مدیر عامل Arcadia: پلتفرم های داده ممکن است جایگزین EHR ها به عنوان هسته سیستم های بهداشتی شوند

ظهر بخیر چند هفته پیش، پیش از اجلاس سلامت هوش مصنوعی نیوزویک، ما میزبان یک میزگرد اجرایی برای بحث در مورد اینکه چگونه هوش مصنوعی نحوه عملکرد بیمارستان ها را تغییر می دهد، برگزار کردیم. یک سوال از دکتر اشلی بیسی به ذهنم خطور کرده است.

بیسی - متخصص قلب و انفورماتیک بالینی که در حال حاضر به عنوان افسر ارشد هوش مصنوعی در Sutter Health مستقر در ساکرامنتو، کالیفرنیا خدمت می کند - در حال توصیف زمین های فروشندگان گران قیمتی بود که از روی میزش عبور می کردند.

بیسی گفت: "هر بار که ارائه یک فروشنده را می شنوم، به این فکر می کنم که "این نیم میلیون دلار است. این نهصد هزار دلار است." "من می‌توانم آن را بسازم. اما آیا می‌خواهم آن را بسازم؟"

او معضلی را مطرح کرد که فکر می‌کنم با سریع‌تر شدن و در دسترس‌تر شدن توسعه هوش مصنوعی، مدیران بیمارستان‌های بیشتری با آن مواجه خواهند شد. فناوری که زمانی نیاز به سرمایه گذاری قابل توجهی در فروشندگان خارجی داشت، اکنون ممکن است در دسترس توسعه دهندگان خود سازمان باشد.

اما ساختمان واقعی تنها بخشی از معادله ساخت و خرید است.

"اگر خراب شد ساعت 2 بامداد با چه کسی تماس می گیرید؟" بیسی پرسید. "آیا کل مدل IT خود را تغییر می‌دهید تا زیرساخت پشتیبانی داشته باشید تا بتوانید توسعه بیشتری انجام دهید؟"

نظرات او باعث ایجاد بحث گسترده تری در مورد الزامات نگهداری ابزارهای هوش مصنوعی پس از استقرار شد. دکتر جنیفر لیتون، مدیر ارشد تحقیقات بالینی در مرکز سرطان MD Anderson، این چالش را خلاصه کرد: "ساخت آسان، اما سخت نگه داشتن." دیگران این سوال را مطرح کردند که آیا سیستم‌های سلامت با لایه‌بندی هوش مصنوعی بر روی جریان‌های کاری از قبل تکه‌تکه شده، پیچیدگی‌های جدیدی را معرفی می‌کنند یا خیر.

دکتر نبیل چهاده، رئیس تحولات بالینی، نوآوری و افسر استراتژی در سیستم MetroHealth مستقر در کلیولند، اوهایو، افزود: "در ابتدا در مورد پرونده های سلامت الکترونیکی نیز اشتباه کردیم."

من استدلال مشابهی را در این هفته از مایکل میوچی، رئیس و مدیر عامل شرکت داده های مراقبت های بهداشتی Arcadia شنیدم، که اخیرا Ascent را راه اندازی کرده است، یک پلتفرم مجهز به هوش مصنوعی طراحی شده برای کمک به سیستم های سلامت و برنامه های بهداشتی برای تبدیل داده ها به بهبود عملکرد بالینی و مالی.

میوچی به من گفت: «اگرچه ساختن نرم‌افزار آسان‌تر از همیشه شده است، اما این بدان معنا نیست که باید این کار را انجام دهید.

او رهبران نظام سلامت را تشویق کرد تا مشارکت با شرکت‌های فن‌آوری را در نظر بگیرند و در تغییرات سازمانی مورد نیاز برای کارکرد ابزارهای جدید سرمایه‌گذاری کنند.

او گفت: «ما پول بیشتری نسبت به فناوری EHR در سال‌های 2009 تا 2013 برای مدیریت تغییر خرج کردیم، و اکنون، «ما در همان موج هستیم».

برای اطلاعات بیشتر از گفتگوی من با میوچی در بررسی نبض این هفته، ادامه دهید.

و مثل همیشه، من دوست دارم از شما بشنوم: سیستم سلامت شما چگونه هزینه‌های ساخت ابزارهای هوش مصنوعی را در مقابل مسئولیت نگهداری از آنها می سنجد؟ به من ایمیل بزنید a.kayser@newsweek.com و به من اطلاع دهید.

