هوش مصنوعی مراقبت های بهداشتی یک مشکل قدیمی را آشکار می کند: کار در واقع چگونه انجام می شود

با توجه به اینکه حداقل 71 درصد از بیمارستان‌های ایالات متحده هوش مصنوعی پیش‌بینی‌کننده را در سوابق سلامت الکترونیکی خود ادغام می‌کنند، بحث در مورد اینکه آیا هوش مصنوعی به بخش مراقبت‌های بهداشتی تعلق دارد یا خیر در حال منسوخ شدن است.

اکنون، رهبران سیستم سلامت به نیوزویک می‌گویند که هوش مصنوعی اینجاست تا بماند. اما آن‌ها هنوز در حال کشف این موضوع هستند که چگونه می‌توانند گردش‌های کاری طولانی مدت، فرآیندها و شرح وظایف را با فناوری جدید تطبیق دهند. هوش مصنوعی در همه اشکال - عاملی، مولد، پیش بینی کننده - هنوز در صنعت پرمخاطره ای مانند مراقبت های بهداشتی به نظارت و امضای انسانی نیاز دارد.

وقتی هوش مصنوعی نه تنها ابزارهایی را که استفاده می‌کنند، بلکه کاری را که انتظار می‌رود انجام دهند، تغییر می‌دهد، چگونه «انسان در حلقه» همگام می‌شود؟

بگوییم که یک الگوریتم می تواند تشخیص دهد که بیمار قبل از آشکار شدن علائم در حال سپتیک شدن است. هنوز کسی باید تصمیم بگیرد که با آن هشدار چه کند. یا بگویید هوش مصنوعی می تواند به پزشک مراقبت های اولیه کمک کند تا شرایطی را که زمانی به متخصص نیاز داشت، مدیریت کند. این فناوری ممکن است ظرفیت را افزایش دهد، اما نمی تواند نفرولوژیست را در جایی که وجود ندارد ایجاد کند.

این سوالات بخشی از گفتگو در اجلاس سلامت هوش مصنوعی Newsweek و Investment Reports در 23 سپتامبر در شهر نیویورک خواهد بود، جایی که مدیران بیمارستان و رهبران فناوری سلامت در مورد استقرار هوش مصنوعی در تصمیم گیری بالینی، تحقیقات، مراقبت های توزیع شده، حکومت داری و امنیت سایبری بحث خواهند کرد.

در تماس‌های کوتاه پیش از اجلاس سران، سخنرانان بارها به این واقعیت بازگشتند که هوش مصنوعی می‌تواند آنچه را که ممکن است بدون تغییر خودکار نحوه انجام کار تغییر دهد. رهبران مراقبت های بهداشتی اکنون مسئول ایجاد اکوسیستمی هستند که در آن هوش مصنوعی بتواند به وعده های خود عمل کند و این کار ساده ای نیست. یک نظرسنجی در سال 2026 از مؤسسه Scottsdale و مرکز Deloitte برای راه حل های بهداشتی نشان داد که شکاف قابل توجهی بین اشتیاق سیستم های بهداشتی برای تحول و توانایی آنها برای عملیاتی کردن آن وجود دارد.

هر سیستم بهداشتی مورد بررسی گفت که تحول در ارائه مراقبت یا اولویت اصلی سازمانی (63 درصد) یا بسیار مهم است (37 درصد)، اما سازمان‌ها امتیاز خود را تنها 2.7 از پنج در توانایی خود برای تبدیل تلاش‌های تغییر به عملیات‌های مقیاس‌پذیر و دارای هوش مصنوعی به دست آورده‌اند. Deloitte به طور خاص تغییرات عملیاتی پایدار را به‌عنوان «مشکل و کند» توصیف می‌کند.

بیمارستان عمومی تامپا نمونه ای از نحوه شکل گیری آن کار ارائه می دهد. در آنجا هوش مصنوعی جایگزین افراد مسئول مراقبت از بیمار نشده است. در عوض، رهبران بر تغییر نحوه استفاده پزشکان از اطلاعاتی که ارائه می دهد تمرکز کرده اند.

جان کوریس، رئیس و مدیر عامل شرکت تامپا جنرال، به نیوزویک گفت که سازمان او آنچه را که او «رویکرد بسیار عملی» به هوش مصنوعی و تحلیل‌های پیش‌بینی می‌خواند اتخاذ کرده است. سیستم سلامت اکنون بیش از 110 برنامه کاربردی هوش مصنوعی دارد که به صورت شبانه روزی در حال اجرا هستند، اما این ابزارها به اخراج کارکنان منجر نشده اند.

