Поскольку мир борется с COVID-19, организации здравоохранения ищут способы улучшить и ускорить свои усилия по реагированию и восстановлению. 23 апреля специалисты Slalom по искусственному интеллекту (ИИ) и здравоохранению собрались виртуально сруководителями здравоохранения со всех концов Соединенных Штатов, чтобы обсудить потенциал ИИ в борьбе с пандемией и проблемы, с которыми сталкиваются медицинские организации. развертывания этой технологии.
Беседу вели соучредители Центра целей искусственного интеллекта Slalom Мишель Йи (руководитель практики) и Тони Ко (управляющий директор). Джеймс Медоу (руководитель решения AI/ML) и Пурти Канодиа (руководитель решения цифрового здравоохранения) также присоединились.
Появились некоторые ключевые темы о том, как ИИ может помочь, и о проблемах, с которыми он сталкивается:
Тема 1. Оптимизация телемедицинских посещений
По мере того, как мир переходит на виртуальный режим работы, провайдеры отмечают значительный всплеск запросов на виртуальные встречи. Телемедицина, вероятно, станет необходимой долгосрочной стратегией для многих поставщиков, но существуют проблемы, как технические, так и поведенческие, связанные с внедрением телемедицины в текущие рабочие процессы.
Интеграция платформ телемедицины в существующие системы электронных медицинских карт имеет решающее значение для внедрения. Перегруженные поставщики услуг хотят свести к минимуму количество инструментов, которые они используют в своих повседневных рабочих процессах, чтобы они могли сосредоточиться на своей основной цели — уходе за пациентами. Даже когда телемедицина становится доступной, некоторые поставщики услуг обнаруживают, что многие пациенты по-прежнему с подозрением относятся к этой технологии. Наладить взаимопонимание с пациентом, особенно новым, с помощью видеопосещения может быть непросто. Текущая цель поставщиков медицинских услуг состоит в том, чтобы обеспечить выбор правильных типов встреч для виртуальных посещений и свести к минимуму технические трудности, которые негативно сказываются на опыте пациента и поставщика услуг. ИИ может оптимизировать визиты в сфере телемедицины и раскрыть их ценность с помощью таких вещей, как прогнозирование рисков для пациентов, чтобы поддержать принятие решений на основе данных о том, какие пациенты являются лучшими кандидатами для виртуального визита.
Тема 2. Помощь в сортировке и планировании
Врачи и другой передовой персонал засыпаны данными и запросами. Поставщики услуг ожидают, что после отмены приказов о размещении на месте возникнет приток медицинских потребностей, не связанных с COVID, которые могут перегрузить систему здравоохранения. Сотрудникам первой линии нужна помощь в сортировке и планировании выборных процедур и отсроченных назначений.
Поставщики активно фильтруют запросы на прием и определяют, какие из них можно лечить виртуально, чтобы свести к минимуму риск заражения как для персонала, так и для пациентов. Сортировка, или оценка серьезности и неотложности болезни, — это трудоемкий и ручной процесс, который может потенциально выиграть от ИИ и машинного обучения. Эти технологии могут помочь ускорить процесс сортировки и повысить уровень уверенности поставщиков в том, что они делают правильный звонок в неясных случаях.
Еще одна область потребности — помощь в планировании. Медицинским работникам нужна помощь в определении приоритетности плановых и невыполненных процедур, а также в распределении интервалов между приемами, чтобы свести к минимуму риск заражения уязвимых пациентов. Некоторые организации изучают, как лучше всего использовать телемедицину и ИИ в качестве предшественника личных посещений. Это может позволить поставщикам лучше прогнозировать продолжительность визита и создать более плавный и безопасный личный опыт.
Тема 3. Планирование ресурсов и управление ими — прогнозирование наличия средств индивидуальной защиты, персонала и вместимости коек
Медицинские организации поглощают большие объемы данных и изо всех сил стараются быстро обрабатывать данные, получать информацию и принимать меры. Многие обнаруживают, что традиционные методы моделирования и подходы к прогнозированию не работают из-за отсутствия исторических данных и беспрецедентных обстоятельств, созданных COVID-19. Региональные вариации из-за решений местной политики и изменений в доступности критически важных ресурсов, таких как средства индивидуальной защиты (СИЗ) и вентиляторы, создают более сложный набор обстоятельств, которые необходимо учитывать в прогнозах. В настоящее время поставщики услуг обращаются к новым алгоритмам прогнозирования и искусственному интеллекту, которые помогут им прогнозировать будущее предложение и спрос на передовой персонал и ресурсы в условиях большой неопределенности.
С какими проблемами сталкивается ИИ?