هفته گذشته، شرکت داده‌های مراقبت‌های بهداشتی Arcadia Ascent را راه‌اندازی کرد، یک پلتفرم جدید مجهز به هوش مصنوعی که برای کمک به سیستم‌های سلامت و برنامه‌های بهداشتی برای حرکت فراتر از تجزیه و تحلیل عملکرد به اقدام طراحی شده است. مجموعه راه‌حل‌های پنج‌گانه آن به همه چیز می‌پردازد، از شناسایی شکاف‌ها در مراقبت از بیمار و هماهنگی ارتباط گرفته تا مدیریت ریسک مالی، ارزیابی شبکه‌های ارائه‌دهنده و ارائه بینش‌های پیش‌بینی‌کننده.

این راه‌اندازی بر اساس خرید CareJourney توسط Arcadia در سال 2024 است که دسترسی آن را به داده‌های ادعاهای ملی و معیارهای عملکرد ارائه‌دهنده گسترش داد، و قراردادی در سال 2025 که شرکت سهام خصوصی Nordic Capital را سرمایه‌گذار اصلی خود کرد. هدف از این سرمایه‌گذاری، تسریع گسترش و توسعه ابزارهایی بود که به سازمان‌های مراقبت بهداشتی کمک می‌کرد تا داده‌ها را به بهبود عملکرد بالینی و مالی تبدیل کنند. صعود نشان دهنده آخرین مرحله در آن استراتژی است.

روز سه‌شنبه، من با مایکل میوچی، رئیس و مدیرعامل آرکادیا در مورد استراتژی در حال تحول شرکت و آنچه ممکن است برای صنعت گسترده‌تر معنی داشته باشد، صحبت کردم.

موچی معتقد است پیشرفت‌های هوش مصنوعی می‌تواند در نهایت به مراقبت‌های بهداشتی کمک کند تا دهه‌ها وعده‌های فناوری را انجام دهند. اما با وجود حاشیه های عملیاتی تحت فشار، او هشدار داد که رهبران باید چالش های مالی فوری را با سرمایه گذاری های بلندمدت در زیرساخت داده ها و تغییرات سازمانی متعادل کنند.

یادداشت ویرایشگر: پاسخ ها به دلیل طولانی بودن و وضوح کمی ویرایش شده اند.

همانطور که در سال 2026 فکر می کنیم و به آینده 2027 نگاه می کنیم، اهداف اصلی که امیدوارید در سال آینده در آرکادیا به انجام برسانید چیست؟

وقتی کسب و کار را شروع کردیم، چشم انداز بسیار ساده بود. ما می خواستیم هر تعامل مراقبت های بهداشتی تحت تأثیر بینش های عالی باشد. در سال‌های 2008 و 2009، این به معنای اتصال دسته‌ای از سیستم‌ها و تلاش برای استفاده از شبکه‌ای از داده‌ها برای ایجاد بینش بهتر بود.

اما همیشه یک چالش وجود داشت در این که شما فقط می‌توانید بینش‌ها را به همان سرعتی که می‌توانید مقیاس‌سازی منابع را اندازه‌گیری کنید. در همان زمان، اکوسیستم مراقبت های بهداشتی ایالات متحده با تعدادی چالش مواجه بود، خواه این تحول در مقیاس بزرگ از طریق اجرای EHR ها، کمبود نیروی کار بالینی، همه گیری یا شوک های وارده به هزینه ها و روشی که مردم در مراقبت های بعدی دنبال می شوند، باشد.

در حالی که ما پیشرفت بسیار خوبی در این چشم انداز داشته ایم، هنوز مراقبت های زیادی وجود دارد که تیم های مراقبت بینش لازم برای ارائه بهترین مراقبت ممکن را ندارند. این به این دلیل نیست که آنها نمی خواهند. این به این دلیل است که فناوری در مراقبت های بهداشتی اغلب از بقیه اقتصاد عقب مانده است.

چیزی که من مشتاقانه منتظرش هستم، و چرایی این ارتباط با راه اندازی Ascent، این است که ما در عصری زندگی می کنیم که فناوری به نقطه ای رسیده است که می تواند ما را تقریبا بی نهایت گسترش دهد.

