尽管我们已经讨论了很多关于人工智能（AI）和机器学习的话题，但这些技术仍然是医疗保健领域的“新宠”——这既有优点也有缺点。由于这些技术的应用范围非常广泛，我们不断发现新的令人兴奋的应用方式和领域。然而，由于技术可以应用于如此广泛的领域，它在许多方面仍处于试验阶段——无论是我们在新领域中的应用，还是在已使用领域的长期影响。
今天，我们将把焦点缩小到这些令人兴奋且广泛的技术对EHR系统的影响上。我们联系了我们杰出的《Healthcare IT Today》社区成员，询问他们——将AI和机器学习整合到EHR系统中有哪些潜在的好处和挑战？以下是他们的回答。
Maxim Abramsky，Edifecs产品管理副总裁
好处：AI通过分析患者数据来支持准确的诊断和个性化治疗，从而改善决策。它自动化常规任务，减轻行政负担，并使用预测分析来预测患者结果和改进资源分配。通过简化工作流程和识别公共卫生趋势，AI促进了更好的人群健康管理。
挑战：采用面临诸如数据隐私问题、有偏见或不完整的数据集导致的不准确性，以及与现有EHR系统难以集成等障碍。高昂的实施成本和临床医生可能对AI生成的见解持怀疑态度，增加了复杂性。确保遵守医疗保健法规进一步减缓了采用速度。AI在医疗保健中的应用往往是挑战与好处之间的平衡。
Dr. Michael Sherling，ModMed联合创始人兼首席医疗和战略官
AI集成是解锁未来的关键，未来将减少行政负担并更加精简临床工作流程，特别是文档处理。直接内置于EHR中的环境监听功能能够捕捉医生与患者的对话，并将其转换为不仅仅是文字，而是有价值的信息，防止医生在下班后花费大量时间记录笔记，使他们能够在就诊期间全神贯注于患者。
Dr. Mimi Winsberg，Brightside Health联合创始人兼首席医疗官
随着医疗保健数据量的迅速扩展，AI提供了一种使EHR数据更易于临床医生采取行动的有前途的方法。在心理健康护理中，AI可以消化大量的患者信息，然后检测模式并总结迄今为止的治疗情况，从而提高诊断准确性。AI可以向提供者建议治疗计划、主动跟进和实时调整治疗方案，甚至在危机发生前预测潜在的危机。这样的技术可以为患者带来更及时和个性化的干预措施。
此外，AI减轻了临床医生的行政负担，节省了宝贵的时间，减少了职业倦怠，使患者互动更有意义。最后，AI可以为提供者生成待办事项清单和行动项目，并作为质量保证的措施。我们继续将AI视为临床医生和卫生系统的工具，而不是替代品。总体而言，AI可以通过总结和提供及时、合适的护理决策来支持临床决策，并为患者节省数小时的评估时间。
Sandra Johnson，ClinciComp客户服务中心高级副总裁
将AI和机器学习整合到EHR解决方案中，将这些系统转变为动态、智能的工具，增强临床决策和简化工作流程，最终改善患者护理和运营效率。此外，这一创新必须解决数据准确性、患者隐私和互操作性等挑战。通过培养持续创新的文化并优先考虑用户反馈，我们可以确保EHR系统不断发展以满足现代医疗保健不断变化的需求。
John Hataway，Savista持续改进与自动化高级总监
将AI和机器学习技术有效整合到EHR系统中可以带来显著的好处。这些技术可以增强连续护理、改进错误检测并减少行政负担，使医疗保健提供者能够更多地关注患者，改善整体患者体验（和结果）。AI/ML可以通过提供基于观察结果和上游病例特征的潜在临床路径改进的见解来支持最佳实践的遵守和扩展临床思维带宽。同样，这些工具可以实现更好的患者结果和风险分层预测分析，促进更个性化的医疗保健交付，同时增强临床医生的决策支持系统。
