विशेषज्ञ कार्यालये परत फोन का करत नाहीत, आणि AI स्टार्टअप्सना उपाय प्रशासकीय वाटतो का

आरोग्यसेवा AI आता back office मध्ये शिरत आहे

आरोग्यसेवेमध्ये artificial intelligence बद्दल सार्वजनिक चर्चा बहुतेक वेळा diagnosis, imaging, drug discovery, किंवा clinician-facing tools यांवर केंद्रित राहिली आहे. पण प्रणालीतील सर्वात हट्टी अपयशांपैकी एक खूपच कमी आकर्षक आहे: primary care referral आणि प्रत्यक्ष specialist appointment यामधील प्रशासकीय गुंतागुंत. तो फरक रुग्णाला वेळेत पाहिले जाईल का, आठवड्यांचा प्रतीक्षा कालावधी असेल का, की कधीच callback मिळणार नाही का, हे ठरवू शकतो.

Basata नावाचे startup असा दांव लावत आहे की ही अडचण फक्त एक गौण मुद्दा नाही, तर healthcare मध्ये automation साठी सर्वात महत्त्वाच्या लक्ष्यांपैकी एक आहे. Phoenix मध्ये दोन वर्षांपूर्वी स्थापन झालेली ही कंपनी incoming referral documents वाचते, संबंधित clinical माहिती काढते, आणि AI voice agent वापरून रुग्णांना थेट फोन करून appointments ठरवते असे software तयार करत आहे. prescription renewals आणि after-hours inquiries यांसारख्या सामान्य प्रशासकीय विनंत्यांसाठी phone-based automation देखील ती देते.

कंपनीचा दावा साधा आहे: specialist practices रुग्ण नकोत म्हणून अपयशी ठरत नाहीत. intake अजूनही प्रचंड manual आणि overburdened असल्यामुळे त्या अपयशी ठरत आहेत.

रेफरल समस्या ही रचनात्मक आहे, किस्स्यांची नाही

मूळ मजकूर एक अतिशय परिचित पॅटर्न वर्णन करतो. रेफरल्स अजूनही बऱ्याचदा fax ने येतात. छोटी administrative teams असलेल्या specialty practices शेकडो किंवा हजारो documents हाताळू शकतात. रुग्ण कागदपत्रे queues मध्ये पडून राहणे, systems मधून फिरणे, किंवा backlog मध्ये हरवणे यामुळे वाट पाहत राहतात.

या friction ला कमी लेखणे सोपे आहे, कारण ते बाहेरून बहुतेक अदृश्य असते. Healthcare shortages अनेकदा physician supply, insurance access, किंवा hospital capacity या भाषेत मांडले जातात. ती बंधने खरी आहेत, पण त्यांच्यामधील operational failure देखील तितकाच खरा आहे. रुग्णाकडे referral, बाजारात उपलब्ध specialists, आणि अगदी तातडीची गरज असतानाही office workflow फारच मंद किंवा विखुरलेला असेल तर scheduling कठीण होऊ शकते.

Basata चे founders ही समस्या वैयक्तिक अनुभवातून सांगतात. एकाने सांगितले की गंभीर carotid artery diagnosis नंतर त्याच्या वडिलांना अनेक cardiology groups कडे पाठवले गेले, पण वेळेत प्रतिसाद मिळाला नाही. दुसऱ्याने सांगितले की त्याच्या पत्नीच्या cardiac care प्रवासाने, deep domain knowledge असूनही, administrative complexity कशी विलंब घडवू शकते हे उघड केले.

या कथा व्यक्तिनिष्ठ आहेत, पण त्या व्यापकपणे मान्य operational reality शी जुळतात: care कडे जाणारा मार्ग बहुतेक वेळा medicine पेक्षा paper work, phone queues, आणि follow-up failure मुळे अडतो.

कंपनी नेमके काय automate करत आहे

रेफरल आला की Basata ची प्रणाली दस्तऐवज process करते, महत्त्वाचे clinical तपशील काढते, आणि AI voice agent वापरून रुग्णाला फोन करून visit schedule करते. रुग्ण कोणत्याही वेळी फोनवर AI agent शी संपर्क साधून सामान्य प्रशासकीय कामेही करू शकतात.

मूळ मजकूर म्हणतो की ध्येय खूप आक्रमक आहे: primary care visit नंतर कारकडे परत जात असताना appointment ठरलेले असावे. तो नेमका मानक सर्वत्र होईल का, यापेक्षा त्यामागची operational ambition अधिक महत्त्वाची आहे. referral तयार होण्यापासून specialist intake पर्यंतचा कालावधी days किंवा weeks वरून minutes वर आणण्याचा प्रयत्न कंपनी करत आहे.

ते विश्वासार्हपणे साध्य झाल्यास, फायदा केवळ सोयीपुरता नसतो. जलद scheduling leakage कमी करू शकते, patient follow-through सुधारू शकते, आणि intake process मागणी सांभाळू न शकल्यामुळे वाया जाणारी capacity भरण्यास मदत करू शकते.

हे क्षेत्र गुंतवणूकदारांना का आकर्षित करत आहे

प्रशासकीय healthcare work महाग, पुनरावृत्ती करणारे, आणि systems मध्ये खराबरीत्या एकत्रित असते. त्यामुळे document extraction, voice automation, आणि workflow tools वापरणाऱ्या AI vendors साठी ते नैसर्गिक लक्ष्य ठरते; उच्च-जोखमीच्या clinical decision-making साठी नाही. Diagnostic AI च्या तुलनेत regulatory आणि liability profile अधिक व्यवस्थापनीय वाटू शकतो, तर business value मोजणे सोपे असते.

