وبلاگ

دیروز، در بخش اول مصاحبه عمیق ما با برایان هاسلفلد، دکتر جانز هاپکینز، مدیر ارشد پزشکی سلامت دیجیتال و نوآوری و معاون مدیر جانز هاپکینز در سلامت، نقش هوش مصنوعی در مراقبت های بهداشتی را به طور کلی مورد بحث قرار داد.

امروز، هاسلفلد، که همچنین یک پزشک مراقبت های اولیه در پزشکی داخلی و اطفال در انجمن پزشکان جانز هاپکینز است، تمرکز خود را به جانز هاپکینز تغییر می دهد، جایی که او و تعدادی از تیم های سازمان هوش مصنوعی را در برنامه های کاربردی نوشتن محیطی پیاده سازی کرده اند. پورتال بیمار . آنها با غول EHR Epic کار می کنند تا هوش مصنوعی را برای خلاصه کردن نمودار پیاده سازی کنند – یک گام بزرگ به جلو.

س. بیایید به هوش مصنوعی در پزشکی جان هاپکینز بپردازیم. شما از فناوری محیطی استفاده می کنید. این چگونه در گردش کار شما کار می کند و چه نتایجی را می بینید؟

آ. فضای بسیار فعلی مطمئنا. ما تعدادی از محصولات را می بینیم که از طیف گسترده ای از استراتژی ها استفاده می کنند. ما شبیه بسیاری از کسانی هستیم که قدم‌های اولیه‌ای را در این فضا برداشته‌اند، و می‌دانیم که این فناوری واقعاً آنچه را که باید در مراقبت‌های بهداشتی انجام دهد، انجام نداده است.

احتمالاً اکثر داده‌ها حداقل به پزشکان می‌گویند که فناوری به نحوی آسیب‌های بیشتری را وارد کرده است، حداقل به جریان کار و تجارب مراقبت‌های بهداشتی خودمان. بنابراین ما سعی می کنیم در مورد برخی از آن قطعات فکر کنیم که بتوانیم فناوری را به مرکز برگردانیم و آن را لذت بخش تر کنیم.

باز هم، بسیاری متوجه شدند که بار مستندات ناشی از انفجار محتوای EHR بر دوش پزشکان ما گذاشته شده است، هم از الزامات نظارتی و هم گردش کار عمومی در سیستم‌های بسیار بزرگ. بنابراین، برای بسیاری از سیستم های ما آنها را دارند توسط هوش مصنوعی محیطی، یک دستگاه شنود، قسمت محیطی آن به یک برخورد بالینی گوش می دهد، چه ویزیت سرپایی، چه سابقه اتاق اورژانس یا دور زدن بیمارستان.

و در قسمت پشتی، ابزار هوش مصنوعی، معمولاً چیزی که امروزه به عنوان یک مدل زبان بزرگ مانند GPT شناخته می‌شود، سپس کلمه گفتاری را بین طرفین مختلف می‌گیرد و آن را در یک پاراگراف مولد جدید می‌سازد.

از عملکرد واقعی این الگوهای زبانی بزرگ برای تولید یک پاراگراف از محتوا استفاده می‌کند، معمولاً پس از آن حول یک اعلان خاص. با توجه به آن مدل، “لطفاً یک داستان بر اساس آن پیشینه پزشکی بنویسید.” و ما آن را در حال حاضر در تعدادی از کلینیک های سرپایی یا سرپایی، در چندین حوزه تخصصی مختلف، در حال حاضر با اولین محصول خود اجرا کرده ایم. احتمالاً به این فکر می کنید که چگونه از یک محصول بیشتر استفاده کنید تا سطوح مختلف عملکرد را درک کنید.

من خودم امروز صبح در یک کلینیک بودم و به اندازه کافی خوش شانس بودم که از فناوری هوش مصنوعی محیطی با استفاده از یک دستگاه، تلفن هوشمند خودم، با EHR خود در تلفن استفاده کنم و بتوانم محصول هوش مصنوعی محیطی را که به جلسه گوش می دهد و می شنود اجرا کنم. یک پیش نویس یادداشت ایجاد می کند که البته من مسئول آن هستم و باید برای اطمینان از صحت بالینی آن را بررسی و ویرایش کنم. این واقعاً این تعامل بالینی را بسیار بهتر می کند.

توانایی برداشتن دست از روی صفحه کلید، نگاه مستقیم به بیمار و گفتگوی باز در مورد یک موضوع بسیار صمیمی، سلامتی خود، و واقعاً نگاه کردن از رایانه و برگشت به بیمار، به نظر من، اصلی ترین بوده است. تا کنون بهره مند شده اند.

Q. Johns Hopkins Medicine همچنین از هوش مصنوعی برای پاسخ دادن به پیام‌های پیش‌نویس در پورتال بیمار استفاده می‌کند. لطفاً توضیح دهید که پزشکان و پرستاران چگونه از این مورد استفاده می کنند و نوع نتایجی که به دست می آورند.

