Grant Lunney, EverHealth’te Ürün Lideri – Röportaj Dizisi

Grant Lunney, sağlık teknolojileri, klinik operasyonlar ve ürün stratejisi alanlarında yaklaşık yirmi yıllık deneyime sahip EverHealth Ürün Lideri’dir. Kariyeri Boulder Community Health, OTTO Health, NextGen Healthcare ve CrowdHealth’i kapsıyor; odağında ayakta tedavi ve sağlık kuruluşlarının karşılaştığı pratik zorluklar bulunuyor. EverHealth’te, klinisyenlerin hastalarına daha fazla zaman ayırabilmesi için klinik dokümantasyon ve muayenehane iş akışlarında yapay zekâ uygulamaları üzerinde çalışıyor.

EverHealth; elektronik sağlık kayıtları, muayenehane yönetimi, tıbbi faturalandırma ve hasta iletişimi alanlarını kapsayan sağlık teknolojileri sunuyor. EverHealth Scribe, hasta ile sağlık profesyoneli arasındaki konuşmaları ortam dinleme yoluyla yapay zekâ kullanarak klinisyenin inceleyip onaylaması için EHR içinde taslak klinik notlara dönüştürüyor. Lunney bu röportajda davranışsal sağlık dokümantasyonunu, hasta onayı ve mahremiyetini, klinik gözetimi ve yapay zekânın bağımsız sağlık kuruluşlarının idari iş yükünü nasıl azaltabileceğini ele alıyor.

Kariyeriniz, Boulder Community Health’te klinik operasyonlar ve strateji alanlarından OTTO Health, NextGen Healthcare ve CrowdHealth’teki ürün liderliği görevlerinize, oradan da şimdi EverHealth’e uzanarak sağlık teknolojileri alanında yaklaşık yirmi yılı kapsıyor. Bu deneyimler, yapay zekânın sağlık hizmetlerinde nasıl bir rol oynaması gerektiğine ilişkin bakış açınızı nasıl şekillendirdi? EverHealth’te ürün inovasyonuna liderlik etme fırsatında sizi cezbeden ne oldu?

Yaklaşık yirmi yıldır, ağırlıklı olarak ayakta tedavi alanında sağlık teknolojileri üzerinde çalışıyorum. Bu süre boyunca, hekimlerin tıp uygulamalarına yardımcı olmak için sunduğumuz araçların kayda değer biçimde geliştiğine tanık oldum. Elektronik reçetenin büyük bir yenilik sayıldığı günleri hatırlıyorum. Bir hekimin reçeteyi elektronik olarak gönderebilmesi ve hasta eczaneye vardığında ilacın hazır olması fikri anlamlı bir ilerlemeydi. O zamandan bu yana giderek daha gelişmiş EHR sistemleri, süreç otomasyonu, birlikte çalışabilirlik ve sağlık hizmetlerini daha verimli kılmak üzere tasarlanmış türlü araçlar geliştirdik.

Yapay zekâya da benzer şekilde bakıyorum. Büyük dil modellerinden, üretken yapay zekâdan ya da tahmine dayalı modellerden söz ediyor olalım, bunların hepsi araç setimize eklenen yeni araçlar. Amaç değişmiyor: klinisyenlerin verimliliğini artırmak ve nihayetinde sunabilecekleri bakımın kalitesini yükseltmek.

2.500 ya da 3.000 hastalık bir grubu yöneten birinci basamak hekimini düşünün. Günleri akut başvurularla, ilaç yönetimiyle ve birden fazla kronik rahatsızlığı olan hastaların bakımıyla geçiyor. Ancak bu hekimlerin hastalarıyla önleyici çalışmalara daha fazla zaman ayırmak istemeyeceklerine bir an bile inanmıyorum. Beslenme, egzersiz, davranışsal sağlık ve kişinin sağlığını etkileyen sosyal faktörler hakkında konuşmak; insanların, bir sonraki kronik rahatsızlığın ortaya çıkmasını baştan önleyebilecek anlamlı değişiklikler yapmasına yardımcı olmak isterler. Tıp fakültesine gitme nedenleri buydu.

Yapay zekâ konusunda beni heyecanlandıran da bu. Klinisyenlerin idari işlerinin ve bilgi işleme yükünün önemli bir bölümünü üstlenerek onlara tıp uygulamaya daha fazla zaman kazandırabilecek teknolojiler geliştirmeye başlıyoruz.

