AI आपत्कालीन कक्ष दुरुस्त करू शकत नाही — आणि तोच मुद्दा आहे

आपत्कालीन विभागाला संरचनात्मक समस्या आहे

युनायटेड स्टेट्समधील आपत्कालीन विभाग हे आरोग्य सेवा प्रणालीसाठी शेवटचा उपाय म्हणून काम करतात, जी रुग्णांना दारात येण्याच्या खूप आधीच अपयशी ठरते. दिवसांपर्यंत ताणलेले बोर्डिंग, रुग्णांच्या प्रतीक्षेत असलेले हॉलवे, कागदपत्रांमध्ये बुडालेले डॉक्टर आणि अत्यंत तुटपुंजे सहाय्यक कर्मचारी हे अपवाद नाहीत; ते सर्वसामान्य आहेत. या आठवड्यातील AI प्रॉग्नोसिस स्तंभात, ब्रिटनी ट्रँग असा युक्तिवाद करतात की कृत्रिम बुद्धिमत्ता साधने — कितीही अत्याधुनिक असली तरी — आपत्कालीन कक्ष दुरुस्त करणार नाहीत, कारण आपत्कालीन कक्ष ही सॉफ्टवेअर समस्या नाही. ती आरोग्य सेवा कशी आयोजित, वित्तपुरवठा आणि वितरित केली जाते यातील खोल, अधिक जिद्दी अपयशांचे लक्षण आहे.

हा निष्कर्ष भरभराटीस येत असलेल्या AI आरोग्य सेवा क्षेत्राच्या विरुद्ध आहे. अलिकडच्या वर्षांत, रुग्ण-डॉक्टर संभाषण ऐकून आपोआप क्लिनिकल नोट्स तयार करणाऱ्या AI लेखकांसाठी, सेप्सिसचा धोका किंवा आघाताची तीव्रता दर्शवणाऱ्या भविष्यवाणी अल्गोरिदमसाठी आणि छातीचे एक्स-रे आणि CT स्कॅन अचूकपणे वाचण्याचे आश्वासन देणाऱ्या संगणक दृष्टीसाठी उत्साह शिगेला पोहोचला आहे. वेळेचा दबाव, मोठा डेटा आणि उच्च जोखीम असलेला आपत्कालीन विभाग हे परिपूर्ण परीक्षण क्षेत्रासारखे दिसत आहे.

आपत्कालीन औषधांना AI का आकर्षित करते

हे आकर्षण समजण्यासारखे आहे. आपत्कालीन औषध हे सर्वात जास्त कागदपत्रे असलेल्या वैशिष्ट्यांपैकी एक आहे. एका सामान्य शिफ्टमध्ये मोठ्या प्रमाणात चार्टिंग, साइन-आउट्स, बिलिंग कोड आणि गुणवत्ता मेट्रिक्स तयार होतात. डॉक्टर बऱ्याचदा थेट रुग्ण सेवेच्या प्रत्येक तासासाठी दोन तास कामाच्या वेळेनंतर चार्टिंगवर घालवतात. AI लेखक ते तास परत मिळवण्याचे आश्वासन देतात, ज्यामुळे डॉक्टर स्क्रीनऐवजी रुग्णांवर लक्ष केंद्रित करू शकतात. ट्रायेज साधने जोखीम स्कोअरवर आधारित रुग्णांना प्राधान्य देण्यासाठी मशीन लर्निंग वापरतात, ज्यामुळे प्रतीक्षा वेळ कमी होऊ शकते. सेप्सिस भविष्यवाणी मॉडेल डॉक्टरांना सूक्ष्म सुरुवातीच्या लक्षणांबद्दल सावध करू शकतात, जसे की खांद्यावर आपोआप नजर टाकणे.

