Enterprise AI Readiness in Healthcare: Development and Preliminary Evaluation of a Five-Domain Survey Framework

Ziekenhuizen en zorginstellingen wenden zich steeds vaker tot kunstmatige intelligentie, de tak van de informatica die machines in staat stelt om te leren van gegevens en beslissingen te nemen. Deze hulpmiddelen beloven artsen te helpen ziekten sneller te diagnosticeren, de middelen van ziekenhuizen efficiënter te beheren en de administratieve last voor het personeel te verminderen. Het simpelweg kopen of testen van een nieuw softwareprogramma betekent echter niet dat een ziekenhuis er klaar voor is om het effectief te gebruiken in de gehele operatie. Er is een aanzienlijk verschil tussen het hebben van een technologie en het hebben van de organisatorische capaciteit om deze veilig, eerlijk en op schaal te gebruiken. Net zoals een auto niet alleen een motor nodig heeft, maar ook een bestuurder, brandstof, wegen en verkeersregels om te kunnen functioneren, heeft een systeem van kunstmatige intelligentie een ondersteunende omgeving nodig om te slagen. Zonder het juiste leiderschap, de kwaliteit van de gegevens, getraind personeel en duidelijke regels, kunnen zelfs de meest geavanceerde hulpmiddelen falen of schade veroorzaken.

Een recente studie door Ajmal Aminee aan de California State University onderzoekt deze kloof door een nieuwe manier te ontwikkelen om "Enterprise AI Readiness" (organisatorische AI-gereedheid) te meten. In plaats van te tellen hoeveel projecten voor kunstmatige intelligentie een ziekenhuis is gestart, vroeg de onderzoeker leiders om de algehele paraatheid van hun organisatie te evalueren op basis van vijf specifieke gebieden. De studie onderzocht 150 leiders van ziekenhuizen, medische centra en technologiebedrijven, gevolgd door diepgaande interviews met 28 van hen. Het doel was om te bepalen of de gereedheid van een ziekenhuis op deze gebieden daadwerkelijk samenhangt met hoe goed zij kunstmatige intelligentie implementeren, hoe gemakkelijk zij het gebruik ervan kunnen uitbreiden en of zij er echte voordelen uit halen. De bevindingen suggereren dat hoewel veel organisaties op papier sterk staan wat betreft hun strategieën en governance, zij vaak worstelen met het praktische werk van het trainen van personeel en het integreren van deze hulpmiddelen in de dagelijkse patiëntenzorg.

De onderzoeker bouwde een kader gebaseerd op vijf onderling verbonden pijlers van gereedheid. De eerste is leiderschap en strategie, die kijkt naar de vraag of bestuurders een duidelijk plan en de kennis hebben om inspanningen op het gebied van kunstmatige intelligentie te leiden. De tweede pijler is data, technologie en infrastructuur, die onderzoekt of het ziekenhuis beschikt over schone, toegankelijke gegevens en de computersystemen die nodig zijn om deze hulpmiddelen te laten draaien. De derde pijler is de gereedheid van de beroepsbevolking en de organisatie, die zich richt op de vraag of artsen, verpleegkundigen en administratieve medewerkers de technologie begrijpen en zich voorbereid voelen om deze te gebruiken. Het vierde gebied is governance, beveiliging en verantwoordelijke kunstmatige intelligentie, dat controleert of de organisatie regels heeft om de privacy van patiënten te beschermen, bias te voorkomen en verantwoording af te leggen. De laatste pijler is klinische integratie en evaluatie, die meet of de hulpmiddelen soepel passen in de werkstromen van patiënten en of het ziekenhuis kan volgen of ze daadwerkelijk de resultaten verbeteren.