آ. این ابزار سازمانی برای پذیرندگان اولیه طراحی شده است. احتمالاً برای بسیاری از کسانی که محتوای رسانه‌ای HIMSS را دنبال می‌کنند به خوبی می‌دانند که ایمیل‌های بیمار، یا پیام‌های درون سبد، پیام‌های تولید شده از طریق پورتال بیمار در طول همه‌گیری منفجر شده‌اند.

در اینجا در هاپکینز، ما شاهد افزایش تقریباً 3 برابری تعداد پیام‌های ارسال شده توسط بیماران به پزشکان ما از دوره پیش از کووید در اواخر سال 2019 تا میزان تحقق خود هستیم که اکنون شاهد آن هستیم. و برخی از آن چیز واقعا خوبی است. ما می خواهیم بیمارانمان با ما درگیر باشند. ما می خواهیم بدانیم که چه زمانی احساس خوبی دارند یا نه و به آنها کمک کنیم تا آنها را مرتب کنیم.

اما باز هم، گردش کار بالینی، از جمله مدل‌های پرداخت و مدل‌های مراقبت بالینی، برای آن ارتباط ثابت، آن تماس دائمی ساخته نشده است. حول بازدیدها ساخته شده است. ما با افزایش رابطه با بیمارانمان کاری را با نیت خوب انجام دادیم. این یک راه بسیار آسان است، کاری که همه ما هر روز انجام می دهیم – ایمیل و پیامک.

ما عادت داریم آنچه را که به صورت ناهمزمان یا از طریق ارتباط نوشتاری می‌نامیم، برقرار کنیم. اما ما واقعاً طرف دیگر آن را تغییر ندادیم. پیامد ناخواسته این بود که این همه حجم بر روی یک سیستم عمل بالینی بدون تغییر ریخته شد.

اکنون همه ما در تلاشیم تا بفهمیم که چگونه می‌توان بهبود را در این زمینه مهم فرسودگی بالینی تسریع کرد و در عین حال از تماس آزادتر با تیم بالینی خود برای بیماران خود بهره مند شد.

بنابراین در اینجا یک پیام می آید. برخی چیزها حذف می شوند، به خصوص اگر پیوست ها و مواردی از این قبیل داشته باشند، زیرا تفسیر آن نوع پیام ها سخت تر است. و هنگامی که پیام به یکی از اعضای تیم مراقبت بالینی برسد، افرادی که به استقرار آزمایشی پاسخ‌های پیش‌نویس هوش مصنوعی دسترسی دارند، گزینه‌ای برای انتخاب پیش‌نویس پاسخ بر اساس محتوای پیام اصلی، سپس پیش‌نویس به زبان بزرگ را مشاهده خواهند کرد. پاسخی را بر اساس دستورالعمل‌هایی که به آن داده شده است الگوبرداری کنید تا سعی کنید آن را به درستی تفسیر کنید.

من می توانم به عنوان یک پزشک با این پیش نویس شروع کنم یا با یک پیام خالی شروع کنم. استنفورد به تازگی مقاله ای در این مورد منتشر کرده است، و برخی از مزایا و معایب را به خوبی بیان می کند، که یکی از مزایای آن کاهش بار شناختی تلاش برای فکر کردن به پاسخ به بسیاری از انواع معمول پیام ها است.

ما همچنین دیدیم که پزشکانی که این ابزار را انتخاب کرده و به طور منظم از آن استفاده می‌کنند، قطعاً فرسودگی شغلی کمتری را در سبد نشان می‌دهند و معیاری برای سلامت پزشک هستند. اما در عین حال، فکر می‌کنم در حال حاضر کمترین زمان صرفه‌جویی شده است، زیرا پاسخ‌های پیش‌نویس فقط در کسری از زمان واقعاً قابل اجرا هستند و واقعاً برای پیام بیمار مفید هستند. در نشریه استنفورد، 20 درصد مواقع بود.

می بینیم که کلینیک های ما بسته به نوع کاربر، از تک رقمی پایین تا 30 تا 40 درصد متغیر است، اما هنوز هم بسیار کمتر از نصف است. ابزار کامل نیست، گردش کار کامل نیست، و بخشی از این فرآیند سریع اما تکراری خواهد بود تا بفهمیم چگونه این ابزارها را در مفیدترین سناریوها در این مرحله به کار می‌بریم.

س. من می‌دانم که پزشکی جانز هاپکینز در حال کار بر روی خلاصه‌سازی نمودارها از طریق هوش مصنوعی، با تمرکز اولیه بر خلاصه دوره‌های بیمارستان بستری است. هوش مصنوعی در اینجا چگونه کار خواهد کرد و چه انتظاراتی دارید؟

آ. از بین تمام پروژه ها، این یکی در مراحل اولیه است. این نمونه خوبی از تفاوت در کاربرد فناوری در سراسر مراقبت و عمق مشکل است.

در مثال‌های قبلی، جو، و پاسخ‌های پیش‌نویس در سبد، ما واقعاً روی یک مؤلفه معاملاتی بسیار مختصر برای پیوستار بالینی کار می‌کنیم. تک دیدار و بحث مرتبط، یک پیام و تهیه پاسخ. این تعداد زیادی داده پنهان است.

