Varför AI inom hälso- och sjukvården används på fel ställe

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 ” vad-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 tittar på för att se om dessa tidiga pilotprojekt visar acceptabel säkerhet och effektivitet.

Men jag tycker att att fundera på om AI kan ersätta läkaren är fel plats att börja på.

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 tidiga besök 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 riktlinjerekommen vård. 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. AI:s högsta avkastning i hälso- och sjukvården idag är administrativt. 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 utveckla det där belastningen är tyngst och vinsten är omedelbar.

Detaljerna 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. Detta betyder inte att det bara finns en brist på vårdgivare i allmänhet, utan hur vårdgivartiden konsumeras när en panel 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, PDMP-kontroller 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.

Detta är där mycket av AI-samtalet blir kopplat 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 veckor för att få se en professionell, och tillgången förblir ojämn över olika regioner. HHS fortsätter att notera att landsbygds- och gränsområden har för få vårdgivare och för lite beteendehälsostöd, och nämner telehälsa som ett sätt att materialt öka tillgången till psykisk hälsovård.

Varför hälso- och sjukvården är den svåraste branschen att automatisera med AI

Hälso- och sjukvården kan se standardiserad 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 SOP:er alla samverkar. En regelefterlevnad i en stat kan vara icke-regelefterlevnad i en annan. Ett arbetsflöde som verkar ofarligt från ett produkt perspektiv kan bli riskabelt när det gäller förskrivning, patientidentitet, journalhantering eller granskningsbarhet. Det finns en strukturell komplexitet i processen.

Data-delen 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 data-pipelines 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 utdata 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 imponerat på läsaren om vikten av att skifta fokus från att ersätta läkaren med AI till att i stället minska det 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 efterarbete och gör det mer realistiskt att slutföra samma dag. I MEDvidis interna ramverk uppdaterar journalgeneratoren dokumentationen kontinuerligt under mötet och är utformat för att kraftigt minska journaleringstiden.

Journalgranskning. AI kan också granska journaler mot interna SOP:er och markera avvikelser innan de når förskrivarstadiet. 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.

Förbesöksarbetsflödesautomatisering. En stor del av vårdgivartiden 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 läkemedelsjakt 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 smalare, säkrare och mycket mer relevant för den faktiska flaskhalsen i systemet.

Var och en 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 högsta avkastningsplatsen för AI först.

Den rätta AI-arkitekturen för kliniska miljöer

Läkarersättning är en annan av dessa AI-bogeyman-berättelser 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, förskrivning. Behandlingsplaner kommer fortfarande att granskas och godkännas av en licensierad vårdgivare. 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 vårdgivarrecension och SOP-efterlevnad 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 ner på 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. Regulatorer har också nytta av att ha mer synlighet, eftersom det nuvarande systemet ofta döljer inkonsekvens inom utspridda arbetsflöden. Den rätta utvecklingen 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 rädslo-tåget om vem som blir av med jobbet först på grund av AI, är det klokare 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 till våra fingrar. 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 den närmaste modellen är enkel. AI granskar historik, 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.