Inhaltsverzeichnis
- Wichtige Punkte
- Hintergrund: Warum diese Forschung wichtig ist
- Warum das Gesundheitswesen bei der KI-Einführung hinter anderen Branchen zurückbleibt
- Arten von KI im Gesundheitswesen
- KI in der Erstattung: Das Labyrinth aus Abrechnung und Versicherung überwinden
- KI in klinischen Abläufen: Intelligentere Krankenhäuser und Operationssäle
- KI für Qualität und Sicherheit: Patienten schützen und das Erlebnis verbessern
- Klinische Implikationen: Was dies für Patienten bedeutet
- Einschränkungen: Was die Studie nicht beweisen konnte
- Empfehlungen: Was Patienten wissen und tun sollten
- Häufig gestellte Fragen
- Quelleninformationen
Wichtige Punkte
- KI im US-Gesundheitswesen steckt noch in den Anfängen, wird aber bereits in der Abrechnung, Krankenhausabläufen und der Patientensicherheit getestet.
- KI kann die Ablehnung von Versicherungsansprügen vorhersagen; ein Versicherer steigerte den Anteil komplexer Ansprüche, die ohne Ablehnung bearbeitet wurden, von unter 80 % auf über 90 %.
- Basierend auf Simulationen kann KI die Auslastung der Operationssäle um 15–20 % verbessern, was die Wartezeiten für chirurgische Eingriffe möglicherweise verkürzt.
- Ein frühes KI-Warnsystem hat reportedly etwa 8.000 Leben in einem Gesundheitsnetzwerk gerettet und die Sterblichkeit in 21 Krankenhäusern reduziert.
- Die meisten KI-Anwendungen liegen keine randomisierten kontrollierten Studien zugrunde, daher sollten Patienten nach den Beweisen hinter KI-Empfehlungen fragen.
Hintergrund: Warum diese Forschung wichtig ist
Die Einführung von künstlicher Intelligenz (KI)—Maschinen oder Computersysteme, die in der Lage sind, intelligente Entscheidungen zu treffen—erfolgt in Phasen über verschiedene Wirtschaftssektoren hinweg. Der Einsatz von KI ist bereits in vielen Bereichen fortgeschritten, darunter die Neugestaltung der Anlageberatung durch Finanzinstitute, die Bereitstellung von „Empfehlungsmotoren“, die das nächste online zu kaufende Einzelhandelsprodukt vorschlagen, und die Entwicklung fahrerloser Fahrzeuge. Im Gesundheitswesen befindet sich KI jedoch noch in den Anfängen.
Diese Lücke ist bedeutsam, da der Bedarf an KI zur Verbesserung des Gesundheitswesens dringend geworden ist. Betrachten Sie das explosive Wachstum medizinischen Wissens. Im Jahr 1980 verdoppelte sich die gesamte Menge an medizinischem Wissen, die zur Behandlung eines Patienten erforderlich war, alle 7 Jahre. Bis zum Jahr 2010 hatte sich diese Verdopplungsperiode auf weniger als 75 Tage verkürzt. Die Zahlen sind beeindruckend: Das, was Medizinstudierende in ihren ersten 3 Jahren lernen, entspricht nur 6 Prozent der bekannten medizinischen Informationen zum Zeitpunkt ihres Abschlusses. Ihr Wissen mag zwar noch relevant sein, ist aber möglicherweise nicht immer vollständig—einige der vermittelten Inhalte könnten bereits veraltet sein.
KI hat das Potenzial, das Wissen eines klinischen Teams zu ergänzen, um sicherzustellen, dass Patientinnen und Patienten überall die bestmögliche Versorgung erhalten. Wirtschaftliche Kräfte beschleunigen diesen Trend. Die Entwicklung robusterer KI-Algorithmen aus größeren Datenmengen—eine „Ökonomie der Expertise“—hat eine neue Teilindustrie namens Gesundheitsdienstleistungen und -technologie (einschließlich Software und Plattformen, Datenanalyse sowie Zahlungsleistungen) geschaffen, die in den nächsten Jahren finanziell so groß sein könnte wie die heutige gesamte Versicherungsbranche.
Auch die Pandemie der coronavirus disease 2019 (Covid-19) diente als Katalysator und veranlasste Organisationen, Pläne zur Digitalisierung und zum Einsatz von KI zu beschleunigen. Auf Management- und Vorstandsebene hat das jüngste öffentliche Bewusstsein für generative KI die Diskussionen über KI verstärkt. Darüber hinaus könnte die Einführung von KI sekundäre Effekte haben, wie etwa die Linderung eines Teils des anhaltenden Mangels an Ärztinnen und Ärzten sowie Pflegekräften.