EverHealth’e katılmamda beni cezbeden şey, bu teknolojiyi bir sağlık kuruluşunun tamamında adım adım uygulayabilme olanağımız. Önce tek bir sorunu son derece iyi çözmeye, ardından bir sonrakine geçmeye yürekten inanıyorum. Önce klinik dokümantasyonu, ardından tanıların tanınmasını, kodlamayı, istemleri, reçeteleri ve muayenehane operasyonlarını iyileştirebiliriz. Zaman içinde bu iyileştirmeler birlikte çalışmaya başlar.

EverHealth Scribe, hasta ile sağlık profesyoneli arasındaki konuşmaları yapay zekâ kullanarak klinik dokümantasyona dönüştürüyor. Bir oturumun kaydedilmesinden klinik notun oluşturulmasına kadar teknolojinin nasıl çalıştığını anlatabilir misiniz? Ayrıca yaklaşımınızı yapay zekâ destekli diğer tıbbi dokümantasyon çözümlerinden ayıran özellikleri açıklayabilir misiniz?

En basit hâliyle bir yapay zekâ destekli klinik not asistanı, hasta ile klinisyen arasındaki konuşmayı dinler, konuşma tanımayı kullanarak kimin ne söylediğini anlar ve ardından büyük bir dil modelinden yararlanarak klinik açıdan önemli bilgileri düzenli bir nota dönüştürür. Klinisyen bu bilgileri inceler, gerekli düzeltmeleri yapar ve son dokümantasyonu onaylar.

Sanırım artık, iyi ortam dinleme özellikli yapay zekâ destekli klinik not asistanlarının çoğunun bu temel görevi yerine getirmekte son derece başarılı hâle geldiği bir noktaya ulaşıyoruz. Modellerin gelişmişlik ve doğruluk düzeyleri farklılık gösteriyor; ancak farklılaşma açısından daha büyük fırsatın giderek bu sürecin çevresindeki diğer unsurlardan doğacağına inanıyorum.

Bizim için bu, not oluşturulduktan sonra klinisyenin işlerinin ne kadarını daha tamamlayabileceğimizle başlıyor. Tanı ve CPT kodu önerilerini şimdiden ekledik; tümü doğrudan EHR’ye entegre edilen istemler ve reçeteler üzerinde de çalışmalarımızı genişletiyoruz. Ayrıca önceki ziyaretlerden, tıbbi geçmişten ve ziyaret öncesi dokümantasyondan bağlam bilgilerini sisteme alıyoruz; çünkü 15 dakikalık bir konuşma, çok daha kapsamlı bir klinik öykünün yalnızca küçük bir parçası. Bunun yanı sıra klinisyenlerin gözlemlerini ve sesli olarak dile getirmedikleri notlarını kaydeden açıklama özellikleri geliştiriyoruz.

Tüm bu özelliklere güvenilirliği de yerleştirdik. Bir klinisyen hastayla 30 dakika geçirdikten sonra kaydın başarısız olduğunu fark ederse bu, son derece kötü bir deneyim olur. Bu nedenle mikrofonun yerleştirilmesinden aralıklı Wi-Fi bağlantısına kadar her türlü olasılığı hesaba katmamız gerekiyor.

Bütün bunları doğru yaparsak klinisyen, randevuyu belgeleme işinin neredeyse tamamı bitmiş olarak tamamlamalıdır. Geriye yalnızca klinik içeriği gözden geçirmek, mesleki değerlendirmesini yapmak ve uygun bulduğu önerileri uygulamak kalmalıdır.

Ruh sağlığı görüşmelerinde çoğu zaman son derece kişisel konuşmalar, duygusal incelikler ve hassas açıklamalar yer alır. Davranışsal sağlık alanında kullanılacak bir yapay zekâ destekli kayıt asistanı geliştirmenin kendine özgü teknik zorlukları nelerdir ve sistemin bağlamı yanlış yorumlamadan ya da gereksiz kişisel ayrıntıları kayda geçirmeden klinik açıdan önemli bilgileri doğru biçimde yakalamasını nasıl sağlıyorsunuz?

50 dakikalık bir psikoterapi seansı, 15 dakikalık bir davranışsal sağlık görüşmesi ve yedi dakikalık bir dahiliye ziyareti, birbirinden çok farklı üç konuşmadır. Her görüşmenin sonunda ortaya çıkması gereken kayıt da farklı olacaktır.