然而，这些好处伴随着重大挑战。AI不准确（或幻觉）可能会带来严重风险，过度依赖AI/ML可能会削弱临床判断和结果，当AI构建在EHR结构中时，这些风险会加剧。数据标准化和流程集成的复杂性从成本和有效性角度来看是巨大的障碍。此外，由于AI集成可能引入的潜在漏洞，患者数据隐私和安全问题始终是首要考虑的问题。有效利用这些工具需要对技术和用户进行培训，确保持续遵守监管和安全指南。最后，实施旨在提升医疗保健交付的技术和系统的潜在好处必须与去人性化交付的潜在成本/风险相权衡。
Rob Helton，WebPT产品高级副总裁
要使AI在医疗保健中真正具有变革性，我们需要解决三个核心挑战：数据质量、互操作性和成本。没有干净、标准化的数据，AI无法提供可靠的见解。没有系统之间的无缝集成，我们无法实现全面协调的患者护理。没有具有成本效益的解决方案或激励措施，创新将在报销利润率下降的市场中停滞不前。
Todd Doze，Janus Health首席执行官
AI在收入周期中具有巨大的潜力，可以降低医疗系统的收款成本。但将AI整合到EHR中可能会进一步加剧AI拥有者和无AI者的差距。一个基于EHR的AI项目的启动成本可能高达50万美元或更多。此外，还需要在人才、基础设施和维护方面的额外投资。许多提供者根本没有资源走DIY的道路。对于那些没有强大IT基础设施和员工的医疗系统来说，优先考虑AI合作伙伴关系通常比DIY更具成本效益。考虑与提供EHR集成AI解决方案的合作伙伴合作，以实现劳动力成本、拒付减少、注销改进以及员工和患者体验的变革性变化。
Tarken Friske，Full Spectrum咨询高级总监
在当前及时获得医生服务越来越困难的世界中，AI和机器学习技术为患者和提供者带来了多方面的机会，最终推动患者结果的改善。关键好处包括：
- 提高效率：AI非常适合自动化某些非关键的提供者任务，如记笔记和数据录入，这可以节省大量时间，更好地用于患者护理。
- 增强临床决策支持：AI可以分析大量患者数据，帮助临床医生做出更明智的决策；ML算法可以通过分析患者历史、实验室结果和其他数据来增强临床决策支持，促进证据驱动的决策并可能减少诊断错误。
- 个性化医疗：AI在大型和不同的数据集中发现模式的能力使得可以考虑患者的基因、生活方式信息和其他非传统变量，推荐个性化的治疗方案，从而实现更精确和有效的护理。
虽然潜在的好处显而易见，但在将这些技术整合到EHR系统中时仍需克服一些挑战：
- 数据隐私和安全：EHR系统包含敏感的患者信息，整合AI会增加额外的网络安全风险；随着AI访问大量患者数据，遵守HIPAA和其他隐私法规变得越来越复杂。
- 数据质量和偏差：为了有效运行，AI需要高质量的数据；EHR中可能存在不完整、过时或有偏见的数据，这可能导致不准确的预测或加剧现有的健康差异。
- 互操作性问题：不同的提供者网络使用不同的EHR系统；缺乏标准化使得跨平台集成AI变得困难，可能限制AI访问综合数据集。
- 提供者抵触：医疗保健提供者可能因学习曲线和潜在的工作流程中断而对新技术产生抵触情绪；培训和变更管理是确保成功采用AI的必要条件。
Shyam Rajagopalan，Infinitus Systems联合创始人兼首席技术官
历史上，将AI和机器学习整合到EHR系统中一直是一个挑战，因为很难将数据移入和移出这些平台，这些平台通常是封闭和专有的。SMART on FHIR和FHIR标准的引入大大提高了数据互操作性，允许更容易地提取数据并与外部应用程序更好地集成，特别是在支持这些标准的现代EHR中。这也使得EHR和外部工具之间的登录凭据链接变得更加简单，简化了用户体验。然而，虽然提取数据变得更加容易，但将结构化数据重新输入EHR仍然很困难，许多系统仍然只支持基本或非结构化数据输入，如平面文档或文本块。