همراه با آن، کاربردهای عملی زیادی در مراقبت های بهداشتی وجود دارد. یکی از آنها فعال سازی واقعی و صادقانه مصرف کننده با بینش خوب است. دیگر اینطور نیست، "دکتر گوگل به بیمارم گفت که X، Y یا Z دارم." این است، "من سوابق پزشکی خود را در کلود آپلود کردم، و من به عنوان یک بیمار، می توانم یک مکالمه واقعا آگاهانه با ارائه دهنده داشته باشم."

اغلب اوقات، ممکن است دسترسی بهتری به سوابق پزشکی خودم نسبت به ارائه دهنده داشته باشم، به خصوص اگر در حال دریافت مراقبت از سایت‌ها باشم.

همانطور که در مورد حرکت رو به جلو فکر می کنیم، نحوه استفاده از داده های عالی است تا مطمئن شویم بینش هایی که ظاهر می شوند بینش های عالی هستند. این امر به تیم‌های مراقبت و مصرف‌کنندگان امکان می‌دهد در تصمیم‌گیری مشترک، با استفاده از مجموعه داده‌های بزرگ برای کمک به شناسایی مؤثرترین، مقرون‌به‌صرفه‌ترین و رضایت‌بخش‌ترین درمان‌ها برای مصرف‌کننده، همکاری کنند.

من خوشبین هستم من فکر می کنم که در دهه آینده شاهد پیشرفت های مستمر در درمان های درمانی خواهیم بود. اگر به آنچه در مورد سلول‌ها و ژن‌درمانی و بیماری‌هایی مانند سلول داسی شکل، پیشرفت‌های مربوط به دیابت نوع 1 یا صحبت‌ها در مورد واکسن‌ها و درمان‌های درمانی برای سرطان رخ داده است، نگاه کنید، همه اینها پیشرفت‌های چشمگیری در پزشکی هستند. اما آنها به حجم عظیمی از داده ها و بینش نیاز دارند.

شما باید آن لایه پیشرفت و تحقیق و توسعه را به صدها هزار ارائه دهنده مراقبت و سایت های مراقبت در کشور متصل کنید.

همانطور که ما نگاه می‌کنیم که Arcadia با Ascent به کجا می‌رود، به این می‌پردازیم که لایه اتصال، آن پلت‌فرم داده باشد، به طوری که وقتی هوش مصنوعی را به کار می‌گیرید، بالاتر از داده‌های تمیز و قابل اعتماد باشد، و کمبود یا شکاف در داده‌ها را تقویت نکنید.

من می‌خواهم به خرید CareJourney توسط Arcadia در سال 2024 برگردم، زیرا به نظر می‌رسد که ما شاهد تحقق این استراتژی با Ascent هستیم. CareJourney چه چیزی را روی میز آورده است و چگونه این پلتفرم امروز را تحت تأثیر قرار می دهد؟

اول از همه، ما سال ها با تیم CareJourney واقعا از نزدیک کار کردیم. آنیش [چوپرا] و دن [راس] که این تجارت را شروع کردند، دوستان شخصی خوب و همکاران بزرگی هستند. آنها کسب و کار خود را با دیدگاه بسیار مشابهی شروع کردند که داده ها و بینش ها می توانند نتایج بهتری را برای مراقبت ایجاد کنند.

ما در آرکادیا به مشکل متفاوت برخورد کردیم. ما با اتصال مشتریان خود، که سیستم‌های بهداشتی و طرح‌های بهداشتی بزرگ هستند، به آن نزدیک شدیم، و سیستم‌های فردی آنها را به هم وصل کردیم تا دیدی از مراقبت در داخل چهار دیواری آنها ایجاد کنیم. و وقتی می‌گویم در داخل چهار دیواری، در واقع فراتر از بیمارستان به فعالیت‌های اجتماعی و شرکت‌های وابسته گسترش می‌یابد.

در CareJourney، آنها گفتند، به جای ایجاد رابط در سراسر اکوسیستم، بیایید مجموعه‌های داده بسیار بزرگ را از قبل جمع‌آوری کنیم و شروع کنیم به گفتن داستان‌هایی در مورد اینکه شبکه‌ها چگونه هستند و عملکرد ارائه‌دهنده و متخصص چگونه است، بر اساس مجموعه داده‌های بزرگ در دسترس عموم و اختصاصی.

