Krankenhäuser sind bereit, in den kommenden Jahren Milliarden für KI auszugeben, aber viele sind weiterhin schlecht vorbereitet, um die wahre Rendite zu messen, die sie aus diesen Investitionen erzielen.
Führungskräfte des Gesundheitssystems sagen, dass sie diesen Prozess immer noch feststellen und mit unterschiedlichen Möglichkeiten experimentieren, um die Wirksamkeit der KI zu messen – von harten Metriken wie Patientenergebnissen bis hin zu weicheren Indikatoren wie der Arbeitszufriedenheit der Ärzte.
Ohne ein klares Bild davon, welche Tools funktionieren und welche nicht, ist es für Krankenhäuser auch schwierig, KI in ihrem Unternehmen zu skalieren. Der Skalierungsprozess wird durch unterschiedliche Bedürfnisse in allen Spezialitäten, unzureichenden Technologieinfrastrukturen und der Notwendigkeit einer starken Datenverwaltung weiter erschwert.
Wenn Gesundheitssysteme ihre KI-Bemühungen vom Experimentationsmodus zur weit verbreiteten Adoptionsphase wechseln, sind sich Branchenexperten einig, dass strengere, reale Beweise erforderlich sind.
Wie Krankenhäuser ROI überdenken
Die Führungskräfte des Gesundheitssystems im ganzen Land bestimmen immer noch, wie der Erfolg von KI-Tools am besten messen können, so Kiran Mysore, Chief Data & Analytics Officer des in Northern California ansässigen Gesundheitssystems Sutter Health.
„Die Herausforderung, die wir heute haben, besteht darin, dass die meisten Piloten nicht an ROI im Voraus denken. Es ist ‚Let’s Go – einfach das Problem lösen und es tun.‘ Die Gefahr besteht darin, dass Sie zu weit gehen, ohne ein Gespräch über KI -Wert zu führen.
Mysore bemerkte Krankenhausleiter müssen eine grobe Schätzung des ROI eines bestimmten Tools berechnen, bevor er angenommen wird, da diese Informationen die Entscheidungsfindung in Bezug auf die Größe der Investment Hospital-Führung beeinflussen können. Wenn ein Krankenhaus voraussagt, dass ein Stück Technologie einen bescheidenen ROI erzeugen wird, wird es wahrscheinlich nicht viel Geld im Voraus investieren – aber das Krankenhaus könnte, wenn der projizierte ROI viel höher war, erklärte Mysore.
Nehmen Sie AI-betriebene Umgebungs-Hörwerkzeuge für ein Beispiel.
„Spart es etwas Zeit für die Ärzte? Das ist schwer zu messen-denn wenn ein Arzt 10-12 Patienten in einem halben Tag sieht, wie messen Sie das eigentlich? Das Beste, was wir messen können, ist eine kognitive Belastung, aber das ist keine wissenschaftliche Maßnahme. Es ist nur ein Arzt, der sich erleichtert und entspannt fühlt-und in der Lage zu sein, etwas zu unterhalten, um etwas zu schreiben“, erklärte Mysore.
Für einige Werkzeuge ist qualitative Metriken sehr wichtig.
Umgebungs -Hörwerkzeuge sind eines dieser Werkzeuge – die Gesundheitsbranche hat einen schwerwiegenden Mangel an Klinikern inmitten einer historischen Burnout -Krise, so
Ein weiterer Manager des Gesundheitssystems – Scott Arnold, CIO und Innovationschef am Tampa General Hospital – stimmte Mysore zu.
Er merkte an, dass Krankenhäuser normalerweise keine Metriken wie die Abnutzungsraten der Mitarbeiter oder die allgemeine Arbeitszufriedenheit der Ärzte verfolgen, um den ROI eines KI -Tools zu berechnen. Für Arnold können dies jedoch echte Indikatoren für die Auswirkung einer Lösung sein.
„Sicher, es gibt möglicherweise keine direkte ROI -Zahl, die ich dem CFO liefern kann, aber ich kann auf die Abnutzungsrate hinweisen und wie das in einstellige Ziffern gegangen ist, weil die Leute glücklich sind und nachts ein wenig Zeit haben. Jetzt verbringen sie nicht ihre Nacht aus, wissen Sie, wissen Sie, Handjamming -Notizen in ein System, wenn wir AI -Tools haben, um es zu tun“, enthüllte er.
