การทำงานของ AI ในด้านการดูแลสุขภาพที่ดีขึ้นเมื่อกระบวนการทำงานร่วมกัน

ผู้นำด้านการดูแลสุขภาพกำลังพึ่งพาเทคโนโลยี AI มากขึ้นเพื่อลดค่าใช้จ่าย ลดภาระงานของแพทย์ และเพิ่มความเร็วในการดำเนินงาน อย่างไรก็ตาม โปรเจ็กต์ AI จำนวนมากมีการนำเสนอที่น่าประทับใจ แต่มีผลกระทบต่อการดำเนินงานที่จำกัด สิ่งที่ทำให้ AI มีความแตกต่างไม่ใช่แบบจำลองตัวเอง แต่เป็นว่า AI ถูกฝังอยู่ในกระบวนการทำงานที่มีอยู่แล้วซึ่งพนักงานใช้เวลาในการทำงาน

ในทางปฏิบัติ AI จะปรับปรุงผลลัพธ์เมื่อสนับสนุนกระบวนการทำงานที่เชื่อมต่อ ระบบที่สามารถแลกเปลี่ยนข้อมูลได้ และการกำกับดูแลของมนุษย์ที่ชัดเจน เมื่อชิ้นส่วนเหล่านั้นทำงานร่วมกัน AI จะหยุดเป็นนวัตกรรมและเริ่มทำงานเหมือนโครงสร้างพื้นฐานในการดำเนินงาน

เหตุใดเครื่องมือ AI ที่แยกออกจึงไม่ประสบความสำเร็จในด้านการดูแลสุขภาพ

รูปแบบที่พบบ่อยในการนำ AI มาใช้คือการรักษาแต่ละกรณีเป็นโครงการแยกจากกัน แบบจำลองอาจสรุปบันทึกทางการแพทย์ สร้างเอกสารก่อนการอนุมัติ หรือจัดลำดับความสำคัญของกรณีที่เข้ามา แต่แบบจำลองเหล่านั้นอาจไม่ได้อยู่ในระบบ EHR หรือกระบวนการทำงานหลัก เมื่อเกิดเหตุการณ์ดังกล่าว พนักงานยังคงต้องคัดลอกข้อมูล ตรวจสอบข้อผิดพลาด และจัดการกับข้อผิดพลาดด้วยตนเอง ซึ่งหมายความว่าภาระงานไม่ได้ถูกกำจัดไป แต่ถูกย้ายไป

สิ่งนี้เป็นเหตุผลว่าทำไมการนำ AI มาใช้จึงไม่ค่อยประสบความสำเร็จ การทบทวนระบบและการวิเคราะห์แบบเมตาของ AI ในการถ่ายภาพทางการแพทย์ในปี 2024 พบว่าแม้ว่าการศึกษาจำนวนมากจะรายงานการประหยัดเวลา แต่หลักฐานโดยรวมไม่ได้แสดงให้เห็นถึงการเพิ่มประสิทธิภาพโดยอัตโนมัติ ซึ่งบ่งชี้ว่าผลกระทบของ AI ในโลกแห่งความเป็นจริงขึ้นอยู่กับวิธีการทำงานร่วมกับกระบวนการทำงานของคลินิก

ผู้นำด้านการดูแลสุขภาพควรถามคำถามการดำเนินงานที่ง่ายๆ ว่าเครื่องมือ AI ลดจำนวนขั้นตอนในการทำงานหรือไม่ หรือเพิ่มชั้นใหม่บนกระบวนการเก่า หากกระบวนการทำงานยังคงกระจัดกระจาย คำตอบมักจะเป็นข้อหลัง

ความสามารถในการแลกเปลี่ยนข้อมูลเป็นสิ่งที่ทำให้ AI มีประโยชน์ในการปฏิบัติงาน

AI ไม่สามารถปรับปรุงกระบวนการที่ไม่สามารถมองเห็นได้ ซึ่งเป็นเหตุผลที่ความสามารถในการแลกเปลี่ยนข้อมูลไม่ใช่เรื่องรองใน AI แต่เป็นเงื่อนไขในการดำเนินงานที่กำหนดว่า AI สามารถทำงานได้ดีเพียงใด เมื่อระบบแลกเปลี่ยนข้อมูลได้อย่างสะอาด AI สามารถแสดงข้อมูลที่เหมาะสมที่สุด แสดงข้อผิดพลาด และสนับสนุนการตัดสินใจโดยไม่ต้องบังคับให้พนักงานเข้าข้อมูลหรือตรวจสอบข้อมูลอีกครั้ง

องค์การอนามัยโลกมองเห็นโครงสร้างพื้นฐานด้านสุขภาพดิจิทัลที่ขึ้นอยู่กับมาตรฐาน การแบ่งปันข้อมูล และระบบที่เชื่อมต่อกันเพื่อสนับสนุนการตัดสินใจที่ดีขึ้นในหลายๆ สถานที่ให้บริการ ในมุมมองนั้น ความสามารถในการแลกเปลี่ยนข้อมูลไม่ใช่เรื่องทางเทคนิคหลังการดำเนินงาน แต่เป็นตัวเร่งหลักที่ทำให้กระบวนการทำงานของ AI ได้ผล

