From Electronic Records to AI-Enabled Workflows: A Scoping Review of Real-World EHR Information Processing in Hospitals and Implications for AI Readiness in China
Deze scoping review maakt gebruik van een AI-agent screening-aanpak om de integratie van AI-gestuurde informatieverwerking in de workflows van ziekenhuis-EHR's in de praktijk in kaart te brengen, waarbij wordt benadrukt dat hoewel de procesmatige haalbaarheid evident is, het bereiken van veilige waarde en het afstemmen op de AI-gereedheidstoestanden van China strikte menselijke verificatie, kalibratie en interoperabiliteit vereist.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Ziekenhuizen draaien tegenwoordig op een enorme, continue stroom van informatie. Elke keer dat een arts een aantekening maakt, een verpleegkundige een vitale functie controleert of een machine een laboratoriumuitslag verwerkt, komt die data in een digitaal systeem terecht dat bekend staat als een elektronisch patiëntendossier. Jarenlang was de belofte van kunstmatige intelligentie in de geneeskunde dat computers konden leren van deze data om ziekten te voorspellen of behandelingen voor te stellen. Maar een computermodel, hoe slim ook, is nutteloos als het in een laboratorium zit terwijl de arts druk bezig is met het proberen te vinden van een patiëntendossier. De echte uitdaging is niet alleen het bouwen van een slim algoritme, maar het verweven ervan in de dagelijkse, chaotische stroom van het ziekenhuiswerk, zodat het helpt in plaats van hindert. Dit is het verschil tussen een hulpmiddel dat op papier werkt en een hulpmiddel dat werkt in een drukke spoedeisende hulp.
Een team van onderzoekers van het Jiangyin People's Hospital in China zette zich scharpe om precies in kaart te brengen hoe deze integratie in de echte wereld plaatsvindt. Ze vroegen niet simpelweg of kunstmatige intelligentie goed of slecht is; in plaats daarvan keken ze naar de specifieke stappen waar computers en mensen elkaar ontmoeten. Ze onderzochten hoe deze systemen de acquisitie van informatie, het sorteren van data, het voorspellen van risico's en het uiteindelijke schrijven van medische aantekeningen afhandelen. Hun doel was om te zien of de voorwaarden die nodig zijn om deze hulpmiddelen veilig te laten werken, daadwerkelijk aanwezig zijn in ziekenhuizen, met een speciale focus op hoe deze voorwaarden zich verhouden tot de huidige staat van ziekenhuizen in China.
De onderzoekers begonnen met het verzamelen van duizenden rapporten uit medische tijdschriften en openbare registers. Ze gebruikten een systematische methode om bijna 2.300 records te doorzoeken, op zoek naar studies waarin kunstmatige intelligentie daadwerkelijk binnen een elektronisch dossier van een ziekenhuis werd gebruikt, in plaats van alleen getest te zijn op oude data. Ze ontdekten dat hoewel er een groeiende hoeveelheid bewijs is dat deze tools geïntegreerd kunnen worden, de voordelen vaak gaan over snelheid en organisatie in plaats van directe verbeteringen in de gezondheid van de patiënt. In verschillende studies werd bijvoorbeeld aangetoond dat het gebruik van kunstmatige intelligentie de tijd die artsen en verpleegkundigen besteedden aan het schrijven van aantekeningen of het zoeken naar informatie aanzienlijk verminderde. Eén studie in de Verenigde Staten vond dat wanneer artsen een ambient systeem gebruikten dat gesprekken beluisterde en aantekeningen voor hen opstelde, de tijd besteed aan documentatie tijdens een dienst met bijna 30 procent daalde. Op dezelfde manier liet een pilotprogramma in Taiwan zien dat verpleegkundigen de tijd besteed aan overdrachtsrapportages konden terugbrengen van meer dan drie minuten naar ongeveer één minuut per patiënt.
De onderzoekers waren echter voorzichtig in hun opmerking dat het besparen van tijd niet automatisch betekent dat er levens worden gered. Het bewijs dat zij vonden suggereert dat hoewel deze tools de workflow soepeler maken, ze nog niet hebben bewezen dat ze leiden tot betere diagnoses of minder sterfgevallen. Sterker nog, de studie benadrukt dat een hulpmiddel snel kan zijn, maar nog steeds gevaarlijk kan zijn als het niet correct is ingesteld. De onderzoekers ontdekten dat het succes van deze systemen sterk afhangt van hoe goed ze zijn gekalibreerd voor het specifieke ziekenhuis dat ze gebruikt. Een model dat goed werkt in het ene ziekenhuis, kan in een ander falen als de data iets anders zijn of als de artsen de waarschuwingen die het stuurt niet vertrouwen. In één geval zorgde een wijziging in het computertemplate dat werd gebruikt om informatie weer te geven ervoor dat de nauwkeurigheid van de medische codering dramatisch daalde, van bijna 80 procent naar 35 procent, totdat het systeem werd herontworpen en het personeel opnieuw was getraind. Dit toont aan dat de technologie fragiel is en constante menselijke supervisie vereist.
De review keek ook naar de gereedheid van ziekenhuizen om deze technologieën te adopteren, waarbij specifiek de situatie in China werd onderzocht. De onderzoekers vonden dat hoewel veel Chinese ziekenhuizen de basisfase van het hebben van digitale dossiers zijn gepasseerd, er een aanzienlijke kloof bestaat tussen simpelweg een systeem hebben en een systeem hebben dat klaar is voor geavanceerde kunstmatige intelligentie. Publieke gegevens suggereren dat hoewel een grote meerderheid van de grote ziekenhuizen een niveau heeft bereikt waarop hun dossiers gedigitaliseerd zijn, zeer weinig het hoogste niveau van volwassenheid hebben bereikt waarbij informatie naadloos tussen verschillende afdelingen stroomt en complexe besluitvorming ondersteunt. De onderzoekers merkten op dat hardnekkige hiaten in hoe informatie tussen systemen beweegt, vaak "silo's" genoemd, een grote hindernis blijven. Zonder een soepele datastroom kan zelfs de slimste kunstmatige intelligentie niet goed functioneren.
Uiteindelijk concludeert de studie dat de weg vooruit niet gaat over het wachten op een perfect algoritme, maar over het bouwen van een betrouwbare omgeving voor de hulpmiddelen die we al hebben. De onderzoekers betogen dat voor kunstmatige intelligentie veilig en nuttig te zijn, ziekenhuizen zich moeten richten op de details van de implementatie: het waarborgen van de nauwkeurigheid van de data, het trainen van het personeel om het systeem te vertrouwen en te verifiëren, en het hebben van duidelijke regels voor wat er gebeurt wanneer het systeem een fout maakt. Ze ontdekten dat de meest succesvolle implementaties die zijn waarbij de technologie wordt behandeld als een partner in een zorgvuldig beheerd proces, in plaats van een magische oplossing die alles uit zichzelf oplost. Voor China en ziekenhuizen wereldwijd is de les dat de gereedheid voor kunstmatige intelligentie geen enkele schakelaar is die je omzet, maar een gelaagde fundering die stap voor stap moet worden opgebouwd, beginnend bij de kwaliteit van de data en de helderheid van de workflow. Totdat deze fundamenten solide zijn, zal het volledige potentieel van kunstmatige intelligentie in de gezondheidszorg buiten bereik blijven, ongeacht hoe geavanceerd de modellen ook worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.