Штучний інтелект у сфері охорони здоров’я працює краще, коли робочі процеси працюють разом

Лідери охорони здоров’я все частіше покладаються на штучний інтелект, щоб скоротити витрати, зменшити вичерпання клініцистів та прискорити операції. Однак багато пілотних проєктів штучного інтелекту демонструють вражаючі демонстрації та обмежений оперативний вплив. Реальна відмінність полягає не в самій моделі, а в тому, чи інтегрований цей штучний інтелект у робочі процеси, які вже домінують у тому, як персонал проводить свій час.

На практиці штучний інтелект покращує результати лише тоді, коли підтримує пов’язані робочі процеси, міжопераційні системи та чітке людське нагляд. Коли ці частини працюють разом, штучний інтелект перестає бути новинкою та починає поводитися як оперативна інфраструктура.

Чому ізольовані інструменти штучного інтелекту застряють у сфері охорони здоров’я

Поширений шаблон у впровадженні штучного інтелекту полягає у тому, щоб розглядати кожний випадок використання як окремий проєкт. Модель може підсумовувати клінічні нотатки, складати пакети попередньої авторизації або відсіювати надходження, але існує поза основним робочим процесом EHR або адміністративним робочим процесом. Коли це відбувається, персоналу все ще потрібно копіювати дані, узгоджувати прапори та навігувати винятки вручну, що означає, що тягар не ліквідується, а лише переноситься.

Це одна з причин, чому впровадження штучного інтелекту може не відповідати очікуванням. Систематичний огляд та мета-аналіз штучного інтелекту в медичній візуалізації 2024 року показав, що хоча багато досліджень повідомили про економію часу, загальні дані не свідчать про автоматичні вигоди в ефективності, що свідчить про те, що реальний вплив штучного інтелекту сильно залежить від того, як він вписується в клінічні робочі процеси.

Лідери охорони здоров’я повинні поставити просте оперативне питання: чи скорочує інструмент штучного інтелекту кількість кроків у роботі, чи просто додає новий шар на вершину старого процесу? Якщо робочий процес все ще фрагментований, відповідь зазвичай друга.

Міжопераційність – це те, що робить штучний інтелект корисним на практиці

Штучний інтелект не може покращити процес, який він не бачить. Тому міжопераційність не є побічним питанням у штучному інтелекті, а умовою, яка визначає, як добре штучний інтелект може функціонувати. Коли системи обмінюються даними чисто, штучний інтелект може надавати інформацію в потрібний час, виділяти відсутні поля та підтримувати рішення без примусу персоналу до повторної вводу чи перевірки інформації.

Всесвітня організація охорони здоров’я розглядає цифрову інфраструктуру охорони здоров’я як залежну від стандартів, обміну даними та пов’язаних систем, які підтримують краще прийняття рішень у різних умовах надання медичної допомоги. З цієї точки зору міжопераційність не є технічним післяthoughtом; це основний активатор штучного інтелекту, керованого робочими процесами.

У контексті США правило CMS про міжопераційність та попередню авторизацію переводить цю ідею в політику, вимагаючи поліпшення обміну інформацією про здоров’я для зменшення тертя в попередній авторизації та інших адміністративних процесах. Це правило свідчить про те, що міжопераційність більше не є необов’язковою; вона стає базовим вимогами для того, як штучний інтелект може працювати по всім претензіям та координації медичної допомоги.

Де координація робочих процесів приносить найбільші вигоди

Найбільш переконливі випадки використання штучного інтелекту в сфері охорони здоров’я tend to бути тими, які видаляють тертя з повторюваних, високовольтних завдань. Приклади включають попередню авторизацію, підтримку документації, перевірку претензій, прийом пацієнтів, координацію медичної допомоги та підтримку рішень. У кожному випадку вигода полягає не тільки в швидкості, але й у меншій перероботці та менших помилках вниз по ланцюгу, шаблон, який все частіше видно в тому, як процеси циклу доходів, орієнтовані на платників, переробляються з агентними системами.

Американська асоціація госпіталів зазначає, що штучний інтелект все частіше використовується для оптимізації клінічних робочих процесів та покращення досвіду пацієнтів шляхом підтримки як клінічних, так і адміністративних завдань. Ключовий висновок полягає в тому, що коли штучний інтелект інтегрується в спосіб, яким люди виконують свою роботу, покращення починають з’являтися в пропускній здатності, точності та задоволенні.

