Grant Lunney, produktchef på EverHealth – intervjuserie

Grant Lunney är produktchef på EverHealth och har nästan två decenniers erfarenhet av hälso- och sjukvårdsteknik, klinisk verksamhet och produktstrategi. Under sin karriär har han arbetat på Boulder Community Health, OTTO Health, NextGen Healthcare och CrowdHealth, med fokus på öppenvård och de praktiska utmaningar som läkarmottagningar ställs inför. På EverHealth arbetar han med att tillämpa AI inom klinisk dokumentation och mottagningens arbetsflöden för att ge vårdpersonal mer tid för patienterna.

EverHealth tillhandahåller teknik för hälso- och sjukvården inom bland annat elektroniska patientjournaler, mottagningsadministration, medicinsk fakturering och patientkommunikation. EverHealth Scribe använder omgivningsbaserad AI för att omvandla samtal mellan patienter och vårdgivare till utkast till kliniska anteckningar i journalsystemet, som vårdpersonalen kan granska och godkänna. I den här intervjun diskuterar Lunney dokumentation inom psykisk hälsa, patienters samtycke och integritet, klinisk tillsyn samt hur AI kan minska det administrativa arbetet på fristående mottagningar.

Din karriär sträcker sig över nästan två decennier inom hälso- och sjukvårdsteknik, från klinisk verksamhet och strategi på Boulder Community Health till produktledande roller på OTTO Health, NextGen Healthcare, CrowdHealth och nu EverHealth. Hur har de här erfarenheterna format din syn på vilken roll AI bör spela inom hälso- och sjukvården, och vad lockade dig med möjligheten att leda produktinnovation på EverHealth?

Jag har ägnat större delen av två decennier åt att arbeta med teknik inom hälso- och sjukvården, framför allt inom öppenvården. Under den tiden har jag sett en anmärkningsvärd utveckling av de verktyg vi har gett läkare för att hjälpa dem i deras arbete. Jag minns när elektronisk förskrivning var en stor nyhet. Att en läkare kunde skicka ett recept elektroniskt så att det var klart när patienten kom till apoteket var ett betydande framsteg. Sedan dess har vi infört allt mer avancerade elektroniska patientjournalsystem, processautomatisering, interoperabilitet och alla möjliga verktyg som är utformade för att effektivisera hälso- och sjukvården.

Jag ser på AI ungefär på samma sätt. Oavsett om vi talar om stora språkmodeller, generativ AI eller prediktiva modeller är de ytterligare verktyg i vår verktygslåda. Målet är detsamma: att effektivisera vårdpersonalens arbete och i slutändan förbättra kvaliteten på den vård de kan ge.

Tänk på en primärvårdsläkare som ansvarar för en patientlista med 2 500 eller 3 000 personer. Dagarna går åt till akuta besök, läkemedelshantering och vård av patienter med flera kroniska sjukdomar. Men jag tror inte för en sekund att de läkarna inte skulle vilja tillbringa mer tid med patienterna i ett tidigare skede. Prata om kost, motion, psykisk hälsa och de sociala faktorer som påverkar någons hälsa. Hjälpa människor att göra meningsfulla förändringar som kanske kan förebygga att nästa kroniska sjukdom utvecklas från första början. Det var därför de började på läkarutbildningen.

Det är det som gör mig entusiastisk inför AI. Vi börjar utveckla teknik som kan ta över betydande delar av det administrativa arbetet och informationshanteringen från vårdpersonalen och ge dem mer tid att ägna sig åt patientvård.

Det som lockade mig till EverHealth är vår förmåga att införa den här tekniken stegvis inom en hel mottagning. Jag tror starkt på att lösa ett problem riktigt bra innan man går vidare till nästa. Vi kan förbättra den kliniska dokumentationen, därefter identifieringen av diagnoser, sedan kodning, beställningar, recept och mottagningens verksamhet. Med tiden börjar de här förbättringarna samverka.

EverHealth Scribe använder AI för att omvandla samtal mellan patienter och vårdgivare till strukturerad klinisk dokumentation. Kan du beskriva hur tekniken fungerar, från att ett samtal spelas in till att en klinisk anteckning skapas, och förklara vad som skiljer ert tillvägagångssätt från andra AI-baserade lösningar för medicinsk dokumentation?

