چرا خدمات درمانی هنوز شخصیسازی نشده است؟ (HBR)
این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.
نویسندگان: رابی هیوز، جی. مارک اورهاج و جان گلیزر
ترجمه شده توسط تیم گیت (Git.ir)
اکنون که پروندههای الکترونیک سلامت (EHR) تقریباً در همهجا رایج شدهاند، چرا هنوز سایر صنایع در زمینه شخصیسازی خدمات، از حوزه سلامت جلوتر هستند؟ ارائهدهندگان خدمات درمانی بیش از هر نهاد دیگری درباره ما اطلاعات دارند، اما اغلب از این دادهها برای کمک به بیماران یا حتی بهبود عملکرد خودشان استفاده نمیکنند. چه چیزی لازم است تا خدمات سلامت حداقل به اندازه پیشنهادهای شخصیسازیشده Amazon پیشرفته شود؟
بدون تردید، پروندههای الکترونیک سلامت و بهبود ارتباط بین دستگاهها و سیستمها پیشرفتهایی ایجاد کردهاند. امروز میتوانیم هزینه ویزیت پزشک را پرداخت کنیم، نسخههای دارویی را تمدید کنیم و علائم حیاتی خود را با ابزارهای مختلف پایش کنیم، در حالی که این سیستمها بهطور فزایندهای با یکدیگر تبادل داده دارند.
میتوانیم شب قبل از مراجعه، ثبتنام خود را انجام دهیم و دیگر مجبور نباشیم 15 دقیقه زودتر برسیم تا فرمهای کاغذی را پر کنیم. پزشکان نیز میتوانند بهراحتی سوابق جلسات قبلی را مرور کنند و سیستمهای EHR حتی میتوانند بر اساس معاینات و علائم، پیشنهادهایی برای تشخیص، آزمایشها یا درمان ارائه دهند.
اما هنوز فاصله زیادی باقی مانده است. در حالی که خردهفروشیها، شرکتهای گردشگری، بانکها و کارگزاریها از دادههای شخصی ما برای تنظیم دقیق خدمات خود استفاده میکنند، ارائهدهندگان خدمات سلامت همچنان دستورالعملهای کلی و یکسانی ارائه میدهند که اغلب هیچ توجهی به نیازهای خاص بیماران ندارد.
برای مثال، بسیاری از بیماران جراحیهای انتخابی مجبورند مجموعهای از آزمایشهای استاندارد پیش از عمل را انجام دهند، حتی اگر همین آزمایشها را بهتازگی انجام داده باشند و نتایج آن در پروندهشان موجود باشد، یا حتی اگر پزشک واقعاً به همه این آزمایشها نیاز نداشته باشد.
در سالهای 2021 تا 2022، تیم شرکت Lumeon حدود 20 هزار مورد جراحی سرپایی را در یک سیستم درمانی بررسی کرد و دریافت که نزدیک به 70 درصد بیماران به یک یا چند مورد از این آزمایشهای «استاندارد» نیازی نداشتند. این موضوع یا به این دلیل بود که نتایج قبلاً در سیستم موجود بود، یا به این دلیل که دستورالعملهای استاندارد بیشازحد محافظهکارانه طراحی شده بودند.
تحلیلهای بیشتر نشان داد که حدود یکسوم تأخیرها و لغو جراحیها به این دلیل رخ میدهد که نتایج آزمایشها بهموقع آماده نمیشود یا بررسی نمیشود. اگر این وضعیت در سایر مراکز نیز رایج باشد، به این معناست که در مقیاس گسترده، جراحیها بهدلیل خدماتی که ارزش واقعی ایجاد نمیکنند، به تعویق میافتند یا لغو میشوند.
علاوه بر این، پروتکلهای تشخیص و درمانی که در سیستمهای EHR تعریف شدهاند، اغلب نمیتوانند تفاوتهای فردی بیماران را بهخوبی در نظر بگیرند. این سیستمها معمولاً شرایط خاص سلامت، بیماریهای همراه یا حتی وضعیت اجتماعی بیماران را در نظر نمیگیرند؛ برای مثال، اینکه بیمار به وسیله حملونقل دسترسی دارد یا میتواند رژیم غذایی خاصی را رعایت کند.
