Varför AI inom hälso- och sjukvården används på fel plats

Branschen jagar fel problem

Det som är på tapeten i hälso- och sjukvården när det gäller AI är 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 till 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 kliniker är fel plats för branschen att börja på.

Innan vi frågar oss hur mycket av det kliniska förhållandet AI kan absorbera, bör vi ta itu med det mycket enklare och omedelbara problemet som sitter mitt 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 kliniker tid. 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 den vuxna befolkningen i USA under ett visst år. Det är cirka 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 olika självhjälpsverktyg, innehåll, spårare och ADHD-vänliga appar. Det faktiska gapet är tillgång till faktisk klinisk vård, diagnos och läkemedelsbehandling när det är lämpligt.

Den här artikeln argumenterar för en enklare utgångspunkt. AI:s högsta avkastning i hälso- och sjukvården idag är administrativ. 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, behöver vi distribuera det först där belastningen är tyngst och vinsten är omedelbar.

Data visar var AI kan vara mer effektiv

Det finns ett mönster som visar sig mycket snabbt när du bygger inom hälso- och sjukvården. Oavsett vilken kliniker du 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.

Inom psykiatri är ungefär 80% av besöken rutinmässiga uppföljningar. Dessa är inte alla komplexa diagnostiska möten. Många är stabila patienter som fortsätter med samma behandlingsförlopp, kontrollerar symtom och förnyar medicinering om allt fortfarande är lämpligt. Ändå bär dessa besök den fulla vikten av dokumentation, verifikation, journalgranskning, 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 AI-samtal 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 journalhantering, verifikation, journalgranskning och uppföljningsflöden. Dessa är exakt de typer av processer som AI redan kan stödja på ett användbart och mätbart sätt.

Om du återställer den tiden, minskar du inte bara belastningen på vårdgivaren, utan öppnar också schemat för fler patienter. Väntetid är ett betydande hälso- och sjukvårdsfråga. Patienter väntar ofta veckor för att se en professionell, och tillgången förblir ojämn över olika regioner. HHS fortsätter att notera att landsbygds- och gränsområden möter 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 industrin att automatisera med AI

Hälso- och sjukvården kan se standardiserad utifrån. I verkligheten är den standardiserad och variabel 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 juridiska ram, medan de fortfarande närmar sig rutinmässig vård på betydligt olika sätt. AI måste ta hänsyn till den variationen utan att avvika från vårdstandarden. Det är en mycket svårare bedrift än att bygga en modell som fungerar bra i en demo.

När det gäller reglering är regelefterlevnad i huvudsak skiktad. Statliga licensnämnder, federala myndigheter, HIPAA, receptövervakningssystem, statliga databaser och interna kliniska SOP: er alla skär varandra. En regelefterlevnad i en stat kan vara oregelbunden i en annan. Ett arbetsflöde som verkar ofarligt från ett produkt perspektiv kan bli riskabelt när det gäller förskrivning, patientidentitet, journalhantering eller granskning. Det finns en strukturell komplexitet involverad i processen.

Data-delen är inte heller så enkel som man kan förvänta sig. Inom hälso- och sjukvården ansluter du inte bara vanliga verktyg tillsammans och börjar lära av användarbeteende. Vissa standardanalysverktyg och datapipelines är inte lämpliga på grund av HIPAA-regler, såvida de inte ändras i grunden. Du behöver ofta anpassad infrastruktur från grunden. Saker som hur data lagras, bearbetas, granskas och visas i arbetsflödet. Ett överraskande antal företag underskattar detta tills de är djupt involverade i byggnadsprocessen och sedan måste vända på hela arbetet.

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, förskrivningsbeteende eller regulatorisk exponering. Mänsklig hälsa är inte något vi kan leka med för att förbättra våra AI-modeller, och det stöds av goda skäl. Detta bör användas som den ledande principen för att hjälpa oss förstå var AI kan införas först i den här branschen.

AI:s högsta avkastning i hälso- och sjukvården är den administrativa lagret

Jag hoppas att jag har gjort läsaren medveten om vikten av att skifta fokus från att ersätta läkaren med AI till att istället 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 efterarbete och gör det mer realistiskt att slutföra samma dag. I MEDvidi:s interna ramverk uppdaterar journalgeneratorn dokumentationen kontinuerligt under mötet och är utformat för att kraftigt minska journaleringstiden.

Journalgranskning. AI kan också granska journaler mot interna SOP: er och flagga 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.

Förbesöksarbetsflödesautomatisering. En stor del av vårdgivarens tid tillbringas före det faktiska kliniska beslutet på saker som identitetsverifiering, kontroll av statliga databaser, granskning av medicinsk historia, letande efter potentiella kontraindikationer eller screening för mönster som kan tyda på beteende som söker efter 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 användbar. För patienter vars behandling har förblivit konstant 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 fullständigt 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 lagret som den högsta avkastningen för att distribuera AI först.

Den rätta AI-arkitekturen för kliniska miljöer

Läkarersättning är en annan av dessa AI-bogeyman-berättelser som skapar sensationella rubriker och stör obehag i yrkesverksammas sinnen. En mycket mer praktisk, nyttig 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 medicinsk vårdgivare. AI hanterar bara det tråkiga arbetet med dokumentation, verifikation, granskningslagret och repetitiva uppgifter runt besöket. Det är det säkraste sättet att förbättra effektiviteten och upprätthålla ansvar.

AI inom hälso- och sjukvården behöver också faktiska kliniska data, eftersom standardmodeller 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 vårdgivargranskning och SOP-efterlevnad inbyggt i arbetsflödet, bör vara grunden för alla system som vågar sig in på det här området. Kärnan i det är att hälso- och sjukvårds-AI måste vara förankrad i verkliga kliniska operationer snarare än att vara en allmän modellförmåga.

För kliniker minskar den här arkitekturen ner på de timmar som förloras för 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 mer konsekvens i hur vården dokumenteras och tillhandahålls. Regulatorer har också nytta av det, eftersom det nuvarande systemet ofta döljer inkonsekvens inom utspridda arbetsflöden. Den rätta distributionen 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 över att deras medicinska vårdgivare är ouppmärksam, har de upptäckt ett verkligt problem. Tänk på din medicinska vårdgivares energi som en ballong som punkteras från alla håll av tråkiga, repetitiva uppgifter. Naturligtvis har de inte tid eller mental bandbredd att hantera dig uppmärksamt.

Istället för att hoppa på rädselskutan om vem som blir av med jobbet först på grund av AI, är det mer förnuftigt att använda tekniken för att fixa 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, behovet av anpassad infrastruktur och den höga kostnaden för misstag. Men det finns en verklig administrativ propp som kan åtgärdas med den här tekniken som vi har till våra fingertoppar. Låt oss använda den.

Utan att börja med den administrativa proppen 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 nära modellen är enkel. AI granskar historik, kontrollerar kontraindikationer, verifierar identitet, genererar journalen och förbereder receptarbetsflödet. Läkaren granskar den fullständiga bilden och godkänner det slutliga beslutet. Vad som tidigare krävde ett fullständigt 20-minutersbesök för en stabil uppföljning kan bli en kortare, renare och säkrare process.

Det kan verka mindre på papper, men detta är en stor omgestaltning i ett system som har förblivit manuellt under så lång tid och påverkar alla.