Искусственный интеллект в здравоохранении США: Что это значит для пациентов и поставщиков медицинских услуг

Оглавление

• Основные положения
• Введение: Почему это исследование важно
• Почему здравоохранение отстает от других отраслей во внедрении ИИ
• Типы ИИ, используемые в здравоохранении
• ИИ при возмещении расходов: Упрощение лабиринта выставления счетов и страхования
• ИИ в клинических операциях: Умные больницы и операционные
• ИИ для качества и безопасности: Защита пациентов и улучшение их опыта
• Клинические последствия: Что это значит для пациентов
• Ограничения: Что исследование не смогло доказать
• Рекомендации: Что пациентам следует знать и делать
• Часто задаваемые вопросы
• Информация об источнике

Основные положения

• ИИ в здравоохранении США все еще находится на ранней стадии, но он тестируется в сферах выставления счетов, больничных процессов и безопасности пациентов.
• ИИ может прогнозировать отклонение страховых заявок, и один страховщик увеличил долю сложных заявок, обработанных без отклонения, с менее чем 80% до более чем 90%.
• ИИ может улучшить использование операционных на 15–20%, согласно симуляциям, что потенциально сократит время ожидания хирургических вмешательств.
• Ранее разработанная система раннего предупреждения на базе ИИ, по сообщениям, спасла около 8000 жизней в одной сети здравоохранения и снизила смертность в 21 больнице.
• Большинство приложений на базе искусственного интеллекта (ИИ) не имеют рандомизированных контролируемых исследований, поэтому пациентам следует спрашивать о доказательствах, лежащих в основе рекомендаций ИИ.

Введение: почему это исследование важно

Внедрение искусственного интеллекта (ИИ) — машин или вычислительных систем, способных принимать интеллектуальные решения, — происходит поэтапно во всех секторах бизнеса. Использование ИИ уже достигло высокого уровня во многих областях, включая переосмысление того, как финансовые учреждения предоставляют инвестиционные консультации, предложение «рекомендательных систем», которые предлагают следующий товар для покупки в интернете, и разработку автомобилей без водителя. Однако в сфере оказания медицинской помощи ИИ находится на ранних стадиях.

Этот разрыв имеет значение, потому что потребность в использовании ИИ для улучшения медицинской помощи стала острой. Рассмотрим взрывной рост медицинских знаний. В 1980 году совокупный объем медицинских знаний, необходимых для лечения пациента, удваивался каждые 7 лет. К 2010 году этот период удвоения сократился до менее чем 75 дней. Цифры впечатляют: то, что студенты-медики изучают за первые 3 года обучения, составляет лишь 6 процентов от известных медицинских знаний на момент их выпуска. Их знания могут оставаться актуальными, но не всегда быть полными — некоторые из того, чему их учили, уже устарело.

ИИ имеет потенциал дополнять знания клинической команды, чтобы обеспечить пациентам по всему миру наилучший возможный уход. Экономические факторы ускоряют эту тенденцию. Разработка более надежных алгоритмов ИИ на основе больших объемов данных — «экономика экспертизы» — создала новую субиндустрию под названием медицинские услуги и технологии (включая программное обеспечение и платформы, анализ данных и платежные услуги), которая в ближайшие годы может стать по объему денежных потоков сопоставимой с нынешней страховой субиндустрией.

Пандемия новой коронавирусной инфекции (COVID-19) также послужила катализатором, побудив организации ускорить планы по цифровизации и внедрению искусственного интеллекта. На уровне руководства и советов директоров недавнее широкое распространение информации об генеративном искусственном интеллекте способствовало активизации дискуссий о его применении. Кроме того, внедрение искусственного интеллекта может иметь вторичные эффекты, такие как частичное решение текущей нехватки врачей и медицинских сестер.