Проблема 1. В медицинском сообществе по-прежнему распространены неверные представления об ИИ
ИИ может произвести революцию в способах оказания медицинской помощи, но отсутствие понимания этой технологии создает серьезное препятствие и создает неуместный страх. Многие в медицинском сообществе опасаются, что искусственный интеллект заменит их работу, поэтому тщательное общение и обмен сообщениями о его воздействии и преимуществах имеют решающее значение. Важно подчеркнуть, что будущее за помощью за ИИ, а не за уходом за ИИ — цель ИИ — повысить точность и улучшить процесс принятия клинических решений на основе данных. Для будущих внедрений ИИ по-прежнему потребуются люди, поэтому любая попытка развернуть технологию ИИ должна включать надежный план управления изменениями и коммуникации.
Проблема 2. Отсутствие централизованных данных
Самая большая проблема, с которой в настоящее время сталкиваются поставщики медицинских услуг при развертывании ИИ и машинного обучения, — это отсутствие надежных данных, необходимых для обучения алгоритмов. Обмен данными между организациями и всей экосистемой здравоохранения имеет решающее значение для создания алгоритмов, учитывающих реальную картину спроса и предложения. Даже в организациях здравоохранения данные часто децентрализованы и не хранятся таким образом, чтобы обеспечить непрерывное понимание в реальном времени.
Сбор правильных данных от передовых работников является серьезной проблемой в краткосрочной перспективе. Организациям нужно больше данных о том, сколько передовых работников заражаются, времени до выздоровления и типах СИЗ, которые они использовали или не использовали, но в настоящее время нет простого способа собрать эту информацию и связать ее воедино. Преодоление этих проблем и внедрение ИИ и машинного обучения потребуют инвестиций в инфраструктуру и сотрудничества между организациями.
Проблема 3. Нет исторических данных, которые помогли бы в планировании/прогнозировании на будущее
Серьезной проблемой является доступность исторических данных для планирования и прогнозирования будущих ресурсов. В отличие от гриппа, поставщики не могут смотреть на исторические тенденции, чтобы предсказать будущий спрос на лечение COVID-19. Эта неспособность смотреть на исторические тенденции также нарушила модели прогнозирования AI и ML, поскольку они опираются на исторические данные. На данный момент медицинское сообщество не уверено, будет ли COVID-19 демонстрировать сезонный характер, как грипп, или спрос останется стабильным до конца года. Ясно одно: поставщики верят, что они в этом надолго — COVID-19 станет регулярной частью клинической помощи, по крайней мере, в течение следующих 12–18 месяцев, и планирование будущего лечения COVID-19 является обязательным. .
Будущее здравоохранения
Одним из положительных результатов нынешнего кризиса является то, что многие организации здравоохранения переходят на более гибкий подход. Они быстро пересматривают приоритеты проектов, чтобы лучше поддерживать персонал, работающий на переднем крае, и обходят традиционные структуры управления, чтобы сократить время реакции на быстро меняющиеся обстоятельства. ИИ и машинное обучение становятся все более заметными, поскольку организации стремятся стать более активными и лучше управлять огромным потоком данных. COVID-19 является стресс-тестом бизнес-моделей организаций здравоохранения, и для некоторых он послужит катализатором инноваций и изменений.
Этот дух новаторства и гибкости проявляется в творческих новых способах, которыми поставщики медицинских услуг подходят к сортировке, составлению графиков, планированию ресурсов и прогнозированию. По-прежнему существует много препятствий, в том числе разрушительный характер COVID-19 и отсутствие централизованных данных, но провайдеры все чаще обращаются к ИИ и машинному обучению из-за их потенциала для ускорения и упрощения принятия сложных решений.
Могут ли эти непростые времена дать поставщикам медицинских услуг возможность создать организации, основанные на данных, которые используют новые цифровые и виртуальные способы работы? Текущие тенденции указывают на да, но в духе данных нам придется подождать и посмотреть.
Если вы хотите узнать больше о работе Slalom в этой области и о том, как мы можем помочь, напишите Aisha Quaintance, Healthcare & Life Sciences Industry Solutions, Slalom по адресу [email protected].
Познакомьтесь с авторами:
Slalom — это современная консалтинговая компания, занимающаяся вопросами стратегии, технологий и трансформации бизнеса. Наши команды в области здравоохранения и медико-биологических наук сотрудничают с лидерами в области здравоохранения, биотехнологий и фармацевтики, чтобы укрепить их организации, улучшить их системы и помочь в решении некоторых из их наиболее важных бизнес-задач. Узнайте больше о наших сотрудниках, нашей компании и о том, чем мы занимаемся.