در یک مطالعه درباره مسیرهای درمان سرطان مشخص شد که 65 درصد بیماران طبق پروتکلهای استاندارد درمان شدهاند و ۳۵ درصد خارج از این مسیرها. همچنین، استفاده از این مسیرهای استاندارد از 74 درصد در سال 2018 به 60 درصد در سال 2021 کاهش یافته است.
این وضعیت مانند سفری است که در آن امکان تغییر مسیر بر اساس شرایط وجود ندارد؛ نه میتوان مسیر را بهدلیل آبوهوا تغییر داد، نه برای سوختگیری توقف کرد و نه میتوان مسیر را برای دیدار با کسی تنظیم کرد. طبیعی است که پزشکان به چنین «نقشههای» ناقصی اعتماد نکنند و از آنها بهطور کامل استفاده نکنند.
اجزای کلیدی
زیرساختهای لازم برای چنین نوآوریهایی از هماکنون فراهم شدهاند، از جمله:
افزایش چشمگیر دادهها
همانطور که پیشتر اشاره شد، گسترش استفاده از پروندههای الکترونیک سلامت (EHR)، رواج دستگاههای پوشیدنی و جمعآوری دادههایی درباره عوامل اجتماعی مؤثر بر سلامت مانند دسترسی به غذا و حملونقل، همگی باعث افزایش قابلتوجه کمیت و کیفیت دادههای موجود برای ارائه مراقبت شخصیسازیشده شدهاند. برای مثال، در برنامهریزی درمان پس از جراحی میتوان در نظر گرفت که بیمار تنها زندگی میکند و بر این اساس، اقامت در مرکز مراقبت پرستاری و سپس دریافت خدمات در منزل را برنامهریزی کرد.
این حجم از دادهها میتواند به تصمیمگیری بهتر بیماران نیز کمک کند. یکی از مشکلات نظام سلامت امروز، نبود شواهد عینی برای بسیاری از مداخلات رایج است؛ و حتی در مواردی که شواهد وجود دارد، ممکن است به اطلاع پزشک نرسیده باشد. در نتیجه، بیماران ناچارند به شهود پزشک تکیه کنند، که در برخی موارد تفاوت چندانی با قضاوت خودشان ندارد.
ابزارهای اتوماسیون هوشمند میتوانند مرتبطترین شواهد را برای شرایط خاص هر بیمار گردآوری کنند و به آنها کمک کنند گزینههای درمانی مؤثری را انتخاب کنند که هم کیفیت زندگیشان را بهبود دهد و هم احتمال پایبندی به درمان را افزایش دهد. همچنین، تجربه هر بیمار میتواند به پایگاه داده شواهد افزوده شود و در نهایت به تصمیمگیری بهتر برای سایر بیماران کمک کند.
فرایندهای ماژولار
نسخههای اولیه سیستمهای پشتیبان تصمیمگیری بالینی و مسیرهای درمانی، چه بهصورت کاغذی و چه دیجیتال، از ساختارهای منطقی بسیار پیچیدهای تشکیل شده بودند که شامل دهها یا حتی صدها شاخه و محاسبه بههمپیوسته بودند. برای مثال، یک مسیر درمانی ممکن بود شاخهای برای تنظیم درمان بر اساس سن داشته باشد و شاخهای دیگر برای واکنش به نتایج غیرعادی آزمایشها.
ترکیب این شاخهها معمولاً به یک ساختار بسیار بزرگ و پیچیده منجر میشد که درک آن دشوار بود و نگهداری و بهروزرسانی آن به تلاش زیادی نیاز داشت. این پیچیدگی بهویژه در درمان سرطان یا بیماریهای مزمن متعدد بیشتر دیده میشد؛ بهطوریکه این مسیرها گاهی شبیه نقشهای از مغز انسان با تمام نورونهایش به نظر میرسیدند.
نوآوریهای جدید در طراحی باعث شدهاند این ساختارهای پیچیده به ماژولهای کوچکتر و قابل مدیریت تقسیم شوند که میتوان آنها را از پیش یا بهصورت پویا در طول مسیر درمان کنار هم قرار داد. این رویکرد که «ماژولارسازی» نام دارد، نوعی شخصیسازی در مقیاس بزرگ ایجاد میکند و باعث میشود مسیرهای درمانی انعطافپذیرتر شده و نگهداری آنها سادهتر شود.