Почему здравоохранение отстает от других отраслей во внедрении ИИ

Внедрение ИИ в сфере оказания медицинской помощи отстает от других секторов бизнеса по нескольким конкретным причинам. Ранний ИИ укоренился в отраслях, где были доступны большие объемы структурированных количественных данных, и компьютерные алгоритмы могли обучаться на дискретных исходах — например, посмотрел ли клиент товар и купил его или нет. Здравоохранение сталкивается с уникальными вызовами:

• Качественная информация труднее поддается интерпретации. Клинические записи и отчеты пациентов, как правило, сложнее обрабатывать алгоритмам, чем структурированные числовые данные.
• Множественные факторы исходов усложняют обучение. Принятие клинических решений включает множество взаимосвязанных факторов, что делает обучение алгоритмов более сложным, чем в более простых бизнес-контекстах.
• Интеграция в клинический рабочий процесс затруднена. Внедрение результатов ИИ в уже сложный клинический рабочий процесс является серьезным препятствием.
• Краткосрочная финансовая ориентация. По опыту авторов, некоторые организации здравоохранения фокусируются на краткосрочных финансовых результатах в ущерб инвестициям в долгосрочные инновационные технологии, такие как ИИ.

Организации здравоохранения, отдающие приоритет инновациям, связывают решения об инвестициях с «общей ценностью миссии», которая включает как финансовые, так и нефинансовые факторы, такие как улучшение качества, безопасность пациентов, опыт пациентов, удовлетворенность клиницистов и расширение доступа к медицинской помощи. Этот более широкий взгляд на ценность необходим для процветания ИИ в условиях здравоохранения.

Типы ИИ, используемые в здравоохранении

ИИ широко определяется как машина или вычислительная платформа, способная принимать интеллектуальные решения. В сфере оказания медицинской помощи обычно преследуются два типа ИИ:

1. Машинное обучение: Вычислительные техники, которые учатся на примерах, а не работают по заранее определенным правилам. Алгоритмы выявляют закономерности в данных и улучшают свою производительность с течением времени.
2. Обработка естественного языка: Способность компьютера преобразовывать человеческий язык и неструктурированный текст в машиночитаемые структурированные данные, которые надежно отражают намерение языка. Это особенно актуально для преобразования врачебных записей и клинических описаний в пригодные для использования данные.

Роль ИИ в улучшении клинического суждения привлекла наибольшее внимание, с особым фокусом на прогнозирование (предсказание течения заболевания), диагностику, лечение, рабочий процесс клиницистов и расширение клинической экспертизы. Такие специальности, как радиология, патология, дерматология и кардиология, уже используют ИИ в процессе анализа изображений. При радиологическом скрининге до 30% практик радиологии, ответивших на опрос, указали, что они внедрили ИИ к 2020 году, а еще 20% планировали начать использовать ИИ в ближайшем будущем.

Потенциал ИИ простирается гораздо дальше. Авторы выделили девять областей оказания медицинской помощи, где использование ИИ начинает формироваться. Большинство организаций все еще находятся на стадии пилотного внедрения ИИ и пытаются подтвердить его преимущества. Три области, рассмотренные подробно, — это возмещение расходов, клинические операции и качество и безопасность.

ИИ в сфере возмещения расходов: устранение лабиринта выставления счетов и страхования

Возмещение расходов — система сдержек и противовесов между плательщиками (страховыми компаниями) и поставщиками услуг (больницами и врачами) — имеет ключевое значение для финансового благополучия любой организации здравоохранения. Применение искусственного интеллекта в этой области широко распространено и относится к числу наиболее передовых, демонстрируя более высокую общую ценность по сравнению со средними показателями. В том, что называют «войной кодов», искусственный интеллект стал важным инструментом для участников рынка, позволяющим осуществлять взаимный контроль, а также упрощать процесс и снижать сложность взаимодействия пациентов с медицинскими платежами.

Понимание процесса обработки страховых случаев

Обработка поставщиками услуг страховых случаев, подлежащих возмещению плательщиками, называется управлением циклом доходов. Эту задачу часто выполняют сотрудники, которые проверяют счета медицинских работников и дают рекомендации по их оформлению в соответствии с оказанными услугами. Цель заключается в обеспечении соответствия суммы, фактически выплаченной организации.

