Критические проблемы, с которыми сталкивается пост-острая помощь, и почему агентный искусственный интеллект больше не является необязательным

Пост-острая помощь всегда осуществлялась в условиях жестких ограничений и жесткого регулирования, но сейчас учреждения сталкиваются с принципиально иной нагрузкой. Лидеров просят улучшить результаты лечения пациентов, обеспечить строгое соблюдение требований и обеспечить полное возмещение расходов в условиях нехватки персонала и беспрецедентной сложности данных.

В то же время Всемирный экономический форум сообщает нам, что здравоохранение «ниже среднего» о внедрении передовых технологий искусственного интеллекта, которые могут решить эту проблему. Ожидания в отношении искусственного интеллекта в здравоохранении быстро растут, часто без четкого понимания того, что ИИ может и не может реально обеспечить в ближайшем будущем.

В течение многих лет большая часть инвестиций в технологии отрасли была сосредоточена на базовой автоматизации. Инструменты, которые суммируют документы, извлекают поля или отмечают недостающую информацию, помогли сократить некоторые ручные усилия, но они не решают более глубокие операционные проблемы, с которыми ежедневно сталкиваются поставщики услуг в период после острой помощи. Приемные комиссии и медсестринские бригады по-прежнему тратят огромное количество времени на ручную проверку документации, согласование информации в разных системах и попытки определить, является ли направление клинически целесообразным, финансово жизнеспособным и соответствует ли развивающимся правилам. Эта работа требует когнитивных усилий, сильно варьируется и подвержена ошибкам, особенно когда персонал перегружен.

Почему автоматизация сама по себе не эффективна

Возмещение расходов – это то место, где недостатки в этом подходе становятся наиболее заметными. Охват полной стоимости пребывания пациента зависит от точного сопоставления клинических записей, больничных записей, направляющих документов, оценок и нормативных критериев. В большинстве организаций этот процесс по-прежнему основан на объединении информации из множества систем и источников, которые никогда не были предназначены для совместной работы. Если детали упущены или документация неполная, последствия проявляются в виде недокодирования, отклонения претензий или увеличения риска аудита. Это не крайние случаи; это структурные риски, встроенные в фрагментированные рабочие процессы.

Фрагментация данных только усугубляет проблему. Бригады, принимающие пациентов после острого периода, регулярно получают информацию из широкого спектра больничных электронных медицинских карт и платформ направления, каждая из которых имеет свои собственные форматы, терминологию и пробелы. Переключение контекста между системами замедляет прием пациентов, увеличивает риск повторной госпитализации и затрудняет формирование четкого представления о сложности пациента и его операционных возможностях.

Ожидать, что базовые инструменты автоматизации решат эти проблемы, нереально, поскольку проблема заключается не только в скорости. Это интерпретация, расстановка приоритетов и суждение по нескольким переменным одновременно.

Переход от автоматизации к прогнозированию

Именно здесь должны созреть ожидания в отношении ИИ.

Реальная ценность ИИ в оказании помощи после неотложной помощи заключается не в том, насколько быстро он может обрабатывать документы, а в том, может ли он обеспечить предусмотрительность. Это означает понимание того, как взаимодействуют клинические показатели, нормативные требования и правила возмещения, а также выявление риска до того, как он превратится в отказ или вывод аудита.

Агентический ИИ представляет собой возможность для значимых сдвигов в этом направлении. Вместо выполнения изолированных задач эти системы предназначены для комплексной оценки данных, выполнения многоэтапных действий и постоянной адаптации по мере изменения условий. На практике эта возможность позволяет организациям перейти от реактивных к проактивным операциям. Вместо того, чтобы обнаруживать пробелы в документации после подачи претензии, ИИ может выявить профили возмещения с высоким уровнем риска на раннем этапе процесса приема. Вместо того чтобы полагаться на ручные проверки для обеспечения соответствия требованиям, системы могут постоянно оценивать наличие необходимых элементов и отмечать несоответствия, требующие внимания.

Более разумный прием и лучшее использование клинических ресурсов

Агентский искусственный интеллект также позволяет принимать более сложные решения относительно приема пациентов и распределения ресурсов. Оценка направления — это не проблема одной переменной, а баланс между различными квалификаторами:

• Клиническая острота,
• Уровень укомплектованности персоналом,
• Наличие кровати,
• Потребности в оборудовании и
• Финансовые соображения.

Когда эти факторы оцениваются независимо или последовательно, задержки и рассогласования неизбежны. Когда они оцениваются вместе, организации могут быстрее и более обоснованно принимать решения о том, могут ли они безопасно и устойчиво заботиться о пациенте. Не менее важно и то, что этот подход помогает защитить медицинский персонал от перегрузки административными сложностями. Вывод решения многомерных проблем из ручных рабочих процессов позволяет врачам и медицинским бригадам делать то, чему их учили: сосредоточиться на уходе за пациентами, а не на оформлении документов и межсистемном согласовании. В среде, где нехватка кадров не показывает никаких признаков ослабленияэто различие имеет значение.

Фото: Витхун Кхамсонг, Getty Images

Это сообщение появляется через Влиятельные лица MedCity программа. Любой может опубликовать свой взгляд на бизнес и инновации в здравоохранении в MedCity News через влиятельных лиц MedCity. Нажмите здесь, чтобы узнать, как.