这一进展使得开发专注于行政任务（如调度和福利管理）的AI和ML应用程序成为可能，因为这些任务通常依赖于从EHR中提取现有数据，并且适合于非结构化输入。然而，将结构化临床数据输入EHR的障碍意味着临床AI应用程序（如辅助诊断、治疗计划或患者监测的AI）的发展相对较早。总体而言，我们正朝着在EHR中启用更多ML应用程序的方向发展。
Michael Meucci，Arcadia总裁兼首席执行官
将AI整合到EHR系统中的一个挑战是使提供者能够应对丰富信息。如今，大规模AI部署受到缺乏工作流程的限制。想想看：强大的技术和经过充分训练的模型结合高质量的聚合数据可以生成无数的建议、新活动和信号。我们需要在合适的时间、地点和格式将信息传递给护理团队，以便他们能够采取行动，避免进一步加重提供者的负担。换句话说，人类必须能够有效地管理AI可以创造的丰富信息。直到我们能够大规模地将AI输出有效整合到现有的EHR工作流程中，我们才能充分利用技术来提高工作效率。当我们有效地民主化生成式AI的力量时，我们将解锁巨大的好处。
一个具体的例子是个性化精准医疗，它可以为每位患者提供最佳的护理。将AI驱动的证据生成能力引入EHR可以加速适当的临床决策，推动基于患者独特生理学的高价值、低成本患者护理。我看到提供者使用床旁工具快速生成新的同行评审证据，并利用这些信息就最佳临床指南、护理路径和最佳干预措施做出数据驱动的决策。在这种情况下，提供者通过使用技术作为副驾来节省本需手动努力的研究时间；患者通过接受最新的基于证据的护理而受益，这种护理针对其个人需求进行了优化，以实现最佳结果；医疗提供者和付款人在基于价值的护理和其他质量倡议中取得成功。
Srdjan Prodanovich，MD FAAD，EZDERM创始人兼首席医疗官
AI在医学中的真正优势在于其分析复杂临床场景的能力，在这些场景中，患者的遗传组成、病史、实验室和影像结果以及药物相互作用。医疗提供者经常面对大量数据，难以识别最相关的信息。通过利用广泛的医学知识，AI可以全面评估这些因素，生成宝贵的临床决策支持，超越其目前作为记录员的角色。这一进步增强了临床决策，提高了诊断的准确性和治疗计划的有效性。AI甚至可以预见可能被忽视的潜在并发症或危险的药物相互作用。当AI向医生呈现这些关键信息时，它赋予了更快、数据驱动的决策能力，最终提升了患者护理。结果是一个更高效的医疗系统，改善了患者结果并减少了医疗提供者的倦怠。
感谢Maxim Abramsky（Edifecs产品管理副总裁）、Dr. Michael Sherling（ModMed联合创始人兼首席医疗和战略官）、Dr. Mimi Winsberg（Brightside Health联合创始人兼首席医疗官）、Sandra Johnson（ClinciComp客户服务中心高级副总裁）、John Hataway（Savista持续改进与自动化高级总监）、Rob Helton（WebPT产品高级副总裁）、Todd Doze（Janus Health首席执行官）、Tarken Friske（Full Spectrum咨询高级总监）、Shyam Rajagopalan（Infinitus Systems联合创始人兼首席技术官）、Michael Meucci（Arcadia总裁兼首席执行官）和Srdjan Prodanovich（MD FAAD，EZDERM创始人兼首席医疗官）抽出时间为我们提供引言！也感谢大家抽出时间阅读这篇文章！没有你们的支持，我们无法做到这一点。
你认为将AI和机器学习整合到EHR系统中的潜在好处和挑战是什么？请在下面的评论中或在社交媒体上告诉我们！我们非常期待听到你们的意见！
(全文结束)
