Алі Морін, головний офіцер з інформатики сестринської справи в symplr – Серія інтерв’ю

Алі Морін, головний офіцер з інформатики сестринської справи в Symplr, є лідером у сфері сестринської справи та охорони здоров’я з досвідом, який охоплює догляд на ліжку, клінічні системи та інформатику сестринської справи. Перед тим, як стати головним офіцером з інформатики сестринської справи в 2024 році, вона обіймала посаду віце-президента з інформатики сестринської справи в symplr та займала керівні посади з інформатики в Halo, зосереджуючись на клінічній комунікації, впровадженні та прийнятті. Раніше Морін працювала в клінічній інформатиці та аналітиці в медичному центрі Cincinnati Children’s Hospital та очолювала великі проекти з електронної клінічної документації та комп’ютеризованого вводу наказів лікаря в лікарні Boston Children’s Hospital. Її досвід роботи як медсестри дає їй клінічну перспективу на використання технологій та проектування робочого процесу для зниження адміністративного навантаження та поліпшення надання медичної допомоги.

symplr – це компанія з програмного забезпечення для операцій у сфері охорони здоров’я, яка зосереджена на підключенні та спрощенні адміністративних та операційних систем, які підтримують надання медичної допомоги. Її хмарна платформа операцій поєднує можливості, що охоплюють управління персоналом, дані про постачальників та акредитацію, якість та безпеку, клінічну комунікацію та графіки лікарів, управління талантами, управління витратами, дотримання вимог, доступ та управління контрактами, з метою заміни фрагментованих розв’язків з окремими завданнями на більш інтегровані робочі процеси та дані. Компанія також інтегрує штучний інтелект у свою платформу для підтримки автоматизації та прийняття рішень, зберігаючи при цьому у центрі свого підходу питання охорони здоров’я та управління даними. Symplr стверджує, що її технології використовуються дев’ятьма з десяти лікарнями США та більш ніж 400 планами охорони здоров’я США.

Ви провели майже три десятиліття як медсестра на ліжку, лідер клінічної інформатики, а тепер головний офіцер з інформатики сестринської справи в symplr. Оглянувшись назад на цей шлях, які найбільші помилки ви бачили у технологічних компаніях при розробці штучного інтелекту для медсестер, і як ваш власний досвід роботи на ліжку вплинув на ваш підхід до розробки штучного інтелекту сьогодні?

Охорона здоров’я вже була тут раніше. Електронні медичні записи обіцяли ефективність, але спочатку вони часто створювали більше адміністративного навантаження, оскільки клінічні фахівці, які очікували використовувати їх щоденно, не були залучені до розробки та впровадження цих інструментів. Я пережила це особисто з першим електронним медичним записом, який я використовувала на ліжку, і знову, коли рішення щодо робочого процесу приймалися в раді, з мало увагою до клінічних фахівців, які будуть використовувати їх, коли вони будуть введені в дію. Штучний інтелект дає нам можливість зробити все правильно, але тільки якщо ми не повторимо цю помилку.

Я розпочала свою кар’єру понад 25 років тому як медсестра педіатричної інтенсивної терапії, і провела останні два десятиліття в сфері інформатики сестринської справи. Я бачила обидві сторони: як технології допомагають, коли вони розроблені з урахуванням клінічних фахівців та їхніх консультацій, і як швидко вони стають джерелом розчарування, коли цього не робиться. Помилка, яку я все ще бачу, полягає в тому, що організації охорони здоров’я розробляють рішення для робочого процесу, який вони думають, що є у медсестри, а не для реальної середовища, повного переривань, конкуруючих пріоритетів та моментів, коли документування та надання медичної допомоги відбуваються одночасно.

Мій досвід роботи на ліжку формує простий тест, який я застосовую до кожного інструменту штучного інтелекту: чи значно підтримує він роботу медсестри, чи стає просто ще однією річчю, яка конкурує за її увагу? Якщо це останнє, то це не має значення, наскільки просунутий є модель; це просто ще одна конкуруюча пріоритетність, яка додається до навантаження медсестри та конкурує за її час.

Ви часто стверджуєте, що клінічні фахівці повинні бути залучені протягом усього процесу розробки штучного інтелекту, а не тільки під час впровадження. Що таке значуща участь клінічних фахівців, і чому багато ініціатив зі штучним інтелектом у сфері охорони здоров’я все ще роблять це неправильно?

Залучення медсестер до управління технологіями повинно бути структурною очікуванням, закладеним у спосіб, яким організації оцінюють та впроваджують технології з самого початку. Це означає забезпечення того, щоб медсестри були присутні на кожному етапі – від закупівлі до впровадження та оцінки.

