پزشکان به جای بیماران، هفتهای چندین ساعت را به خیره شدن به صفحات نمایش میگذرانند. رقم دقیق بسته به مطالعه متفاوت است، اما شکایت همگانی است: مستندسازی بالینی به یک شغل دوم تبدیل شده است. منشیهای پزشکی مبتنی بر هوش مصنوعی وعده میدهند که با گوش دادن به ملاقاتها و ساخت خودکار پرونده، این روند را معکوس کنند. با این حال، ابزاری که صرفاً گفتار را به متن تبدیل میکند کافی نیست. پزشکان به نرمافزاری نیاز دارند که پزشکی را درک کند، به جریانهای کاری بالینی احترام بگذارد و در پسزمینه اتاق معاینه محو شود. موثرترین پلتفرمها چندین قابلیت متمایز را با هم ترکیب میکنند. در اینجا آنچه یک ابزار مستندسازی بالینی جدی را از یک ابزار تبلیغاتی ساده برای مصرفکنندگان متمایز میکند، آورده شده است.
تشخیص گفتار در لحظه که پزشکی را درک میکند
نرمافزارهای دیکته با کاربرد عمومی، به محض ورود به بیمارستان دچار مشکل میشوند. این نرمافزار باید بداند که "MI" به معنای انفارکتوس میوکارد (myocardial infarction) است، نه مخفف پستی ایالت میشیگان، و "SOB" نشاندهنده تنگی نفس (shortness of breath) است، نه یک حالت احساسی. یک موتور با درجه بالینی باید بتواند تبادلات سریع در بخشهای اورژانس، لهجههای مختلف و دستور زبان نامنظم مکالمات واقعی را تجزیه و تحلیل کند. تأخیر (Latency) اهمیت دارد. اگر متن پیادهشده بیش از چند ثانیه از گفتگو عقب بماند، پزشکان اعتماد خود را از دست میدهند و شروع به اصلاح دستی میکنند. سیستم همچنین باید در محیطهای پر سر و صدا عمل کند—در میان صدای دستگاه MRI، هیاهوی یک بخش باز در کلینیک، یا والدینی که در بخش اطفال با کودکی بیقرار سر و کله میزنند. دقت در شرایط بالینی زنده، بنیادی است که همه چیز بر آن استوار است.
از متن خام تا یادداشتهای ساختاریافته
ثبت هر کلمه تنها شروع کار است. هوش مصنوعی باید آن صدا را به مستنداتی تبدیل کند که پزشک واقعاً بتواند آنها را تأیید کند. این یعنی تولید خودکار یادداشتهای SOAP، یادداشتهای پیشرفت و خلاصههای ملاقات، بدون اینکه پزشک را مجبور کند ساختار اصلی را از ابتدا بسازد. توصیف بیمار از بدتر شدن درد زانو باید در بخش ذهنی (Subjective) قرار گیرد. یافتههای پزشک از معاینه فیزیکی باید بخش عینی (Objective) را پر کند. ارزیابی (Assessment) و طرح درمان (Plan) باید منعکسکننده مراحل بعدی اعلامشده توسط پزشک باشد. یک منشی (scribe) مفید، عبارات طبیعی پزشک را حفظ میکند و در عین حال ساختار کافی برای برآورده کردن الزامات صورتحساب و بررسیهای قانونی را اعمال میکند. نتیجه، پیشنویسی است که به نظر میرسد توسط پزشک نوشته شده، نه توسط یک ربات.
ادغام عمیق با EHR و EMR
بدون ادغام، منشی پزشکی تبدیل به یک تب دیگر در مرورگر در صفحهای میشود که از قبل شلوغ است. یادداشتها باید مستقیماً به سیستمهای موجود پرونده الکترونیک سلامت (EHR) منتقل شوند تا کارکنان مجبور نباشند مشخصات دموگرافیک، لیست داروها یا جزئیات ارزیابی را دوباره تایپ کنند. ادغام باید دوطرفه باشد: هوش مصنوعی تاریخچه قبلی بیمار را برای زمینهسازی ویزیت فعلی استخراج میکند و سپس پس از پایان نوبت، یادداشت تکمیلشده را به فیلد مربوطه در پرونده ارسال میکند. وقتی این فرآیند درست کار میکند، جریان کاری پزشک چندین دقیقه در هر بیمار کاهش مییابد. وقتی شکست میخورد—و کاربران را مجبور میکند تکههای متن را بین اپلیکیشنها کپی کنند—میزان پذیرش آن از بین میرود. هماهنگ شدن با کار روزانه پزشک به معنای محو شدن در نرمافزاری است که آنها از قبل استفاده میکنند.
تشخیص چند گوینده
یک ملاقات بالینی یک تکگویی نیست. پزشک سوالات هدفمندی میپرسد. بیمار در مورد علائم صحبت میکند و سپس پاسخ میدهد. یک مراقب از گوشهای نظر میدهد. منشی باید هر گوینده را به درستی برچسبگذاری کند تا سوابق، اظهارات را به شخص درست نسبت دهد. اگر سیستم، خودتشخیصی بیمار را با تشخیص بالینی پزشک اشتباه بگیرد، پرونده گمراهکننده و بالقوه خطرناک میشود. تشخیص صداها همچنین به هوش مصنوعی کمک میکند تا تصمیم بگیرد چه چیزی در ستون ذهنی (Subjective) و چه چیزی در ارزیابی (Assessment) قرار گیرد. این امر مستلزم تفکیک صوتی (acoustic diarization) آموزشدیده بر اساس گفتگوهای پزشکی است، نه فقط پیادهسازی جلسات عمومی که انتظار دارد در هر لحظه فقط یک ارائهدهنده حضور داشته باشد.
پشتیبانی از تصمیمگیری بالینی
مستندسازی نباید یک آرشیو غیرفعال باشد. همانطور که هوش مصنوعی گوش میدهد، میتواند مانند یک چکلیست بیصدا در پسزمینه عمل کند. آیا پزشک به شروع