برای مثال، یک دستورالعمل درمانی ممکن است توصیه جدیدی برای انجام اولین کولونوسکوپی در سن 45 سال یا زودتر برای افراد دارای سابقه خانوادگی یا بیماریهای رودهای اضافه کند. در گذشته، اعمال چنین تغییراتی ممکن بود بیش از یک دهه طول بکشد، اما با استفاده از اتوماسیون هوشمند و فرایندهای ماژولار، این بهروزرسانیها بسیار سریعتر انجام میشوند.
درک عمیقتر از طراحی فرایند
ارائهدهندگان خدمات سلامت امروز بیش از هر زمان دیگری میدانند که چگونه فرایندها را برای بهینهسازی مراقبت و تأثیرگذاری بر تصمیمهای بیماران طراحی کنند. این دانش شامل استفاده از «تلنگرها» برای هدایت انتخابها، بازطراحی فرایندهای درمانی بر اساس مهارتهای اعضای تیم درمان و بیماران، و ادغام اتوماسیون در جریان کاری تیمهای درمانی است.
استفاده از هوش مصنوعی
هوش مصنوعی توانایی یادگیری از تجربه و هدایت فرایندها بر اساس این یادگیری را دارد. این فناوری میتواند متغیرهای متعدد مؤثر بر نتایج را تحلیل کرده و طراحیهای جدیدی برای فرایندها پیشنهاد دهد که مراقبت را بر اساس این متغیرها شخصیسازی میکند.
برای مثال، یک الگوریتم پیشبینی ممکن است نشان دهد بیماری که دیابت او بهخوبی کنترل شده، همچنان در معرض خطر پیشرفت به دیابت کنترلنشده قرار دارد، بهدلیل تعامل پیچیدهای از عوامل. این الگوریتم میتواند سطح ریسک را مشخص کند (بالا، متوسط یا پایین) و عوامل مؤثر را نیز نشان دهد. این اطلاعات به پزشک و بیمار کمک میکند بفهمند چه تغییراتی در دارو یا سبک زندگی لازم است و با چه فوریتی باید اقدام کرد.
در آیندهای نزدیک، زمانی که تصمیمگیری انسانی لازم باشد، انتظار میرود هوش مصنوعی مولد بتواند دادههای مورد نیاز تصمیمگیرنده را خلاصه کند. همچنین میتواند پیامهایی با ظرافت لازم تولید کند تا پزشکان و بیماران را به واکنش مؤثر ترغیب کند. برای مثال، میتواند شرایط اجتماعی بیمار را خلاصه کرده و لینکهایی به خدمات حمایتی مرتبط ارائه دهد و حتی بهصورت فعال آنها را هماهنگ کند.
در نهایت، هوش مصنوعی میتواند در چارچوبهای مشخص، مسیر مناسب را در نقاط تصمیمگیری انتخاب کند و انسانها را برای موقعیتهایی که شواهد کافی وجود ندارد یا قضاوت انسانی ضروری است، درگیر نگه دارد.
از کجا شروع کنیم
ارائهدهندگان خدمات سلامت برای حرکت بهسوی اتوماسیون هوشمند فرایندها و شخصیسازی بهتر مراقبتها از کجا باید شروع کنند؟ علاوه بر مراحل رایج برنامهریزی در چنین پروژههایی مانند تخصیص منابع، تعیین شاخصها و جلب همراهی کارکنان، ما دو نقطه شروع مشخص را پیشنهاد میکنیم:
شناسایی فرایندهای پرتکرار و پراثر در صورت اختلال
برای مثال، گرفتن نوبت یکی از نقاط درد رایج برای بیماران است و میتواند آنقدر آزاردهنده باشد که بیمار ارائهدهنده خود را تغییر دهد. فرایندی که امروز ممکن است شامل یک ساعت یا بیشتر انتظار پشت خط باشد، با استفاده از اتوماسیون هوشمند میتواند به چند کلیک ساده در پورتال بیمار تبدیل شود؛ سیستمی که هدف بیمار را تشخیص میدهد، آن را با اطلاعات پرونده الکترونیک سلامت او تطبیق میدهد و او را به نزدیکترین متخصص با اولین زمان خالی ارجاع میدهد.