Процесс обработки страховых случаев обычно включает следующие этапы:

1. Формирование страхового случая: После получения услуги участник заполняет подробную форму страхового случая, как правило, в электронном виде.
2. Отправка страхового случая: Поставщик услуг направляет форму плательщику; как правило, более 90% страховых случаев отправляются в электронном виде.
3. Рассмотрение (аджудикация): Страховой случай поступает во входящие системы плательщика; как правило, более 80% страховых случаев рассматриваются автоматически. Около 20% страховых случаев, требующих ручного рассмотрения, обычно разрешаются специалистами по обработке страховых случаев или экспертами в этой области.
4. Выплата: Инструмент обработки страховых случаев определяет, будет ли произведена выплата по случаю, и инициирует возмещение расходов.
5. Отслеживание страховых случаев: Поставщик услуг и участник могут отслеживать статус страховых случаев онлайн, при этом любая из сторон может оспорить страховой случай.
6. Аудит, жалобы и апелляции: Команды проводят ежемесячный или ежеквартальный аудит страховых случаев для снижения количества ошибок и повышения точности.

Вот важная статистика: в рамках текущей системы более 10% страховых случаев отклоняются или задерживаются из-за проблем с правом на получение услуг и отсутствующих данных. Однако до 85% этих отклоненных страховых случаев можно было избежать.

Пример из практики: больница использует искусственный интеллект для прогнозирования отклоненных страховых случаев

Одна крупная система здравоохранения осознала, что искусственный интеллект — в частности, предиктивная аналитика — может обеспечить экономию затрат и улучшить не только сбор денежных средств и доходность, но и опыт пациентов. Работа началась с большого набора данных: 12 месяцев данных страховых случаев, представляющих миллионы взаимодействий с плательщиками, при этом основное внимание уделялось более чем 100 атрибутам страховых случаев.

Система обработала данные с помощью регрессионной модели, чтобы выявить, какие атрибуты наиболее тесно коррелируют с отклонением счета. С помощью этой новой предиктивной модели непройденные страховые случаи были проанализированы заранее, что увеличило количество выявленных случаев, вероятно, подлежащих отклонению, на 33% по сравнению с ретроспективной базой. Кроме того, модель определила наиболее вероятные первопричины отклонения страховых случаев, такие как отказ в коде Национального перечня лекарственных средств или политика конкретного плательщика.

Эта система здравоохранения теперь имеет пилотную программу, которая использует 10 основных первопричин для маркировки страховых случаев и их устранения до отправки. В перспективе цель заключается в дальнейшем развитии модели для выявления специфических для каждого страхового случая первопричин отклонений и предотвращения передачи счетов на обработку, если они содержат такие недостатки. Это может дополнительно улучшить показатели по отклоненным страховым случаям системы здравоохранения, снизить административные расходы, необходимые для обработки и повторной обработки страховых случаев, а также улучшить опыт пациентов за счет снижения количества неприятных отказов.

Пример из практики: страховой плательщик оптимизирует обработку страховых случаев

Со стороны плательщиков крупная организация управления медицинской помощью использовала искусственный интеллект для перехода от традиционной, трудоемкой модели к модели на основе искусственного интеллекта с целью устранения ошибок на ранних этапах и снижения потребности в ручном рассмотрении страховых случаев. Организация обучила модель, которая выявляла и взвешивала факторы, приводящие к необходимости ручного вмешательства, такие как определенные коды процедур. Модель постоянно генерировала выходные данные на основе относительных трудозатрат.

Результаты были значительными:

• Процент сложных страховых случаев, обработанных без отклонения, увеличился с менее 80% до более чем 90%.
• Административные расходы были сокращены на 30%.
• Улучшился опыт пациентов и удовлетворенность клиницистов.

