ปรับปรุง ไม่ขัดขวาง: กลยุทธ์ AI อัจฉริยะสำหรับองค์กรด้านการดูแลสุขภาพภายใต้แรงกดดัน

ต่อไปนี้เป็นบทความรับเชิญโดย Alex Flores ผู้จัดการทั่วไปฝ่ายแนวตั้งด้านวิทยาศาสตร์สุขภาพและชีวภาพที่ Intel และ Burnie Legette สถาปนิกโซลูชันอาวุโสที่ Intel

แพทย์ในภาคการดูแลสุขภาพเป็นหนึ่งในพนักงานที่มีคุณค่ามากที่สุดในโลก แต่ตอนนี้พวกเขาก็ต้องการความช่วยเหลือเช่นกัน แพทย์เกือบครึ่งหนึ่งรู้สึกเหนื่อยหน่าย สมาคมการแพทย์อเมริกัน–

งานธุรการที่ไม่มีที่สิ้นสุดควบคู่ไปกับความกดดันอื่นๆ ทำให้เกิดความเครียด ตัวอย่างเช่น ไม่ใช่เรื่องผิดปกติที่แพทย์ปฐมภูมิจะใช้ เอกสารเวชระเบียนอิเล็กทรอนิกส์สองชั่วโมงสำหรับการประชุมผู้ป่วยหนึ่งชั่วโมง– ภาระการบริหารอาจสูงขึ้นไปอีก เนื้องอกวิทยาโดยที่การใช้ EHR มีส่วนทำให้แพทย์เหนื่อยหน่าย

AI ไม่ใช่วิธีแก้ปัญหาภาวะเหนื่อยหน่าย แต่สามารถปรับปรุงขั้นตอนการทำงาน เร่งการวางแผนและการถอดความ และช่วยให้แพทย์ให้คำแนะนำจากข้อมูลที่แม่นยำยิ่งขึ้น ณ จุดดูแล แต่งบประมาณที่จำกัด การขาดแคลนพนักงาน และระบบที่ล้าสมัยยังคงชะลอความทันสมัย ​​และจำกัดผลกระทบของ AI ต่อโรงพยาบาลและแนวทางปฏิบัติทางการแพทย์

โชคดีที่มีขั้นตอนต่างๆ ที่องค์กรด้านการแพทย์สามารถทำได้เพื่อนำ AI ไปใช้ในรูปแบบเล็กๆ ปลอดภัย แต่ให้ผลลัพธ์สูง ด้วยการแมปเวิร์กโฟลว์กับการปรับใช้ AI ที่กำหนดเป้าหมายเชิงกลยุทธ์ การใช้ประโยชน์จากกลไกอินเทอร์เฟซและ API และการนำแนวทางปฏิบัติด้านข้อมูลแบบรวมศูนย์มาใช้ ทีมไอทีด้านการดูแลสุขภาพสามารถปรับปรุงระบบของตนได้สำเร็จ และทำให้ชีวิตง่ายขึ้นและดีขึ้นสำหรับทั้งแพทย์และผู้ป่วย

การทำแผนที่เวิร์กโฟลว์ช่วยเปิดเผยความต้องการของ AI

การทำแผนที่ขั้นตอนการทำงานช่วยให้ผู้จัดการด้านการดูแลสุขภาพมีวิธีที่มีโครงสร้างในการเปิดเผยว่า AI สามารถเพิ่มมูลค่าได้มากที่สุดที่ใดโดยไม่ต้องเปลี่ยนโครงสร้างพื้นฐานด้านการดูแลสุขภาพ ด้วยการวิเคราะห์อย่างรอบคอบ ทีมไอทีสามารถระบุจุดที่ไม่มีประสิทธิภาพ ปัญหาคอขวด หรืองานซ้ำๆ ที่ต้องใช้เวลาของพนักงานเป็นประจำ

พวกเขาสามารถเริ่มต้นด้วยการประเมินระดับแผนกโดยแบ่งการปฏิบัติงานในแต่ละวันออกเป็นกระบวนการที่ชัดเจนทีละขั้นตอน จากนั้นทำงานร่วมกับทั้งเจ้าหน้าที่ทางคลินิกและฝ่ายบริหารเพื่อจัดทำเอกสารเกี่ยวกับความล่าช้า ความซ้ำซ้อน หรือวิธีแก้ปัญหาด้วยตนเอง ข้อเสนอแนะ แบบสำรวจเวลา และบันทึกของระบบเผยให้เห็นจุดที่ผู้คนติดขัดมากที่สุด