विशेषज्ञ रेफरल process विशेषतः आकर्षक आहे, कारण त्या वेदनेचे स्वरूप स्पष्ट आहे आणि workflow अजूनही आश्चर्यकारकपणे जुन्या channels वर अवलंबून आहे. Fax-based intake जुने वाटू शकते, पण मूळ सामग्री स्पष्ट करते की ते अनेक practices मध्ये अजूनही मध्यवर्ती आहे. AI tools ला संपूर्ण infrastructure बदलण्याची गरज नाही; येणारे काय आहे ते समजून ते वेगाने पुढे ढकलणे इतकेच पुरेसे असते.

म्हणूनच back-office healthcare AI कडे गंभीर venture लक्ष जात आहे. ते स्पष्ट inefficiency आणि तुलनेने थेट return on investment यांच्या छेदावर बसते.

कामगारांचा प्रश्न अजून संपलेला नाही

Basata सारख्या कंपन्यांपुढे उभ्या असलेल्या कठीण प्रश्नाचाही स्रोत मजकूर उल्लेख करतो: healthcare workers ला augment करणे आणि त्यांना बदलणे यामधली रेषा कुठे आहे? सध्या कंपनीचा दृष्टीकोन staff burden कमी करणे आणि practices ला patient demand सांभाळण्यात मदत करणे असा आहे. अनेक कार्यालयांमध्ये हा विश्वासार्ह युक्तिवाद आहे. backlog गंभीर असेल तर automation replacement पेक्षा triage सारखे दिसू शकते.

पण administrative automation चे economics इतके स्पष्ट आहेत की workforce implications दुर्लक्षित करता येत नाहीत. AI systems जर referrals वाचू शकतात, calls answer करू शकतात, रुग्ण schedule करू शकतात, आणि renewals 24x7 हाताळू शकतात, तर front-office teams करत असलेल्या कामाचा काही भाग लक्षणीय बदलणारच.

हे तंत्रज्ञान नाकारण्याचे कारण नाही. त्याच्या दाव्यांचे प्रामाणिक मूल्यांकन करण्याचे कारण आहे. आरोग्यसेवेत labor augmentation आणि labor substitution अनेकदा एकाच package मध्ये येतात, फक्त वेग वेगळा असतो.

खरा यश कसा दिसेल

अशा tools साठी खरी परीक्षा demo प्रभावी वाटतो का, ही नाही. तैनातीमुळे विलंब कमी होतो का, आणि नवीन failure modes तयार होत नाहीत का, ही आहे. AI scheduler जो रुग्णांशी पटकन संपर्क करतो पण referral urgency, insurance requirements, language needs, किंवा clinical preparation यांसारख्या बारकाव्यांकडे दुर्लक्ष करतो, तो फक्त bottleneck दुसरीकडे हलवेल.

या तंत्रज्ञानाच्या सर्वात मौल्यवान आवृत्त्या अशा असतील ज्या routine कामे विश्वासार्हपणे करतात आणि गुंतागुंतीची प्रकरणे माणसांकडे escalate करतात. Specialist care मध्ये edge cases महत्त्वाच्या असतात. प्रत्येक referral पूर्ण नसतो. प्रत्येक रुग्णाला संपर्क साधता येत नाही. प्रत्येक schedule slot योग्य नसतो. Administrative automation तेव्हाच यशस्वी होते जेव्हा ती पुनरावृत्तीचा बोजा कमी करते आणि प्रत्येक case एका script मध्ये सपाट करत नाही.

आरोग्यसेवा AI मधील शांत पण महत्त्वाची आघाडी

Basata चा दृष्टिकोन AI market मधील मोठा बदल दाखवतो. सर्वात तातडीची value clinical judgment बदलण्यात नाही, तर access भोवतीच्या machinery दुरुस्त करण्यात असू शकते. ते AI-assisted diagnosis इतके दिसत नाही, पण specialist ची वाट पाहणाऱ्या रुग्णांसाठी ते अधिक तात्काळ असू शकते.

कंपनी एक अनाकर्षक समस्या लक्ष्य करत आहे, कारण ती खरी, सामान्य, आणि महाग आहे. आरोग्यसेवेत अशा परिस्थिती adoption साठी अनेकदा सर्वोत्तम असतात. practices faxed referrals आणि लहान staff teams खाली दबल्या असतील, तर referral पासून appointment पर्यंतचा प्रवास कमी करणारे automation लक्ष वेधतच राहील.

मूळ धडा असा की access failures अनेकदा प्रशासकीय अपयशांच्या वेषात असतात. रुग्ण “workflow fragmentation” ला एखादी अमूर्त system issue म्हणून अनुभवत नाहीत. ते ते referral नंतरचे मौन, पुढील टप्प्यांबद्दलची अनिश्चितता, आणि उशिरा मिळणारी care म्हणून अनुभवतात. AI जर ही दरी विश्वासार्हपणे कमी करू शकत असेल, तर ती exam room पासून दूर असली तरीही, आरोग्यसेवेत automation चा सर्वात practical उपयोग बनू शकते.

हा लेख TechCrunch च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.