Toen de onderzoeker de enquêtegegevens analyseerde, bleek dat de gereedheid niet gelijkmatig verdeeld was over deze vijf gebieden. Leiderschap en strategische gereedheid kregen de hoogste scores, met een gemiddelde beoordeling van 3,89 uit 5. Dit suggereert dat de bestuurders van ziekenhuizen over het algemeen op de hoogte zijn van het belang van kunstmatige intelligentie en zijn begonnen met het formuleren van strategieën. Governance en beveiliging scoorden ook relatief goed met 3,71, wat aangeeft dat veel organisaties commissies en beleid hebben opgesteld om deze technologieën te overzien. De scores daalden echter aanzienlijk voor de meer praktische aspecten van implementatie. De gereedheid van de beroepsbevolking bedroeg gemiddeld 3,34, en klinische integratie en evaluatie kregen de laagste score van 3,29. Dit patroon onthult een veelvoorkomende trend: ziekenhuizen zijn goed in het plannen en vaststellen van regels, maar ze zijn minder goed voorbereid op het trainen van hun personeel en het verweven van deze hulpmiddelen in de complexe, real-time stroom van de patiëntenzorg.

De studie onderzocht ook of deze gereedheidsscores ertoe deden voor daadwerkelijk succes. De gegevens toonden een sterke link tussen de algehele gereedheid en drie belangrijke uitkomsten: hoe succesvol kunstmatige intelligentie werd geïmplementeerd, hoe gemakkelijk het kon worden uitgebreid naar andere afdelingen en of de organisatie het gevoel had dat het echte waarde genereerde. Organisaties die hoger scoorden op alle vijf de domeinen, rapporteerden meer succes bij het inzetten van deze hulpmiddelen en het opschalen ervan. Specifiek had leiderschap en strategische gereedheid de sterkste onafhankelijke verbinding met succesvolle implementatie, gevolgd door het vermogen om hulpmiddelen te integreren in klinische werkstromen. Dit geeft aan dat het hebben van een duidelijke visie vanuit de top cruciaal is, maar dat dit op zichzelf niet genoeg is; de hulpmiddelen moeten ook bruikbaar zijn voor de mensen aan de frontlinie.

Om de cijfers beter te begrijpen, sprak de onderzoeker met de leiders die de enquête hadden ingevuld. De interviews bevestigden de enquêteresultaten, maar boden ook belangrijke context. Veel leiders gaven toe dat hoewel zij ambitieuze strategieën en formele commissies hadden, de dagelijkse realiteit vaak moeilijker was. Zij beschreven uitdagingen met gefragmenteerde datasystemen die niet met elkaar communiceerden, een gebrek aan specifieke training voor het personeel, en de moeilijkheid om nieuwe hulpmiddelen in bestaande patiëntenroutines te passen zonder verstoring te veroorzaken. Eén leider merkte op dat de overgang van een klein pilotproject naar een systeem op volledige schaal veel meer vereiste dan alleen het bewijzen dat de technologie werkte; het vereiste betrouwbare data, duidelijk eigenaarschap en voortdurende ondersteuning. Een ander wees erop dat governance vaak stopte bij de goedkeuringsfase, met minder aandacht voor het monitoren van de hulpmiddelen nadat ze waren ingezet of het ter verantwoording roepen van mensen voor hun prestaties.

De studie concludeert dat "AI-ready" worden niet een eenmalige gebeurtenis is, maar een continu proces van het opbouwen en afstemmen van capaciteiten. Het is niet voldoende dat een ziekenhuis een nieuwe technologie adopteert; het moet ook ervoor zorgen dat het personeel getraind is, de data schoon zijn, de regels worden gehandhaafd en de werkstromen worden aangepast. Het onderzoek suggereert dat veel zorgorganisaties momenteel voorop lopen wat betreft strategie en governance, maar achterlopen op het gebied van het menselijke en operationele werk dat nodig is om kunstmatige intelligentie in de praktijk te laten werken. Hoewel de studie een nuttig kader biedt om deze hiaten te identificeren, waarschuwt de auteur dat de resultaten gebaseerd zijn op zelfgerapporteerde percepties en dat verdere tests in de loop van de tijd nodig zijn. Desalniettemin bieden de bevindingen een duidelijke boodschap voor zorgleiders: om het volledige potentieel van kunstmatige intelligentie te benutten, moeten zij verder kijken dan de technologie zelf en zich richten op het bouwen van een ondersteunende, capabele en geïntegreerde organisatie.