بهینه سازی گردش کار با AI/ML در سال 2024

پاسخ های دکتر دیوید جی. ساند، افسر ارشد پزشکی، ZeOmega.

صنعت مراقبت های بهداشتی مملو از چالش های گردش کار است که بر کیفیت و هزینه های مراقبت تاثیر می گذارد، اما ابزارهایی مانند هوش مصنوعی و ML نقطه عطفی را ایجاد کرده اند. این فناوری‌ها درهای جدیدی را به روی سازمان‌های مراقبت‌های بهداشتی می‌گشایند تا فرآیندها را ساده‌سازی کرده و وظایف را با دقت خودکار کنند و به کارکنان اجازه می‌دهند بر روی موضوعاتی تمرکز کنند که نیاز به توجه عملی آنها دارد. دیوید جی ساند، MD، MBA، به نیاز به اتوماسیون گردش کار می پردازد و توضیح می دهد که چگونه AI/ML می تواند یک تغییر دهنده بازی باشد.

در این سال پرداخت کنندگان و ارائه دهندگان با چه موانعی مواجه هستند و چرا گردش کار وجود دارد اتوماسیون راه حل؟

دو تا از بزرگ‌ترین چالش‌های پیش روی صنعت مراقبت‌های بهداشتی، کفایت نیروی انسانی و هزینه نیروی انسانی است. کووید تلفات خود را بر نیروی کار مراقبت های بهداشتی وارد کرد و باعث افزایش نیاز به نیروی کار شد که تأثیر پایداری بر سازمان ها داشت. در نتیجه، هزینه های نیروی کار مراقبت های بهداشتی پس از همه گیری 57 درصد افزایش یافت و اکنون بیش از 50 درصد از هزینه های بیمارستان را تشکیل می دهد. این بارهای مالی به شدت صنعت را تحت تأثیر قرار داده است و به ورشکستگی ۷۳ سازمان بهداشت و درمان (شامل ۱۲ بیمارستان و سیستم بهداشتی) در سال ۲۰۲۳ کمک کرده است.

یافتن و حفظ کارمندان یک موضوع طولانی مدت است که می تواند تا حدی به عواملی مانند فرسودگی کارکنان نسبت داده شود که به دلیل بارهای کاری سنگین مملو از وظایف اداری است. این صنعت همچنین در حال تجربه تقاضا برای افزایش حقوق و اعتصاب نیروی کار از سوی کارکنانی است که احساس می‌کنند تحت فشار فزاینده برای متعادل کردن حجم کاری مملو از وظایف اداری و رفع نیازهای بیماران/اعضا هستند.

برای سازمان‌های مراقبت‌های بهداشتی مهم‌تر از همیشه است که به دنبال راه‌هایی برای بهینه‌سازی گردش کار و خودکارسازی فرآیندهای دستی زمان‌بر باشند تا کارکنان بتوانند وقت خود را بر روی مسائل مهم اعضا/بیمار که نیاز به مشارکت عملی دارند متمرکز کنند. فناوری با کاهش زمان صرف شده برای وظایف اداری، در نهایت کاهش بار کارکنان، صرفه‌جویی در هزینه‌ها و بهبود تجربه بیمار/عضو، فرصت‌های عالی را برای بهبود مدیریت استفاده فراهم می‌کند.

چگونه فناوری به سازمان ها کمک می کند تا بار کارکنان را کاهش دهند و فرآیندها را در سال 2024 خودکار کنند؟ آیا می‌توانید نمونه‌هایی از حوزه‌هایی را که ممکن است در آنها تأثیرگذارتر باشد، به اشتراک بگذارید؟

وقتی به این فکر می‌کنیم که چگونه و کجا فناوری می‌تواند به مراقبت‌های بهداشتی کمک کند، مفید است که بر حسب وظایف جانبی یا مراقبت‌های مجاور فکر کنیم که مستلزم درمان عملی واقعی نیستند. کارهای تکراری را با تغییرات اندک و فرآیندها یا گردش های کاری که به تمرین ما اطلاع می دهد، تصور کنید. در حالی که بسیاری از این برنامه‌ها گسسته هستند، اما در واقع بخشی از یک زنجیره هستند.

گوش دادن محیطی یکی از زمینه هایی است که در حال پذیرش گسترده است. توانایی گوش دادن و رونویسی در بسیاری از صنایع رایج شده است. شکایات مربوط به ارائه‌دهنده نگاه کردن به صفحه نمایش به جای بیمار و همچنین هزینه جایگزین استخدام یک یادداشت‌بر انسانی را می‌توان برطرف کرد. داده های تولید شده توسط نویسندگان دیجیتال را می توان با پردازش زبان طبیعی در زمان واقعی با استفاده از کلمات کلیدی و عبارات استخراج کرد تا بینش های مرتبط را از سوابق پزشکی فراخواند یا توصیه های مراقبتی را بر اساس جستارهای مدل زبانی بزرگ از داده های بزرگ، امیدواریم که به طور دقیق تنظیم شده است، استخراج کند.