Надійність важливіша за демонстрацію моделі

Організації охорони здоров’я природно приваблюються демонстраціями моделей: система, яка підсумовує, передбачає або класифікує з високою точністю на слайд-шоу, може відчуватися трансформаційною. Але реальні операції не є демонстраціями. Вони включають крайні випадки, відсутні дані, зміну персоналу та зміну вимог. У такому середовищі надійність важливіша за візуальну політуру.

Самостійна спостережуваність недостатня. Знання того, що відбулося після факту, допомагає з пост-мортом, але не запобігає повторним невдачам. Надійна система штучного інтелекту повинна поводитися передбачувано, піднімати винятки належним чином та входити в організаційну модель управління змінами та ризиками.

У сфері охорони здоров’я маленькі помилки у робочих процесах можуть мати великі наслідки. Відсутній пункт у робочому процесі авторизації може затримати лікування. Погано тимчасово рекомендація може перервати клініциста в неправильний момент. Слабкий шлях ескалації може залишити персонал, який сумнівається в тому, що довіряти. Штучний інтелект повинен зменшувати двозначність, а не створювати нові форми її.

Що насправді вимагає успішна реалізація

Успішна реалізація штучного інтелекту зазвичай починається з дизайну робочого процесу, а не з моделі. Командам потрібно визначити бізнес-проблему, точки прийняття рішень, джерела даних та людські ролі, задіяні перед розгортанням чогось. Якщо ці основи нечіткі, технологія не компенсує відсутність ясності процесу.

Дисципліна області також критична. Найбільш ефективні розгортання зазвичай роблять одну або дві речі добре. Вони можуть ідентифікувати відсутню інформацію до того, як справа буде направлена, підсумувати графік для огляду або спровокувати винятковий сигнал, коли щось виходить за межі очікуваного шаблону. Спроба автоматизувати занадто багато занадто скоро часто створює більше складності, ніж цінності.

Гарвардська медична школа зазначила, що штучний інтелект може зменшити звичайний тягар для клініцистів та покращити ефективність, коли він використовується вдумливо на практиці. Ключовий вираз – “використовується вдумливо на практиці”: це означає навчання персоналу, визначення переваг, відстеження результатів та забезпечення того, щоб штучний інтелект відповідав роботі, а не примушував роботу відповідати штучному інтелекту.

Штучний інтелект у сфері охорони здоров’я покращується, коли процеси пов’язані

Найтриваліші вигоди штучного інтелекту в сфері охорони здоров’я походять від пов’язаних процесів, а не ізольованих інструментів. Коли дані течуть гладко, огляди відбуваються в правильному порядку, а винятки обробляються послідовно, штучний інтелект може підтримувати кращі рішення з меншим ручним зусиллям. Коли ці умови відсутні, технологія може все ще виглядати просунутою, але робочий процес залишається повільним та фрагментованим.

Це пояснює, чому штучний інтелект повинен вимірюватися на рівні системи. Лідери повинні дивитися за межі точності моделі та запитувати, чи став процес легшим для виконання, легшим для нагляду та легшим для масштабування. Реальний тест не полягає в тому, чи може штучний інтелект виконати окреме завдання в ізоляції. Це те, чи став весь робочий процес більш надійним через те, що штучний інтелект є його частиною.

Реальна цінність пов’язаного штучного інтелекту у сфері охорони здоров’я

Штучний інтелект працює найкраще, коли підтримує повну ланцюжок роботи, а не окрему ізольовану дію. Це означає зв’язування систем, уточнення власності, затягування передач та утримання людей у петлі, де судження має найбільше значення. Коли робочі процеси працюють разом, штучний інтелект стає більш надійним, корисним та масштабованим.

Майбутнє штучного інтелекту не буде вирішено тим, хто має найрозробленішу модель. Воно буде вирішено тим, хто може дизайн робочого процесу навколо моделі так, щоб вона забезпечувала постійні, вимірювані покращення ефективності, точності та досвіду. У складній, високих ставках галузі, як охорона здоров’я, це, ймовірно, буде різниця між штучним інтелектом, який сидить у пілоті, та штучним інтелектом, який стає частиною того, як надається медична допомога.