רופאים מבלים שעות מדי שבוע מול מסכים במקום מול מטופלים. הנתון המדויק משתנה בהתאם למחקר, אך התלונה היא אוניברסלית: תיעוד קליני הפך לעבודה שנייה. סקרייבים (scribes) רפואיים מבוססי בינה מלאכותית מבטיחים להפוך זאת על ידי האזנה למפגשים ובניית התיק הרפואי באופן אוטומטי. עם זאת, כלי שרק הופך דיבור לטקסט אינו מספיק. רופאים זקוקים לתוכנה שמבינה רפואה, מכבדת תהליכי עבודה קליניים, ונעלמת אל הרקע בחדר הבדיקה. הפלטפורמות היעילות ביותר משלבות מספר יכולות מובחנות. להלן מה שמבדיל בין כלי תיעוד קליני רציני לבין גימיק צרכני.

זיהוי דיבור בזמן אמת שמבין רפואה

תוכנות תמלול לשימוש כללי נכשלות ברגע שהן נכנסות לבית חולים. הן צריכות לדעת ש-"MI" פירושו אוטם שריר הלב (myocardial infarction), ולא הקיצור של מישיגן, ו-"SOB" מייצג קוצר נשימה (shortness of breath) ולא מצב רגשי. מנוע ברמה קלינית חייב לנתח חילופי דברים מהירים במחלקות מיון, דיבור עם מבטא, ודקדוק לא תקני של שיחה אמיתית. גם לעכבה (latency) יש חשיבות. אם התמלול מפגר אחרי הדיאלוג ביותר מכמה שניות, הרופאים מאבדים אמון ומתחילים לתקן ידנית. המערכת צריכה לתפקד גם בסביבות רועשות – מעל המהום של חדר MRI, בתוך ההמולה של מרפאה פתוחה, או כשורה מנסה להרגיע ילד חסר מנוח במחלקת ילדים. דיוק בתנאים קליניים חיים הוא הבסיס שעליו נשען כל שאר המערכת.

מתמלול גולמי לסיכומים מובנים

לכידת כל מילה היא רק ההתחלה. הבינה המלאכותית חייבת לארגן את השמע הזה לתיעוד שרופא יכול באמת לחתום עליו. המשמעות היא יצירה אוטומטית של סיכומי SOAP, סיכומי התקדמות וסיכומי מפגש, מבלי לאלץ את הקלינאי לבנות את השלד מאפס. תיאור המטופל על כאב ברך מחמיר צריך להופיע בסעיף ה-Subjective (סובייקטיבי). הממצאים של הרופא מבדיקה גופנית צריכים למלא את ה-Objective (אובייקטיבי). ה-Assessment and Plan (הערכה ותוכנית טיפול) צריכים לשקף את הצעדים הבאים שהקלינאי הצהיר עליהם. סקרייב יעיל שומר על הניסוח הטבעי של הרופא תוך הטלת מבנה מספיק כדי לענות על דרישות החיוב והביקורת המשפטית. התוצאה היא טיוטה שמרגישה כאילו נכתבה על ידי הרופא, ולא על ידי רובוט.

אינטגרציה עמוקה עם מערכות EHR ו-EMR

ללא אינטגרציה, הסקרייב הופך לעוד לשונית בדפדפן במסך שכבר עמוס מדי. הסיכומים צריכים לזרום ישירות למערכות הרשומות הרפואיות האלקטרוניות (EHR/EMR) הקיימות, כדי שהצוות לא יצטרך להקליד מחדש פרטים דמוגרפיים, רשימות תרופות או פרטי הערכה. האינטגרציה צריכה להיות דו-כיוונית: הבינה המלאכותית שואבת היסטוריה רפואית קודמת של המטופל כדי לתת הקשר לביקור הנוכחי, ואז דוחפת את הסיכום המושלם לשדה המפגש המתאים ברגע שהתור מסתיים. כשזה עובד, זרימת העבודה של הקלינאי מתקצרת בכמה דקות לכל מטופל. כשזה נכשל – ומאלץ משתמשים להעתיק קטעי טקסט בין אפליקציות – האימוץ של הכלי קורס. התאמה לעבודה היוממית של רופא פירושה להיעלם לתוך התוכנות שהם כבר משתמשים בהן.

זיהוי מספר דוברים

מפגש קליני אינו מונולוג. הרופא שואל שאלות ממוקדות. המטופל מתאר תסמינים, ואז עונה. מטפל או בן משפחה משתתף בשיחה מהצד. הסקרייב חייב לתייג כל דובר בצורה נכונה כדי שהתיעוד יייחס את הדברים לאדם הנכון במדויק. אם המערכת תבלבל בין האבחנה העצמית של המטופל לבין ההתרשמות הקלינית של הרופא, התיק יהפוך למטעה ואולי אף למסוכן. הבחנה בין קולות עוזרת גם לבינה המלאכותית להחליט מה שייך לעמודת ה-Subjective לעומת ה-Assessment. זה דורש acoustic diarization (זיהוי וחלוקת דוברים) שאומנה על דיאלוגים רפואיים, ולא רק תמלול פגישות גנרי שמצפה למציג אחד בכל פעם.

תמיכה בהחלטות קליניות

התיעוד לא צריך להיות ארכיון פסיבי. בזמן שהבינה המלאכותית מאזינה, היא יכולה לפעול כרשימת תיוג שקטה שרצה ברקע. האם הרופא הזכיר להתחיל