Искусственный интеллект в предварительном согласовании

Искусственный интеллект также используется в предварительном согласовании — процессе, при котором страховые компании рассматривают и одобряют лечение до его оказания. Этот процесс требует значительных ручных усилий, при этом автоматизировано только 21% запросов на предварительное согласование. Процесс обходится дорого, так как требует участия врачей и зарегистрированных медицинских сестер для рассмотрения запросов на согласование. С точки зрения плательщика, цель заключается в обеспечении пациентов клинически обоснованным лечением, что делает предварительное согласование контролем над тем, что назначил поставщик услуг.

В попытке снизить трение один из плательщиков создал интегрированную чистую базу данных, которая включала информацию о праве на страхование и льготах участников, исторические данные о медицинских и фармацевтических претензиях, а также исторические запросы на предварительное согласование с клиническими решениями, апелляциями и результатами. Эти данные поступали в систему сортировки, которая классифицировала запросы по четырем уровням сложности на основе таких факторов, как уровень предоставленной детализации, клиническая история участника плана и знания, полученные при обработке аналогичных запросов.

Искусственный интеллект уже начал сократить количество этапов процесса предварительного согласования по сравнению с традиционными ручными рабочими процессами. Большинство запросов на предварительное согласование низкой и средней сложности теперь автоматически одобряются. Это привело к:

• Сокращению времени обработки
• Более последовательным клиническим результатам
• Улучшению общего опыта для пациентов и клиницистов

Долгосрочное видение плательщика заключается в применении искусственного интеллекта для дальнейшего ускорения принятия решений.

Искусственный интеллект в клинических операциях: Умные больницы и операционные

Клинические операции — это еще одна область оказания медицинской помощи, где расширяется использование искусственного интеллекта. Хотя внедрение искусственного интеллекта в клинические операции не так развито, как в сфере возмещения расходов, потенциал общей ценности миссии аналогичен, и искусственный интеллект стал областью интенсивных исследований в этой области.

Оптимизация операционной

Рассмотрим операционную — один из самых важных активов для клинической помощи в системе здравоохранения. Спрос на операционные традиционно высок, поэтому пропуск хирургического слота может привести к значительному увеличению времени ожидания и потере доходов. Задержки в расписании из-за того, что операции занимают больше времени, чем ожидалось, также могут иметь нефинансовые последствия, такие как ухудшение опыта для пациентов и их семей, которые ждут окончания операции или начала процедуры.

В системах здравоохранения США более эффективное использование мощности операционных может увеличить доступ к медицинской помощи — что особенно важно сегодня из-за накопившихся очередей на хирургические вмешательства и нехватки клиницистов.

Авторы описывают оптимизацию операционной в три этапа, каждый с возрастающим участием искусственного интеллекта:

1. Улучшение управления операционными (Ограниченное использование ИИ): Этот этап использует описательную аналитику, такую как гистограмма, показывающая распределение времени в операционных за последние 30 дней, для выявления вариаций в расписании. Системы здравоохранения успешно использовали этот подход на протяжении многих лет. Примеры включают измерение ключевых показателей операционной, таких как время начала, время хирургического разреза, время оборота комнаты и время оборота пациента (University Hospital, 1994; Medical University of South Carolina, 1998).
2. Прогнозирование использования операционных (Преобладающее использование ИИ): Искусственный интеллект играет центральную роль в прогнозировании использования операционных. Предоперационная аналитика прогнозирования сосредоточена на сокращении отмен и оценке риска смертности. Во время операции прогнозы обычно сосредоточены на продолжительности процедуры и возможных осложнениях. Послеоперационные прогнозы направлены на выявление серьезных осложнений.
3. Использование аналитики операционных в реальном времени (Преобладающее использование ИИ): Этот этап превращает прогноз в действие. Искусственный интеллект включил бы прогнозирование продолжительности процедуры в точное расписание, позволил бы координацию нескольких операционных, используемых одновременно, и интегрировал прогнозы, такие как вероятные отмены операций, в оптимизацию операционной.

Организации, такие как Mayo Clinic и Lucile Packard Children's Hospital at Stanford, оценили, что использование потенциально улучшится на 15–20%, если будет внедрен искусственный интеллект. Однако этот этап в основном находится на стадии пилотирования, и еще неизвестно, будут ли реализованы улучшения.