Bu nedenle işe klinisyenden başlıyor ve geriye doğru ilerliyoruz. Hangi bilgilerin kaydedilmesi gerekiyor? Nasıl düzenlenmeli? Klinik açıdan hangi ayrıntı düzeyi uygun? Sağlık uzmanının, görüşmeyi doğru biçimde yansıttığından emin olmasını sağlayacak son not nasıl görünmeli?

Bunu belirledikten sonra, bu beklentilere uygun kayıtlar oluşturması için yapay zekâyı yapılandırıp geliştirmeye başlayabiliriz. Amaç, çok uzun, karmaşık ve son derece kişisel olabilecek bir konuşmayı, hastanın bakımı açısından gerçekten önemli klinik bilgilere indirgemektir.

Bunun özellikle davranışsal sağlık alanında önemli olduğunu düşünüyorum. Bir seans sırasında söylenen her şeyin hastanın kalıcı sağlık kaydına girmesi gerektiği anlamına gelmez. Modelin klinik anlamı da doğru yorumlaması gerekir; davranışsal sağlık alanında tek bir ifade, bağlama göre çok farklı anlamlara gelebilir. Bu nedenle klinisyenin incelemesi ve mesleki değerlendirmesi vazgeçilmezdir.

Bu modellerin ne kadar akıllı olduğundan sık sık söz ediyoruz; ancak bence en önemli çalışmaların bazıları, model bir not oluşturmadan önce yapılıyor. Öncelikle başarılı bir klinik çıktının nasıl görünmesi gerektiğini belirliyor, ardından bu çıktıyı ne kadar tutarlı biçimde ürettiğimizi sürekli iyileştiriyoruz.

Basitçe ifade etmek gerekirse, sürecimiz başarılı bir çıktının nasıl olması gerektiğini belirlemek, buradan geriye doğru ilerlemek ve bunu başarıp başaramadığımız konusunda son sözü klinisyene bırakmaktır.

KFF’nin araştırmasına göre ABD’deki yetişkinlerin %77’si, yapay zekâ araçlarıyla paylaşılan tıbbi bilgilerin gizliliği konusunda endişeli. EverHealth, özellikle hasta verilerinin saklanma süresi, üçüncü tarafların erişimi ve hassas bilgilerin yapay zekâ modellerini eğitmek ya da geliştirmek için kullanılması konularında bu endişeleri nasıl ele alıyor?

Bu endişe haklı; hastaların daha iyi bakım için gizliliklerinden ödün vermek zorunda kalması gerektiğini düşünmüyorum. Öte yandan, bir teknoloji şirketi de insanlardan güvenlik önlemlerine sorgulamadan inanmalarını istememeli. Hastalar ve sağlık kuruluşları hangi bilgileri kullandığımız, bunlara kimlerin erişebildiği ve bu bilgileri ne kadar süreyle sakladığımız konusunda açık yanıtları hak ediyor.

EverHealth Scribe, hasta bilgilerini klinik kayıtların oluşturulmasını ve bakımın sürekliliğini desteklemek amacıyla işler. Korunan sağlık bilgilerinin nasıl ele alınacağını düzenleyen iş ortağı sözleşmeleri gibi sözleşmeye dayalı güvenlik önlemleri kapsamında CarePilot da dâhil olmak üzere teknoloji ortaklarıyla çalışıyoruz. Ayrıca şifreleme ve erişim denetimleri kullanıyoruz; kimliği belirlenebilir hasta bilgileri yapay zekâ modellerini eğitmek için kullanılmıyor. Scribe transkriptleri 180 güne kadar erişilebilir durumda kalıyor ve klinisyenlerin farklı görüşmelerdeki ilgili bağlamı yeniden incelemesine yardımcı oluyor; ancak sağlık kuruluşları transkriptlerin silinmesini de talep edebiliyor.

Gizliliği sonradan yeniliğe ekleyemeyiz. Neyi geliştireceğimiz, neyi birbirine bağlayacağımız ve hangi bilgileri saklayacağımızla ilgili kararlarımıza yön vermesi gerekir.

EverHealth Scribe’ı kullanan Mentavi Health, hastalardan hem ilk kayıt sırasında hem de her ziyaret öncesinde onay alıyor. Bu sürekli onay modeli, hastaların güvenini oluşturmada ne kadar önemli ve bir hasta yapay zekâ destekli kayıt tutulmasını reddeder ya da seans sırasında onayını geri çekerse ne yapılmalı?

Mentavi’nin ilk kayıt sırasında ve her ziyaretten önce yeniden onay alma yaklaşımı, hastanın bakımının nasıl sunulacağı konusunda söz sahibi olduğunu pekiştiriyor.