Warum das Gesundheitswesen bei der KI-Einführung hinter anderen Branchen zurückliegt
Die Einführung von KI im Gesundheitswesen hinkt anderen Wirtschaftssektoren aus mehreren spezifischen Gründen hinterher. Frühe KI fand in Branchen Fuß, in denen große Mengen strukturierter, quantitativer Daten verfügbar waren und Computeralgorithmen an diskreten Ergebnissen geschult werden konnten—zum Beispiel ob ein Kunde sich ein Produkt angesehen hat und es gekauft hat oder nicht. Das Gesundheitswesen steht vor einzigartigen Herausforderungen:
- Qualitative Informationen sind schwieriger zu interpretieren. Klinische Notizen und Patientenberichte sind für Algorithmen im Allgemeinen schwieriger zu verarbeiten als strukturierte numerische Daten.
- Multifaktorielle Ergebnisse erschweren das Training. Die klinische Entscheidungsfindung umfasst viele ineinandergreifende Faktoren, was das Training von Algorithmen schwieriger macht als in einfacheren Geschäftskontexten.
- Die Integration in den klinischen Arbeitsablauf ist herausfordernd. Die Einbettung von KI-Ausgaben in einen bereits komplexen klinischen Arbeitsablauf stellt eine große Hürde dar.
- Kurzfristige finanzielle Fokussierung. Nach Erfahrung der Autoren konzentrieren sich einige Gesundheitseinrichtungen auf kurzfristige finanzielle Ergebnisse, was Investitionen in längerfristige, innovative Technologien wie KI beeinträchtigt.
Gesundheitseinrichtungen, die Innovation priorisieren, koppeln Investitionsentscheidungen an den „gesamten Missionswert“, der sowohl finanzielle als auch nichtfinanzielle Faktoren umfasst, wie Qualitätsverbesserung, Patientensicherheit, Patientenerfahrung, Zufriedenheit des medizinischen Personals und verbesserter Zugang zur Versorgung. Diese breitere Sicht auf den Wert ist entscheidend dafür, dass KI in Gesundheitseinrichtungen gedeihen kann.
Im Gesundheitswesen verwendete Arten von KI
KI wird allgemein als Maschine oder Computerplattform definiert, die in der Lage ist, intelligente Entscheidungen zu treffen. Im Gesundheitswesen wurden im Allgemeinen zwei Arten von KI verfolgt:
- Machine learning: Rechnerische Techniken, die aus Beispielen lernen, anstatt nach vordefinierten Regeln zu arbeiten. Die Algorithmen identifizieren Muster in den Daten und verbessern ihre Leistung im Laufe der Zeit.
- Natural language processing: Die Fähigkeit eines Computers, menschliche Sprache und unstrukturierten Text in maschinenlesbare, strukturierte Daten umzuwandeln, die die Absicht der Sprache zuverlässig widerspiegeln. Dies ist insbesondere für die Umwandlung von Arztbriefen und klinischen Berichten in nutzbare Daten relevant.
Die Rolle der KI bei der Verbesserung der klinischen Urteilsfähigkeit hat die meiste Aufmerksamkeit auf sich gezogen, mit einem besonderen Fokus auf Prognose (Vorhersage des Krankheitsverlaufs), Diagnose, Behandlung, den Arbeitsablauf des medizinischen Personals und die Erweiterung klinischer Expertise. Fachgebiete wie Radiologie, Pathologie, Dermatologie und Kardiologie setzen KI bereits im Prozess der Bildanalyse ein. Bei radiologischen Screenings gaben bis zu 30 % der befragten Radiologiepraxen an, bis 2020 KI eingeführt zu haben, und weitere 20 % planten den Einsatz von KI in naher Zukunft.
Das Potenzial von KI geht weit darüber hinaus. Die Autoren identifizierten nine Domänen der Gesundheitsversorgung, in denen der Einsatz von KI aufkommt. Die meisten Organisationen befinden sich noch in der Pilotphase der KI-Einführung und versuchen, die Vorteile zu validieren. Die drei im Detail untersuchten Domänen sind Abrechnung, klinische Abläufe sowie Qualität und Sicherheit.