Заметные примеры из исследований, приведенные в статье, включают:

• Больница Западного Китая (2018): Прогнозирование операций с высоким риском отмены.
• Неидентифицированное академическое учреждение (2020): Прогнозирование риска смерти во время кардиохирургической операции.
• Больница Голд-Кост (2017): Прогнозирование продолжительности плановой операции.
• Университет Флориды Хелс (2019): Прогнозирование серьезных послеоперационных осложнений и риска смерти.
• Клиника Мэйо (2015): Симуляция улучшения использования ресурсов на 19% и сокращения сверхурочной работы на 10%.
• Детская больница Люсил Паккард при Стэнфорде (2018): Симуляция сокращения времени ожидания в отделении послеанестезиологического наблюдения без снижения использования операционных.

Решение проблемы профессионального выгорания клиницистов

Еще одним важным применением ИИ в клинических операциях является борьба с профессиональным выгоранием клиницистов. Врачи теперь тратят более 50% своего времени на обновление электронных медицинских карт (ЭМК), и этот расход времени является документально подтвержденным фактором, способствующим выгоранию. Несколько медицинских учреждений проводят пилотные проекты по использованию обработки естественного языка для снижения этой нагрузки.

Если эти усилия будут успешными, обработка естественного языка сможет преобразовывать неструктурированные данные, такие как записи клиницистов, в структурированные данные, необходимые для ЭМК, а также для других целей, таких как документирование показателей качества или заполнение соответствующих кодов Текущей процедурной терминологии (CPT). Это применение ИИ даст клиницистам больше времени на общение с пациентами и выполнение задач, требующих человеческого суждения.

ИИ для качества и безопасности: защита пациентов и улучшение опыта

Качество и безопасность представляют собой область, в которой значительная часть ценности создается за счет нефинансовых факторов. Текущий уровень внедрения ИИ в этой области ограничен, как и доказательства его широкого влияния на качество и безопасность. Однако два применения ИИ — направленные на безопасность пациентов и улучшение их опыта — демонстрируют реальный потенциал.

Снижение числа серьезных нежелательных явлений

Первое применение ИИ сосредоточено на снижении серьезных нежелательных явлений — в частности, случаев, когда текущие методы, основанные на доказательной медицине, менее эффективны для предотвращения и устранения осложнений, а интеграция сложных неструктурированных данных с измеримыми показателями может помочь в прогнозировании. Выделены три проблемы, которые имеют наибольший потенциал для улучшения с помощью ИИ:

• Нежелательные явления лекарственных препаратов: Вредные реакции на лекарства, которые можно предсказать и предотвратить.
• Декомпенсация: Внезапное ухудшение состояния пациента, особенно в отделении интенсивной терапии (ОИТ).
• Диагностические ошибки: Ошибки в определении состояния пациента, которые можно выявить раньше с помощью помощи ИИ.

Решение этих проблем требует генерации информации, пригодной для практического применения. Этот процесс использует данные от технологий мониторинга, включая мониторы жизненных показателей, для выявления ранних признаков ухудшения состояния. Результаты оказались впечатляющими:

• Один из подходов использовал предиктивный алгоритм для прогнозирования клинического ухудшения в ОИТ, что снизило смертность в 21 больнице.
• В другой медицинской системе система раннего предупреждения, по сообщениям, спасла около 8 000 жизней во всей сети учреждений.
• Недавнее исследование показало, что когда врач подтверждает предупреждение ИИ, смертность снижается дополнительно — это означает, что сочетание обнаружения с помощью ИИ и клинического суждения человека особенно эффективно.

Улучшение качества обслуживания пациентов

Второе применение искусственного интеллекта — улучшение качества обслуживания пациентов — может включать использование Consumer Assessment of Healthcare Providers and Systems (CAHPS), программы Агентства по исследованиям и качеству в сфере здравоохранения, которая измеряет удовлетворенность пациентов качеством медицинской помощи. Искусственный интеллект может анализировать отзывы пациентов и выявлять закономерности, помогающие медицинским системам быстрее и эффективнее реагировать на их проблемы, хотя в статье отмечается, что эта область все еще находится в стадии развития.

