Büyük yapay zeka şirketlerinin sağlık sektörüne girişi anlamlı ve olumlu bir gelişme; sektörün kullanımına sunulan teknik altyapıyı hızlandırıyor.
Modelleri uzun klinik kayıtları işlemede, karmaşık terminolojiyi yorumlamada, dokümantasyonu kanıtlarla karşılaştırmada ve büyük miktardaki bilgiden tutarlı özetler üretmede giderek daha yetkin hale geliyor. Parçalı veriler arasında önemli zaman harcayan klinisyenler, operatörler ve idari ekipler için bu gelişmeler bilişsel yükü azaltmaya ve yüksek değerli bilgiye erişimi kolaylaştırmaya yardımcı oluyor.
Ancak sağlık liderleri model yetkinliğini operasyonel yetkinlikle karıştırmamalı.
Sağlık sektöründeki idari sorunların nedeni bilgi eksikliği değil, parçalı bilgi, parçalı iş akışları ve parçalı sorumluluk. Sektör on yıllardır faaliyetleri kaydeden sistemlere yatırım yaptı: elektronik sağlık kayıtları, faturalama platformları, ödeme yapan kurum portalları, randevu sistemleri, çağrı merkezi platformları ve analitik uygulamalar. Her sistem önemli bir şeyi kaydediyor. Ancak hastaların zamanında erişip erişmeyeceğini, klinisyenlerin doğru dokümantasyona sahip olup olmayacağını ve sağlayıcıların uygun şekilde geri ödenip ödenmeyeceğini belirleyen karar zincirinin tamamı üzerinden akıl yürütecek şekilde tasarlananların sayısı çok az.
İşte yapay zekânın şimdi yüzleşmesi gereken sorun bu.
Gelir döngüsü, sağlıkta yapay zekânın kanıtlama alanlarından biri haline geliyor
Gelir döngüsü, sağlık hizmeti sağlayıcılarının bakım için ödeme almasını sağlayan süreçtir; randevu ve kayıttan kodlamaya, faturalamaya, ödeme yapan kurumla takibe ve ödeme tahsiline kadar uzanır.
Yüksek işlem hacmi, karmaşık akıl yürütme, yapılandırılmış ve yapılandırılmamış veri, ölçülebilir sonuçlar ve önemli operasyonel değişkenliği bir araya getirdiği için titiz yapay zeka uygulamalarına alışılmadık derecede uygundur. Ayrıca finansal performans, hasta erişimi ve idari iş yükünün kesişim noktasında yer alır.
Tek bir talep, hasta sigorta bilgisi, klinik dokümantasyon, kodlama kuralları, ödeme yapan kuruma özgü politikalar, ön onay gereklilikleri, tıbbi gereklilik kriterleri ve pek çok diğer veri kaynağı ile operasyonel süreçten etkilenebilir. Bu alanların herhangi birindeki bir aksama haftalar veya aylar sonra zincirleme sonuçlar yaratabilir.
İşte bu yüzden genel otomasyonlar çoğu zaman yetersiz kalıyor.
Geleneksel robotik süreç otomasyonu iş akışları istikrarlı ve kurallar öngörülebilir olduğunda iyi çalışır, ancak sağlık yönetimi ne istikrarlı ne de öngörülebilir. Ödeme yapan kurumların gereklilikleri değişiyor. Dokümantasyon beklentileri gelişiyor. İstisnalar yaygın ve çoğu zaman önemli.
Büyük dil modelleri denklemin bir kısmını iyileştiriyor; anlatı metninden anlam çıkarıyor, kayıtları özetliyor ve karmaşık dokümantasyon üzerinde akıl yürütmeyi destekliyor. Ancak tek başlarına kullanıldıklarında önemli sınırlamaları da beraberinde getiriyorlar. Yeterli izlenebilirlik olmadan makul görünen çıktılar üretebilirler. Yerel iş akışı kısıtlarının farkında olmayabilirler. Bir eylemin sonucu değiştirmesi olasılığını belirleyen ödeme yapan kuruma özgü geçmişi veya bağlamı kaçırabilirler.
Neden temel modeller gerekli ama yetersiz olacak
Büyük yapay zeka firmaları sağlık için gerçek teknik sorunları çözüyor.
Daha iyi bağlam pencereleri uzunlamasına kayıtları işlemeyi kolaylaştırıyor. Daha güçlü akıl yürütme karmaşık klinik senaryoların yorumlanmasını iyileştiriyor. Daha iyi çok modlu yetenekler, metin, görüntüleme, yapılandırılmış veri ve klinik sinyalleri daha faydalı şekillerde birbirine bağlamaya yardımcı olabilir. Daha güvenli model davranışı ve sağlık alanına özgü ayarlamalar benimsenmeyi artırmaya devam edecek.
