mer effektivt än att sträva efter fullständig klinisk autonomi.
Branschen jagar fel problem
Samtalet i hälso- och sjukvården om AI handlar just nu om autonomi. Kan AI diagnostisera sjukdomar? Kan det förskriva medicin? Kan det till och med ersätta läkaren?
Vi behöver inte längre fundera på dessa tänk om-scenarier eftersom vi nu har verkliga exempel på AI:s tillämpning inom hälso- och sjukvården. Utah har redan öppnat dörren för autonom AI vid förnyelse av recept genom sin regulatoriska sandlåda. Andra delstater följer utvecklingen för att se om dessa tidiga pilotprojekt visar acceptabel säkerhet och effektivitet.
Men jag anser att frågan om att ersätta kliniker med AI är fel utgångspunkt för branschen.
Innan vi frågar hur mycket av den kliniska relationen AI kan absorbera, bör vi ta itu med det mycket enklare och omedelbara problemet som sitter framför oss. Kliniker är överbelastade med administrativt arbete. Patienter kan fortfarande inte få besök i rätt tid eftersom tillgången är begränsad mindre av brist på patientefterfrågan än av brist på användbar läkartid. Det är där flaskhalsen börjar, och det är där AI behövs för att lindra operativa belastningar.
Detta är särskilt påtagligt inom psykisk hälsovård. Ungefär 22 miljoner amerikaner lever med ADHD, och ångeststörningar påverkar ungefär 19% av vuxna i USA under ett visst år. Det är ungefär 31% under en livstid. Båda tillstånden är mycket behandlingsbara, men miljontals får inte vård enligt riktlinjerna. Problemet är inte brist på medvetenhet, eftersom till och med en flyktig blick på marknaden visar en mängd självhjälpsverktyg, innehåll, spårare och ADHD-vänliga appar. Det faktiska gapet är tillgång till faktisk klinisk vård, diagnos och läkemedelsbehandling när det är lämpligt.
Detta inlägg argumenterar för en enklare utgångspunkt. Den roll där AI ger högst avkastning på investeringen i dagens hälso- och sjukvård är den administrativa. Att använda det för tidigt i den kliniska miljön kan skapa fler problem än fördelar. Om vi vill att AI ska bli en pålitlig del av vården, måste vi först införa det där belastningen är tyngst och vinsten är omedelbar.
Data visar var AI kan vara mer effektivt
Det finns ett mönster som visar sig mycket snabbt när man bygger inom hälso- och sjukvården. Oavsett vilken kliniker man anställer, är den klinikern fullbokad inom några månader. Vi har sett detta upprepas. Det handlar inte bara om en abstrakt brist på vårdpersonal, utan om hur vårdpersonalens tid förbrukas när patientlistan börjar fyllas.
I psykiatri är ungefär 80% av besöken rutinmässiga uppföljningar. Dessa är inte alla komplexa diagnostiska möten. Många är stabila patienter som fortsätter med samma behandlingsplan, kontrollerar symtom och förnyar medicin om allt fortfarande är lämpligt. Men dessa besök bär den fulla vikten av dokumentation, verifiering, historikgranskning, kontroller i övervakningssystemet för receptbelagda läkemedel (PDMP) och receptflöde. Vårdgivare tillbringar i genomsnitt 16 timmar per vecka på sådant administrativt arbete. Det är tid som kunde ha gått till nya patienter eller helt enkelt bättre klinisk uppmärksamhet på patienter och komplexa fall.
Här frikopplas en stor del av AI-samtalet från den operativa verkligheten. Branschen fortsätter att fråga om AI kan ta över läkarens roll, när i själva verket en stor andel av den förlorade kapaciteten kommer från uppgifter som inte kräver så mycket klinisk bedömning från början. Dessa kan vara uppgifter som journalering, verifiering, granskning av journaler och uppföljningsflöden. Dessa är exakt de typer av processer som AI redan kan stödja på ett användbart och mätbart sätt.
Om man återvinner den tiden, minskar man inte bara belastningen på vårdgivaren, utan öppnar också schemat för fler patienter. Väntetid är ett betydande tillgänglighetsproblem inom hälso- och sjukvården. Patienter väntar ofta i veckor på att få träffa en yrkesutövare, och tillgången förblir ojämn över olika regioner. HHS fortsätter att notera att landsbygdsområden och glest befolkade ytterområden har för få vårdgivare och för lite beteendehälsostöd, och nämner telehälsa som ett sätt att väsentligt öka tillgången till psykisk hälsovård.