Перший раз, коли медсестра бачить розв’язок, не повинен бути після того, як рішення було прийнято та персонал був навчений. Медсестри, які використовують ці інструменти щоденно, ідентифікують виклики та можливості, яких адміністратори, розробники та постачальники можуть ніколи не побачити, просто тому, що як клінічні фахівці, вони живуть усередині робочого процесу.

Більшість ініціатив зі штучним інтелектом у сфері охорони здоров’я роблять це неправильно, оскільки вони розглядають клінічний внесок як перевірку, а не безперервний процес. Часто медсестру просять надати відгук під час демонстрації або пілотного проекту, і це вважається “клінічним внеском”. Реальний внесок виглядає більше як робота, яку я роблю в symplr, коли ми розробляємо, створюємо та еволюціюємо наші рішення зі штучним інтелектом. Клінічна участь також може бути бачена в групах, таких як Комітет з лідерства, інновацій, технологій та трансформації AONL, або Робоча група постачальників CNO/CNIO HIMSS, де медсестри визначають компетенції та управління технологіями, які організації охорони здоров’я використовують для оцінки технологій; вони не просто реагують на те, що вже було побудовано.

Медсестри-менеджери можуть витрачати значну частину дня на створення та коригування графіків. Як штучний інтелект фундаментально змінює управління персоналом, і де ви бачите найбільші вимірювані поліпшення ефективності та задоволеності персоналу?

Інструменти планування та управління робочим навантаженням на основі штучного інтелекту усувають багато операційної складності, яка довго обтяжувала лідерів медсестер. Завдання, які раніше вимагали нескінченної ручної координації, такі як створення графіка, коригування його в режимі реального часу та покриття останніх викликів, можуть тепер бути автоматизовані замість того, щоб споживати день медсестри-менеджера.

На стороні ефективності у нас є дані, які демонструють вплив. Наприклад, з інтегрованим плануванням у існуючій платформі управління персоналом symplr, об’єднане рішення тепер може прогнозувати потреби у персоналі до 120 днів вперед з точністю 96%. Це вимірювана зміна, від реактивного, добового хаосу до підходу, який дозволяє лідерам медсестер та клінічним фахівцям планувати.

Більш складно пов’язати задоволеність персоналу з прогнозованим плануванням, але медсестри, які відчувають підтримку систем навколо них, схильні залишатися в професії довше. Національна рада державних рад з медсестринської справи повідомила, що серед медсестер, які заявили про намір покинути професію протягом наступних п’яти років, 41,5% назвали стрес і вигорання причиною, а навантаження, нестача персоналу та недостатня зарплата були іншими основними причинами. Коли планування персоналу перестає споживати день менеджера, а прогалини в покритті передбачаються заздалегідь, це саме той позитивний змін, який може вплинути на те, як люди відчувають свій робочий день.

Прогнозування персоналу обіцяє передбачити нестачу перед тим, як вона стане кризою. Які сигнали даних виявляються найбільш цінними, і як ви забезпечуєте, щоб ці моделі підтримували медсестер, а не просто оптимізували витрати на працю?

Сигнали, які мають значення, – це ті, які розкривають прогалину до того, як ситуація стане терміновою, наприклад, наскільки заздалегідь заповнюються зміни, і як часто медсестра-менеджер покладаєся на останні хвилини, щоб покрити зміну. Bellin Health – це хороший приклад. Як тільки клінічна команда постачальника мала видимість відкритих змін та прогалин у покритті, команда заповнила 65% змін за два тижні чи більше і 80% протягом тижня, а не в останню хвилину, щоб закрити прогалини у персоналі.

Шлях до утримання моделей чесних полягає в тому, щоб вимірювати більше, ніж витрати. Прогнозування персоналу зберегло Bellin Health понад мільйон доларів витрат на працю. Але те, що має значення для її медсестер, – це те, що 80% змін були заповнені заздалегідь. Модель, побудована з урахуванням медсестер, виходить за рамки ефективності, безпеки та передбачуваності, щоб позитивно вплинути на задоволеність медсестер.

Охорона здоров’я бачила багато технологічних розвитків, які збільшували адміністративне навантаження замість його зниження. Що відрізняє інструменти штучного інтелекту, які медсестри приймають, від тих, які швидко стають ще одним джерелом розчарування?

Інструменти, які медсестри приймають, – це ті, які зникають на задньому плані. Наприклад, документація, яка пише себе, поки медсестра залишається повністю присутньою з пацієнтом, або робочі процеси, які усувають повторювані завдання, замість того, щоб додавати нові екрани для перевірки. Інструменти, які стають ще одним джерелом розчарування, зазвичай впроваджуються без урахування того, як працюють медсестри, а просто додають до кількості речей, які медсестра повинна переглянути, натиснути або подвійно перевірити під час догляду за пацієнтами.

