ഡോക്ടർമാർ രോഗികൾക്ക് പകരം ഓരോ ആഴ്ചയും മണിക്കൂറുകളോളം സ്ക്രീനുകളിലേക്ക് നോക്കിയിരിക്കുകയാണ്. പഠനങ്ങൾ അനുസരിച്ച് ഇതിന്റെ കൃത്യമായ കണക്കുകൾ മാറിക്കൊണ്ടിരിക്കുമെങ്കിലും, പരാതി ഒന്നുതന്നെയാണ്: ക്ലിനിക്കൽ ഡോക്യുമെന്റേഷൻ (clinical documentation) എന്നത് ഒരു രണ്ടാമത്തെ ജോലിയായി മാറിയിരിക്കുന്നു. സംഭാഷണങ്ങൾ കേൾക്കുകയും സ്വയം ചാർട്ടുകൾ തയ്യാറാക്കുകയും ചെയ്യുന്നതിലൂടെ ഇത് മാറ്റിയെടുക്കാൻ AI മെഡിക്കൽ സ്ക്രൈബുകൾ (AI medical scribes) വാഗ്ദാനം ചെയ്യുന്നു. എന്നാൽ വെറുതെ സംസാരത്തെ ടെക്സ്റ്റാക്കി മാറ്റുന്ന ഒരു ഉപകരണം മാത്രം പോരാ. വൈദ്യശാസ്ത്രം മനസ്സിലാക്കുന്നതും, ക്ലിനിക്കൽ വർക്ക്ഫ്ലോകൾ (clinical workflows) ബഹുമാനിക്കുന്നതും, പരിശോധനാ മുറിയിലെ പശ്ചാത്തലത്തിൽ തടസ്സമില്ലാതെ പ്രവർത്തിക്കുന്നതുമായ സോഫ്റ്റ്വെയറാണ് ഡോക്ടർമാർക്ക് ആവശ്യം. ഏറ്റവും ഫലപ്രദമായ പ്ലാറ്റ്ഫോമുകൾ പലതരം സവിശേഷതകൾ സമന്വയിപ്പിക്കുന്നു. ഒരു ഗൗരവകരമായ ക്ലിനിക്കൽ ഡോക്യുമെന്റേഷൻ ടൂളിനെ സാധാരണ ഉപഭോക്തൃ ഗാഡ്ജെറ്റുകളിൽ നിന്ന് വേർതിരിക്കുന്നത് ഇവയാണ്.
വൈദ്യശാസ്ത്രം മനസ്സിലാക്കുന്ന തത്സമയ സ്പീച്ച് റെക്കഗ്നിഷൻ (Real-Time Speech Recognition That Understands Medicine)
സാധാരണ ഉപയോഗത്തിനുള്ള ഡിക്റ്റേഷൻ സോഫ്റ്റ്വെയറുകൾ ആശുപത്രികളിൽ എത്തുമ്പോൾ പരാജയപ്പെടുന്നു. "MI" എന്നാൽ മിഷിഗന്റെ തപാൽ ചുരുക്കപ്പേരല്ല, മറിച്ച് 'myocardial infarction' ആണെന്നും, "SOB" എന്നത് ഒരു വൈകാരികാവസ്ഥയല്ല, മറിച്ച് 'shortness of breath' ആണെന്നും അത് മനസ്സിലാക്കേണ്ടതുണ്ട്. എമർജൻസി ഡിപ്പാർട്ട്മെന്റുകളിലെ അതിവേഗ സംഭാഷണങ്ങൾ, പ്രാദേശികമായ ഉച്ചാരണങ്ങൾ, യഥാർത്ഥ സംഭാഷണങ്ങളിലെ വ്യാകരണ പിശകുകൾ എന്നിവ തിരിച്ചറിയാൻ ക്ലിനിക്കൽ നിലവാരമുള്ള ഒരു എഞ്ചിന് സാധിക്കണം. ലേറ്റൻസി (Latency) വളരെ പ്രധാനമാണ്. ട്രാൻസ്ക്രിപ്റ്റ് സംഭാഷണത്തേക്കാൾ ഏതാനും സെക്കൻഡുകൾക്ക് പിന്നിലാണെങ്കിൽ, ഡോക്ടർമാർക്ക് അതിൽ വിശ്വാസം നഷ്ടപ്പെടുകയും അവർ അത് മാനുവലായി തിരുത്താൻ തുടങ്ങുകയും ചെയ്യും. ശബ്ദകോലാഹലങ്ങൾ ഉള്ള സാഹചര്യങ്ങളിലും ഈ സിസ്റ്റം പ്രവർത്തിക്കണം—എംആർഐ (MRI) റൂമിലെ ശബ്ദങ്ങൾക്കിടയിലോ, തിരക്കുള്ള ക്ലിനിക്കുകളിലോ, അല്ലെങ്കിൽ പീഡിയാട്രിക് വിഭാഗത്തിൽ അസ്വസ്ഥനായ ഒരു കുട്ടിയെ നോക്കുന്ന മാതാപിതാക്കളുടെ ഇടയിലോ ആകട്ടെ. തത്സമയ ക്ലിനിക്കൽ സാഹചര്യങ്ങളിൽ കൃത്യത നിലനിർത്തുക എന്നതാണ് മറ്റെല്ലാറ്റിന്റെയും അടിസ്ഥാനം.