Varför hälso- och sjukvården är den svåraste branschen att automatisera med AI
Hälso- och sjukvården kan se standardiserad ut utifrån. I verkligheten är den standardiserad och varierad samtidigt.
Det finns utan tvekan vissa riktlinjer, regler och dokumentationsregler. Men varje kliniker för också med sig vanor, arbetsflöden och protokoll som formas av tidigare miljöer. Två vårdgivare kan behandla samma tillstånd under samma lagstiftningsram, medan de fortfarande närmar sig rutinvård på betydligt olika sätt. AI måste ta hänsyn till den variationen utan att glida bort från vårdstandarden. Det är en mycket svårare prestation än att bygga en modell som fungerar bra i en demo.
När det gäller reglering är regelefterlevnaden i huvudsak skiktad. Delstatliga licensnämnder, federala myndigheter, HIPAA, receptövervakningssystem, delstatliga databaser och interna kliniska standardrutiner (SOP:er) överlappar varandra. En åtgärd som följer reglerna i en delstat kan strida mot dem i en annan. Ett arbetsflöde som verkar ofarligt från ett produktperspektiv kan bli riskabelt när det gäller förskrivning, patientidentitet, lagring av journaler eller granskningsbarhet. Det finns en strukturell komplexitet i processen.
Datadelen är inte heller så enkel som man kan tro. Inom hälso- och sjukvården ansluter man inte bara vanliga verktyg och börjar lära av användarbeteende. Vissa standardanalysverktyg och datapipelines är inte lämpliga på grund av HIPAA-regler, såvida de inte ändras i grunden. Man behöver ofta anpassad infrastruktur från grunden. Saker som hur data lagras, bearbetas, granskas och presenteras i arbetsflödet. Ett överraskande antal företag underskattar detta tills de är djupt involverade i byggprocessen och sedan måste vända upp och ner på hela sitt arbete.
Men mer än allt annat skulle jag säga att det största problemet är att kostnaden för att göra ett misstag inom hälso- och sjukvården är ganska hög.
En felaktig utmatning kan skapa besvär i andra branscher, men inom hälso- och sjukvården kan det påverka behandlingskvalitet, patientsäkerhet, förskrivarbeteende eller regulatorisk exponering. Mänsklig hälsa är inte något man kan leka med för att förbättra AI-modellerna, och det stöds av goda skäl. Detta bör användas som den ledande principen för att hjälpa oss förstå var AI kunde införas först i den här branschen.
AI:s högsta avkastning inom hälsovården är den administrativa nivån
Jag hoppas att jag har förmedlat till läsaren hur viktigt det är att skifta fokus från att ersätta läkaren med AI till att i stället minska den operativa friktionen runt läkaren. Jag kommer att utveckla detta praktiskt.
Journalgenerering. AI kan transkribera och bygga dokumentation i realtid under besök. Detta minskar journalbördan, förkortar arbetet efter ordinarie arbetstid och gör det mer realistiskt att slutföra samma dag. I MEDvidis interna ramverk uppdaterar journalgeneratorn dokumentationen kontinuerligt under mötet och är utformad för att kraftigt minska journaleringstiden.
Journalgranskning. AI kan också granska journaler mot interna SOP:er och markera avvikelser innan de når förskrivningsstadiet. De flesta hälso- och sjukvårdsgranskningar är fortfarande partiella och manuella, varför granskning av varje möte snarare än ett litet urval gör regelefterlevnaden mer synlig och konsekvent.
Automatisering före besöket. En stor del av vårdpersonalens tid tillbringas före det faktiska kliniska beslutet på saker som identitetsverifiering, kontroll av delstatliga databaser, granskning av medicinsk historia, letande efter potentiella kontraindikationer eller screening för mönster som kan tyda på läkemedelssökande beteende eller dokumentationsluckor. Inget av detta ersätter bedömning, men allt detta konsumerar tid, vilket är varför AI kan hjälpa till att bearbeta dessa lager innan klinikern går in.
Rutinmässig recepthantering. Stabil uppföljningsvård är där AI kan vara särskilt användbart. För patienter vars behandling har förblivit konsekvent kan AI hjälpa till att hantera förnyelsearbetsflödet och förbereda journalen, medan läkaren fortfarande granskar och godkänner det slutliga beslutet. Det är en helt annan modell än fullt autonom vård, eftersom den är mer avgränsad, säkrare och mycket mer relevant för den faktiska flaskhalsen i systemet.