Клинические последствия: что это означает для пациентов

Эти новые применения искусственного интеллекта имеют прямые последствия для пациентов. В области возмещения расходов использование искусственного интеллекта для прогнозирования отказов в выплатах до их подачи означает меньшее количество неприятных страховых отказов. Пациенты могут столкнуться с более быстрым одобрением заявок, более понятным выставлением счетов и меньшим количеством неожиданных отказов в оплате. Тот факт, что потенциально можно избежать до 85% отказов в выплатах, а один страховщик увеличил долю сложных случаев, обработанных без отказа, с менее чем 80% до более чем 90%, свидетельствует о том, что искусственный интеллект может значительно сократить административные трудности, с которыми часто сталкиваются пациенты.

В процессе предварительного согласования автоматизация запросов низкой и средней сложности с помощью искусственного интеллекта означает, что пациенты могут получать более быстрое одобрение необходимых видов лечения. Вместо ожидания в течение дней или недель при ручном рассмотрении, во многих случаях этот процесс может стать практически мгновенным.

В области клинических операций оптимизация операционных с помощью искусственного интеллекта означает сокращение времени ожидания хирургических вмешательств, уменьшение количества отмененных процедур и лучшее координацию оказания помощи. Для пациентов, ожидающих операции, это не просто удобство — это вопрос своевременного доступа к потенциально спасающему жизнь лечению. Улучшение использования операционных на 15–20% может значительно сократить накопившуюся очередь на хирургические вмешательства.

Для клиницистов снижение нагрузки по документированию в электронных медицинских картах (ЭМК) более чем на 50% с помощью обработки естественного языка может дать врачам больше времени для личного общения с пациентами. Это напрямую улучшает качество обслуживания пациентов и может помочь решить кризис нехватки врачей и медсестер.

В области качества и безопасности системы искусственного интеллекта, обнаруживающие клиническое ухудшение состояния до того, как оно станет критическим, могут спасать жизни. Сообщенные данные о спасении 8 000 жизней в одной медицинской системе и снижении смертности в 21 больнице, использующих алгоритмы оценки ухудшения состояния в отделениях интенсивной терапии, демонстрируют, что искусственный интеллект — это не просто теоретический инструмент, он уже приносит измеримые улучшения показателей здоровья пациентов.

Ограничения: чего исследование не смогло доказать

Авторы честно указывают на ограничения имеющихся доказательств. Большинство применений искусственного интеллекта в оказании медицинской помощи не подвергались рандомизированным контролируемым исследованиям — золотому стандарту медицинских доказательств. Следовательно, для многих приложений искусственного интеллекта может не хватать обычного уровня доказательств, требуемого для принятия медицинских решений.

Авторы указывают, где есть достаточные доказательства, а где их нет. Они признают, что их точка зрения основана на разговорах с десятками руководителей в сфере здравоохранения и что это не может заменить рандомизированные контролируемые исследования.

Дополнительные ограничения включают:

• Неопределенность на пилотной стадии: Большинство организаций все еще находятся на пилотной стадии внедрения искусственного интеллекта и пытаются подтвердить его преимущества. То, будут ли реализованы улучшения, такие как прогнозируемое увеличение использования операционных на 15–20%, пока неизвестно.
• Ограниченность доказательств в области качества и безопасности: Доказательства широкого влияния искусственного интеллекта на качество и безопасность ограничены.
• Новые технологии не подтверждены: Новые формы технологий, такие как блокчейн и генеративный искусственный интеллект, не играли значительной роли в оказании медицинской помощи, и хотя некоторые руководители утверждают, что они необходимы для раскрытия потенциала искусственного интеллекта, опыт авторов говорит об обратном.
• Информация из опыта: Многие примеры основаны на консультационном опыте авторов, а не на рецензируемых опубликованных исследованиях.