Für andere Technologien sind quantitative Metriken wichtiger. Zum Beispiel würde ein Krankenhaus nach der Einführung eines KI -Tools die durchschnittliche Dauer der Patientenaufenthalte genau verfolgen, mit der die Entlassungsprozesse der Patienten automatisiert werden.
Warum die Skalierung von KI herausfordernd sein kann
Es gibt auch eine Reihe neuer Herausforderungen, wenn es Zeit ist, eine KI -Lösung zu skalieren, die während ihrer Pilotphase gut abschneidet, wie Mysore von Sutter Health.
„Vielleicht haben Sie eine Reihe von Ärzten der Grundversorgung und Sie werden es zuerst zu ihnen ausdrehen, aber wenn Sie es Kardiologen oder Krankenschwestern oder anderen auswirken, wird es sehr unterschiedlich sein. er bemerkte.
Ohne maßgeschneiderte Bereitstellungsstrategien, selbst die vielversprechendsten KI -Tools riskieren in der Pilotphase, sagte Mysore.
Grundsätzlich fehlt den meisten Gesundheitssystemen die Infrastruktur, die erforderlich ist, um AI -Lösungen schnell zu skalieren, und fügte Tej Shah, Geschäftsführer von Accenture, hinzu. Er verglich dieses Rätsel mit „Bauen des Labors, aber nicht mit der Garage“.
„In der Umfrage, die wir mit 300 C-Suite-Führungskräften in allen Gesundheitsdienstleistern durchgeführt haben, haben wir festgestellt, dass die Leute ihre Zehen in diese Technologie eintauchen. Sie investieren, um diese KI-Lösungen in ihren vier Wänden zu bauen und zu steuern, aber wir sehen nicht wirklich, wie die Leute in die Infrastruktur investieren, die sie brauchen, um den Wert zu erreichen.
Um diese Infrastruktur aufzubauen, müssen Krankenhäuser mit einem starken digitalen Kern beginnen. Krankenhäuser erzielen einen starken digitalen Kern, indem sie ihren Betrieb in die Cloud verschieben und sicherstellen, dass ihre Daten strukturiert und zugänglich sind, erklärte Shah.
Strukturierte, zugängliche Daten bedeuten, dass KI -Tools zuverlässige Erkenntnisse liefern können, betonte er. Shah sagte, schlechte Datenqualität kann zu Ineffizienzen und voreingenommenen Algorithmen führen und letztendlich die Möglichkeiten für die Skalierung von KI -Lösungen verpassten.
Er merkte an, dass Krankenhäuser auch eine robuste Governance -Struktur für ihre digitalen Instrumente herstellen müssen, da dies sicherstellt, dass Anwendungsfälle sicher und ethisch sind.
Zusätzlich zum Aufbau der notwendigen technischen Infrastruktur zur Skalierung der KI müssen Krankenhäuser es ernsthaft mit der Ausbildung ihrer Mitarbeiter zur Verwendung dieser Tools ernten.
„Es geht um [providers] Die Investition in ihre Mitarbeiter zu machen, um ihnen zu helfen, die Technologie so zu nutzen, dass sie Sinn machen, und ihnen zu helfen, auch zu verstehen, was die Leitplanken heute sind. Es gibt diese Art von gezackter Grenze von KI – es geht darum, den Klinikern zu helfen, wirklich zu verstehen und zu schätzen, wie diese gezackte Grenze aussieht und wofür sie diese Technologie verwenden können und sollten “, erklärte er.
Wie so oft ist es bei der Technologie der Fall, es handelt sich um „Menschen und Prozess“, die den Erfolg von KI im Gesundheitswesen wirklich bestimmen.
Es gibt eine Beweislücke
Es gibt ein weiteres wichtiges Problem, mit dem Krankenhäuser in Bezug auf die Skalierung von KI konfrontiert sind: Sie haben keine externen Beweise, um sie zu verweisen, um herauszufinden, welche Lösungen am besten arbeiten, und sollten daher der schnellste, was auf Meg Barron, Geschäftsführer des Peterson Health Technology Institute (PHTI), verabschiedet werden sollten.
Die Organisation von Barron ist eine gemeinnützige Organisation, die sich mit diesem Problem befasst, indem öffentliche Forschungsergebnisse veröffentlicht werden, die die klinischen und wirtschaftlichen Auswirkungen digitaler Gesundheitsinstrumente bewerten.
