বিশেষায়িত অফিসগুলো কেন কলব্যাক করে না, আর AI স্টার্টআপগুলো কেন সমাধানকে প্রশাসনিক বলে মনে করে

হেলথকেয়ার AI এখন back office-এ ঢুকছে

স্বাস্থ্যসেবায় কৃত্রিম বুদ্ধিমত্তা নিয়ে জনআলোচনার বড় অংশই নির্ণয়, ইমেজিং, ওষুধ আবিষ্কার, বা clinician-facing টুলস নিয়ে কেন্দ্রীভূত। কিন্তু সিস্টেমের সবচেয়ে জেদি ব্যর্থতাগুলোর একটি অনেক কম আকর্ষণীয়: primary care referral এবং প্রকৃত specialist appointment-এর মধ্যকার প্রশাসনিক গোলকধাঁধা। ওই ফাঁকই নির্ধারণ করতে পারে রোগী দ্রুত দেখা হবে, সপ্তাহের পর সপ্তাহ অপেক্ষা করতে হবে, নাকি কখনোই কলব্যাক পাবেন না।

Basata নামের একটি startup মনে করছে, এই bottleneck কোনো পার্শ্ব বিষয় নয়, বরং healthcare-এ automation-এর সবচেয়ে গুরুত্বপূর্ণ লক্ষ্যগুলোর একটি। Phoenix-এ দুই বছর আগে প্রতিষ্ঠিত কোম্পানিটি এমন software তৈরি করছে, যা incoming referral documents পড়ে, প্রাসঙ্গিক clinical তথ্য বের করে, এবং AI voice agent ব্যবহার করে সরাসরি রোগীদের ফোন করে appointment সেট করে। এটি prescription renewals এবং after-hours inquiries-এর মতো সাধারণ প্রশাসনিক অনুরোধের জন্য phone-based automation-ও দেয়।

কোম্পানির মূল বক্তব্য সহজ: specialist practices রোগী চায় না বলে ব্যর্থ হচ্ছে না। তারা ব্যর্থ হচ্ছে কারণ intake এখনও অনেকটাই manual এবং অতিরিক্ত চাপের মধ্যে আছে।

রেফারাল সমস্যা আখ্যানভিত্তিক নয়, কাঠামোগত

সূত্র পাঠে খুব পরিচিত একটি ধরণ বর্ণনা করা হয়েছে। রেফারাল এখনও প্রায়ই fax-এ আসে। ছোট প্রশাসনিক দল দিয়ে specialty practices শত শত বা হাজারো নথি পেতে পারে। কাগজপত্র queue-তে পড়ে থাকা, system-গুলোর মধ্যে ঘোরা, বা backlog-এ হারিয়ে যাওয়ার কারণে রোগীরা অপেক্ষা করে যায়।

এই friction অবমূল্যায়ন করা সহজ, কারণ বাইরে থেকে এটি প্রায় অদৃশ্য। স্বাস্থ্যসেবার ঘাটতি প্রায়ই physician supply, insurance access, বা hospital capacity-এর ভাষায় ব্যাখ্যা করা হয়। সেগুলো বাস্তব, কিন্তু তাদের মাঝের operational failure-ও ততটাই সত্য। রোগীর referral থাকতে পারে, বাজারে specialist থাকতে পারে, এমনকি তাত্ক্ষণিক প্রয়োজনও থাকতে পারে, তবু office workflow ধীর বা খণ্ডিত হওয়ায় scheduling কঠিন হতে পারে।

Basata-র founders এই সমস্যাকে ব্যক্তিগত অভিজ্ঞতা দিয়ে ব্যাখ্যা করেন। একজন বলেন, গুরুতর carotid artery diagnosis-এর পর তাঁর বাবাকে একাধিক cardiology group-এর কাছে পাঠানো হলেও সময়মতো সাড়া মেলেনি। আরেকজন বলেন, তাঁর স্ত্রীর cardiac care যাত্রা দেখিয়েছে, গভীর domain knowledge থাকা সত্ত্বেও প্রশাসনিক জটিলতা কীভাবে বিলম্ব ঘটাতে পারে।