Авторы также раскрывают, что оба они работают в компании, предоставляющей консультационные услуги для государственных и частных организаций в этой области, что является важным потенциальным конфликтом интересов, который следует учитывать при оценке их примеров.

Рекомендации: что пациентам следует знать и делать

Для пациентов, ориентирующихся в системе здравоохранения, которая все больше внедряет искусственный интеллект, из этого обзора вытекают несколько практических рекомендаций:

1. Спрашивайте об использовании искусственного интеллекта при вашем лечении. Если ваш рентгенолог, патологоанатом или другой специалист использует анализ изображений с помощью искусственного интеллекта, спросите, что это означает для вашего диагноза. Искусственный интеллект используется в до 30% радиологических практик, поэтому это может быть более распространенным явлением, чем вы думаете.
2. Будьте проактивны в вопросах одобрения страховыми компаниями. Поскольку ИИ может снизить бюрократические барьеры в процессе предварительного согласования только при его внедрении, а более 10% страховых выплат отклоняются или задерживаются, все же выгодно убедиться, что ваш лечащий врач предоставил всю необходимую документацию до проведения процедур или лечения. До 85% предотвратимых отказов часто связаны с отсутствием данных или проблемами со страховым покрытием.
3. Своевременно сообщайте о проблемах со здоровьем. Системы раннего предупреждения на базе ИИ в больницах предназначены для выявления ухудшения состояния пациентов, но они работают наиболее эффективно, когда врачи располагают актуальными данными о жизненно важных показателях и симптомах. Ваши сообщения об изменениях самочувствия являются частью «неструктурированных данных», которые делают эти системы более эффективными.
4. Понимайте, что ИИ дополняет, а не заменяет человеческое суждение. Исследования показывают, что когда врачи подтверждают предупреждения ИИ, смертность снижается еще больше — команда «человек-машина» работает наиболее эффективно. Ваши отношения с клинической командой остаются основой вашего лечения.
5. Осознавайте ограничения доказательной базы. Поскольку большинство приложений на базе ИИ не прошли рандомизированные контролируемые исследования, вы должны чувствовать себя комфортно, задавая своему врачу вопросы о доказательствах эффективности любого рекомендации, основанной на ИИ. Это вполне обоснованный вопрос, и авторы данного обзора согласятся с тем, что его стоит задать.
6. Признайте, что ИИ может улучшить ваш опыт взаимодействия с системой здравоохранения. От меньшего количества отказов в страховых выплатах до сокращения времени ожидания хирургических операций и уменьшения спешки у врачей (которые в настоящее время тратят более 50% своего времени на ведение электронных медицинских карт), ИИ имеет потенциал сделать медицинскую помощь более ориентированной на пациента, — однако эти преимущества все еще проверяются в пилотных программах.
7. Понимайте финансовые последствия. Способность ИИ сократить административные расходы на 30% (как продемонстрировал один из страховщиков) и улучшить использование операционных на 15–20% может привести к экономии средств и улучшению доступа к помощи. Однако эти изменения могут занять годы, прежде чем они достигнут вашей местной больницы, поскольку большинство организаций все еще находятся на стадии пилотного тестирования.

Часто задаваемые вопросы

Что такое искусственный интеллект (ИИ) в здравоохранении?

ИИ использует компьютеры для принятия интеллектуальных решений, обучаясь на примерах или обрабатывая человеческий язык. В больницах ИИ может помочь предсказать отказы в страховых выплатах, спланировать использование операционных и выявить ухудшение состояния пациентов. Он дополняет знания врачей, но не заменяет человеческое суждение. Внедрение находится на ранней стадии, поэтому многие применения тестируются в пилотных программах.

Может ли ИИ уменьшить проблемы с отказами в страховых выплатах и предварительным согласованием?

ИИ может предсказать, какие страховые выплаты с высокой вероятностью будут отклонены еще до их подачи, выявляя ошибки, которые вызывают до 85% предотвратимых отказов. Один из страховщиков увеличил долю сложных случаев, обрабатываемых без отказа, с менее чем 80% до более чем 90%. ИИ также ускоряет предварительное согласование для запросов низкой и средней сложности, сокращая время обработки и разочарование.

