美国宾夕法尼亚大学健康系统在宾夕法尼亚医学生物库中拥有大量匿名患者数据，高级副总裁兼首席信息官Michael Restuccia的团队看到了利用这些数据造福研究医院患者的机会。
“我们讨论了如何利用AI研究中的一些创新技术并将其部署到诊所中，”他说。这促使他们创建了一种基于AI的诊断工具，这种工具可以自动评估典型腹部CT扫描生成的500多张图像，帮助早期诊断脂肪肝，一种常见的脂肪肝疾病。此类系统还可以帮助确定放射科医生应首先检查哪些扫描的优先级。
美国宾夕法尼亚大学佩雷尔曼医学院的医生、教授兼放射学副主任Charles Kahn补充说，能够获取有关人群的信息并了解个体与其他人群的不同之处，通过及早发现病情进行干预。“这就是精准医疗，这只是我们可以做的事情的一个原型。”
美国宾夕法尼亚大学正在打破医疗数字化的界限。斯坦福医学儿童健康中心、迈阿密大学健康系统和大西洋健康中心都在精准医疗、机器学习、环境文档等领域推进了相关项目。“从临床角度来看，我们看到了放射学、诊断服务和病理学方面取得的进步，”德勤AI实践负责人、医学博士Bill Fera这样说道。
宾夕法尼亚大学的AI首创成果
基于AI的CT扫描分析系统是首批部署到临床实践中的系统之一，一部分原因是研究驱动的学术医疗实践可以打造和运行自身的工具，而无需经过医疗产品制造商获得FDA批准所面临的严格程序。Kahn表示：“我们不能赠送或出售，但可以在实践中使用它。”
不过，这套系统并非一夜之间建成的。“算法真正准备好投入生产大概花了两年的时间，”宾夕法尼亚大学医学信息服务应用副主任Donovan Reid说，四年之后，也就是去年这个系统终于准备好投入生产。
由于该算法需要大量处理资源，团队决定将算法托管在云端。数据被加密并发送到云端进行处理，结果流回到放射学报告中。为了协调这个过程，IT团队开发了一个AI协调器，并计划将其开源提供给其他医疗提供商。宾夕法尼亚大学研究教授Walter Witschey表示：“这将对社区服务医院带来影响。”
在系统启动和运行之前，团队也面临一些挑战。IT担心图像数据流对基础设施产生影响，并且必须随时匹配计算资源以适应成像研究的需求。应用经理兼项目负责人Ameena Elahi 表示：“我们收到的数据量比我们预期的要大得多，而且系统必须快速产生结果。医生想要立即就看到结果，而不是等到凌晨四点。”
令人惊讶的是，直接成本（人工成本除外）每月仅为700美元左右。“我们发挥创造力，使用了已有的工具和应用，”Elahi说道。到目前为止，这个系统已经处理了6000多张扫描，现在团队正计划扩大规模，涵盖医院系统每年产生的150万张成像扫描。她说：“我们正在扩大协调器覆盖的范围，以处理不同类型的研究内容。”
Atlantic Health的环境文档
当Atlantic Health System研究如何减少医生倦怠时，IT团队专注于优化患者就诊期间的文档效率，并减少高级副总裁、首席信息和数字转型官Sunil Dadlani所谓的“购物篮负担”。
技术实际上导致了临床医生负担过重。Dadlani表示：“例如，电子健康记录（HER）系统是造成压力最常见的原因之一，医生在EHR上花费的时间比花在患者身上的时间还多。”医生经常将一些文档工作带回家，Dadlani和其他医疗CIO将其称之为“睡衣时间”。此外，随着消费者与数字世界的联系越来越紧密，家庭和工作之间的界限已经变得模糊。“这是导致倦怠的主要原因之一，”他说。
该项目最初由来自所有利益相关者代表组成的小组。在与临床医生明确问题后，协作团队制定了一项策略，医生全程参与其中。Dadlani说：“他们甚至参与了选择技术的过程。”IT团队随后为4800名临床医生部署了一个环境文档系统。
借助环境文档（也称为环境监听技术），AI算法可以监听临床医生和患者之间的对话，并实时创建笔记，临床医生可以查看这些笔记并将其保存到患者的记录中。“在很多情况下，记录是无需编辑的，”德勤的Fera说。
Dadlani表示，有了新系统之后，医生就可以有更多的时间与患者面对面交流，而不必担心创建文档的工作。现在有80%到90%的医生在使用它——他说，这个数字并不容易达到。
项目规划的一部分，涉及到了确保尖端技术能够与Atlantic Health现有的四五年技术足迹相结合。“你还必须了解在工作流程中的哪个位置使用这些技术，而不会给上游或下游带来问题，”Dadlani说道。而且IT的责任并不止于部署，他说：“这些技术存在性能偏差，因此你必须在整个生命周期内对其进行审核和监控。”
为了减少收件箱的工作量，团队分析了入站内容并创建了处方续药请求、预约安排和护理团队需要解决的问题等类别。然后，他们创建了一个系统，将消息分配给适当的人员，并应用AI来创建可由医生审查、编辑和发送的回复内容。没有人工审核，任何回复都不会发出。Dadlani说：“这非常重要，如今，我们在供应商满意度和效率方面处于全国前列。”