Bu yetenekler sağlık hizmetlerini daha hızlı, daha tutarlı ve gezinmesi daha kolay hale getirecek. Ancak tek başlarına köklü idari karmaşıklığı çözmeyecekler.
Sağlık sektörünün operasyonel bilgisinin büyük kısmı genel tıp literatüründe, kodlama kılavuzlarında veya kamu ödeme yapan kurum rehberliklerinde yaşamıyor. Bu bilgi kararlar alındıktan sonra gerçekte neler olduğuyla ilgili birikmiş deneyimde yaşıyor. Örneğin:
- Bir itiraz stratejisi diğerinden neden daha iyi performans gösteriyor?
- Hangi dokümantasyon eksiklikleri geri ödeme gecikmesine neden olma olasılığı en yüksek?
- Belirli bir ödeme yapan kurum belirli bir klinik argümana nasıl yanıt veriyor?
Bu içgörüler davranışsal, operasyonel ve uzunlamasına niteliktedir. Yılların işlemleri, sonuçları, istisnaları ve insan yargısından ortaya çıkar.
Temel modeller daha yetkin hale geldikçe, temel sağlık bilgisine erişim giderek daha az farklılaştırıcı olacak. Çoğu önde gelen sistem ICD-10 kodlarını yorumlayabilecek, tıbbi terminolojiyi tanıyabilecek, ödeme yapan kurum politikalarını özetleyebilecek ve kamu klinik kriterleri üzerinden akıl yürütebilecek. Kalıcı avantaj, kuruluşların bu model zekasını tescilli operasyonel veriler, yapılandırılmış bilgi, iş akışı bağlamı ve yönetişimle nasıl birleştirdiğinden gelecek.
Teknik değişim: Otomasyondan orkestrasyona
Ajan tabanlı orkestrasyon, temel model anlayışını koordine edilmiş eyleme dönüştürür; işi sistemler arasında takip edebilen, doğru kuralları uygulayabilen, bir şey değiştiğinde uyum sağlayabilen ve sonrasında olanlardan öğrenmeye devam eden bir zekâ.
Örneğin bir ön onay iş akışı, klinik dokümantasyonun hızlı sağlık birlikte çalışabilirlik kaynakları FHIR API'leri aracılığıyla alınmasını, hasta geçmişinin ödeme yapan kurum kriterlerine eşleştirilmesini, eksik kanıtların belirlenmesini, bir başvuru paketinin oluşturulmasını, istisnaların bir uzmana yönlendirilmesini, ödeme yapan kurum yanıtının izlenmesini, hasta bakım yollarının ayarlanmasını ve sonuçtan öğrenilmesini gerektirebilir.
Bu tür bir iş akışı koordinasyon gerektirir. Ayrıca koruma mekanizmaları da gerektirir: düzenleyici gereklilikler, gizlilik standartları, klinik politikalar, kodlama kuralları, ödeme yapan kurum kriterleri ve kurumsal risk eşikleri. Umut verici yaklaşımlardan biri, büyük dil modellerini yapılandırılmış bilgi tabanları, sembolik mantık, pekiştirmeli öğrenme ve deterministik doğrulama katmanlarıyla birleştiren hibrit mimaridir.
Ensemble'de bu, gelir döngüsü zekâ motorumuz EIQ'nun tasarım ilkesidir. EIQ, operasyonel faaliyetleri, klinik dokümantasyonu, ödeme yapan kurum davranışını ve geri ödeme sonuçlarını hastane elektronik sağlık kaydı EHR ile entegre edilmiş sürekli öğrenen bir zekâ katmanında bir araya getirir. Kayıt sistemini bir zekâ sistemi ile tamamlar; bilgiyi birbirine bağlamak ve sonuçları iyileştirme olasılığı en yüksek eylemleri ortaya çıkarmak üzere tasarlanmıştır.
EIQ, büyük dil modellerini ve özel küçük dil modellerini kurallara dayalı akıl yürütmeyle birleştiren nöro-sembolik bir yaklaşım kullanır. Bu mimari, sağlık sektöründeki en sağlam veri kümelerinden birinin üzerine kuruludur ve on yılı aşkın ödüllü operasyonel performans, işlem geçmişi, ödeme yapan kurum davranışı ve operatör karar alma süreçlerinden beslenir. Dil modelleri bilgiyi yorumlamaya ve insan tarafından okunabilir çıktılar üretmeye yardımcı olur. Sembolik katman politikaları, kuralları, ödeme yapan kurum gerekliliklerini ve iş akışı kısıtlarını temsil eder; böylece sistem koruma mekanizmalarını uygulayabilir, akıl yürütme adımlarını daha izlenebilir hale getirebilir ve belirli operasyonel bağlama uyan eylemler önerebilir.