کوریس گفت: "ما هوش مصنوعی را برای کاهش FTE ها [معادل تمام وقت] به کار نمی بریم." هوش مصنوعی به ما این امکان را می‌دهد که با همین تعداد افراد کار بیشتری انجام دهیم، و این همان سفری است که ما در آن هستیم.»

مراقبت از سپسیس نشان می دهد که در عمل چگونه به نظر می رسد. تامپا جنرال از هوش مصنوعی و تجزیه و تحلیل پیش بینی برای نظارت بر تغییرات فیزیولوژی بیماران استفاده می کند. هنگامی که این فناوری یک مشکل بالقوه را شناسایی می کند، مراقبان را به پرونده پزشکی هدایت می کند. پزشکان تأیید می کنند که آیا نگرانی مشروع است یا خیر، و در صورت وجود، تیم های مناسب را به بالین می آورند.

کوریس گفت که میزان مرگ و میر 48 ساعته تامپا جنرال برای سپسیس سه درصد است (بسیار کمتر از میانگین ملی 20 درصد). در حالی که فناوری پیشرفته در این نتیجه نقش داشته است، او بیشتر موفقیت را به نیروی کار نسبت می دهد که به طور موثر بر اساس اطلاعات ارائه شده عمل می کند.

کوریس اضافه کرد که ترجیح می‌دهد افزودن‌های هوش مصنوعی به‌جای انجام سریع انجام شود و اطمینان حاصل شود که پزشکان با کمک خلبان‌های جدید خود راحت هستند.

او گفت: «ما باید فناوری را به کار بگیریم که در واقع در زندگی افرادی که مسئول مراقبت از بیماران هستند و در زندگی بیمارانی که ما از آنها مراقبت می کنیم، تفاوت ایجاد کند.

اما تغییر نحوه کار افراد زمانی پیچیده تر می شود که افراد کافی برای شروع وجود نداشته باشند.

این مشکلی است که دکتر دیوید کارموچ، افسر ارشد پزشکی و تجاری در لومریس، در مراقبت های اولیه می بیند.

Carmouche گفت: "در این که ما انسان های کافی برای ارائه مراقبت های اولیه به همه آمریکایی ها را نداریم، کمی مشکل وجود دارد، و با این حال این تصور وجود دارد که ما نمی خواهیم این واقعیت را که انسان ها بخشی از مراقبت های بهداشتی بوده اند را کنار بگذاریم." اما چگونه می‌توانیم نیروی کار محدود را جذب کنیم و همچنین تمام نیازهای جمعیت را برآورده کنیم؟»

در این زمینه، هوش مصنوعی می‌تواند با تغییر افرادی که برای انجام آن تجهیز شده‌اند، کاری بیش از سرعت بخشیدن به یک کار موجود انجام دهد.

Carmouche گفت که حمایت از تصمیم گیری بالینی متنی می تواند به پزشکان مراقبت های اولیه کمک کند تا برخی شرایط را مدیریت کنند که در غیر این صورت ممکن است به متخصصین نیاز داشته باشند. ابزارهای مشابه می‌توانند به پرستاران، دستیاران پزشک، مددکاران اجتماعی و هماهنگ‌کنندگان مراقبت در نقش‌های موجودشان حمایت بیشتری کنند.

این می تواند به نیروی کار محدود کمک کند تا کارهای بیشتری انجام دهد، اگرچه سازماندهی مجدد کار در داخل سیستم سلامت تضمین نمی کند که بیماران خارج از آن سود ببرند.

"چالش این است [در اختیار گرفتن] این ابزارها در دست افرادی که اگر در شکاف ارائه مراقبت های بهداشتی هستند، اگر در سایه هستند، به آن نیاز دارند؟" کارموچه گفت. "ما هنوز برای آن حل نکرده ایم."

همین مشکل در تحقیقات بالینی شکل متفاوتی به خود می گیرد. در آنجا، هوش مصنوعی ممکن است بتواند وظایف فردی را تسریع کند، اما اگر فرآیندهای پیرامون آن وظایف ماه ها طول بکشد، مزیت آن محدود است.

در مرکز سرطان MD Anderson، دکتر جنیفر لیتون، مدیر ارشد تحقیقات بالینی، به دنبال این است که آیا هوش مصنوعی می‌تواند به نوشتن یک پروتکل کارآزمایی بالینی کمک کند یا خیر. او می‌خواهد بداند که آیا می‌تواند فرآیندهای از هم گسیخته بعدی را به درستی به هم متصل کند.