وقتی با هم کار می‌کردیم، اغلب به CareJourney می‌رفتم تا معیارها یا بینش‌هایی در مورد یک شبکه مشخص به دست بیاورم. CareJourney وقتی آن شبکه‌ها می‌گفتند: "خیلی خوب است که شما از بیرون درباره ما می‌دانید. ما باید در مورد خودمان از درون بدانیم."

اگر دیدگاه‌های شخص اول Arcadia، آنچه می‌توانیم به مشتریان در مورد خودشان بر اساس داده‌های خودشان بگوییم، و بینش شخص ثالث CareJourney، آنچه می‌توانید بر اساس داده‌هایی که بازار در مورد آنها دارد به مشتریان بگویید، در کنار هم قرار دهید، متوجه شدیم که پلتفرم بسیار قوی‌تری وجود دارد.

همانطور که دو شرکت را گرد هم آوردیم، دیدگاه ما ایجاد یک نمای 360 درجه بود، نه فقط از سفر بیمار، بلکه از سیستم. چگونه می توانند عملکرد بهتری داشته باشند؟

این به ویژه امروز مرتبط است، زیرا شما در مورد تحولی که در جوامع مراقبت بهداشتی روستایی آغاز شده است فکر می کنید. بسیاری از این بیمارستان های روستایی در واقع مکان های عالی مراقبت هستند. اما مردم دقیقا در کنار بیمارستان منطقه‌ای خود رانندگی می‌کنند و به یک مرکز شهری می‌روند، که لزوما از منظر راحتی بهترین چیز برای بیمار نیست. وقتی این مفهوم مراقبت از رانندگی را دارید برای جوامع روستایی وحشتناک است.

مجموعه داده ما می تواند نشان دهد که یک بیمارستان اجتماعی روستایی می تواند به همان اندازه موثر و گاهی با کیفیت بالاتر از یک مرکز پزشکی دانشگاهی شهری باشد.

برای مناطقی که کیفیت و کارآمدی بالایی ندارند، فرصت اتصال ارائه دهندگان روستایی و شهری و ایجاد سیستم های بسته بسیار بهتری از داده ها و انتقال بیماران یک واقعیت است، نه یک رویا.

چقدر طول می کشد تا بیماران و مصرف کنندگان بتوانند این بینش های عملکردی را ببینند و خودشان به آنها دسترسی داشته باشند؟

امروز، آرکادیا به اکوسیستم فناوری CMS سلامت متعهد شده است. بخشی از این تعهد شامل ارائه نقاط دسترسی برای مصرف کنندگان برای دسترسی به سوابق پزشکی خود است. این ویژگی اکوسیستم Amy Gleason [مشاور CMS و سرپرست سرپرست وزارت کارایی دولت (DOGE)] است: توانمندسازی مصرف‌کننده.

بخش دیگر آزادسازی داده ها بین سایت های مراقبت است، و این بخش بزرگی از کاری است که امروز انجام می دهیم.

من می گویم که مصرف کنندگان نتایج این داده ها را امروز می بینند. اگر U.S News را انتخاب کنید و به رتبه‌بندی بهترین مراکز جراحی سرپایی نگاه کنید، این داده‌های ما هستند که این رتبه‌بندی را تقویت می‌کنند. اگر با برنامه‌های بهداشتی خاصی کار می‌کنید و به جستجوگرهای ارائه‌دهنده با امتیازات کیفیت یا کارایی نگاه می‌کنید، این اغلب توسط مجموعه داده ما یا مجموعه داده‌ای مانند ما ارائه می‌شود.

در سطح تاکتیکی، Arcadia به 50000 سایت مراقبت متصل است، و بسیاری از این ارائه دهندگان از Arcadia برای شناسایی بیمارانی که در معرض خطر هستند یا با سیستم مراقبت های بهداشتی درگیر نشده اند، استفاده می کنند.

افراد زیادی هستند که نیاز به مراقبت دارند اما با سیستم مراقبت بهداشتی درگیر نیستند. وقتی درگیر نمی شوید، اغلب سیستم مراقبت های بهداشتی از وجود شما خبر ندارد.

من برای شما یک مثال می زنم. اگر شما بیمار با سابقه خانوادگی بالای سرطان سینه دارید، شاید مادر یا خواهرشان این سرطان را داشته باشند، اما در غیر این صورت نسبتا سالم هستند و مراقبت های اولیه را انجام نمی دهند، ممکن است طی دو یا سه سال دیگر به پزشک مراجعه نکرده باشند. شاید الان شغل و بیمه دیگری دارند.