กระบวนการนี้ช่วยให้ผู้นำด้านไอทีระบุได้ว่า AI จะมีผลกระทบมากที่สุดที่ใด ความรับผิดชอบประจำ เช่น การกำหนดเวลาการนัดหมาย การป้อนข้อมูล การขออนุมัติล่วงหน้า และการถอดเสียง ล้วนเป็นจุดเริ่มต้นที่ดี AI สามารถกำหนดเวลาผู้ป่วยและการเช็คอินอัตโนมัติผ่านแชทบอท ประมวลผลเอกสารอย่างชาญฉลาดสำหรับการขออนุมัติล่วงหน้า และทำงานอื่น ๆ

AI ยังสามารถปรับปรุงปฏิสัมพันธ์และการดูแลของผู้ป่วยด้วยการให้ข้อมูลอัจฉริยะที่นำไปใช้ได้จริงจากการสแกนภาพ ประวัติทางการแพทย์ และข้อมูลอื่น ๆ ช่วยประหยัดเวลาของแพทย์ และช่วยให้พวกเขามุ่งเน้นไปที่การให้การดูแลส่วนบุคคลและใช้เวลาที่มีความหมายมากขึ้นกับผู้ป่วย

API และกลไกอินเทอร์เฟซทำให้ AI ใช้งานง่าย

API และ เครื่องยนต์อินเทอร์เฟซ (หรือที่เรียกว่าเอ็นจิ้นการรวม) ทำให้สามารถบรรลุผลลัพธ์เหล่านี้ได้โดยมีการเปลี่ยนแปลงด้านไอทีเพียงเล็กน้อย แอปพลิเคชัน AI ใหม่สามารถเชื่อมต่อกับโครงสร้างพื้นฐานที่มีอยู่ผ่าน API ในขณะที่กลไกอินเทอร์เฟซถ่ายโอนข้อมูลไปยังหน่วยงานและระบบการดูแลสุขภาพต่างๆ ได้ง่ายขึ้น

แนวทางนี้ช่วยให้องค์กรต่างๆ เพิ่มความสามารถเชิงนวัตกรรมอันมีคุณค่าของ AI ได้โดยไม่ต้องออกแบบอินเทอร์เฟซผู้ใช้หรือฮาร์ดแวร์ใหม่ ตัวอย่างเช่น นักถ่ายภาพเสียงมักจะสลับทรานสดิวเซอร์ด้วยมือข้างหนึ่งในขณะที่อีกมือพิมพ์คำสั่ง ซึ่งอาจเป็นเรื่องที่ท้าทายและมีแนวโน้มที่จะเกิดข้อผิดพลาดได้ อินเทอร์เฟซ AI ต่อเนื่องหลายรูปแบบช่วยให้นักถ่ายภาพเสียงสามารถเปลี่ยนโหมดบนเครื่องอัลตราซาวนด์ได้อย่างง่ายดายด้วยคำสั่งพูด

ทีมวิทยาศาสตร์ข้อมูลยังสามารถเพิ่มประสิทธิภาพอัลกอริธึม AI เพื่อให้ทำงานบนอุปกรณ์ Edge ที่มีอยู่และสถาปัตยกรรมไอทีได้ ตัวอย่างเช่น โมเดล AI ที่ติดตั้งบนเครื่อง MRI สามารถใช้จัดตำแหน่งผู้ป่วยได้อย่างถูกต้องก่อนการสแกน หรือช่วยให้นักถ่ายภาพด้วยคลื่นเสียงสร้างภาพที่มีคุณภาพสูงขึ้น ซึ่งนำไปสู่การวินิจฉัยที่แม่นยำยิ่งขึ้น การใช้ AI บนเทคโนโลยีที่เป็นที่ยอมรับและ ณ จุดดูแลจะช่วยลดค่าใช้จ่าย และให้ข้อมูลแบบเรียลไทม์แก่แพทย์ที่พวกเขาสามารถใช้เพื่อแนะนำการรักษา

API และเอ็นจิ้นอินเทอร์เฟซช่วยให้แพ็คเกจซอฟต์แวร์แบบโมดูลาร์สามารถเขียนได้เพียงครั้งเดียวและนำกลับมาใช้ใหม่ในอุปกรณ์และรูปแบบต่างๆ ผลลัพธ์สามารถนำไปสู่การบูรณาการที่รวดเร็วยิ่งขึ้นและรบกวนขั้นตอนการทำงานรายวันน้อยที่สุด