یک آزمایشی نیاز به تعیین پوشش، بودجه و قرارداد دارد. همچنین به مجموعه های سفارش تعبیه شده در پرونده الکترونیک پزشکی نیاز دارد. هر کدام نشان دهنده گام دیگری بین طراحی یک مطالعه و ثبت نام بیمار است.

آیا می‌تواند تعیین پوشش، بودجه، قرارداد و مجموعه‌های سفارش پرونده الکترونیک پزشکی را به ما بدهد، به طوری که چیزی که می‌تواند شش ماه طول بکشد تا ۶۰ روز کاهش یابد؟» لیتون پرسید.

این امر مستلزم بازنگری صنعت در رشته ای از کار است که به طور سنتی از طریق افراد و سیستم های مختلف حرکت می کند.

و با باز شدن دوره آزمایشی، گردش کار به پایان نمی رسد. لیتون گفت ابزارهای پوشیدنی و پزشکی از راه دور می‌توانند بخش‌هایی از تحقیقات بالینی را به خانه‌های بیماران نزدیک‌تر کنند. دکتر اندرسون همچنین با شرکای شبکه ملی روی یک برنامه کارآزمایی بالینی کار می کند که می تواند مطالعات را در چندین سایت، از جمله برای بیمارانی که ممکن است هرگز به مرکز سرطان سفر نکنند، باز کند.

کنت تولکه، مدیر عامل Paradigm Health به کارهای مرتبطی که شرکت او با FDA انجام می دهد، در مورد آنچه که او آن را "آزمایی های بالینی بلادرنگ" می نامد، اشاره کرد.

Thoelke گفت: "این ترکیبی از تطبیق کارآزمایی بالینی است، اما همچنین نحوه جمع آوری داده ها."

همانطور که هوش مصنوعی نحوه سازماندهی کار بالینی را تغییر می‌دهد، وابستگی سیستم‌های بهداشتی به فناوری زیر آن کار را نیز افزایش می‌دهد، که منجر به سوال عملیاتی دیگری می‌شود: وقتی فناوری از بین می‌رود چه اتفاقی می‌افتد؟

بر اساس مطالعه اخیر منتشر شده در JAMA Network Open، تعداد سوابق بیماران تحت تأثیر نقض داده های مراقبت های بهداشتی از حدود 6 میلیون در سال 2010 به 170 میلیون در سال 2024 افزایش یافته است. هک یا حوادث فناوری اطلاعات 91 درصد از سوابق تحت تأثیر را در سال 2024 تشکیل می دهند.

در جفرسون هلث، لوئیس تاوراس، مدیر ارشد اطلاعات، گفت که محیط تهدید سازمان را مجبور کرده است تا در موردی مانند نصب یک وصله امنیتی تجدید نظر کند.

به‌طور سنتی، جفرسون منتظر می‌ماند تا فروشندگان شخص ثالث، وصله‌ها را بفرستند، آن‌ها را با هم ببندند و در طول زمان توقف برنامه‌ریزی شده ماهانه نصب کنند. تاوراس گفت که این رویکرد دیگر به اندازه کافی سریع حرکت نمی کند. جفرسون اکنون بسته به آسیب‌پذیری، از وصله‌های فوری یا همان روز استفاده می‌کند.

این تغییر همان تنش را نشان می دهد که در جاهای دیگر در هوش مصنوعی مراقبت های بهداشتی وجود دارد. فناوری جدید می‌تواند به سرعت حرکت کند، اما سازمان‌هایی که بر اساس فرآیندهای قدیمی‌تر ساخته شده‌اند، به‌طور خودکار با آن حرکت نمی‌کنند.

در مجموع، این مثال‌ها به یک مشکل مدیریت آشنا اشاره می‌کنند، یک جنبه کمتر آینده‌نگر از انتقال هوش مصنوعی مراقبت‌های بهداشتی. این فناوری ممکن است جدید باشد، اما بسیاری از سوالاتی که مطرح می کند این نیست: چه کسی چه کاری انجام می دهد؟ به چه ترتیبی؟ چه کسی تصمیم نهایی را می گیرد؟ و وقتی روش قدیمی کار دیگر مناسب نیست، چه چیزی باید تغییر کند؟

همانطور که Carmouche به Newsweek گفت: "این واقعا یک داستان فناوری نیست."