এই গল্পগুলো আখ্যানমূলক, কিন্তু এগুলো বহুল স্বীকৃত operational reality-এর সঙ্গে মেলে: care-র পথ প্রায়ই medicine-এর চেয়ে paperwork, phone queue, এবং follow-up failure-এ বেশি আটকে থাকে।

কোম্পানি কী automate করছে

একটি referral এলে, Basata-র সিস্টেম সেটি process করে, গুরুত্বপূর্ণ clinical বিবরণ বের করে, এবং AI voice agent দিয়ে রোগীকে ফোন করে visit schedule করে। রোগীরা যেকোনো সময় ফোনে AI agent-এর সঙ্গে কথা বলে সাধারণ administrative কাজও করতে পারেন।

সূত্র পাঠে বলা হয়েছে, লক্ষ্য অত্যন্ত আক্রমণাত্মক: primary care visit শেষ করে গাড়ির কাছে পৌঁছানোর আগেই appointment সেট হয়ে যাওয়া উচিত। এই নির্দিষ্ট মানদণ্ডটি সাধারণ হবে কি না, তার চেয়ে বেশি গুরুত্বপূর্ণ এর পেছনের operational ambition। কোম্পানি referral তৈরি থেকে specialist intake পর্যন্ত সময় days বা weeks থেকে minutes-এ নামিয়ে আনতে চায়।

যদি এটি নির্ভরযোগ্যভাবে করা যায়, তবে লাভ শুধু সুবিধা নয়। দ্রুত scheduling leakage কমাতে পারে, patient follow-through উন্নত করতে পারে, এবং intake process চাহিদা সামলাতে না পারায় যে capacity নষ্ট হয় তা পূরণ করতে practices-কে সাহায্য করতে পারে।

কেন এই ক্ষেত্রটি বিনিয়োগকারীদের আকর্ষণ করছে

প্রশাসনিক healthcare work ব্যয়বহুল, পুনরাবৃত্তিমূলক, এবং systems-এর মধ্যে দুর্বলভাবে একীভূত। তাই এটি AI vendors-এর জন্য স্বাভাবিক লক্ষ্য, বিশেষ করে যারা document extraction, voice automation, এবং workflow tools ব্যবহার করে, উচ্চ-ঝুঁকির clinical decision-making নয়। Diagnostic AI-এর তুলনায়, regulatory এবং liability profile আরও নিয়ন্ত্রণযোগ্য মনে হতে পারে, আর business value মাপাও সহজ।

বিশেষজ্ঞ রেফারাল প্রক্রিয়াটি বিশেষভাবে আকর্ষণীয়, কারণ সমস্যাটি স্পষ্ট এবং workflow এখনো আশ্চর্যজনকভাবে পুরোনো চ্যানেলের ওপর নির্ভরশীল। Fax-based intake পুরোনো শোনাতে পারে, কিন্তু সূত্র উপাদান স্পষ্ট করে যে এটি অনেক practices-এ এখনো কেন্দ্রীয়। AI tools-কে পুরো infrastructure বদলাতে হয় না; যা আসে তা বুঝে দ্রুত এগিয়ে দিলেই তারা মূল্য তৈরি করতে পারে।

এজন্যই back-office healthcare AI-তে serious venture আগ্রহ দেখা যাচ্ছে। এটি স্পষ্ট অদক্ষতা এবং তুলনামূলকভাবে সরাসরি return on investment-এর সংযোগস্থলে রয়েছে।

শ্রম প্রশ্ন এখনো শেষ হয়নি

সূত্র পাঠে আরও কঠিন প্রশ্নটির কথাও বলা হয়েছে, যা Basata-এর মতো কোম্পানির সামনে রয়েছে: healthcare workers-কে augment করা আর তাদের replace করার মাঝের সীমা কোথায়? এখনকার জন্য, কোম্পানির framing staff burden কমানো এবং practices-কে patient demand-এর সঙ্গে তাল মিলিয়ে চলতে সাহায্য করা। অনেক অফিসে এটি যুক্তিযুক্ত বক্তব্য। যদি backlog গুরুতর হয়, automation replacement-এর চেয়ে triage-এর মতো দেখাতে পারে।