I sin enklaste form lyssnar en AI-dokumentationsassistent på ett samtal mellan en patient och en vårdgivare, använder taligenkänning för att förstå vad som sägs och av vem och använder sedan en stor språkmodell för att sammanställa den kliniskt relevanta informationen i en strukturerad anteckning. Vårdpersonalen granskar informationen, gör eventuella nödvändiga korrigeringar och godkänner den slutliga dokumentationen.

Jag tror att vi börjar nå en punkt där de flesta bra omgivningsbaserade AI-dokumentationsassistenter är anmärkningsvärt kapabla att utföra den grundläggande uppgiften. Modellerna skiljer sig åt i fråga om sofistikering och träffsäkerhet, men jag tror att de största möjligheterna att särskilja sig i allt högre grad kommer att finnas i allt runt omkring den processen.

För oss börjar det med frågan om hur mycket mer av vårdpersonalens arbete vi kan slutföra när anteckningen väl har skapats. Vi har redan lagt till rekommendationer om diagnoser och CPT-koder, och vi utökar nu funktionaliteten till beställningar och recept, allt direkt integrerat i journalsystemet. Vi hämtar också in sammanhang från tidigare besök, sjukdomshistorik och dokumentation inför besöket, eftersom ett samtal på 15 minuter bara är en liten del av en mycket större klinisk berättelse. Dessutom utvecklar vi annoteringar som fångar upp observationer och anteckningar som vårdpersonal gör men aldrig säger högt.

Vi har också byggt in tillförlitlighet i alla de här funktionerna. Om en vårdgivare tillbringar 30 minuter med en patient och sedan upptäcker att inspelningen misslyckades är det en katastrofal upplevelse. Därför måste vi ta hänsyn till allt från mikrofonens placering till instabilt wifi.

Om vi får allt detta rätt bör vårdgivaren avsluta besöket med nästan allt dokumentationsarbete redan utfört. Det som återstår är att granska det kliniska innehållet, göra en professionell bedömning och agera på de rekommendationer som är relevanta.

Besök inom psykisk hälsa handlar ofta om djupt personliga samtal, känslomässiga nyanser och känsliga uppgifter. Vilka särskilda tekniska utmaningar finns det när man utvecklar en AI-dokumentationsassistent för psykisk hälsa, och hur ser ni till att systemet fångar upp kliniskt relevant information korrekt utan att misstolka sammanhanget eller dokumentera onödiga personliga detaljer?

Ett 50 minuter långt psykoterapisamtal, en 15 minuter lång konsultation inom psykisk hälsa och ett sju minuter långt besök inom internmedicin är tre helt olika samtal. Även dokumentationen från vart och ett av dessa besök bör se olika ut.

Därför utgår vi från klinikern och arbetar baklänges. Vilken information behöver fångas upp? Hur bör den struktureras? Vilken detaljnivå är kliniskt lämplig? Och hur behöver den färdiga anteckningen se ut för att vårdgivaren ska känna sig trygg med att den återger besöket korrekt?

När vi har fastställt det kan vi börja konfigurera och finjustera AI:n så att den skapar dokumentation som motsvarar förväntningarna. Målet är att ta ett kanske mycket långt, komplicerat och djupt personligt samtal och destillera det till den kliniska information som faktiskt är relevant för patientens vård.

Jag tycker att det här är särskilt viktigt inom psykisk hälsa. Att något har sagts under ett samtal innebär inte automatiskt att det hör hemma i patientens permanenta journal. Modellen måste också kunna tolka den kliniska innebörden korrekt, och inom psykisk hälsa kan ett enskilt uttalande betyda helt olika saker beroende på sammanhanget. Därför är klinikerns granskning och bedömning fortfarande avgörande.

Vi pratar mycket om hur intelligenta de här modellerna är, men jag tycker att en del av det viktigaste arbetet görs innan modellen ens skapar en anteckning. Det handlar om att fastställa hur ett lyckat kliniskt resultat ser ut och sedan hela tiden förbättra hur tillförlitligt vi kan åstadkomma det.