این طرح بهداشتی جدید لزوما نمی داند که بیمار سابقه خانوادگی سرطان سینه دارد و نیاز به غربالگری پیشرفته دارد، اما ممکن است. شبکه هایی مثل ما این کار را می کنند.

ما می توانیم به بیمار اطلاع دهیم که خدمات مراقبت های پیشگیرانه حیاتی را از دست داده است. ما همچنین می‌توانیم به طرح سلامت یا شبکه ارائه‌دهنده آن‌ها، اگر مشتریان Arcadia هستند، اطلاع دهیم که بیماری وجود دارد که سال‌هاست ندیده‌اند و نیاز به مراقبت دارد.

بهترین بخش کاری که ما می سازیم این است که فقط گزارشی نیست که روی میز کسی گذاشته می شود.

با پیشرفت عوامل، طی سال گذشته یک میلیون یادآور مراقبت به بیماران ارسال کردیم. اینها فقط یادآورهای قرارهای آینده نیستند. آنها در مورد خدمات مورد نیاز بیماران هستند که ما می توانیم به آنها کمک کنیم تا آنها را دریافت کنند، خواه یادآوری واکسن باشد یا هشدارهای مراقبت اضطراری.

ما هشدارهای زیادی را در طول فصل آتش‌سوزی جنگلی گذشته در ساحل غربی انجام دادیم و به بیمارانی که نیازهای اجتماعی و مشکلات تنفسی بالایی داشتند کمک کردیم تا به مراکز خنک‌کننده دارای تهویه مطبوع بروند.

اینها انواع قابلیت هایی هستند که امروزه در بین ده ها هزار کاربر به کار گرفته شده اند.

به غیر از ارسال اعلان‌ها در مورد خدمات مورد نیاز، آیا نمونه‌های دیگری از تصمیم‌ها یا اقداماتی وجود دارد که عوامل هوش مصنوعی Arcadia می‌توانند به طور مستقل انجام دهند که قبلا به مداخله انسانی نیاز داشت؟

در تعامل بیمار و ارائه دهنده امروز، ما واقعا مراقب هستیم. ما در مسیری سرخورده به سمت خودمختاری هستیم، اما در حال حاضر بیشتر فعالیت‌های ما تحت نظارت است.

این یک تحمل خطر است که ما با کمیته مشاوره بالینی خود که متشکل از افسر ارشد پزشکی و بسیاری از مشتریان ما است، هماهنگ شده ایم.

همه می‌خواهند به استقلال کامل برسند، اما با پیشرفت بسیار سریع در این فضا، ما در مورد اهمیت درک گروه‌هایی که با چه گروه‌هایی تماس می‌گیرند، درباره چه زمانی و چند وقت یک‌بار همسو شده‌ایم. داشتن آن مجموعه چشم اضافی مهم است.

این بدان معنا نیست که انسان به تک تک تعاملات نگاه می کند. این بدان معناست که در سطح کلان نظارت وجود دارد.

جایی که ما خودمختاری را باز کرده‌ایم، حل چیزی است که فکر می‌کنم یکی از بزرگترین مشکلات صنعت ماست، و مشکلی که به اندازه کافی درباره آن صحبت نمی‌کنیم.

صنعت مراقبت های بهداشتی بیش از هر صنعت دیگری در جهان داده تولید می کند. من فکر می کنم 36 یا 37 درصد از داده های جهان از مراقبت های بهداشتی می آید. من تقریبا دو دهه است که در داده های مراقبت های بهداشتی بوده ام و نمی گویم که مشکلات اساسی داده ای را که به عنوان یک سیستم داریم حل کرده ایم.

داده ها به هم ریخته است. همیشه سریع نیست. پرحرف است.

اگر مشکل بنیاد داده را حل نکنیم، هرگز متوجه مزایای عظیم هوش مصنوعی در مراقبت های بهداشتی نخواهیم شد. هوش مصنوعی تقویت کننده بزرگی از چیزهای واقعا خوب است، اما زباله ها را نیز تقویت می کند.