কিন্তু administrative automation-এর economics এতটাই পরিষ্কার যে workforce implications এড়ানো যায় না। যদি AI systems রেফারাল পড়তে পারে, কল ধরতে পারে, রোগীদের শিডিউল করতে পারে, আর সব সময় renewals সামলাতে পারে, তবে front-office teams যে কাজ করে তার কিছু অংশ উল্লেখযোগ্যভাবে বদলে যাবে।

এটি প্রযুক্তিকে প্রত্যাখ্যান করার কারণ নয়। বরং তার দাবিগুলো সৎভাবে মূল্যায়ন করার কারণ। স্বাস্থ্যসেবায় labor augmentation এবং labor substitution প্রায়ই একই প্যাকেজে আসে, কেবল ভিন্ন গতিতে।

আসল সাফল্য কেমন দেখাবে

এ ধরনের টুলের আসল পরীক্ষা demo impress করে কি না, তা নয়। পরীক্ষা হলো deployment দেরি কমায় কি না, নতুন ব্যর্থতার ধরন তৈরি না করে। একটি AI scheduler যদি দ্রুত রোগীদের সঙ্গে যোগাযোগ করে কিন্তু referral urgency, insurance requirements, language needs, বা clinical preparation-এর সূক্ষ্মতা মিস করে, তবে তা কেবল bottleneck-টিকে অন্য কোথাও সরিয়ে দেবে।

এই প্রযুক্তির সবচেয়ে মূল্যবান সংস্করণগুলো হবে যেগুলো routine কাজ নির্ভরযোগ্যভাবে করে এবং জটিলতাকে মানুষের কাছে escalate করে। বিশেষজ্ঞ যত্নে edge cases গুরুত্বপূর্ণ। সব referral সম্পূর্ণ নয়। সব রোগীর কাছে পৌঁছানো যায় না। সব schedule slot উপযুক্ত নয়। Administrative automation তখনই সফল হয়, যখন এটি পুনরাবৃত্ত বোঝা কমায়, কিন্তু সব কেসকে একই script-এ সমান করে ফেলে না।

স্বাস্থ্যসেবা AI-এর একটি শান্ত কিন্তু গুরুত্বপূর্ণ সীমান্ত

Basata-র পদ্ধতি AI বাজারে একটি বড় পরিবর্তন দেখায়। সবচেয়ে তাত্ক্ষণিক মূল্য ক্লিনিকাল judgment প্রতিস্থাপনে নয়, বরং access-কে ঘিরে থাকা machinery মেরামতে থাকতে পারে। এটি AI-assisted diagnosis-এর মতো দৃশ্যমান না হলেও, বিশেষজ্ঞের জন্য অপেক্ষমাণ রোগীদের কাছে এটি আরও তাৎক্ষণিক হতে পারে।

কোম্পানি একটি অনাড়ম্বর সমস্যাকে লক্ষ্য করছে, কারণ সেটি বাস্তব, সাধারণ, এবং ব্যয়বহুল। স্বাস্থ্যসেবায় এগুলোই প্রায়শই adoption-এর জন্য সবচেয়ে ভালো শর্ত। যদি practices faxed referrals এবং ছোট staff teams-এর নিচে চাপা পড়ে থাকে, তাহলে referral থেকে appointment পর্যন্ত পথ ছোট করা automation-এ মনোযোগ বাড়তেই থাকবে।

গভীর শিক্ষা হলো, access failures প্রায়ই প্রশাসনিক ব্যর্থতার ছদ্মবেশ। রোগীরা “workflow fragmentation”-কে একটি বিমূর্ত system issue হিসেবে অনুভব করেন না। তারা একে referral-এর পর নীরবতা, পরবর্তী পদক্ষেপ নিয়ে অনিশ্চয়তা, এবং দেরিতে পাওয়া care হিসেবে অনুভব করেন। যদি AI এই ফাঁক নির্ভরযোগ্যভাবে কমাতে পারে, তবে exam room-এর বাইরে হলেও এটি স্বাস্থ্যসেবায় automation-এর সবচেয়ে practical ব্যবহারগুলোর একটি হয়ে উঠতে পারে।

এই নিবন্ধটি TechCrunch-এর প্রতিবেদনের ভিত্তিতে লেখা হয়েছে। মূল নিবন্ধটি পড়ুন.