KI in der Abrechnung: Das Labyrinth aus Rechnungswesen und Versicherung lösen
Die Erstattung – das System der Kontrollen und Gegengewichte zwischen Leistungsträgern (Krankenkassen) und Leistungserbringern (Krankenhäusern und Ärzten) – ist entscheidend für die finanzielle Gesundheit jeder Gesundheitsorganisation. Der Einsatz von KI in diesem Bereich ist sowohl weit verbreitet als auch einer der fortschrittlichsten, mit einem überdurchschnittlichen Gesamtwert für die Mission. In dem, was als "die Kodierkriege" bezeichnet wird, ist KI zu einem wichtigen Werkzeug für die Beteiligten geworden, um einander zu überwachen, während sie gleichzeitig die Erfahrung der Patienten bei medizinischen Zahlungen vereinfacht und erleichtert.
Das Abrechnungsverfahren verstehen
Leistungserbringer bezeichnen die Bearbeitung von Versicherungsansprüchen, die von den Leistungsträgern erstattet werden sollen, als Revenue-Cycle-Management. Diese Aufgabe wird oft von Mitarbeitern durchgeführt, die die Abrechnung eines Gesundheitsfachpersonals überprüfen und Anweisungen zur Erstellung der Rechnung geben, sodass sie mit den erbrachten Leistungen übereinstimmt. Das Ziel ist es, sicherzustellen, dass der Betrag, der tatsächlich an die Organisation gezahlt wird, angemessen ist.
Das Abrechnungsverfahren folgt in der Regel diesen Schritten:
- Erstellung des Anspruchs: Nachdem ein Mitglied eine Leistung erhalten hat, füllt der Leistungserbringer ein detailliertes Antragsformular aus, in der Regel elektronisch.
- Einreichung des Anspruchs: Der Leistungserbringer sendet das Formular an einen Leistungsträger; in der Regel werden mehr als 90 % der Ansprüche elektronisch eingereicht.
- Bearbeitung (Adjudication): Der Anspruch gelangt in die Eingabesysteme des Leistungsträgers; in der Regel werden mehr als 80 % der Ansprüche automatisch bearbeitet. Etwa 20 % der Ansprüche, die manuell bearbeitet werden müssen, werden im Allgemeinen von Abrechnungsmitarbeitern oder Abrechnungsspezialisten gelöst.
- Zahlung: Ein Abrechnungstool entscheidet, ob der Anspruch bezahlt wird, und die Erstattung wird eingeleitet.
- Verfolgung des Anspruchs: Der Leistungserbringer und das Mitglied können Antragsstatus online verfolgen, und beide Parteien können den Antrag anfechten.
- Audits, Beschwerden und Berufungen: Teams prüfen die Ansprüche monatlich oder vierteljährlich, um Fehler zu reduzieren und die Genauigkeit zu verbessern.
Hier ist eine kritische Statistik: Mit dem aktuellen System werden mehr als 10 % der Ansprüche abgelehnt oder verzögert aufgrund von Berechtigungsproblemen und fehlenden Daten. Bis zu 85 % dieser abgelehnten Ansprüche hätten jedoch vermieden werden können.
Praxisbeispiel: Krankenhaus nutzt KI, um abgelehnte Ansprüche vorherzusagen
Ein großes Gesundheitssystem erkannte, dass KI – insbesondere prädiktive Analytik – Kosteneinsparungen generieren und nicht nur die Kinnahme und Rendite verbessern, sondern auch die Erfahrung der Patienten positiv beeinflussen könnte. Die Initiative begann mit einem großen Datensatz: 12 Monate an Abrechnungsdaten, die Millionen von Interaktionen mit Leistungsträgern repräsentieren, mit dem Fokus auf mehr als 100 Anspruchsmerkmalen.
Das System verarbeitete die Daten durch ein Regressionsmodell, um herauszufinden, welche Merkmale am engsten mit einem abgelehnten Abrechnungsanspruch korrelierten. Mit diesem neuen prädiktiven Modell wurden zuvor nicht eingereichte Ansprüche im Voraus geprüft, wodurch die Anzahl der als wahrscheinlich abgelehnt identifizierten Ansprüche im Vergleich zu einem retrospektiven Basiswert um 33 % stieg. Darüber hinaus identifizierte das Modell die wahrscheinlichsten Ursachen für die Ablehnung von Ansprüchen, wie etwa eine Ablehnung aufgrund des National Drug Code oder einer spezifischen Richtlinie eines Leistungsträgers.
