Menutup Kesenjangan dalam Layanan Kesehatan: Bagaimana Inflow Health Menggunakan AI

“AI tidak dimaksudkan untuk menggantikan dokter.”

saya mendengarkan Angela AdamsPerawat Terdaftar dan CEO Platform Manajemen Tindak Lanjut Radiologi AI Kesehatan Arus Masuk. Mengapa perusahaan ini menjadi solusi bagi dokter, pasien, dan industri perawatan kesehatan secara keseluruhan, ia mengatakan bahwa teknologi kecerdasan buatan dalam perawatan kesehatan diarahkan pada gangguan dan perbaikan kerusakan. “Ini harus menggantikan semua bagian sistem kesehatan yang rusak dan tidak bisa kita serahkan pada masyarakat.”

Ini dimulai ketika Adams, seorang perawat perawatan kritis di Duke University Medical Center di North Carolina, menerima pesan teks dari seorang kolega dan teman yang pergi ke UGD karena sakit perut yang parah. Teman Adams dilarikan ke operasi darurat karena radang usus buntu akut. Saat dia berada di sana, seorang ahli radiologi menemukan adanya lesi payudara yang signifikan, mencurigakan adanya keganasan, yang memerlukan tindak lanjut segera. Ahli radiologi mendokumentasikannya, namun temuannya hilang ke dalam sistem.

“Dia tidak melakukan kontak dengan dokter perawatan primernya,” kenang Adams. “Jadi dia menunda diagnosis dan pengobatan (selama) 10 bulan.”

Pemindaian PET berikutnya menunjukkan kanker payudara metastatik yang telah menyebar ke otaknya. Teman Adams meninggal satu setengah tahun kemudian pada tahun 2020, tahun yang sama Adams mendirikan Inflow Health bersama CTO. Nate Sutton.

Adams, yang memiliki latar belakang kepemimpinan AI di bidang perawatan kritis dan layanan kesehatan — jauh sebelum booming AI pascapandemi — menggunakan Kecerdasan buatan Untuk meningkatkan perawatan pencegahan dan tindak lanjut pasien di bidang radiologi. Hal ini dibangun berdasarkan misi Inflow Health, “Jangan pernah melewatkan tindak lanjut.”

Adam mengatakan, jika Inflow Health ada, temannya akan menerima pesan teks yang mengatakan dia harus menjalani tindak lanjut karena hasil radiologi dan dokternya juga akan diberitahu.

Bagaimana Inflow Health menggunakan AI

Ketika ahli radiologi menemukan temuan mencurigakan pada pemindaian yang dilakukan untuk sesuatu yang sama sekali berbeda, temuan tersebut sering kali hilang dalam kekacauan sistem.

Menurut studi tahun 2015-17 yang dilakukan oleh Universitas Washington dan Rumah Sakit dan Pusat Medis Lahey, sekitar 50% rekomendasi radiologi tindak lanjut tidak diikuti (kecuali mammogram), yang mengakibatkan keterlambatan diagnosis, risiko hukum, dan peningkatan biaya perawatan kesehatan. Sebuah studi baru-baru ini menemukan bahwa tindak lanjut terlewatkan $3 juta biaya perawatan kesehatan tahunan.

Secara historis, departemen radiologi dan rumah sakit memiliki kepemimpinan Pegang pendapat yang bertentangan Delegasi untuk komunikasi tindak lanjut pasien. Adams mengatakan sering kali terjadi gangguan komunikasi dalam sistem layanan kesehatan, namun juga terdapat kesenjangan penerjemahan, seperti ketika keahlian ahli radiologi tidak selalu diterjemahkan dengan jelas kepada dokter yang memerintahkan penelitian. Terkadang, hasil dapat disalahartikan atau diabaikan.

Teknologi pencitraan modern (sering kali ditingkatkan dengan AI) menjadi jauh lebih baik dalam mendeteksi kelainan yang tidak berhubungan, yang oleh Adams digambarkan sebagai “incidentaloma” — temuan yang bukan merupakan alasan awal dilakukannya tes tersebut, seperti lesi payudara yang ditemukan selama CT scan usus buntu temannya.

“Kami sedang melihat a 40% peningkatan deteksi (pencitraan) saja” kata Adams. Semakin banyak pencarian berarti semakin banyak tindak lanjut yang memerlukan koordinasi, sangat melelahkan sudah menekan sistem.