ما دو دهه یا بیشتر در داده‌های مراقبت‌های بهداشتی در مورد زباله‌ها در داخل و خارج کردن زباله‌ها صحبت کرده‌ایم. در تجزیه و تحلیل سنتی، شما انسانی دارید که به این چیزها نگاه می کند و به طور کلی می توانید زباله ها را بگیرید. با هوش مصنوعی، از آنجایی که شما می توانید یک فرد را 10 یا 100 برابر کنید، اغلب نمی توانید آن را تا زمانی که واقعا بد باشد، تشخیص دهید.

ما قویا معتقدیم که این لحظه برای اصلاح بنیاد داده های مراقبت های بهداشتی و مقابله با مشکل زباله در داخل و خارج کردن زباله است.

بسیاری از مواردی که ما کاملا خودمختار شده‌ایم در مورد این مشکل بوده است.

ما هر روز هزاران رابط را برای سیستم‌های بالینی، سیستم‌های ادعایی و سیستم‌های فرعی نگهداری می‌کنیم تا آن بافت داده را برای مشتریان خود به هم پیوند دهیم.

امسال، ما مجموعه‌ای از عوامل مستقل را راه‌اندازی کردیم که هر یک از آن رابط‌ها را در هر دقیقه از روز نظارت می‌کنند. آنها خود درمانی و خود درمانی هستند.

با از کار افتادن رابط‌ها، سعی می‌کنند آن‌ها را دوباره بالا ببرند. اگر مشتری سیستم اصلی خود را ارتقا دهد و مدل داده تغییر کند، نمایندگان می‌توانند مدل داده را بررسی کنند، هزاران رابط دیگر را که اجرا می‌کنیم نگاه کنند و الگوها را شناسایی کنند.

آنها اساسا می توانند بگویند، "ما قبلا این الگو را دیده ایم. در اینجا یک تغییر توصیه شده است. من قصد دارم آن تغییر را کدنویسی کنم."

از بسیاری جهات، ما ارتشی از مهندسان داده داریم که عوامل هوش مصنوعی هستند که خودمان ساخته‌ایم و کاملا مستقل هستند.

این توانایی ما را برای شراکت با مشتریان در زمینه کیفیت داده‌ها به شیوه‌هایی تغییر داد که دو سال پیش آرزوی آن را داشتم. دو سال پیش، لازم بود که اندازه تیم مهندسی داده‌ام را ده برابر کنم.

ما یک تحول بسیار مهم در استقلال هوش مصنوعی داخلی را اجرا کرده‌ایم، که به ما امکان می‌دهد یک پایه داده با کیفیت بالاتر ارائه دهیم که قابل اعتمادتر و جدیدتر است.

چگونه انتظار دارید که عوامل هوش مصنوعی بر هزینه های مراقبت های بهداشتی، فشار نیروی کار و برخی از چالش های دیگر که از زمان ورود هوش مصنوعی شاهد پیشرفت های چشمگیری در آنها نبوده ایم، تأثیر بگذارند؟

هفته گذشته جلسه گروه کاربر ما در فیلادلفیا بود، و من جلسه خود را با نقل قول از داستان دو شهر آغاز کردم: "این بهترین زمان بود، بدترین زمان بود." بهار امید و زمستان ناامیدی، همه در یک زمان.

استقرار اولیه هوش مصنوعی در اکوسیستم مراقبت های بهداشتی بسیار تورم زا است.

این فیلم را قبلا دیده بودیم. این دقیقا همان چیزی است که هنگام اجرای EHR ها اتفاق افتاد. این کار بزرگ وجود داشت: یک EHR را اجرا کنید، و زندگی پزشکان شما را بهتر می‌کند و به کاهش هزینه‌های مراقبت کمک می‌کند، زیرا خدمات تکراری را کاهش می‌دهیم.

فکر نمی کنم کسی این را ساخته باشد. با این حال، مشوق‌های ما در سیستم مراقبت‌های بهداشتی ایالات متحده این است که شما برای آنچه صورت‌حساب می‌دهید، پول دریافت می‌کنید، و صورت‌حساب براساس دقت و پیچیدگی برخوردها تنظیم می‌شود.

شما دقت و پیچیدگی را با مستندات بیشتر افزایش می دهید. EHR اسناد بیشتر را آسان تر می کند. بنابراین، بسته به اینکه با چه کسی صحبت می‌کردید، هزینه‌ها افزایش یافت، زیرا افراد به‌طور مناسب کدنویسی می‌کردند یا کدنویسی می‌کردند.

ما شاهد همین موضوع در مورد استقرار هوش مصنوعی هستیم.

