Ali Morin，symplr 首席护理信息官 – 采访系列

Ali Morin，symplr 首席护理信息官，是一位拥有丰富经验的护理和医疗保健技术领导者，经验涵盖床边护理、临床系统和护理信息学。在 2024 年成为首席护理信息官之前，她曾担任 symplr 的护理信息副总裁，并在 Halo 公司担任过多个临床信息学角色，重点关注临床沟通、实施和采用。早期，Morin 在 Cincinnati 儿童医院医疗中心从事临床信息学和分析，并在波士顿儿童医院领导了主要的电子临床文档和计算机化医生订单录入计划。作为一名注册护士，她对使用技术和工作流程设计来减少行政负担和改善护理提供有着深刻的理解。

symplr 是一家医疗保健运营软件公司，专注于连接和简化支持医疗保健提供的行政和运营系统。其基于云的运营平台将员工管理、提供者数据和资格认证、质量和安全、临床沟通和医生排班、人才管理、支出管理、合规、访问和合同管理等功能整合在一起，目标是用更集成的工作流程和数据取代零碎的点解决方案。该公司还在其平台中整合了人工智能，以支持自动化和决策，同时保持医疗保健特定的数据管理在其方法的核心。symplr 表示，其技术被九分之八的美国医院和超过 400 个美国医疗计划使用。

您在床边护士、临床信息学领导者和 symplr 首席护理信息官的角色中度过了近三十年。回顾这段旅程，您认为技术公司在为护士设计人工智能时最常犯的错误是什么？您自己的前线经验如何影响您对人工智能开发的方法？

医疗保健领域曾经面临过类似的情况。电子健康记录曾经承诺提高效率，但早期它们往往会增加行政负担，因为使用这些工具的临床医生并没有参与设计或实施这些工具的过程。我亲身经历了这一过程，当我第一次使用电子健康记录系统时，以及当工作流程决策在没有考虑到临床医生的设计会议的情况下在董事会议室做出时。人工智能给了我们一个机会来纠正这个错误，但前提是我们不能重蹈覆辙。

我在 25 年多前开始了我的职业生涯，最初是一名儿科重症护士，之后在护理信息学领域度过了二十多年。我见证了双方的观点：当技术以临床医生的视角和咨询为基础时，它是如何有帮助的，以及当它不是这样时，它如何迅速成为沮丧的源头。错误在于医疗保健组织设计的解决方案是针对他们认为护士的工作流程，而不是实际的环境，充满了中断、竞争性优先事项和同时进行的文档记录和患者护理时刻。

我的前线经验塑造了我对每个人工智能工具的简单测试：它是否真正支持护士的工作，还是只是又一件竞争他们注意力的东西？如果是后者，那么无论其下的模型多么先进，它都只是又一件增加护士工作量和竞争他们时间的优先事项。

您经常认为临床医生应该在整个人工智能开发过程中参与，而不仅仅是在部署期间。有意义的临床医生参与是什么样的，为什么这么多医疗保健人工智能计划仍然做错了这一点？

护士在技术治理中的参与应该成为组织结构上的期望，从一开始就融入组织评估和部署技术的方式。这意味着确保护士在每一步都参与其中，从采购到实施到评估。

护士第一次看到解决方案的时刻不应该是在决策已经做出并且员工已经接受培训之后。那些每天使用这些工具的护士将会识别出挑战和机会，这些是管理人员、开发人员和供应商可能永远无法看到的，只因为他们作为临床医生生活在工作流程中。

大多数医疗保健人工智能计划之所以做错了这一点，是因为他们将临床输入视为一个检查点，而不是一个持续的过程。通常，护士会在演示或试用期间被要求提供反馈，这被视为“临床医生参与”。真正的参与看起来更像是我在 symplr 的工作，在设计、开发和演进我们的人工智能解决方案时，我都在其中。临床医生参与也可以在诸如 AONL 的领导力、创新、技术和转型委员会或 HIMSS 供应商 CNO/CNIO 工作组等团体中看到，在那里，护士正在定义医疗保健组织用来评估技术的能力和治理；他们不仅仅是在反应已经建造的东西。

护士经理可以花费大量时间创建和调整排班。人工智能如何从根本上改变工作力管理，在哪里看到效率和员工满意度的最大可衡量改善？

人工智能驱动的排班和工作量管理工具消除了长期以来困扰护士领导者的许多运营复杂性。例如，构建排班、实时调整它以及覆盖最后一刻的呼叫，这些任务曾经需要无尽的手动协调，现在可以越来越多地被自动化，而不是消耗护士经理的一天。

在效率方面，我们有数据来展示影响。例如，使用 symplr 现有的工作力平台中的集成排班，该解决方案现在可以预测员工需求，提前 120 天，准确率为 96%。这是一个可衡量的转变，从反应性、日常的混乱到一种允许护士领导者和临床医生规划的方法。