Meskipun banyak hal telah berubah secara dramatis dalam layanan kesehatan, ada beberapa aspek yang masih tertinggal, kata Adams. Di masa lalu, ahli radiologi rumah sakit akan menghubungi dokter perawatan primer dan menyampaikan rincian pasien dalam keadaan darurat. Panggilan telepon kini digantikan oleh alur kerja otomatis; Namun, teknologi ini belum tentu memberikan manfaat bagi pasien yang menerima perawatan, karena informasi penting mungkin saja hilang.

InFlow Health menggunakan pemrosesan bahasa alami dan model bahasa besar untuk memastikan janji temu dan rekomendasi tindak lanjut radiologi tidak pernah terlewatkan.

Pertama, platform InFlow secara otomatis memindai laporan pencitraan, seperti sinar-X, CT scan, MRI, dan ultrasound, untuk mengidentifikasi dan mengekstrak data dan poin-poin penting yang relevan. Meskipun angka mengenai keakuratannya tidak tersedia, Belajar Apakah itu membantu atau menyakiti pasien tergantung pada dokter.

Rekomendasi ini diprioritaskan untuk situasi mendesak atau berisiko tinggi, sehingga tim perawatan dapat mengidentifikasi kasus mana yang memerlukan perhatian terlebih dahulu. Pendekatan ini mengurangi pelacakan manual, yang mana Dimana sebagian besar janji tindak lanjut sering kali gagal.

InFlow Health juga terintegrasi dengan sistem alur kerja yang ada untuk memantau tindak lanjut secara real-time, dan tindakan ditingkatkan melalui pesan teks dan pemberitahuan platform penyedia, memberikan visibilitas terhadap efisiensi karyawan.

Adams menerapkan pendekatan human-in-the-loop yang ketat.

“AI tidak menggantikan ahli radiologi. AI memberdayakan mereka untuk memberikan perawatan pasien yang lebih andal,” kata Adams kepada saya.

Menurut data perusahaan, otomatisasi menangani 60% hingga 70% kasus tindak lanjut dari awal hingga akhir — situasi sederhana di mana pasien merespons pesan dan menyelesaikan janji temu mereka. Kasus-kasus lainnya akan dieskalasi ke koordinator perawatan manusia, seperti beberapa diagnosis dalam situasi kompleks atau pasien onkologi yang sedang menjalani perawatan.

Menurut Adams, pasien dan ahli radiologi memiliki visibilitas yang lebih besar terhadap proses tersebut, yang pada akhirnya dapat menyelamatkan nyawa.

“Kami menempatkan mereka di puncak piramida (alur kerja), dan otomatisasi AI menangani sebagian besar hal tersebut sehingga mereka benar-benar dapat memfokuskan waktu, pengetahuan, dan energi mereka pada area kritis tersebut,” kata Adams.

Dampak AI pada layanan kesehatan

Jenis AI tertentu diterapkan dalam sistem kesehatan pada awal tahun 1960an, kata Adams kepada saya, termasuk skor Apache (Fisiologi Akut dan Evaluasi Kesehatan Kronis) untuk memprediksi angka kematian, serta metode untuk memprediksi risiko jantung 10 tahun — tes yang kini diterapkan dalam perawatan klinis.

Namun pola pikir tradisional dalam sistem layanan kesehatan menghambat masyarakat dan tentu saja merugikan mereka, katanya.

Adams mengatakan, dalam hal adopsi teknologi, sistem kesehatan tertinggal satu dekade dari industri lain. Menurutnya, melibatkan lebih banyak orang dalam masalah ini tidak akan berhasil. “Pada akhirnya, AI – dan fondasinya – hanyalah matematika,” katanya

Menurut filosofi di balik InFlow Health, ketika teknologi diterapkan untuk mendukung masyarakat, bukan menggantikan mereka, maka hasilnya tidak hanya bermanfaat bagi jalur komunikasi dokter dan timnya tetapi juga sistem layanan kesehatan yang lebih luas.

Dampaknya tampaknya dapat diukur: Bekerja dengan Inflow Health, East Alabama Medical Center Tindak lanjut meningkat sebesar 74%Menurut Sekolah Tinggi Radiologi Amerika. Selain itu, Inflow Health melaporkan bahwa total 125.000 nyawa telah terkena dampaknya hingga saat ini.

Data ini mendukung pernyataan Adams: “Panggilan tertinggi teknologi adalah mengembalikan dua hal terpenting dalam hidup yang tidak dapat Anda beli, yaitu kesehatan dan waktu.”

Jangan lewatkan konten teknologi kami yang tidak memihak dan ulasan berbasis laboratorium Tambahkan CNET Sebagai sumber Google pilihan.