Sztuczna inteligencja w opiece zdrowotnej: tworzenie niezawodnych potoków danych na potrzeby analizy danych pacjentów

Trudno spotkać kierownika działu IT w jakiejkolwiek branży, który narzekałby na brak danych; to coś, czego niemal każda firma ma pod dostatkiem. Niedobór wiarygodnych, użytecznych danych powoduje wąskie gardła w tym konkurencyjnym środowisku, które utrudniają przedsiębiorstwom osiągnięcie mety pełnego sukcesu sztucznej inteligencji. 

W sektorze opieki zdrowotnej dyskusja na temat sztucznej inteligencji często skupia się na tym, jak uzyskać dzięki niej informacje o pacjentach, jednak rzeczywistość jest bardziej złożona. Mimo iż sztuczna inteligencja już teraz pokazuje, że potrafi dostarczać cenne informacje o pacjentach, zawodne systemy gromadzenia danych sprawiają, że są one ryzykowne lub bezużyteczne. Kluczowe dane są rozproszone w elektronicznej dokumentacji medycznej (EHR), systemach laboratoryjnych, obrazowych i rozliczeniowych, które pozostają rozdrobnione i niekompatybilne, co skutkuje niepełnym obrazem sytuacji pacjenta. Lekarze i analitycy często zmuszeni są podejmować decyzje, nie mając pełnego obrazu sytuacji pacjenta, co ogranicza zarówno jakość opieki, jak i skuteczność sztucznej inteligencji.  

Presja regulacyjna powoduje również wzrost kosztów związanych z zapewnieniem zgodności z przepisami, a wiele modeli sztucznej inteligencji stosowanych w służbie zdrowia pozostaje na etapie pilotażowym, ponieważ nieodpowiednie zarządzanie danymi prowadzi do uzyskania niewiarygodnych wyników, na których lekarze nie będą się opierać. Właśnie dlatego sprawdzone i odpowiednio zarządzane potoki danych stanowią podstawę sztucznej inteligencji w służbie zdrowia, która ma praktyczne zastosowanie kliniczne, i ostatecznie decydują o tym, na ile skutecznie organizacje potrafią pozyskać dzięki sztucznej inteligencji informacje o pacjentach, z których lekarze faktycznie będą korzystać. 

Od chaosu danych do niezawodnych potoków danych

Dane dotyczące opieki zdrowotnej nie są gromadzone w jednym miejscu i ze względu na surowe wymogi prawne prawdopodobnie nigdy tak się nie stanie. W praktyce wiele organizacji stosuje podejście hybrydowe, centralizując te elementy, które można, a jednocześnie pozostawiając na miejscu systemy o dużej wartości, takie jak elektroniczna dokumentacja medyczna (EHR) i platformy obrazowania. Systemy te nie są przystosowane do obsługi dużej liczby zapytań, a w wielu przypadkach nie są ogólnodostępne, co sprawia, że pełna konsolidacja jest niepraktyczna. 

Dzięki kompleksowym potokom danych informacje medyczne przestają być statyczne i opóźnione, a stają się dostępne na bieżąco i przydatne – ma to jednak znaczenie tylko wtedy, gdy każdy etap faktycznie eliminuje rzeczywiste wąskie gardło. Zamiast polegać na okresowym przesyłaniu danych partiami, nowoczesne procesy przetwarzania danych gromadzą je na bieżąco, od transakcji z elektronicznej dokumentacji medycznej i wyników badań laboratoryjnych po dane ubezpieczeniowe i informacje z podłączonych urządzeń medycznych. Zmniejsza to opóźnienie między wystąpieniem zdarzenia (na przykład zmianą stanu pacjenta) a momentem, w którym staje się ono widoczne dla kolejnych systemów. W warunkach klinicznych opóźnienie to ma bezpośredni wpływ na czas podjęcia interwencji oraz wyniki leczenia pacjentów.  

Jednym z głównych źródeł niespójności w służbie zdrowia jest równoległe przetwarzanie danych, czyli sytuacja, w której różne zespoły przetwarzają te same dane na różne cele. W kompleksowych potokach stosuje się wspólne standardy i kontrole jakości na wcześniejszych etapach, dzięki czemu dane zasilające modele sztucznej inteligencji w służbie zdrowia są spójne, co gwarantuje, że modele są szkolone w oparciu o te same wiarygodne dane, na których opiera się działalność firmy.  

Kompleksowe potoki danych dostarczają również informacje bezpośrednio do procesów operacyjnych i klinicznych niemal w czasie rzeczywistym. Analizy są wartościowe tylko wtedy, gdy trafiają tam, gdzie podejmowane są decyzje. Zyskuje to jeszcze większe znaczenie w miarę jak organizacje wdrażają generatywną i opartą na agentach sztuczną inteligencję, gdzie skuteczność w dużym stopniu zależy od dostarczenia odpowiedniego kontekstu klinicznego we właściwym momencie – co w rozdrobnionych środowiskach opieki zdrowotnej jest znacznie bardziej skomplikowane niż w kontrolowanych warunkach demonstracyjnych. Zamiast kierować wyniki do oddzielnych narzędzi analitycznych, sprawdzone procesy integrują je z istniejącymi systemami, dzięki czemu lekarz nie musi ich szukać. Pojawiają się w konkretnym kontekście, podczas opieki, gdzie mogą wpływać na podejmowane decyzje. 

Zarządzanie i nadzór przyczyniają się do poprawy zaufania do AI w opiece zdrowotnej

W służbie zdrowia kwestie związane z zarządzaniem i nadzorem często postrzegano jako przeszkodę dla innowacji, jednak w praktyce okazuje się, że jest odwrotnie. Bez jasnego łańcucha pochodzenia danych wyniki generowane przez sztuczną inteligencję w służbie zdrowia mają trudności z zdobyciem zaufania zarówno lekarzy, jak i organów regulacyjnych, zwłaszcza gdy w grę wchodzi możliwość weryfikacji oraz zgodność z przepisami HIPAA.  

Organizacje myślące przyszłościowo wdrażają mechanizmy zarządzania bezpośrednio w swoich potokach danych, co pozwala im śledzić sposób przetwarzania i wykorzystywania danych w modelach oraz zapewnić zgodność z przepisami bez spowalniania przepływu pracy. To z kolei zwiększa zaufanie pracowników służby zdrowia zarówno do wykorzystywanych przez nich danych, jak i do decyzji, które na nich opierają.