Enkelt uttryckt går vår process ut på att definiera vad ett bra resultat innebär, arbeta baklänges utifrån det och låta klinikern ha sista ordet om huruvida vi har lyckats.

En undersökning från KFF visade att 77 % av de vuxna i USA oroar sig för integriteten hos medicinsk information som delas med AI-verktyg. Hur bemöter EverHealth denna oro, särskilt när det gäller hur länge patientuppgifter sparas, åtkomst för tredje part och användning av känslig information för att träna eller förbättra AI-modeller?

Den oron är befogad, och jag tycker inte att patienter ska behöva byta bort sin integritet för att få bättre vård. Samtidigt ska ett teknikföretag inte be dem att lita på dess skyddsåtgärder utan vidare. Patienter och vårdgivare har rätt till tydliga svar om vilka uppgifter vi använder, vem som kan få tillgång till dem och hur länge vi sparar dem.

Med EverHealth Scribe behandlas patientuppgifter för att stödja klinisk dokumentation och kontinuitet i vården. Vi samarbetar med teknikpartner, däribland CarePilot, och omfattas av avtalsmässiga skyddsåtgärder, såsom avtal med affärspartner, som reglerar hur skyddade hälsouppgifter hanteras. Vi använder också kryptering och åtkomstkontroller, och identifierbara patientuppgifter används inte för att träna AI-modeller. Transkriptioner från Scribe är tillgängliga i upp till 180 dagar, så att kliniker kan gå tillbaka till relevant sammanhang mellan olika besök, men vårdgivare kan också begära att transkriptioner raderas.

Integritet kan inte läggas till i efterhand när innovationen väl är på plats. Den måste påverka våra beslut om vad vi utvecklar, vad vi kopplar ihop och vilka uppgifter vi sparar.

Mentavi Health, som har infört EverHealth Scribe, inhämtar patienternas samtycke både vid inskrivningen och före varje besök. Hur viktigt är det att samtycket inhämtas löpande för att bygga upp patienternas förtroende, och vad bör hända när en patient tackar nej till AI-stödd dokumentation eller återkallar sitt samtycke under ett samtal?

Mentavis sätt att inhämta samtycke vid inskrivningen och på nytt före varje besök understryker att patienten har inflytande över hur vården ges.

En stor del av min karriär har jag ägnat åt telemedicin, så jag tror att patienter i allmänhet är positiva till teknik när de ser vilket värde den tillför. Idealiskt sett får patienterna mer ögonkontakt och ett mer direkt bemötande, och klinikern kan verkligen fokusera på samtalet i stället för att sitta bakom en bärbar dator eller skriva vid en arbetsstation. Det är ett ganska övertygande värdeerbjudande.

Det värdet måste förstås kombineras med valfrihet. Patienterna bör förstå hur tekniken används och känna sig bekväma med att tacka nej. Om någon återkallar sitt samtycke under ett besök ska inspelningen stoppas, och klinikern ska kunna fortsätta besöket och dokumentera det enligt sina vanliga rutiner. All information som redan har samlats in måste hanteras i enlighet med gällande krav på samtycke och integritet.

I slutändan tror jag att förtroende bygger på att man konsekvent skapar värde. Om vi hjälper kliniker att ägna mer tid åt patienterna, och patienterna faktiskt märker skillnaden, då gör vi något rätt.

AI-genererade kliniska anteckningar medför potentiella risker, däribland hallucinerad information, utelämnade detaljer och felaktiga tolkningar av patienters utsagor. Vilka skyddsåtgärder har EverHealth infört för att upptäcka sådana fel, och hur säkerställer ni att kliniker behåller en meningsfull tillsyn i stället för att bara godkänna AI-genererad dokumentation?

Klinikerna arbetar nära skrivassistenten och ansvarar för att redigera AI-genererade anteckningar innan de förs in i patientjournalen, för att i slutänden minska risken för avvikelser i resultatet.

Klinikern måste granska och redigera informationen innan den förs in i patientjournalen. Det är fortfarande i slutänden klinikern som ansvarar för att avgöra om anteckningen återger besöket korrekt och om något viktigt har utelämnats eller misstolkats.