Kariyerimin önemli bir bölümünü teletıp alanında geçirdim; bu nedenle hastaların, teknolojinin sağladığı değeri görebildiklerinde genellikle teknolojiye açık olduklarına inanıyorum. İdeal durumda hastalar daha fazla göz teması kuruyor, daha doğrudan iletişim yaşıyor ve dizüstü bilgisayarın arkasında oturup iş istasyonuna yazı yazmak yerine konuşmaya gerçekten odaklanan bir klinisyenle karşılaşıyor. Bu, sunulan değeri oldukça ikna edici kılıyor.

Elbette bu değerin hastalara seçim hakkı da sunması gerekir. Hastalar teknolojinin nasıl kullanıldığını anlamalı ve kullanmayı reddetme konusunda kendilerini rahat hissetmelidir. Bir kişi ziyaret sırasında onayını geri çekerse kayıt durdurulmalı; klinisyen de görüşmeye devam edip bunu olağan iş akışıyla belgeleyebilmelidir. O ana kadar kaydedilmiş bilgiler, geçerli onay ve gizlilik gerekliliklerine uygun biçimde ele alınmalıdır.

Sonuçta güvenin, sürekli değer sunmaktan doğduğunu düşünüyorum. Klinisyenlerin hastalarla daha fazla zaman geçirip daha yakından iletişim kurmasına yardımcı oluyorsak ve hastalar da bu farkı gerçekten hissediyorsa doğru bir iş yapıyoruz demektir.

Yapay zekâ tarafından oluşturulan klinik notlar; bilgi uydurulması, ayrıntıların atlanması ve hasta ifadelerinin yanlış yorumlanması gibi potansiyel riskler doğuruyor. EverHealth bu hataları tespit etmek için hangi önlemleri aldı ve klinisyenlerin yapay zekâ tarafından oluşturulan belgeleri yalnızca onaylamakla yetinmeyip anlamlı bir gözetim sağlamasını nasıl güvence altına alıyorsunuz?

Klinisyenler yazım asistanıyla yakın iş birliği içinde çalışıyor ve yapay zekâ tarafından oluşturulan notları tıbbi kayda eklemeden önce düzenlemekten sorumlu oluyor. Böylece çıktıda tutarsızlık oluşma olasılığını en aza indirmeyi amaçlıyoruz.

Bilgiler tıbbi kayda işlenmeden önce klinisyenin bunları inceleyip düzenlemesi gerekiyor. Notun görüşmeyi doğru biçimde yansıtıp yansıtmadığına ve önemli bir noktanın atlanıp atlanmadığına ya da yanlış yorumlanıp yorumlanmadığına karar verme sorumluluğu yine klinisyene ait.

Bir diğer önemli unsur da sürekli geri bildirim. Her görüşmenin ardından klinisyenlere dokümantasyonun yararlı olup olmadığını soruyoruz ve yanıtların %96’dan fazlası olumlu oldu. Bu, düzenli olarak değer sunduğumuzu gösteren cesaret verici bir işaret.

Bir klinisyen sorun bildirdiğinde ekibimiz, ne olduğunu anlamak, altta yatan sorunu tespit etmek ve deneyimi nasıl iyileştirebileceğimizi belirlemek için doğrudan devreye giriyor. Teknolojiyi kullanan kişilerle kurduğumuz bu doğrudan ilişki, ürünü geliştirme ve iyileştirme biçimimizin son derece önemli bir parçası.

Yapay zekâ destekli dokümantasyona duyulan güvenin nihayetinde böyle oluşturulduğunu düşünüyorum. Temel bilgileri erişilebilir kılmalı, klinik gözetimi anlamlı biçimde sürdürmeli ve teknolojinin gerçekten yardımcı olup olmadığını sürekli değerlendirmelisiniz.

Mentavi Health kısa süre önce, 30’dan fazla lisanslı klinisyeni ve yapay zekâ desteğiyle oluşturulmuş 14.000’den fazla klinik notu kapsayan aşamalı bir uygulama sürecinin sonuçlarını paylaştı. Süreçte yapılandırılmış dokümantasyon ve tanı kodlarının kaydedilme oranında iyileşme görüldü. Bu uygulamanın en önemli bulguları neler oldu? Yapay zekâ destekli yazım asistanlarının klinisyen verimliliğini, dokümantasyon doğruluğunu ve hasta bakımını gerçekten iyileştirip iyileştirmediğini nasıl ölçüyorsunuz?