तरीही, ट्रँग नोंदवतात की, ही साधने प्रणालीच्या काठावर कार्य करतात. रात्री, आठवड्याच्या शेवटी किंवा विम्याशिवाय अनेक लोकांना काळजी घेण्यासाठी ER ही एकमेव जागा आहे या वस्तुस्थितीबद्दल ते काहीही करत नाहीत. प्रवेशाची गरज असलेल्या परंतु रुग्णालय क्षमतेमुळे जाण्यासाठी जागा नसलेल्या रुग्णांसाठी ते आंतररुग्ण बेड तयार करत नाहीत. ते परिचारिका, मानसोपचार कर्मचारी किंवा सामाजिक कार्यकर्त्यांची कमतरता दूर करत नाहीत. ते अशा रुग्णांचा प्रवाह थांबवत नाहीत ज्यांना प्राथमिक काळजी डॉक्टरांची भेट घेता आली नाही, किंवा ज्यांच्या गरजा वैद्यकीय नसून सामाजिक आहेत — घर, अन्न सुरक्षा, वाहतूक.

AI लेखक लक्षणांवर उपचार करतात, रोगावर नाही

रुग्णालय प्रशासकांचा लाडका AI लेखक घ्या. हे "मूर्ख समस्येच्या" समाधानाचे उत्तम उदाहरण आहे: नोट-टेकिंगचे कंटाळवाणे, पुनरावृत्ती कार्य आपोआप करणे. या प्रक्रियेत, क्लिनिकल भेटीदरम्यान, हे साधन खरोखरच बर्नआउट कमी करू शकते आणि डॉक्टर आणि रुग्ण यांच्यातील डोळ्यांचा संपर्क पुनर्संचयित करू शकते. अशी साधने वापरणारे डॉक्टर किमान सुरुवातीला कमी थकवा आणि उच्च समाधान नोंदवतात. परंतु त्या कागदपत्रांच्या ओझ्याची खोल कारणे — निरुपयोगी क्लिक्स, बचावात्मक औषध, अनुपालन-चालित चेकबॉक्सेस आणि विमा कंपन्यांना प्रत्येक मिनिटाचे समर्थन करण्याची गरज — अस्पर्शित राहतात.

व्हॉल्यूमपेक्षा मूल्याला बक्षीस देणारी प्रणाली तरीही क्लिनिशियनना अधिक रुग्ण पाहण्यास प्रवृत्त करेल, जरी चार्टिंग आपोआप झाले तरी. टायपिंगपासून आपोआप मुक्त झालेला डॉक्टर अजूनही गर्दीच्या प्रतीक्षा कक्षाचा आणि प्रशासकांनी ठरवलेल्या चार तासांच्या लक्ष्यांचा दबाव अनुभवतो. AI लेखक अधिक वेळ देत नाही; तो फक्त पिळलेला वेळ कुठे संपतो हे बदलतो. प्रोत्साहन, कर्मचारी गुणोत्तर आणि काळजीची प्रतिपूर्ती कशी केली जाते यात बदल न केल्यास, निव्वळ परिणाम असा होऊ शकतो की रुग्णालये त्याच संख्येच्या डॉक्टरांसाठी अधिक रुग्ण भेटी वेळापत्रक करतात, ज्यामुळे बर्नआउट आणखी वाढते.

त्याचप्रमाणे, AI-आधारित ट्रायेज साधने उपयुक्त ठरू शकतात, परंतु त्यांना काळजीपूर्वक कॅलिब्रेट करणे आणि आधीच कार्यरत असलेल्या कार्यप्रवाहात समाकलित करणे आवश्यक आहे. जर मूळ प्रक्रिया गोंधळलेली असेल तर अल्गोरिदमला तो गोंधळ वारसा मिळतो. आणि भविष्यवाणी मॉडेल ऐतिहासिक डेटामध्ये असलेले पूर्वाग्रह एन्कोड करू शकतात, ज्यामुळे आधीच हाशीवर असलेल्या लोकांसाठी आणखी वाईट काळजीचा धोका असतो.