En annan viktig del är löpande återkoppling. Efter varje besök frågar vi klinikerna om dokumentationen var till hjälp, och över 96 % av svaren har varit positiva. Det är ett uppmuntrande tecken på att vi konsekvent skapar värde.

När en kliniker rapporterar ett problem tar vårt team direkt kontakt för att förstå vad som hänt, identifiera den bakomliggande orsaken och ta reda på hur vi kan förbättra upplevelsen. Den direkta kontakten med dem som använder tekniken är en oerhört viktig del av hur vi utvecklar och förfinar produkten.

Jag tror att det i slutänden är så man bygger förtroende för AI-assisterad dokumentation. Man gör den underliggande informationen tillgänglig, bevarar en meningsfull klinisk tillsyn och utvärderar löpande om tekniken verkligen är till hjälp.

Mentavi Health rapporterade nyligen om en stegvis implementering som omfattade fler än 30 legitimerade kliniker och över 14 000 AI-assisterade kliniska anteckningar, med förbättringar av den strukturerade dokumentationen och registreringen av diagnoskoder. Vilka har varit de viktigaste resultaten av implementeringen, och hur mäter ni om AI-skrivassistenter verkligen förbättrar klinikernas produktivitet, dokumentationens korrekthet och patientvården?

En av de viktigaste lärdomarna från Mentavis implementering är att en framgångsrik användning kräver mycket mer än bara själva tekniken. Mentavi samlade klinisk, administrativ och teknisk kompetens för att fastställa dokumentationsstandarder, införa kvalitetsmått och lansera funktioner på ett genomtänkt sätt. Det är precis så ansvarsfull innovation inom hälso- och sjukvården bör se ut.

För Scribe är problemet vi försöker lösa enkelt: kliniker lägger för mycket tid på att dokumentera ett besök. Hur mycket av den tiden och arbetsinsatsen kan vi då minska?

Vi tittar på dokumentationstiden, klinikernas nöjdhet och hur effektivt funktioner som diagnosigenkänning och förslag på CPT-koder eliminerar extra steg i arbetsflödet. När vi utökar tjänsten med beställningar och recept kommer vi att använda samma synsätt. Varje funktion bör ta bort ytterligare en betydande arbetsuppgift från klinikerns arbetsdag.

Förbättringen av registreringen av diagnoskoder var särskilt glädjande. I utvärderingen var andelen besök där en diagnoskod registrerades nästan 80 % med Scribe, jämfört med cirka 26 % utan verktyget. Det är en betydande förbättring av konsekvensen i den strukturerade kliniska dokumentationen och ett utmärkt exempel på hur AI kan skapa värde utöver att bara generera en anteckning.

Antalet genererade anteckningar är uppmuntrande, men det är mängden arbete vi minskar och dokumentationens kvalitet och konsekvens som vi hjälper till att åstadkomma som är de viktiga resultaten.

Självständiga mottagningar inom medicin och psykisk hälsa har ofta begränsade administrativa resurser jämfört med större vårdsystem. Hur kan AI-driven dokumentation hjälpa mindre mottagningar att konkurrera, och vilka hinder som rör implementeringskostnader, integrering i arbetsflöden eller införande av ny teknik återstår att övervinna?

Jag tror att den största möjligheten för självständiga mottagningar är valfriheten. Genom att minska den administrativa arbetsbördan för kliniker och personal ger vi mottagningarna frihet att fatta bättre beslut om hur de använder sin tid och sina resurser. En läkare kanske vill träffa fler patienter. Kanske vill läkaren tillbringa mer tid med de patienter som redan går hos mottagningen. Eller så vill läkaren helt enkelt avsluta dagens sista besök klockan fem, lägga 15 minuter på att granska dokumentationen och gå hem i stället för att ägna ytterligare två timmar åt att komma ikapp. Alla dessa resultat är värdefulla, och det bör vara mottagningen som avgör vilket som är viktigast.