റോ ട്രാൻസ്ക്രിപ്റ്റിൽ നിന്ന് സ്ട്രക്ചേർഡ് നോട്ടുകളിലേക്ക് (From Raw Transcript to Structured Notes)
ഓരോ വാക്കും രേഖപ്പെടുത്തുന്നത് ഒരു തുടക്കം മാത്രമാണ്. ആ ഓഡിയോയെ ഒരു ഡോക്ടർക്ക് ഒപ്പിട്ടു നൽകാൻ കഴിയുന്ന രീതിയിലുള്ള ഡോക്യുമെന്റേഷനായി AI ക്രമീകരിക്കണം. അതായത്, ഡോക്ടർക്ക് എല്ലാം പൂജ്യത്തിൽ നിന്ന് തുടങ്ങേണ്ടി വരാതെ തന്നെ SOAP നോട്ടുകൾ, പ്രോഗ്രസ് നോട്ടുകൾ, എൻകൗണ്ടർ സമ്മറികൾ (encounter summaries) എന്നിവ സ്വയമേവ തയ്യാറാക്കണം. മുട്ടുവേദന കൂടുന്നതിനെക്കുറിച്ചുള്ള രോഗിയുടെ വിവരണം 'Subjective' വിഭാഗത്തിൽ വരണം. ശാരീരിക പരിശോധനയിലൂടെ ഡോക്ടർ കണ്ടെത്തുന്ന കാര്യങ്ങൾ 'Objective' വിഭാഗത്തിൽ വരണം. ഡോക്ടർ നിർദ്ദേശിക്കുന്ന അടുത്ത ഘട്ടങ്ങൾ 'Assessment and Plan' വിഭാഗത്തിൽ പ്രതിഫലിക്കണം. ഒരു മികച്ച സ്ക്രൈബ് ഡോക്ടറുടെ സ്വാഭാവികമായ ശൈലി നിലനിർത്തുന്നതോടൊപ്പം തന്നെ, ബില്ലിംഗ് ആവശ്യങ്ങൾക്കും നിയമപരമായ പരിശോധനകൾക്കും അനുയോജ്യമായ രീതിയിൽ കൃത്യമായ ഘടനയും നൽകണം. ഇതിന്റെ ഫലമായി ലഭിക്കുന്ന ഡ്രാഫ്റ്റ് ഒരു റോബോട്ട് എഴുതിയതല്ല, മറിച്ച് ഡോക്ടർ തന്നെ തയ്യാറാക്കിയതാണെന്ന് തോന്നിപ്പിക്കണം.