'मूर्ख समस्या' सर्वात कठीण आहेत

ट्रँगचा स्तंभ हा व्यापक AI प्रॉग्नोसिस मालिकेचा भाग आहे, ज्याने सातत्याने असा युक्तिवाद केला आहे की आरोग्य सेवेमध्ये AI अवलंबनासाठी सर्वात महत्त्वाचे अडथळे चमकदार अल्गोरिदम नसून ते नॉन-ग्लॅमरस, कंटाळवाणे "मूर्ख समस्या" आहेत: डेटा इंटरऑपरेबिलिटी, अलर्ट थकवा, वापरकर्ता इंटरफेस आणि नियामक स्पष्टता. STAT मध्ये इतरत्र प्रोफाइल केलेल्या माजी ARPA-H संचालकाच्या स्टार्टअपने या समस्यांना सामोरे जाण्याचा प्रयत्न केला आहे, हे मान्य करून की औषधातील AI चे सर्वात मोठे विजय भव्य भविष्यवाणी करण्याऐवजी डिजिटल प्लंबिंग पुन्हा तयार करण्यातून येण्याची शक्यता आहे.

आपत्कालीन विभागाच्या संदर्भात, त्या मूर्ख समस्या सर्वत्र आहेत. कथात्मक लेखकांना शक्ती देणारी नैसर्गिक भाषा प्रक्रिया प्रत्येक उच्चार, बोली आणि वैद्यकीय मुहावरे सामावून घेणे आवश्यक आहे. इंटरफेस गोंधळलेल्या डेस्कवरील जुन्या संगणकांवर कार्य करणे आवश्यक आहे. AI आउटपुट एकाधिक विक्रेत्यांच्या इलेक्ट्रॉनिक आरोग्य रेकॉर्डमध्ये प्रवाहित करणे आवश्यक आहे, प्रत्येकाची स्वतःची रचना आहे. आणि अलर्ट ट्यून करणे आवश्यक आहे जेणेकरून क्लिनिशियन अलर्ट थकवामुळे त्यांना पूर्णपणे दुर्लक्ष करू नयेत. त्या समस्या सोडवणे आवश्यक आहे, परंतु तरीही ते फक्त खडबडीत पृष्ठभाग किंचित गुळगुळीत करते.

बोर्डिंगची समस्या सोडवली जाणार नाही. देशभरातील आपत्कालीन विभाग विक्रमी प्रतीक्षा वेळ नोंदवत आहेत कारण रुग्णांना आंतररुग्ण युनिटमध्ये हलवता येत नाही. हे बऱ्याचदा रुग्णालयातील बेडच्या कमतरतेमुळे होते, प्रवेश कागदपत्रांमुळे विलंब होत नाही. जर डॉक्टरांकडे ICU ची गरज असलेला गंभीर आजारी रुग्ण असेल परंतु ICU बेड मोकळा नसेल, तर कोणतेही AI साधन एक तयार करू शकत नाही. त्याचप्रमाणे, जेव्हा मानसोपचार होल्ड मानसिक आरोग्य सुविधेतील बेडसाठी दिवस प्रतीक्षा करतो, तेव्हा AI त्या रुग्णाला घर देणार नाही किंवा मानसोपचार कार्यबल विस्तृत करणार नाही.

काही समस्यांना तांत्रिक उपाय नाही

आपत्कालीन औषधातील ताण व्यापक कार्यबल कमतरता देखील प्रतिबिंबित करतो. परिचारिकांनी महामारी-युगातील बर्नआउट आणि खराब कामाच्या परिस्थितीमुळे मोठ्या प्रमाणात व्यवसाय सोडला आहे. डॉक्टर लवकर निवृत्त होत आहेत किंवा चांगले काम-जीवन संतुलन देणारी नोकरी शोधत आहेत. उर्वरित परिचारिका आणि डॉक्टरांमध्ये AI लेखक प्रवाहित केल्याने काही ताण कमी होऊ शकतो, परंतु ते प्रशिक्षित व्यावसायिकांची पाइपलाइन पुन्हा तयार करत नाही. प्रणालीगत निराकरणामध्ये शिक्षणातील मोठ्या गुंतवणूक, तास आणि पगाराची पुनर्रचना आणि सुरक्षित कर्मचारी गुणोत्तर तयार करणे समाविष्ट आहे — ही कामे राजकीय आहेत, तांत्रिक नाहीत.