Sie betonte die Bedeutung der Priorisierung der klinischen Wirksamkeit gegenüber Engagement und der Benutzerzufriedenheit bei digitalen Gesundheitsbewertungen.
„Für eine bestimmte Lösungskategorie gibt es oft verschiedene Beweise, die vorhanden sind, aber nicht alle Beweise sind gleich, und in vielen Forschungen kann häufig eine Verzerrung und mangelnde Qualität vorhanden sein“, erklärte Barron.
Die Verzerrung kann in Wirksamkeitsstudien eindringen, insbesondere wenn Anbieter finanzielle oder Werbemanreize hinter der Forschung haben. Ohne strenge Standards und Transparenz im Prozess der Evidenzgenerierung spiegeln ein Großteil der verfügbaren Daten zu digitalen Gesundheitsinstrumenten möglicherweise nicht ihre tatsächliche klinische Auswirkungen wider, warnte Barron.
Sie sagte, PHTI ziele darauf ab, diese Lücke zu schließen, indem er die Daten und Leistung von Tools systematisch überprüft, anstatt sich ausschließlich auf randomisierte kontrollierte Studien zu verlassen, die nicht immer zuverlässige Evidenzmaßnahmen für sich schnell entwickelnde digitale Gesundheitstechnologien sind.
Beweise in der Praxis für KI-Tools im Gesundheitswesen sind nicht gerade reichlich vorhanden, und Anbieter können oft Schwierigkeiten haben, darauf zuzugreifen, stellte Barron fest.
Viele der Datenanbieter nutzen den Nachweis, dass die Wirksamkeit ihrer Technologie aus Studien abgeleitet wird, die in kontrollierten Umgebungen durchgeführt wurden, in der Regel simulierte Daten, die nicht von realen Patienten stammen. Ein Bericht im vergangenen Jahr analysierte beispielsweise mehr als 500 Studien zu Großsprachenmodellen im Gesundheitswesen und ergab, dass nur 5% von ihnen unter Verwendung realer Patientendaten durchgeführt wurden.
Da Anbieter weiterhin die digitalen Gesundheitsverkäufer untersuchen, ist es auch wichtig, ihre Ansprüche über das Sparen von Geld zu untersuchen, sagte Barron.
Während die Kostenreduzierung nicht das Hauptziel jedes KI -Tools ist, führt die Verbesserung der Gesundheitsergebnisse mit Technologie häufig zu niedrigeren Ausgaben, wie sie betonte.
Sie empfahl, digitale Gesundheitstechnologiebewertungen sowohl die klinische Wirksamkeit als auch die Auswirkungen des Budgets zu berücksichtigen, insbesondere innerhalb der im Gesundheitswesen häufig vorkommenden Vertragszyklen.
Durch seine Forschung hat PHTI herausgefunden, dass einige digitale Lösungen wie virtuelle Physiotherapie den Anbietern Geld sparen und klinische Ergebnisse liefern können, ähnlich wie die persönliche Versorgung.
„Wir haben festgestellt, dass virtuelle Apps es den Menschen erleichtern können, Physiotherapie durchzuführen, was ihnen hilft, schneller zu heilen und andere Kosten wie Operation und Schmerzmittel zu vermeiden. In anderen Fällen kann die Technologie häufig dazu beitragen, nur eins zu eins zu expandieren, um die Gesamtkosten zu senken und auch den Zugang zu erweitern. Der Zugang ausgeht. Auch der Zugang ausgeht.
Andererseits zeigten die Forschung von PHTI auch, dass digitale Diabetes-Management-Tools ohne überlegene Ergebnisse die Kosten erhöht haben-obwohl diese Anbieter Geldsparfunktionen ankündeten.
Da die Gesundheitsbranche auf eine schnellere Einführung von KI drängt, ist Barron der Meinung, dass ein gewissenhafter Auge und ein realer Beweis für die Führung der Entscheidungen der Anbieter von wesentlicher Bedeutung sein werden, welche Technologien skalieren. Ohne diese Komponenten riskieren Krankenhäuser, in Tools zu investieren, die viel versprechen, aber letztendlich nicht ihr klinisches und kostensparendes Potenzial ausschöpfen.
Foto: Champc, Getty Images