بزرگترین موارد استفاده برای اولین استقرار هوش مصنوعی در مراقبت های بهداشتی، مدیریت چرخه درآمد و یکپارچگی پرداخت بوده است، و هر دوی این موارد تورم زا بودند.

انجمن سپر آبی صلیب آبی ماه گذشته مقاله‌ای منتشر کرد و گفت که بر این باور است که هوش مصنوعی هزینه‌های ادعاها را در 12 ماه گذشته حدود یک میلیارد دلار افزایش داده است. با نگاه کردن به داده های من، فکر می کنم این درست است. شما معمولا همان مقدار مراقبت های بهداشتی ارائه شده دارید، اما هزینه آن بالا رفته است.

ما 100000 پرستار در این کشور داریم که مجوزهای قبلی را پردازش می کنند. ما تیم هایی داریم که صورتحساب تولید می کنند. برای تهیه صورتحساب جراحی در این کشور صدها دلار هزینه دارد. هزینه آن در کانادا حدود شش دلار است.

برخی از اینها پیچیدگی سیستم ما است، اما همه اینها بار اداری است که می تواند تحت تأثیر هوش مصنوعی قرار گیرد.

چیزی که من مشتریان و تیمم را به چالش کشیده ام این است که مراقبت های مبتنی بر ارزش، جایی که ما زمان زیادی را در آن صرف می کنیم، به کنترل نسبتا روند هزینه ها کمک می کند، اگرچه آنها هنوز به سرعت در حال رشد هستند.

ما یک تریلیون و نیم دلار در سیستم بهداشت و درمان صرف هزینه های اداری می کنیم. هزینه های تراکنش به عنوان درصدی از معامله در مراقبت های بهداشتی 20 تا 25 درصد است. آنها دو تا سه درصد در خدمات مالی هستند.

میدونم فرق داره وقتی من خدمات بهداشتی و مالی را با هم مقایسه می‌کنم همه سر من داد می‌زنند، اما اساسا بازرگانان کارمزد تراکنش 5، 6، 7 یا 10 درصدی را در خدمات مالی نمی‌پذیرند و ما 25 درصد را در مراقبت‌های بهداشتی می‌پذیریم.

اگر واقعا می‌خواهیم منحنی هزینه را خم کنیم و بار کلی اقتصاد مراقبت‌های بهداشتی را کاهش دهیم، این امر از طریق تحول هوش مصنوعی خواهد بود.

یکی از تماس‌های من این است که ما تمام این مدت را در دهه گذشته صرف کار روی مجوز قبلی کرده‌ایم و آن را سریع‌تر و مصرف‌کننده‌تر کرده‌ایم. دیگه واقعا بهش نیاز نداری

منظور من این است، زیرا ما می‌توانیم بینش‌های بی‌درنگ را در مورد موضوع مراقبت بیاوریم، زمانی که یک ارائه‌دهنده تصمیم‌گیری مشترک با یک بیمار انجام می‌دهد تا بگوید آیا چیزی تحت پوشش طرح مزایا قرار می‌گیرد یا داده‌های مورد نیاز برای تایید در حال جمع‌آوری است.

بسیاری از رفت و آمدها در مجوزهای قبلی مربوط به داده ها و اطلاعات است. اگر بتوانیم جلوی آن را بگیریم، می‌توانیم سیستم مراقبت بهداشتی بسیار کم‌تری را ارائه کنیم و آن پرستاران را مجددا مستقر کنیم.

ما حدود 100000 پرستار داریم که با مجوزهای قبلی کار می کنند و کمبود پزشک در ایالات متحده حدود 100000 پزشک است.

ما نیروی کار داریم. آنها فقط روی چیزهای درست کار نمی کنند.

اینجاست که فکر می‌کنم ما شروع خواهیم کرد تا شاهد پیشرفت هوش مصنوعی عامل حل این شکاف نیروی کار باشیم که مشکلات دسترسی را ایجاد می‌کند و ما را از سرمایه‌گذاری در پیشگیری باز می‌دارد.

چه توصیه ای برای رهبرانی دارید که امیدوارند از اشتباهاتی که در حین اجرای EHR مرتکب شده اند اجتناب کنند و در واقع به ارزش هوش مصنوعی پی ببرند؟

مراقبت های بهداشتی در اجرای فناوری وحشتناک است.