När det gäller implementeringen är vi redan mottagningens teknikleverantör, så det är vårt ansvar att integrera lösningen i arbetsflödet, inte mottagningens. Scribe fungerar på enheter som klinikerna redan äger, och det kan räcka med en eller två utbildningstillfällen för att komma igång. Samtidigt har en liten mottagning mycket små möjligheter att hantera tekniska problem. Därför strävar vi efter en installation som är så nära självbetjäning som möjligt.

I slutänden tror jag att AI ger självständiga mottagningar tillgång till funktioner och effektivare arbetssätt som historiskt sett har krävt betydligt större organisationer. Och minst lika viktigt är att tekniken ger dem som arbetar på mottagningarna större kontroll över hur de använder sin tid.

Medan delstaterna inför alltmer varierad lagstiftning om AI inom hälso- och sjukvården, särskilt inom psykisk hälsa, hur navigerar EverHealth i detta splittrade regelverk? Vilka utmaningar uppstår när man utvecklar en AI-produkt som måste tillgodose olika krav på patienters samtycke, dataskydd och klinisk tillsyn i flera jurisdiktioner?

Det känns som om jag har sett den här filmen förut. En stor del av min karriär före covid ägnade jag åt distansvård och åt att hantera skillnader mellan delstaterna när det gällde licenskrav, var patienten befann sig, samtycke, förskrivning och ersättning. Sedan ändrades reglerna nästan över en natt, och vi var tvungna att växa samtidigt som de fortsatte att förändras.

AI-landskapet känns likartat. Vi fokuserar på att ligga steget före föreslagen lagstiftning, förstå nyanserna på delstats- och federal nivå och utveckla produkten så att den kan anpassas.

Det är särskilt viktigt inom distansvård för psykisk hälsa, där en och samma kliniker kan träffa patienter i många delstater. Samtycke, integritet och klinisk tillsyn måste vara grundläggande delar av tjänsten som går att konfigurera.

Den viktigaste lärdomen av den erfarenheten är att produkten måste utformas för att kunna anpassas till regelverk redan från början. Det är den filosofi vi tar med oss in i AI-arbetet på EverHealth. Vårt uppdrag är att ta hand om så mycket av den komplexiteten som möjligt, så att kliniker kan fokusera på att ge vård.

Framöver utvecklas AI:s möjligheter snabbt och omfattar mer än dokumentation: de innefattar även kliniskt beslutsstöd, patientengagemang och alltmer autonoma arbetsflöden inom hälso- och sjukvården. Var anser du att gränsen bör gå mellan AI-stöd och mänskligt kliniskt omdöme, särskilt inom psykisk hälsa, och hur tror du att EverHealths teknik kommer att utvecklas under de kommande tre till fem åren?

AI kan lyssna, strukturera information, lyfta fram relevant sammanhang och föreslå åtgärder. Men det kliniska omdömet tillhör klinikern.

Det är särskilt viktigt inom psykisk hälsa, där patientens historik, en förändring i tonfall eller till och med det som lämnas osagt kan vara lika betydelsefullt som orden i sig. Tekniken bör hjälpa kliniker att vara mer närvarande i sådana stunder, inte mindre.

Under de kommande tre till fem åren är möjligheterna mycket större än att bara skapa en smartare dokumentationsassistent. EverHealths vision är en intelligent vårdresa inom öppenvården, där tekniken hjälper till att knyta samman momenten före, under och efter ett besök.

Föreställ er en klinik som kommer ihåg det som är viktigt: relevant historik finns tillgänglig när den behövs, klinikerna kan fokusera på patienten i stället för att pussla ihop splittrad information, och kliniska beslut förs på ett mer sammanhängande sätt vidare till dokumentation, kodning, samordning av vården och uppföljning. Vi vill inte bara göra enskilda uppgifter snabbare. Vi vill minska friktionen mellan dem.

Vår ledstjärna i allt vi gör är att se till att varje patient känner sig fullt ut sedd och att varje vårdgivare har den tydlighet som krävs för att kunna ge trygg och sammanhängande vård.

Tack för en fin intervju. Läsare som vill utforska AI-stödd klinisk dokumentation och sammanhängande arbetsflöden inom hälso- och sjukvården kan besöka EverHealth.