ในสหรัฐอเมริกา กฎ Interoperability และ Prior Authorization ของ CMS ส่งเสริมความคิดนี้ให้เป็นนโยบายโดยการบังคับให้ปรับปรุงการแลกเปลี่ยนข้อมูลสุขภาพเพื่อลดความซับซ้อนในการอนุมัติก่อนการรักษาและกระบวนการบริหารอื่นๆ กฎนี้บ่งชี้ว่าความสามารถในการแลกเปลี่ยนข้อมูลไม่ใช่สิ่งที่เลือกได้ แต่เป็นข้อกำหนดพื้นฐานที่เพิ่มขึ้นสำหรับการดำเนินงานของ AI ในการรักษาและประสานงานการรักษา

ที่ไหนที่การประสานงานกระบวนการทำงานให้ผลประโยชน์มากที่สุด

กรณีการใช้ AI ที่น่าสนใจที่สุดในด้านการดูแลสุขภาพมักจะเป็นกรณีที่เอาไปจากงานที่ซ้ำๆ กันและปริมาณมาก ตัวอย่างเช่น การอนุมัติก่อนการรักษา การสนับสนุนเอกสาร การตรวจสอบการเรียกร้อง การรับเข้าผู้ป่วย การประสานงานการรักษา และการสนับสนุนการตัดสินใจ ในแต่ละกรณี ประโยชน์ไม่ใช่แค่ความเร็ว แต่ยังรวมถึงการลดการทำงานซ้ำและข้อผิดพลาดที่น้อยลง รูปแบบที่เห็นได้ชัดเจนในการออกแบบกระบวนการรับเงินของระบบการรักษาโดยใช้ระบบที่มีลักษณะคล้ายตัวแทน

สมาคมโรงพยาบาลอเมริกัน ระบุว่า AI ถูกนำมาใช้เพิ่มมากขึ้นเพื่อปรับปรุงกระบวนการทำงานทางคลินิกและปรับปรุงประสบการณ์ของผู้ป่วยโดยการสนับสนุนทั้งงานทางคลินิกและงานบริหาร การมองเห็นหลักคือเมื่อ AI รวมเข้ากับวิธีการทำงานของคน ผลลัพธ์จะปรากฏในปริมาณงาน ความแม่นยำ และความพึงพอใจ

ความน่าเชื่อถือมีความสำคัญมากกว่าการแสดงผลแบบจำลอง

องค์กรด้านการดูแลสุขภาพถูกดึงดูดโดยการแสดงผลแบบจำลอง: ระบบที่สรุป คาดการณ์ หรือจัดประเภทด้วยความแม่นยำสูงในแผ่นนำเสนออาจรู้สึกเปลี่ยนแปลงได้ แต่การดำเนินงานจริงไม่ใช่การแสดงผลแบบจำลอง มันรวมถึงกรณีแปลกๆ ข้อมูลที่หายไป การเปลี่ยนแปลงพนักงาน และความต้องการที่เปลี่ยนแปลง ในสภาพแวดล้อมดังกล่าว ความน่าเชื่อถือมีความสำคัญมากกว่าความสวยงาม

สิ่งนี้เป็นเหตุผลที่การมองเห็นเพียงอย่างเดียวไม่เพียงพอ การรู้ว่าเกิดอะไรขึ้นหลังเหตุการณ์จะช่วยในการวิเคราะห์หลังเหตุการณ์ แต่ไม่ช่วยป้องกันความล้มเหลวที่เกิดซ้ำๆ ระบบ AI ที่น่าเชื่อถือต้องทำงานได้ตามที่คาดหวัง แจ้งเตือนข้อผิดพลาดอย่างเหมาะสม และเข้ากันได้กับโมเดลการเปลี่ยนแปลงและความเสี่ยงขององค์กร

ในด้านการดูแลสุขภาพ ข้อผิดพลาดเล็กๆ ในกระบวนการทำงานอาจส่งผลกระทบใหญ่ ข้อผิดพลาดในฟิลด์หนึ่งของกระบวนการอนุมัติอาจทำให้การรักษาล่าช้า การแนะนำที่ไม่เหมาะสมอาจขัดจังหวะแพทย์ในช่วงเวลาที่ไม่เหมาะสม เส้นทางการแจ้งเตือนที่อ่อนแออาจทำให้พนักงานสับสนเกี่ยวกับสิ่งที่ควรเชื่อถือ AI ควรลดความไม่แน่นอน ไม่ใช่สร้างรูปแบบใหม่ๆ ของความไม่แน่นอน