मग रुग्ण स्वतः आहेत. आपत्कालीन विभाग वाढत्या प्रमाणात अपूर्ण सामाजिक गरजांचे भांडार म्हणून काम करतात. काळजीवाहू नसलेला वृद्ध रुग्ण जो पडतो; व्यसन असलेला तरुण प्रौढ परंतु काळजी योजना नसलेला; घर नसलेले काम करणारे कुटुंब. AI घरगुती काळजीची व्यवस्था करू शकत नाही, परवडणारी घरे जोडू शकत नाही किंवा मानसिक आरोग्य समुपदेशनाचा प्रवेश सुनिश्चित करू शकत नाही. ही प्रकरणे सुव्यवस्थित प्रणालीतील "काठाची प्रकरणे" नाहीत; अनेक रुग्णालयांमध्ये ते दैनंदिन उपस्थितांचा महत्त्वपूर्ण भाग दर्शवतात. EMR डेटा, निदान कोड आणि कथा या सर्व गोष्टी सामाजिक आरोग्य निर्धारक दर्शवतात, तांत्रिक प्रवाहातील दोष नव्हे.

खरा मार्ग पुढे

ट्रँगचा निष्कर्ष असा नाही की AI आपत्कालीन कक्षात निरुपयोगी आहे. उलट, स्तंभ हे मान्य करतो की काही साधने कागदपत्रांची अचूकता सुधारू शकतात, नियमित त्रुटी कमी करू शकतात आणि क्लिनिशियनना माहिती पुनर्प्राप्तीमध्ये मदत करू शकतात. परंतु ही सहाय्यक भूमिका आहेत. AI ER ची पुनर्रचना आणि पुनरुज्जीवन करू शकतो अशी अपेक्षा चुकीची आहे. आपत्कालीन विभागांना त्रास देणाऱ्या समस्या संपूर्ण आरोग्य सेवेला त्रास देणाऱ्या समस्या आहेत: विखंडित वित्तपुरवठा, प्राथमिक काळजी आणि मानसिक आरोग्य सेवांची कमतरता, कमी निधी असलेले सार्वजनिक आरोग्य आणि वृद्ध होणारी लोकसंख्या, हे सर्व कालबाह्य ऑपरेशनल मॉडेलवर आच्छादित आहे.

"AI ने ER दुरुस्त करण्याचे" प्रयत्न प्रतिकूल देखील ठरू शकतात जर त्यामुळे नेते कठीण संभाषणे टाळतील. प्रशासक सुधारणेचे लक्षण म्हणून नवीन AI डॅशबोर्डकडे निर्देश करू शकतात, त्याच श्वासात परिचारिका गुणोत्तर वाढवण्याची, बोर्डिंग प्रोटोकॉल सुधारण्याची आणि गैर-तातडीची काळजी वळवण्यासाठी समुदाय संस्थांसह कार्य करण्याची गरज दुर्लक्षित करतात. आपत्कालीन विभाग हा संपूर्ण आरोग्य सेवा परिसंस्थेसाठी दबाव कमी करणारा झडप आहे आणि तो फुटण्याच्या जवळ आहे. कोणतेही हुशार तंत्रज्ञान ते बदलणार नाही; केवळ काळजी वितरणाची रचना बदलण्याची वचनबद्धता ते करू शकते.

AI प्रॉग्नोसिसचा धडा असा आहे की आपण AI आपत्कालीन कक्ष दुरुस्त करू शकतो का हे विचारणे थांबवले पाहिजे आणि त्याऐवजी आपण तंत्रज्ञानाकडून अशी अपेक्षा का करतो जी केवळ धोरण, नेतृत्व आणि निधी सोडवू शकतात. अल्गोरिदमला मदत करू द्या, परंतु त्यांना समर्थनाची गरज असलेल्या प्रणालीचे संपूर्ण वजन वाहू देऊ नका.

ट्रँग लिहितात त्याप्रमाणे, AI ER च्या समस्या बदलू शकत नाही. हे विज्ञानाचे अपयश नाही. ही एक आठवण आहे की आरोग्य सेवा ही एक मानवी प्रणाली आहे आणि तिच्या सर्वात कठीण समस्या जिद्दीने मानवी आहेत.

हा लेख STAT News च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.