هنگامی که ما شروع به فکر کردن در مورد این موضوع گسترده تر از خلاصه کردن نمودار می کنیم، متاسفانه یا خوشبختانه، آسمان حد مشکلی است که باید به آن پرداخته شود – عمق داده هایی که باید درک شوند. و باز هم، این باید از ساختار نابسامان به ساختارمند مشتق شود.

در واقع، کاری که ما به‌عنوان پزشک در هر بار تعامل با نمودار انجام می‌دهیم، به روش‌های مختلف در نمودار حرکت می‌کنیم، آنچه را که احساس می‌کنیم باید بدانیم استخراج می‌کنیم و دوباره خلاصه می‌کنیم. این یک کار پیچیده است. ما سعی می کنیم در هدفمندترین منطقه کار کنیم، در طول پذیرش بستری، شما اساساً از نظر زمانی محدودتر از سایر نسخه های خلاصه نمودار هستید.

در شرایط سرپایی، ممکن است لازم باشد نمودار 10 سال اطلاعات را بسته به دلیل مراجعه به آن پزشک یا دلیل مراجعه شما خلاصه می کند. اوایل امروز یک بیمار جدید داشتم. من باید همه چیز را در مورد سابقه پزشکی آنها بدانم. این یک کار بزرگ برای خلاصه کردن یک نمودار است.

در محیط بستری، ما این فرصت را داریم که محدودیت‌های زمانی پیرامون آنچه باید خلاصه شود ایجاد کنیم. بنابراین، حتی با همه چیز در مورد بستری شدن در بیمارستان شروع نمی شود – که در واقع می تواند دلیلی برای پذیرش باشد، که می تواند به بقیه نمودار بازخورد دهد.

در طول پذیرش، ما پیشرفت روزانه سفر شما را از طریق بستری شدن در بیمارستان و تغییر فواصل زمانی داریم. این موارد در یادداشت‌های پیشرفت روزانه که بین تیم‌های بالینی توزیع می‌شود، بیان می‌شوند. و ما می‌توانیم اطلاعاتی را که باید خلاصه شود به چیزهایی که از دیروز تا امروز در حال تغییر و اتفاق می‌افتند محدود کنیم، حتی اگر این موارد بالقوه زیادی باشد – تصویربرداری، آزمایشگاه‌ها، یادداشت‌های تیم اصلی، یادداشت‌های مشاور، یادداشت‌های پزشکی تیم خواهران.

از نظر زمان بسیار محدودتر است و هنوز هم کارایی قابل توجهی را به تیم های بستری تزریق می کند و مطمئناً یک منطقه خطر شناخته شده را که انتقال است شناسایی می کند. هر زمان که تیم بالینی شما در طول اقامت شما در بستری تغییر کند، که اغلب، همانطور که در بیشتر موارد از پزشکان نمی‌خواهیم 72 ساعت متوالی کار کنند، در این صورت فرصتی برای کمک به مناطقی داریم که در معرض خطر انتقال هستند.

بنابراین، تلاش برای محدود کردن دامنه، و حتی در اینجا در این مورد بسیار محدود، باید کارهای زیادی انجام شود تا ابزار بالقوه برای استفاده واقعی در آن آماده شود. گردش کار بالینی، رک و پوست کنده، وسعت و عمق داده های موجود را ارائه می دهد. ما به تازگی این سفر اکتشافی را با شرکای EHR خود در Epic آغاز کرده ایم، و ما هیجان زده هستیم که ببینیم چه چیزی ممکن است در اینجا امکان پذیر باشد.

برای تماشای ویدئویی از این مصاحبه با BONUS CONTENT که در این داستان نیست، اینجا را فشار دهید.

یادداشت سردبیر: این هفتمین مقاله از مجموعه مقالاتی است که توسط صداهای پیشرو در فناوری اطلاعات سلامت در مورد استفاده از هوش مصنوعی در مراقبت های بهداشتی بحث می کند. برای خواندن قسمت اول، در مورد دکتر جان هالامکا از کلینیک مایو، اینجا را فشار دهید. برای خواندن مصاحبه دوم با دکتر آلپن پاتل از گیزینگر اینجا را کلیک کنید. برای خواندن سومین با هلن واترز از مدیتک، اینجا را کلیک کنید. برای خواندن چهارمین با اپیک سامیت رعنا اینجا کلیک کنید. برای خواندن پنجمین با دکتر ربکا جی میشوریس از ماس ژنرال بریگام، اینجا را کلیک کنید. و برای خواندن قسمت ششم، با دکتر ملک سومای از شبکه بهداشت و درمان فرودترت و کالج پزشکی ویسکانسین، اینجا را کلیک کنید.

پوشش بیل HIT را در لینکدین دنبال کنید: بیل سیویکی
به او ایمیل بزنید: [email protected]
Healthcare IT News یک نشریه HIMSS Media است.