สิ่งที่ต้องการสำหรับการนำ AI มาใช้สำเร็จจริงๆ

การนำ AI มาใช้สำเร็จมักจะเริ่มต้นด้วยการออกแบบกระบวนการทำงาน ไม่ใช่ด้วยแบบจำลอง ทีมงานต้องกำหนดปัญหาในการดำเนินงาน จุดตัดสินใจ แหล่งข้อมูล และบทบาทของมนุษย์ที่เกี่ยวข้องก่อนที่จะนำ AI มาใช้ หากพื้นฐานเหล่านั้นไม่ชัดเจน เทคโนโลยีจะไม่ชดเชยการขาดความชัดเจนในกระบวนการ

การมีวินัยในการกำหนดขอบเขตก็มีความสำคัญเช่นกัน การนำ AI มาใช้ที่มีประสิทธิผลส่วนใหญ่จะทำสิ่งหนึ่งหรือสองสิ่งได้ดี อาจระบุข้อมูลที่หายไปก่อนที่จะส่งกรณีหนึ่งๆ สรุปแผนผังสำหรับการทบทวน หรือกระตุ้นการแจ้งเตือนเมื่ออะไรบางอย่างอยู่นอกรูปแบบที่คาดหวัง การพยายามทำให้กระบวนการทำงานอัตโนมัติเกินไปอาจสร้างความซับซ้อนมากกว่าคุณค่า

โรงเรียนแพทย์ฮาร์วาร์ดได้บันทึกว่า AI สามารถลดภาระงานที่ไม่จำเป็นสำหรับแพทย์ และปรับปรุงประสิทธิภาพเมื่อใช้อย่างรอบคอบในการปฏิบัติงาน คำสำคัญคือ “ใช้อย่างรอบคอบในการปฏิบัติงาน” หมายความว่า การฝึกอบรมพนักงาน การกำหนดการข้าม การติดตามผลลัพธ์ และการทำให้ AI เข้ากันได้กับงานมากกว่าการบังคับให้งานเข้ากับ AI

การดูแลสุขภาพ AI ที่ดีขึ้นเมื่อกระบวนการทำงานเชื่อมต่อกัน

การเพิ่มประสิทธิภาพ AI ที่ทนทานที่สุดในด้านการดูแลสุขภาพมาจากกระบวนการทำงานที่เชื่อมต่อกัน ไม่ใช่จากเครื่องมือที่แยกออกจากกัน เมื่อข้อมูลไหลเวียนได้อย่างราบรื่น การทบทวนทำได้ในลำดับที่ถูกต้อง และข้อผิดพลาดถูกจัดการอย่างสม่ำเสมอ AI สามารถสนับสนุนการตัดสินใจที่ดีขึ้นด้วยความพยายามน้อยลง เมื่อเงื่อนไขเหล่านั้นหายไป เทคโนโลยีอาจดูเหมือนก้าวหน้า แต่กระบวนการทำงานยังคงช้าและกระจัดกระจาย

ดังนั้น AI ควรจะวัดที่ระดับระบบ ผู้นำควรพิจารณาไปไกลกว่าความแม่นยำของแบบจำลองและถามว่ากระบวนการทำงานได้รับการปรับปรุงให้ง่ายขึ้นในการดำเนินงาน ง่ายขึ้นในการดูแล และง่ายขึ้นในการขยายขนาด การทดสอบที่แท้จริงไม่ใช่ว่า AI สามารถทำงานหนึ่งๆ ได้หรือไม่ แต่เป็นว่ากระบวนการทำงานทั้งหมดมีความน่าเชื่อถือมากขึ้นเพราะ AI เป็นส่วนหนึ่งของมัน

คุณค่าที่แท้จริงของ AI ที่เชื่อมต่อกันในด้านการดูแลสุขภาพ

AI ทำงานได้ดีที่สุดเมื่อสนับสนุนชุดงานที่สมบูรณ์ ไม่ใช่การกระทำที่แยกออกจากกัน ซึ่งหมายความว่าเชื่อมโยงระบบ ระบุความเป็นเจ้าของ ทำให้การถ่ายทอดมีความเข้มงวด และเก็บคนไว้ในวงจรที่ต้องใช้การตัดสินใจ เมื่อกระบวนการทำงานร่วมกัน AI จะกลายเป็นระบบที่น่าเชื่อถือ มีประโยชน์ และขยายขนาดได้

อนาคตของ AI จะไม่ตัดสินโดย谁มีแบบจำลองที่ทันสมัยที่สุด แต่ตัดสินโดย谁สามารถออกแบบกระบวนการทำงานรอบๆ แบบจำลองเพื่อให้ได้ผลลัพธ์ที่ดีขึ้นในด้านประสิทธิภาพ ความแม่นยำ และประสบการณ์ ในอุตสาหกรรมที่ซับซ้อนและเสี่ยงสูงอย่างการดูแลสุขภาพ สิ่งนี้อาจเป็นความแตกต่างระหว่าง AI ที่อยู่ในสถานะการนำร่องและ AI ที่กลายเป็นส่วนหนึ่งของวิธีการให้บริการ