بهبود وفاداری و حفظ بیماران ممکن است بهراحتی قابل اندازهگیری نباشد، اما هیچ ارائهدهندهای نمیخواهد آخرین بازیگری باشد که چنین تغییری را در بازار خود اجرا میکند.
در سطح سازمانی، برنامهریزی برای ترخیص بیماران شامل نقاط تصمیمگیری متعددی است که حتی تغییرات کوچک در آنها میتواند اثرات بزرگی بر یک فرایند پرهزینه داشته باشد. برای مثال، تأخیر 30 دقیقهای در انجام یک آزمایش یا MRI ممکن است باعث شود بیمار یک شب اضافه و غیرضروری در بیمارستان بماند یا تخت او دیرتر آزاد شود و این موضوع به ایجاد صف در بخش اورژانس منجر شود.
اتوماسیون هوشمند میتواند از همان زمان پذیرش بیمار، یک برنامه مراقبتی ایجاد کند و آن را بهصورت لحظهبهلحظه مدیریت کند، در حالی که این برنامه با برنامه سایر بیماران نیز یکپارچه میشود تا فعالیتهای درمانی و غیر درمانی به شکل کارآمد هماهنگ شوند.
ایجاد یک زیرساخت دادهای قابلاعتماد از طریق فرایندهای استاندارد
در وضعیت فعلی، نمونههای زیادی وجود دارد که پزشکان مجبورند فعالیتهای پایه جمعآوری داده را تکرار کنند، زیرا به دادههای موجود اعتماد ندارند. بسیاری از مدلهای هوش مصنوعی بر اساس دادههایی آموزش دیدهاند که طی سالها و با فرایندهای ناسازگار جمعآوری شدهاند و حالا قرار است بر اساس همین دادههای غیرقابلاعتماد پیشبینی انجام دهند.
بنابراین، لازم است درک دقیقی از نحوه جمعآوری دادهها به دست آوریم، ناهماهنگیها را حذف کنیم و یک مجموعه داده جدید، تمیز و قابلاتکا ایجاد کنیم.
باید پذیرفت که این مسیر طولانی است و هیجانی که پیرامون هوش مصنوعی شکل گرفته، احتمالاً در مواردی به ناامیدی نیز منجر خواهد شد، زیرا مسیر واقعی بسیار دشوارتر از آن چیزی است که تصور میشود. حتی تحول نسبتاً محدودی که در این مقاله توصیف شد نیز یکشبه اتفاق نمیافتد و شاید در ظاهر جذاب نباشد.
در بهترین حالت، این تغییرات میتواند سطح شخصیسازی خدمات سلامت را به سطحی برساند که امروز در خرید آنلاین یا خدمات بانکی تجربه میکنیم. اما با توجه به اینکه همین میزان تحول میتواند تأثیر چشمگیری بر سلامت همه افراد داشته باشد، همین هم بیش از اندازه ارزشمند است.
نکات کلیدی
استفاده ناکامل از EHR. ارائهدهندگان دادههای گستردهای دارند، اما از آنها برای شخصیسازی مؤثر استفاده نمیکنند.
آزمایشهای غیرضروری و تأخیرها. فرایندهای استاندارد پیش از جراحی اغلب نتایج موجود را نادیده میگیرند و ناکارآمدی ایجاد میکنند.
نقش اتوماسیون مبتنی بر AI. هوش مصنوعی میتواند سفارش آزمایش، دریافت تأییدیه و زمانبندی بیماران را بهینه کند.
فرایندهای ماژولار. تقسیم مسیرهای پیچیده درمان به اجزای کوچکتر، امکان شخصیسازی بهتر را فراهم میکند.
اهمیت کیفیت داده. جمعآوری دادههای دقیق و سازگار، پیشنیاز موفقیت راهکارهای مبتنی بر هوش مصنوعی است.
نقطه شروع. تمرکز بر فرایندهای پرتکرار و حیاتی مانند نوبتدهی و برنامهریزی ترخیص میتواند بیشترین اثر را داشته باشد.
برای ثبت دیدگاه وارد حساب کاربری خود شوید.