Vart och ett av dessa användningsfall har något gemensamt. De sparar tid på ett sätt som utökar vårdkapaciteten. Det är mitt centrala argument för varför jag ser den administrativa nivån som den plats där den första AI-insatsen ger högst avkastning.
Den rätta AI-arkitekturen för kliniska miljöer
Att ersätta läkaren är ännu en av dessa skräckberättelser om AI som skapar sensationella rubriker och stör yrkesverksamma. En mycket mer praktisk, fördelaktig och oumbärlig modell är läkarcentrerad förstärkning inom hälso- och sjukvården.
Inom en sådan arkitektur har klinikern det slutliga ordet i varje kliniskt beslut och förskrivning. Behandlingsplaner kommer fortfarande att granskas och godkännas av legitimerad hälso- och sjukvårdspersonal. AI hanterar bara det praktiska arbetet med dokumentation, verifiering, granskningslagret och repetitiva uppgifter runt besöket. Det är det säkraste sättet att förbättra effektiviteten och upprätthålla ansvar.
AI inom hälso- och sjukvården behöver också verkliga kliniska data, eftersom färdiga modeller och generiska datamängder inte räcker. Kliniska arbetsflöden är för specifika, regler är för skiktade och marginalen för fel är för liten. Ett AI-system som tränats på en proprietär datamängd av patientbesök per månad, med vårdpersonalens granskning och efterlevnad av SOP inbyggt i arbetsflödet, bör vara grunden för alla system som ger sig in på det här området. Kärnan i det är att hälso- och sjukvårds-AI måste vara grundat i verkliga kliniska operationer snarare än att vara en allmän modellförmåga.
För kliniker minskar den här arkitekturen de timmar som förloras till administrativt arbete och reserverar mer tid för nya patienter och komplexa fall. För patienter ger det snabbare tillgång till hälso- och sjukvård till en lägre kostnad, kombinerat med större konsekvens i hur vården dokumenteras och tillhandahålls. Tillsynsmyndigheter har också nytta av att ha mer synlighet, eftersom det nuvarande systemet ofta döljer inkonsekvens inom utspridda arbetsflöden. Det rätta införandet av AI gör då arbetsflödena mer läsbara och granskbara. Granskningen i sig är mycket lättare att granska än mänsklig dokumentation.
Genom att bli tillförlitlig inom ett mätbart arbetsflöde blir AI ett pålitligt verktyg för att förbättra ett område som en så viktig bransch tydligt kämpar med.
Slutsats
När människor klagar på att deras vårdgivare är ouppmärksam, har de upptäckt ett verkligt problem. Tänk på din vårdgivares energi som en ballong som punkteras från alla håll av triviala, repetitiva uppgifter. Naturligtvis har de inte tid eller det mentala utrymmet att hantera dig uppmärksamt.
I stället för att hoppa på rädsletåget om vem som blir av med jobbet först på grund av AI, är det klokare, särskilt inom hälso- och sjukvården, att använda tekniken för att lösa de lager av arbete som människor kämpar med. Det som gör AI så fördelaktig är dess outtröttlighet – något som mänskliga kliniker inte besitter.
Det är förståeligt varför hälso- och sjukvården är svår att automatisera på grund av komplex reglering, variation i vårdgivarbeteende, behov av anpassad infrastruktur och den höga kostnaden för misstag. Men det finns en verklig administrativ flaskhals som kan lösas med den här tekniken som vi har nära till hands. Låt oss använda den.
Utan att börja med den administrativa flaskhalsen kommer klinisk AI att kämpa för att vinna förtroende hos människor i större skala när dess förmågor utvecklas bortom vad den kan göra idag.
Jag tycker att modellen på kort sikt är enkel. AI granskar sjukdomshistorien, kontrollerar kontraindikationer, verifierar identitet, genererar journalen och förbereder receptarbetsflödet. Läkaren granskar den fulla bilden och godkänner det slutliga beslutet. Det som tidigare krävde ett fullständigt 20-minutersbesök för en stabil uppföljning kan bli en kortare, renare, säkrare process.
Det kan tyckas vara en bagatell på papper, men det är en stor omställning i ett system som har förblivit manuellt under så lång tid och påverkar alla.