Mentavi’nin uygulamasından çıkarılan en önemli derslerden biri, başarılı benimsemenin yalnızca teknolojinin kendisine bağlı olmadığı. Mentavi; dokümantasyon standartlarını belirlemek, kalite ölçütleri oluşturmak ve yeni özellikleri özenle devreye almak için klinik, idari ve teknolojik uzmanlığı bir araya getirdi. Sorumlu sağlık hizmetleri inovasyonu da tam olarak böyle bir iş birliğine dayanmalı.

Scribe ile çözmeye çalıştığımız sorun basit: Klinisyenler bir randevuyu belgelendirmek için çok fazla zaman harcıyor. Peki bu zaman ve çabanın ne kadarını ortadan kaldırabiliriz?

Dokümantasyona ayrılan süreyi, klinisyen memnuniyetini ve tanı tanıma ile CPT kodu önerileri gibi özelliklerin iş akışındaki ek adımları ne ölçüde ortadan kaldırdığını değerlendiriyoruz. İstem ve reçete süreçlerine yönelik özellikleri genişletirken de aynı yaklaşımı uygulayacağız. Her özellik, klinisyenin gün içindeki iş yükünü anlamlı ölçüde azaltmalı.

Tanı kodlarının kaydedilme oranındaki artış özellikle heyecan vericiydi. Değerlendirmede Scribe kullanılan görüşmelerde bu oran neredeyse %80’e ulaşırken, Scribe kullanılmayanlarda yaklaşık %26’da kaldı. Bu, yapılandırılmış klinik dokümantasyonun tutarlılığında kayda değer bir iyileşme ve yapay zekânın yalnızca not oluşturmanın ötesinde nasıl değer yaratabileceğine dair harika bir örnek.

Oluşturulan not sayısı umut verici; ancak asıl önemli sonuçlar, ortadan kaldırdığımız iş yükü ile üretilmesine katkıda bulunduğumuz dokümantasyonun kalitesi ve tutarlılığı.

Bağımsız tıp ve ruh sağlığı klinikleri, daha büyük sağlık sistemlerine kıyasla genellikle sınırlı idari kaynaklarla çalışıyor. Yapay zekâ destekli dokümantasyon, küçük kliniklerin rekabet etmesine nasıl yardımcı olabilir? Uygulama maliyetleri, iş akışlarına entegrasyon veya teknolojinin benimsenmesiyle ilgili hangi engellerin hâlâ aşılması gerekiyor?

Bağımsız klinikler için en büyük fırsatın, seçenek özgürlüğü sunduğunu düşünüyorum. Klinisyenlerin ve çalışanların idari iş yükünü azaltarak kliniklerin zamanlarını ve kaynaklarını nasıl kullanacakları konusunda daha iyi kararlar vermelerine olanak tanıyoruz. Bir hekim daha fazla hasta görmek isteyebilir. Hâlihazırda baktığı hastalara daha fazla zaman ayırmak isteyebilir. Ya da son randevusunu saat beşte bitirip dokümantasyonu gözden geçirmek için 15 dakika ayırdıktan sonra, iki saat daha iş yetiştirmek yerine eve gitmek isteyebilir. Bunların hepsi değerli sonuçlar ve klinik, hangisinin kendisi için daha önemli olduğuna karar verebilmeli.

Uygulamaya gelince, kliniğin teknoloji sağlayıcısı zaten biziz; dolayısıyla iş akışına entegrasyon bizim sorumluluğumuz, kliniğin değil. Scribe, klinisyenlerin hâlihazırda sahip olduğu cihazlarda çalışıyor ve kullanmaya başlamak için bir ya da iki eğitim oturumu yeterli olabiliyor. Bununla birlikte, küçük bir kliniğin teknik sorunları telafi etmek için çok az imkânı var. Bu nedenle kurulumun mümkün olduğunca kullanıcıların kendi başlarına yapabileceği şekilde olmasını hedefliyoruz.

Sonuç olarak yapay zekânın, bağımsız kliniklere geçmişte yalnızca çok daha büyük kuruluşların erişebildiği olanakları ve operasyonel verimliliği sunduğunu düşünüyorum. En az bunun kadar önemlisi, bu kliniklerde çalışan kişilere zamanlarını nasıl kullanacakları konusunda daha fazla söz hakkı vermesi.