Как ИИ может повлиять на время ожидания мной хирургической операции?

ИИ может предсказывать продолжительность операций и выявлять процедуры с высоким риском отмены. В ходе моделирования больницы, такие как Клиника Мейо и Стэнфордский университет, оценили, что ИИ может улучшить использование операционных на 15–20%, потенциально сокращая очереди и время ожидания. Однако большинство больниц все еще тестируют эти подходы, поэтому реальная польза пока не гарантирована.

Может ли ИИ помочь сохранить мою безопасность в больнице?

ИИ может отслеживать жизненно важные показатели и оповещать персонал о внезапном ухудшении состояния пациента, что может предотвратить смерть. Один из подходов снизил смертность в 21 больнице, а другая система раннего предупреждения, по сообщениям, спасла около 8000 жизней в одной сети здравоохранения. Когда врач подтверждает предупреждение ИИ, смертность снижается еще больше. Эта область все еще имеет ограниченные доказательства эффективности.

Насколько сильны доказательства эффективности ИИ в здравоохранении?

Большинство применений ИИ в здравоохранении не были протестированы в рандомизированных контролируемых исследованиях, которые являются золотым стандартом медицинских доказательств. Многие примеры основаны на пилотных программах или опыте экспертов, а не на рецензируемых научных статьях. Это означает, что обычный уровень доказательств, требуемый для принятия медицинских решений, часто отсутствует. Пациентам следует спрашивать о доказательствах эффективности любой рекомендации, основанной на ИИ.

Что мне спросить у своего врача об использовании ИИ в моем лечении?

Если ваш врач использует ИИ для анализа изображений, прогнозов или оповещений, спросите, что это означает для вашего диагноза или лечения. Спросите, какие доказательства поддерживают инструмент ИИ и как он был проверен. Также убедитесь, что ваша страховая документация заполнена полностью, поскольку предотвратимые отказы часто возникают из-за отсутствия данных. Эти вопросы помогут вам понять, как ИИ влияет на ваше лечение.

Если диагноз или план лечения моего врача частично основаны на искусственном интеллекте, должен ли я получить второе мнение?

Искусственный интеллект применяется во многих сферах оказания медицинской помощи, включая радиологию, где его внедрили до 30% медицинских учреждений. Однако большинство приложений на основе искусственного интеллекта не прошли рандомизированные контролируемые исследования, поэтому часто отсутствует обычный уровень доказательности, необходимый для принятия медицинских решений. Искусственный интеллект разработан для дополнения, а не замены человеческого суждения. Если вы сомневаетесь в рекомендации, полученной при поддержке искусственного интеллекта, запрос независимой оценки вашего лечения у другого специалиста может дать важное успокоение. Diagnostic Detectives Network предоставляет независимые вторые мнения экспертов.

Источник информации

Original Article: "Artificial Intelligence in U.S. Health Care Delivery"

Authors: Nikhil R. Sahni, M.B.A., M.P.A.–I.D., and Brandon Carrus, M.Sc.

Affiliations: Department of Economics, Harvard University, Cambridge, MA; Center for U.S. Healthcare Improvement, McKinsey and Company, Boston, MA

Journal: The New England Journal of Medicine (NEJM), 2023; Volume 389, pages 348-358

DOI: 10.1056/NEJMra2204673

Copyright: © 2023 Massachusetts Medical Society. All rights reserved.

Эта статья, написанная понятным для пациентов языком, основана на рецензируемых научных исследованиях. Она предназначена исключительно для образовательных целей и не является медицинской рекомендацией. Оригинальная статья была отредактирована Джеффри М. Дразеном (Jeffrey M. Drazen, M.D.) при участии приглашенных редакторов Айзека С. Кохане (Isaac S. Kohane, M.D., Ph.D.) и Цзе-Юна Леонга (Tze-Yun Leong, Ph.D.) в рамках обзорной серии NEJM «Искусственный интеллект в медицине».