Все це зводиться до прозорості та відповідності. Коли керівництво є прозорим щодо того, що робить інструмент і чому, і він побудований навколо реальних робочих процесів, а не ідеалізованої версії, тоді результат є реальним – більше часу для догляду за пацієнтами, більше часу для критичного мислення та більша здатність наставляти молодших медсестер. Але коли цього немає, технологія стає перешкодою в уже вимогливій роботі.

Як цикли розробки штучного інтелекту продовжують прискорюватися, ви турбуєтеся, що організації охорони здоров’я можуть віддавати пріоритет швидкості над клінічною валідністю? Які заходи безпеки повинні існувати до того, як системи штучного інтелекту будуть інтегровані у середовища догляду за пацієнтами?

Так, акцент на швидкості над валідністю є реальною проблемою. Темп розробки штучного інтелекту є швидким, а регуляторні та безпекові вимоги охорони здоров’я існують за хорошими причинами. Організації, які роблять все правильно, розглядають клінічну валідність та управління медсестрами як частину процесу розробки з дня один, а не щось, що додається перед запуском, щоб задовольнити список перевірок.

Для мене базовий захід безпеки полягає в тому, що медсестри та інші клінічні фахівці оцінюють ці інструменти до того, як вони торкнуться догляду за пацієнтами. Крім того, системи охорони здоров’я потребують прозорості щодо того, що робить система, і чіткого процесу для клінічних фахівців, щоб позначити, коли щось не працює. Національні структури управління, такі як ті, які будуються галузевими організаціями, такими як AONL та HIMSS, надають організаціям діючий каркас замість того, щоб залишити кожну систему охорони здоров’я самостійно.

Поза плануванням, де ви вважаєте, що штучний інтелект має найбільший незадіяний потенціал для зниження вигорання серед медсестер, одночасно поліпшуючи результати пацієнтів протягом наступних п’яти років?

Документування – це місце, де я все ще бачу найбільший простір для зростання. Інструменти амб’єнтної документації тільки починають захоплювати проміжні моменти догляду, які історично залишаються недокументованими. Є ще багато території, яку потрібно покрити протягом наступних кількох років, як для надання медсестрам часу, так і для створення більш повної реєстрації того, що відбулося під час зустрічі з пацієнтом.

Віртуальна медсестринська допомога – це ще одна область з реальним потенціалом для зростання. Наразі вона в основному використовується для освіти пацієнтів, документації при прийомі, планування виписки та віддаленого моніторингу. Більша можливість полягає в масштабуванні цієї підтримки, щоб більше медсестер на ліжку отримали час назад, щоб зосередитися на пацієнті перед ними, а не на паперах навколо них. Важливо відзначити, однак, що інструменти амб’єнтної документації та віртуальної медсестринської допомоги не можуть замінити клінічну судність. Технологія просто усуває завдання, які тихо конкурують з нею.

Оглянувшись вперед, яка порада ви дали б керівникам охорони здоров’я, які хочуть побудувати стратегії штучного інтелекту, які медсестри будуть підтримувати, а не опиратися, і яку роль повинна відігравати керівництво медсестер у формуванні наступного покоління клінічного штучного інтелекту? 

Моя порада полягає в тому, щоб залучити медсестер до закупівлі технологій, впровадження та оцінки з самого початку. Медсестри, які працюють з цими інструментами щоденно, ідентифікують виклики та можливості, яких інші можуть ніколи не побачити. Також інвестуйте в розвиток цифрового лідерства зараз, а не через роки. Ми не можемо очікувати, що лідери медсестер будуть керувати складними технологічними рішеннями без надання їм інструментів або знань для цього.

Роль керівництва медсестер полягає в тому, щоб забезпечити, щоб клінічне залучення було намереним, а не випадковим. Через свою роботу в комітеті AONL ми визначили цифрові компетенції, яких потребують лідери медсестер: цифрова грамотність, здатність співпрацювати з зацікавленими сторонами та вирішувати технологічні рішення, які відповідають реальним клінічним робочим процесам та результатам. Програми, такі як грант на освіту лідерства медсестер у сфері технологій імені Карлен Керфут, створений symplr у партнерстві з фундацією DAISY, існують для того, щоб забезпечити більшу кількість медсестер доступом до такого роду підготовки.

Коли лідери медсестер мають реальне місце за столом, технологія більш тісно пов’язана з тим, як надається догляд, прийняття покращується, адміністративне навантаження зменшується, а безпека та результати пацієнтів покращуються. Це саме той пункт.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, рекомендуємо відвідати symplr.