Sağlıkta, özellikle davranış sağlığında, yapay zekâyı düzenleyen mevzuat eyaletler arasında giderek çeşitlenirken EverHealth bu parçalı düzenleyici ortamda nasıl yol alıyor? Birden fazla yargı bölgesinde hastaların rızası, veri gizliliği ve klinisyen gözetimine ilişkin farklı gereklilikleri karşılaması gereken bir yapay zekâ ürünü geliştirirken ne tür zorluklar ortaya çıkıyor?

Bu filmi daha önce izlemiş gibiyim. Kariyerimin büyük bölümünü COVID öncesinde uzaktan sağlık hizmetleri alanında geçirdim; eyaletlere göre değişen lisanslama, hastanın bulunduğu yer, rıza, reçete yazma ve geri ödeme kurallarıyla uğraştım. Sonra kurallar neredeyse bir gecede değişti ve değişmeye devam ederken faaliyetlerimizi büyütmek zorunda kaldık.

Yapay zekâ alanı da bana benzer geliyor. Önerilen mevzuatın önünde kalmaya, eyalet ve federal düzeydeki farklılıkları anlamaya ve ürünü bunlara uyum sağlayabilecek şekilde geliştirmeye odaklanıyoruz.

Bu, özellikle davranış sağlığı alanındaki uzaktan sağlık hizmetlerinde önem taşıyor; çünkü tek bir klinisyen birçok eyaletteki hastaları görebiliyor. Rıza, gizlilik ve klinisyen gözetimi, hizmetin yapılandırılabilir temel unsurları olmalı.

Bu deneyimden çıkardığımız asıl ders, ürünün en başından itibaren mevzuata uyum sağlayabilecek şekilde tasarlanması gerektiği. EverHealth’te yapay zekâya yaklaşımımızın temelinde bu anlayış var. Görevimiz, klinisyenlerin bakım sunmaya odaklanabilmesi için bu karmaşıklığın mümkün olduğunca büyük bir bölümünü üstlenmek.

İleriye baktığımızda yapay zekâ yetenekleri, dokümantasyonun ötesine geçerek klinik karar desteği, hasta etkileşimi ve giderek daha özerk sağlık hizmeti iş akışlarını da kapsayacak şekilde hızla genişliyor. Özellikle ruh sağlığı alanında, yapay zekâ desteği ile insan klinik muhakemesi arasındaki sınır nerede kalmalı? EverHealth teknolojisinin önümüzdeki üç ila beş yıl içinde nasıl gelişeceğini öngörüyorsunuz?

Yapay zekâ dinleyebilir, düzenleyebilir, ilgili bağlamı öne çıkarabilir ve önerilerde bulunabilir. Ancak klinik muhakeme klinisyene aittir.

Bu, özellikle ruh sağlığı alanında önemlidir; çünkü hastanın geçmişi, ses tonundaki bir değişiklik, hatta dile getirilmeyenler bile kelimelerin kendisi kadar anlam taşıyabilir. Teknoloji, klinisyenlerin bu anlarda hastalarının yanında daha fazla olmasını sağlamalı, daha az değil.

Önümüzdeki üç ila beş yılda fırsat, daha akıllı bir klinik yazmanlık aracının çok ötesinde. EverHealth’teki vizyonumuz, teknolojinin bir sağlık hizmeti ziyaretinden önceki, ziyaret sırasındaki ve sonraki anları birbirine bağlamaya yardımcı olduğu akıllı bir ayaktan bakım yolculuğu.

Önemli olanı hatırlayan bir klinik düşünün: Gerektiğinde ilgili geçmiş bilgilerine erişilebiliyor, klinisyenler parçalı bilgileri bir araya getirmeye çalışmak yerine hastaya odaklanabiliyor ve klinik kararlar dokümantasyona, kodlamaya, bakım koordinasyonuna ve sonraki adımlara daha tutarlı biçimde yansıyor. Amacımız yalnızca tek tek görevleri hızlandırmak değil. Bu görevler arasındaki pürüzleri azaltmak istiyoruz.

Yaptığımız her şeydeki en önemli hedefimiz, her hastanın gerçekten görüldüğünü hissetmesini ve her sağlık hizmeti sunucusunun güvenle, birbiriyle bağlantılı bakım sunabilmek için gereken netliğe sahip olmasını sağlamak.

Harika röportaj için teşekkürler. Yapay zekâ destekli klinik dokümantasyonu ve bağlantılı sağlık hizmeti iş akışlarını keşfetmek isteyen okurlar EverHealth‘i ziyaret edebilir.