更难的是将员工满意度与预测排班联系起来，但那些感到系统支持的护士往往会在职业中停留更长时间。国家护士委员会报告称，41.5% 的计划在未来五年内离开该职业的护士将工作压力和倦怠列为原因，工作量、人员不足和薪水不足是其他主要原因。当员工排班不再占用经理的一天，覆盖缺口可以提前预测时，这就是可以影响人们对工作感受的积极变化。

预测性员工配备承诺在人员短缺成为危机之前预测短缺。哪些数据信号被证明是最有价值的，您如何确保这些模型支持护士而不是简单地优化劳动力成本？

最重要的信号是那些揭示缺口的信号，例如班次被填补的时间和单位依赖最后一刻激励来覆盖班次的频率。贝林健康是一个很好的例子。一旦临床团队对开放班次和覆盖缺口有了可见性，团队在两周或更长时间内填补了 65% 的班次，80% 的班次在一周内填补，而不是在最后一刻争相填补人员缺口。

保持模型诚实的方法是衡量不仅仅是成本。预测性排班为贝林健康节省了超过一百万美元的劳动力成本。但是，对于护士来说，最重要的是 80% 的班次被提前填补。一个以护士输入为基础的模型超越了效率、安全和可预测性，积极影响护士满意度。

医疗保健领域已经见证了许多增加行政负担而不是减少行政负担的技术推出。护士接受的工具与那些迅速成为另一个沮丧源的工具有什么区别？

护士接受的工具是那些融入背景的工具。例如，护士可以全身心地陪伴患者的同时，文档会自行编写，或者工作流程可以消除重复任务，而不是添加新的屏幕来检查。那些成为沮丧源的工具通常是在没有考虑到护士工作方式的情况下实施的，增加了护士需要查看、点击或双重检查的项目数量，同时照顾患者。

这归结为透明度和适合度。当领导层对工具的功能和目的保持透明，并且工具是围绕真实工作流程而不是理想化版本构建的，那么回报是真实的——更多的时间用于患者护理，更多的时间用于批判性思考，以及更多的能力来指导新护士。但是，当它不是这样时，技术就成为了一项已经很有挑战性的工作的障碍。

随着人工智能开发周期的不断加快，您是否担心医疗保健组织可能会优先考虑速度而不是临床验证？在将人工智能系统集成到患者护理环境之前，应该存在哪些保障措施？

是的，速度优先于验证的关注是一个真正的担忧。人工智能开发的步伐很快，医疗保健的监管和安全要求是有充分理由的。那些做对了这一点的组织将临床验证和护士治理视为设计过程的一部分，而不是在上线之前添加的东西来满足清单。

对于我来说，基础保障是护士和其他临床医生在人工智能工具接触患者护理之前对其进行评估。除此之外，医疗系统需要对系统的功能有透明度，并且有一个明确的过程让临床医生能够标记当某些事情不起作用时。行业团体（如 AONL 和 HIMSS）建立的国家治理结构为组织提供了一个可行的框架，而不是让每个医疗系统独自解决这个问题。

除了排班外，您认为人工智能在未来五年内有最大的潜力来减少护士的倦怠，同时改善患者结果的领域是什么？

文档记录是Tôi仍然看到最大的增长空间。环境工具才刚刚开始捕捉那些历史上未被记录的护理瞬间。在未来几年内，还有很多工作要做，既可以让护士们腾出时间，也可以建立一个对患者遭遇的更完整的记录。

虚拟护理是另一个具有真正潜力的领域。目前，它主要用于患者教育、入院文档记录、出院规划和远程监测。更大的机会在于扩大这种支持，以便更多的床边护士能够腾出时间来关注面前的患者，而不是周围的文档记录。这很重要，环境工具和虚拟护理不能取代临床医生的判断，技术只是消除了与之竞争的任务。

展望未来，您会给那些希望建立护士会支持的人工智能战略的医疗保健高管什么建议？护士领导在塑造下一代临床人工智能方面应该扮演什么角色？ 

我的建议是从一开始就让护士参与技术采购、实施和评估。每天使用这些工具的护士会识别出其他人可能忽略的挑战和机会。另外，现在投资数字领导力发展，不要等到几年后。我们不能指望护士领导者在没有提供工具或知识的情况下就能做出复杂的技术决策。护士领导者的角色是确保临床参与是故意的，而不是偶然的。通过我在 AONL 委员会的工作，我们已经定义了护士领导者需要的数字能力：数字流利度、跨利益相关者合作的能力以及将技术决策与真实的临床工作流程和结果对齐的能力。像 symplr 与戴西基金会合作创建的卡伦·克福特护士领导力技术教育补助金这样的计划，旨在确保更多的护士能够获得这种准备。

当护士领导者真正坐在谈判桌上时，技术会更紧密地与护理提供的方式对齐，采用率会提高，行政负担会减轻，患者安全和结果会改善。这就是全部的意义。

感谢这次精彩的采访，希望了解更多的读者可以访问 symplr。