چالش ما فقط داشتن جزئیات کافی در داده‌ها برای تطبیق دقیق تمایل نیست، بلکه داشتن داده‌های نتیجه کافی مرتبط با توصیه‌ها است. با ایجاد توصیه‌های دقیق، خاص و منسجم، گردش کار خودکار می‌تواند تغییرات ناخواسته ناشی از تعصبات انسانی، کمبود اطلاعات یا حتی اختیار عمدی را از بین ببرد. حذف تنوع ناخواسته، تعریف کیفیت است. تجزیه و تحلیل کلمات گفتاری به طور مشابه می تواند در زمان اختصاص داده شده به ارزیابی های تکراری و خسته کننده صرفه جویی کند. اطلاعات زمینه‌ای مانند آهنگ گفتار، تنوع آهنگ و سایر ویژگی‌ها را می‌توان برای تکمیل عینی و قابل اطمینان ارزیابی‌های سلامت رفتاری، به طور بالقوه دقیق‌تر از اندازه‌گیری‌های خود گزارش‌شده، مورد استفاده قرار داد.

چگونه استفاده از AI/ML در چشم انداز مراقبت های بهداشتی برای بهبود گردش کار تکامل می یابد؟

با مرتب‌سازی سریع کوه‌های داده، AI/ML می‌تواند به متخصصان مراقبت‌های بهداشتی کمک کند تا به سؤالات مختلفی پاسخ دهند. به عنوان مثال، “مناسب ترین درمان برای این فرد با این بیماری های همراه و این درمان های قبلی چیست؟” سوال داغ در مورد یک مرد 75 ساله با بیماری قلبی، سرطان تهاجمی با منشا ناشناخته، و مجموعه ای از جهش های مسیر است.

استفاده از AI/ML برای پرداختن به این پرس و جو احتمالاً کارآمدترین راه برای جستجوی ادبیات موجود، کارآزمایی‌های درمانی و نتایج و در عین حال به حداقل رساندن عوارض است. این ابزارها حتی می‌توانند سفرهای معمولی بیمار را از لحظه درخواست خدمات بهینه کنند و گزینه‌ها از طریق درمان، بهبودی پس از حاد و نظارت مداوم برای عوارض جانبی احتمالی در نظر گرفته شوند. از عالی تا مضحک، AI/ML می‌تواند به ما کمک کند تا به دقتی که برای آن تلاش می‌کنیم دست یابیم و از کار دستی کم کنیم.

آیا سازمان‌های بهداشتی بیشتری برای تجزیه و تحلیل داده‌ها و بهبود کارایی، استفاده از ابزارهای دیجیتال مبتنی بر هوش مصنوعی را آغاز خواهند کرد؟ آیا چیزی وجود دارد که آنها باید مراقب باشند؟

تصور می‌کنم تقریباً هر سازمان مراقبت‌های بهداشتی به روش‌هایی فکر می‌کند که می‌توانند هوش مصنوعی را اتخاذ کنند. به همان اندازه که متخصصان مراقبت های بهداشتی مایلند باور کنند که ما از نظر این فناوری در “لبه برتر” هستیم، ما در مورد استفاده از آن در هنگام ارائه مراقبت محافظه کارانه تر عمل می کنیم – همانطور که باید. همانطور که در بالا ذکر کردم، AI/ML اکنون به طور معمول در فعالیت‌های مجاور مراقبت مورد استفاده قرار می‌گیرد – این واقعاً ML است که مزایای آن را از طریق توانایی پردازش بی‌نهایت داده‌های بیشتر از آنچه انسان‌ها می‌توانند و بسیار سریع‌تر انجام می‌دهد، ارائه می‌کند.

با این حال، آنچه را که ما به او می‌گوییم انجام می‌دهد. واقعاً هوشمند نیست، فقط قدرتمند است. این به معنای واقعی شهودی نیست. فقط داده ها را وزن می کند. ما باید به طور استثنایی مراقب باشیم که به چه داده هایی اجازه می دهیم به آن دسترسی داشته باشد و در مورد آنچه که به آن می گوییم با آن داده ها انجام دهد تجویز کنیم. سوگیری، توهم، و حباب های فکری در فناوری وجود دارد، اما متخصصان مراقبت های بهداشتی ممکن است به اندازه کافی برای تشخیص آنها آگاه نباشند. GIGO (زباله در – زباله بیرون) به همان اندازه برای AI/ML معتبر است که هر فرآیند دیگری. وقتی صحبت از هنر پزشکی به میان می آید، AI/ML هنوز جایگزین ذهن انسان نشده است.