ข้อมูลแบบรวมศูนย์ช่วยรักษาข้อมูลผู้ป่วยให้ปลอดภัย

โมเดล AI สาธารณะฝึกฝนกับคอลเลกชันขนาดใหญ่ของข้อมูลที่เปิดเผยต่อสาธารณะ อย่างไรก็ตาม วิธีการนี้ไม่สามารถทำได้สำหรับองค์กรด้านการดูแลสุขภาพที่เกี่ยวข้องกับบันทึกผู้ป่วยที่มีความละเอียดอ่อนสูงและกฎระเบียบด้านการปกป้องข้อมูลที่เข้มงวด

กลยุทธ์การเรียนรู้แบบสมาพันธ์ช่วยให้องค์กรสามารถแบ่งปันข้อมูลระหว่างสถาบันและภูมิศาสตร์ต่างๆ ได้โดยไม่ต้องเปิดเผยหรือถ่ายโอนข้อมูลด้านสุขภาพที่ได้รับการคุ้มครอง วิธีการฝึกอบรมนี้ช่วยให้องค์กรด้านการดูแลสุขภาพรักษาข้อมูลผู้ป่วยให้ปลอดภัยภายใน ขณะเดียวกันก็ปรับปรุงความแม่นยำของแบบจำลอง AI แทนที่จะถ่ายโอนข้อมูลที่ละเอียดอ่อน ระบบจะป้อนโมเดลไปยังข้อมูล ฝึกอบรมในเครื่อง จากนั้นจึงแชร์ข้อมูลเชิงลึกที่อัปเดตกลับคืนมา แนวทางแบบวงปิดนี้ปกป้องความเป็นส่วนตัวของผู้ป่วยในขณะเดียวกันก็สร้างความอัจฉริยะจากข้อมูลที่แพร่กระจายไปยังอุปกรณ์ต่างๆ และแนวทางปฏิบัติทางคลินิกภายในเครือข่าย

มีตัวอย่างที่โดดเด่นหลายประการเกี่ยวกับประสิทธิผลของการเรียนรู้แบบเชื่อมโยง โดยเฉพาะเครือข่ายการเรียนรู้แบบสหพันธ์สถาบันมะเร็งแห่งชาติผ่านทาง ศูนย์สารสนเทศชีวการแพทย์และเทคโนโลยีสารสนเทศ แบ่งปันข้อมูลระหว่างมหาวิทยาลัยชั้นนำและศูนย์มะเร็ง ในทำนองเดียวกัน กลุ่มสมาคมการแบ่งส่วนเนื้องอกแบบสหพันธรัฐคือจอมพล ข้อมูลจาก 71 ไซต์ในหกทวีป ดำเนินการแบ่งส่วนเนื้องอกไกลโอบลาสโตมาแบบรวมศูนย์ โดยสามารถปรับปรุงการแบ่งส่วนขอบของเนื้องอกได้ดีขึ้นถึง 33% เมื่อเทียบกับวิธีการแบบรวมศูนย์

บทสรุป: AI ในฐานะ Augmenter ไม่ใช่ Disruptor

AI เป็นเทคโนโลยีที่พลิกโฉม แต่ไม่ได้หมายความว่าจะขัดขวางโครงสร้างพื้นฐานด้านไอทีของโรงพยาบาล แต่ควรเสริมทรัพยากรไอทีที่มีอยู่และเพิ่มขีดความสามารถขององค์กรด้านการดูแลสุขภาพลงไปจนถึงจุดดูแล

ด้วยการระบุพื้นที่ที่ AI สามารถมอบคุณค่าสูงสุด ใช้ประโยชน์จาก API และกลไกอินเทอร์เฟซ และการประยุกต์ใช้การเรียนรู้แบบรวมศูนย์ ผู้ให้บริการสามารถรวมเทคโนโลยีเข้ากับกระบวนการที่มีอยู่ได้อย่างมีประสิทธิภาพโดยมีผลกระทบด้านไอทีน้อยที่สุด การใช้ปัญญาประดิษฐ์จะช่วยลดภาระการบริหารของแพทย์ บรรเทาความเครียดบางส่วน และเพิ่มความสามารถในการให้การดูแลที่เป็นส่วนตัว แม่นยำ และมีคุณภาพสูง