迈阿密大学健康系统进行调度优化
迈阿密大学高级副总裁、首席信息和数字官David Reis面临着另一种时间管理问题：外科医生在人力资源系统中预订休假和其他外出时间与学术医疗中心25多个手术室的调度系统是没有进行关联的。
“没有任何信息告诉手术室调度人员医生休假了，”这导致宝贵的手术室时间段没有被利用起来。因此，根据一位医生领导的建议，Reis组建了一个团队，创建了一个基于机器学习的主动型系统，该系统提供了关于手术室时间表中已分配时间段和数百名外科医生已预约时间段之间发生冲突的实时通知。
这个算法需要集成两个独立的平台：人力资源端的Workday和Epic电子病历系统。“我们想要一个可以无限扩展且高度可靠的解决方案，”迈阿密大学健康系统首席企业架构师Ravi Akkiraju说，但他不想从零开始进行开发。因此，团队首先联系了供应商。“Epic没有用于时间段安排的API，Workday也没有。”因此，他们和Workday合作开发了一个与Epic后端数据库及收件箱功能交互的API。
启动和运行新系统非常耗费时间，需要大量的手动工作。“Epic系统中有数万个数据表和数十万个数据字段，我们必须确定哪些适用于我们讨论的时间表，因为这是一个全新的集成。”
随着系统的启动和运行，手术室能够填补265个原本闲置的时间段。Reis说：“这样265名患者就能够提前接受手术，”并且前六个月内能够完成超过200小时的额外手术。
斯坦福医学儿童健康建立新的路线图
斯坦福儿童医院有大量癌症患者，但直到去年，针对每位患者定制的治疗方案或路线图大多仍停留在纸面上。
“我们的EMR供应商Epic在这一领域一无所有，我们也找不到任何能满足我们需求的产品，”斯坦福大学的首席信息和数据官Tanya Townsend说道，因此团队构建了自己的集成，将电子病历链接到托管患者路线图的Microsoft SharePoint系统中。
该项目耗时八个月建成。但现在，临床医生可以打开患者记录，如果有路线图，患者图表中就会出现一个提示，将临床医生带到SharePoint文档。现在有500多名员工使用该系统，系统中包含了1000多名患者的路线图。
Fera预计我们将会看到越来越多开放的EMR系统API可供提供商组织使用，这将为此类项目节省时间和金钱。他说：“法规正指引我们朝着这个方向前进，打开EMR，这就是创新的起点。开放的API将让我们可以在EMR之外进行创新，带来更多加速的机会。”
医疗数字化的下一步是什么
斯坦福大学的Townsend表示，越来越多的创新即将到来。她说：“我们正在考虑使用AI来提高临床医生的效率和收入周期自动化，以减少拒绝和事先授权，我们正在使用机器人流程自动化来实现功能自动化，我们发现这可以节省大量时间。”
该团队还在进行环境文档试点，以及一个收件箱试点项目，让患者可以和提供者沟通，并使用AI自动生成可能的响应。“理论上，响应时间和周转时间应该会有改善的，有这么多机会，CIO们必须确保他们出于正确的理由做了正确的事情，从一开始就了解结果，意识到并非所有事情都会达到预期，并迅速失败。”
Restuccia说，宾夕法尼亚大学还在推出更多临床健康工具，包括环境聆听，而且正在推进基于AI的图表汇总工具。他说：“当我们接诊患者的时候，他们往往患有来自不同医疗系统的各种并发症，图表汇总工具将减轻医生的负担。”在患者参与方面，他期望在患者自我安排、评估工具以及临床试验信息获取、在线支付和与护理团队互动方式方面有更多改进。他还希望能够更多地使用数据分析来分析每年从数百万次门诊就诊和数千次入院中收集的数据。
Reis说，迈阿密大学也在加速使用AI。“我们正在进行100多个AI项目，其中约20个已经完成。”其中80%是用于编码和计费的——这几乎是唾手可得的成果。此外，Fera补充说，通过自动化授权、裁决和上诉解决，生成式AI有望提高后台生产力。
但如今，大多数医疗保健创新仍然停留在后台。Restuccia表示：“这些项目更多的是为了减少管理和文档负担，但我们对AI在直接患者护理方面的能力仍有些犹豫。”
Reis表示，通过环境聆听，“我们正在发明更好的方法让EMR系统捕捉对话。我们尚未发明出一种让提供商避免点击健康记录的方法。”他说，提供商仍然必须“点击数十次才能记录患者的就诊情况。”
Fera补充说，医疗记录系统是一个仍然需要数字化的领域，他指出，大部分数据仍然是电子的，而不是数字的。“随着数字化，患者和临床医生之间的互动将发生根本性变化，”他指出，许多重要的进步例如环境聆听，都发生在医疗记录系统之外。“只要我们可以将电子医疗记录变成一个记录系统而不是一个工作系统，我们就可以在EMR的基础上进行创新，使工作流程对临床医生来说更加量身定制、更加直观。”
现在的重点是消除工作，而不是用户使用技术来工作。Reis说：“我们还没有达到技术消除工作的程度，但随着生成式AI的发展，我们即将实现这一目标。”