ആഴത്തിലുള്ള EHR, EMR സംയോജനം (Deep EHR and EMR Integration)
സംയോജനം (Integration) ഇല്ലെങ്കിൽ, സ്ക്രൈബ് എന്നത് തിരക്കേറിയ സ്ക്രീനിലെ മറ്റൊരു ബ്രൗസർ ടാബ് മാത്രമായി മാറും. സ്റ്റാഫുകൾക്ക് ഡെമോഗ്രാഫിക്സ്, മരുന്നുകളുടെ പട്ടിക അല്ലെങ്കിൽ അസസ്മെന്റ് വിവരങ്ങൾ വീണ്ടും ടൈപ്പ് ചെയ്യേണ്ടി വരാതിരിക്കാൻ നോട്ടുകൾ നിലവിലുള്ള ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡ് (EHR) സിസ്റ്റങ്ങളിലേക്ക് നേരിട്ട് ഒഴുകണം. ഈ സംയോജനം ഇരുവശങ്ങളിലേക്കും (bidirectional) ആയിരിക്കണം: നിലവിലെ സന്ദർശനത്തിന് പശ്ചാത്തലം നൽകുന്നതിനായി AI മുൻപത്തെ രോഗചരിത്രം ശേഖരിക്കുകയും, പരിശോധന കഴിഞ്ഞാലുടൻ പൂർത്തിയായ നോട്ട് ശരിയായ ഫീൽഡിലേക്ക് എത്തിക്കുകയും വേണം. ഇത് ശരിയായി പ്രവർത്തിക്കുമ്പോൾ, ഓരോ രോഗിക്കും ഡോക്ടറുടെ ജോലിഭാരം കുറച്ചു മിനിറ്റുകൾ ലാഭിക്കാൻ സാധിക്കും. എന്നാൽ ഇത് പരാജയപ്പെടുകയാണെങ്കിൽ—അതായത് വിവരങ്ങൾ ഒരു ആപ്പിൽ നിന്ന് മറ്റൊന്നിലേക്ക് കോപ്പി ചെയ്ത് മാറ്റേണ്ടി വരികയാണെങ്കിൽ—അതിന്റെ ഉപയോഗം കുറയും. ഒരു ഡോക്ടറുടെ ദൈനംദിന ജോലിയിൽ ഉൾപ്പെടുക എന്നതിനർത്ഥം അവർ നിലവിൽ ഉപയോഗിക്കുന്ന സോഫ്റ്റ്വെയറിനുള്ളിൽ തന്നെ തടസ്സമില്ലാതെ പ്രവർത്തിക്കുക എന്നതാണ്.
മൾട്ടി-സ്പീക്കർ റെക്കഗ്നിഷൻ (Multi-Speaker Recognition)
ഒരു ക്ലിനിക്കൽ എൻകൗണ്ടർ എന്നത് ഒരാൾ മാത്രം സംസാരിക്കുന്ന ഒന്നല്ല. ഡോക്ടർ ചോദ്യങ്ങൾ ചോദിക്കുന്നു, രോഗി ലക്ഷണങ്ങളെക്കുറിച്ച് സംസാരിക്കുന്നു, ചിലപ്പോൾ കൂടെയുള്ള ഒരാൾ ഇടയ്ക്ക് സംസാരിക്കുകയും ചെയ്യുന്നു. ഓരോ സംസാരിക്കുന്ന വ്യക്തിയെയും കൃത്യമായി തിരിച്ചറിയാൻ സ്ക്രൈബിന് കഴിയണം, എങ്കിൽ മാത്രമേ ഓരോ പ്രസ്താവനയും ആ വ്യക്തിയുടേതാണെന്ന് കൃത്യമായി രേഖപ്പെടുത്താൻ സാധിക്കൂ. രോഗിയുടെ സ്വയം രോഗനിർണ്ണയവും ഡോക്ടറുടെ ക്ലിനിക്കൽ നിഗമനവും സിസ്റ്റം തെറ്റായി രേഖപ്പെടുത്തിയാൽ, അത് തെറ്റായ വിവരങ്ങൾ നൽകാനും അപകടകരമാകാനും ഇടയാക്കും. ശബ്ദങ്ങൾ വേർതിരിച്ചറിയുന്നത് 'Subjective' കോളത്തിൽ വരുന്നത് എന്തെന്നും 'Assessment' കോളത്തിൽ വരുന്നത് എന്തെന്നും തീരുമാനിക്കാൻ AI-യെ സഹായിക്കുന്നു. ഇതിനായി വെറുമൊരു മീറ്റിംഗ് ട്രാൻസ്ക്രിപ്ഷൻ രീതിയല്ല, മറിച്ച് മെഡിക്കൽ സംഭാഷണങ്ങൾക്കായി പ്രത്യേകം പരിശീലിപ്പിച്ച 'acoustic diarization' സാങ്കേതികവിദ്യ ആവശ്യമാണ്.
ക്ലിനിക്കൽ ഡിസിഷൻ സപ്പോർട്ട് (Clinical Decision Support)
ഡോക്യുമെന്റേഷൻ എന്നത് വെറുമൊരു വിവരശേഖരണം മാത്രമാകരുത്. AI കേൾക്കുന്നതിനോടൊപ്പം തന്നെ പശ്ചാത്തലത്തിൽ പ്രവർത്തിക്കുന്ന ഒരു ചെക്ക്ലിസ്റ്റ് പോലെയും പ്രവർത്തിക്കാം. ഡോക്ടർ mention ചെയ്തോ...