Dieses Gesundheitssystem hat nun ein Pilotprogramm, das die top 10 Ursachen nutzt, um Ansprüche zu kennzeichnen und sie vor der Einreichung anzugehen. Das langfristige Ziel ist es, das Modell weiter zu entwickeln, um anspruchsspezifische Ablehnungsursachen zu generieren und Abrechnungen daran zu hindern, fortgesetzt zu werden, wenn diese Mängel vorliegen. Dies könnte die Quote abgelehnter Ansprüche des Gesundheitssystems weiter verbessern, die für die Bearbeitung und Neubearbeitung von Ansprüchen benötigten Verwaltungskosten senken und die Erfahrung der Patienten verbessern, indem frustrierende Ablehnungen reduziert werden.
Praxisbeispiel: Versicherungsträger optimiert das Abrechnungsverfahren
Auf Seiten des Leistungsträgers nutzte eine große Organisation der Managed Care KI, um von einem traditionellen, arbeitsintensiven Modell zu einem KI-basierten Modell überzugehen, mit dem Ziel, Fehler in der Vorverarbeitung zu eliminieren und den Bedarf an manueller Anspruchsbearbeitung zu reduzieren. Die Organisation trainierte ein Modell, das die Faktoren identifizierte und gewichtete, die zu manuellen Eingriffen führen, wie bestimmte Prozedurcodes. Das Modell generierte kontinuierlich Ausgaben basierend auf dem relativen manuellen Aufwand.
Die Ergebnisse waren erheblich:
- Der Prozentsatz der komplexen Ansprüche, die ohne Ablehnung bearbeitet wurden, stieg von weniger als 80 % auf mehr als 90 %.
- Die Verwaltungskosten wurden um 30 % reduziert.
- Die Patientenerfahrung und die Zufriedenheit der Kliniker haben sich verbessert.
KI bei der Vorautorisation
KI wird auch in der Vorautorisation eingesetzt — dem Prozess, bei dem Versicherungsunternehmen Behandlungen überprüfen und genehmigen, bevor sie durchgeführt werden. Dieser Prozess erfordert erheblichen manuellen Aufwand, wobei nur 21 % der Vorautorisierungen automatisiert sind. Der Prozess ist kostspielig, da Ärzte und staatlich anerkannte Pflegefachkräfte die Anträge auf Genehmigung prüfen müssen. Aus Sicht des Leistungserbringers besteht das Ziel darin, sicherzustellen, dass Patienten klinisch angemessene Behandlungen erhalten, wodurch die Vorautorisation als Kontrolle für die vom Anbieter angeordnete Behandlung dient.
Um Reibungsverluste zu reduzieren, hat ein Leistungserbringer eine integrierte, saubere Datenbank erstellt, die Informationen zur Mitgliedschaft und zu Leistungen, historische medizinische und pharmazeutische Abrechnungen sowie historische Vorautorisierungsanträge mit klinischen Entscheidungen, Einspruchsmöglichkeiten und Ergebnissen umfasst. Diese Daten wurden in eine Triage-Engine eingespeist, die Anträge basierend auf Faktoren wie dem Detaillierungsgrad der bereitgestellten Informationen, der klinischen Vorgeschichte des Mitglieds und den bei der Bearbeitung ähnlicher Anträge gewonnenen Erkenntnissen in vier Komplexitätsstufen einteilte.
KI hat bereits begonnen, die Anzahl der Schritte im Vorautorisationsprozess im Vergleich zu traditionellen manuellen Arbeitsabläufen zu reduzieren. Die Mehrheit der Anträge mit niedriger und mittlerer Komplexität wird nun automatisch genehmigt. Dies hat zu folgenden Ergebnissen geführt:
- Verkürzte Bearbeitungszeiten
- Konsistentere klinische Ergebnisse
- Bessere Gesamterfahrung für Patienten und Kliniker
Die langfristige Vision des Leistungserbringers besteht darin, KI einzusetzen, um die Entscheidungsfindung weiter zu beschleunigen.
KI in der klinischen Versorgung: Intelligentere Krankenhäuser und Operationssäle
Die klinische Versorgung ist ein weiterer Bereich der Gesundheitsversorgung, in dem die Nutzung von KI zunimmt. Obwohl die Einführung von KI in der klinischen Versorgung nicht so weit fortgeschritten ist wie im Abrechnungswesen, ist das Potenzial für den Gesamtnutzen ähnlich, und KI war in diesem Bereich Gegenstand intensiver Forschung.
Optimierung des Operationssaals
Betrachten wir den Operationssaal — eines der wichtigsten Assets für die klinische Versorgung in einem Gesundheitssystem. Die Nachfrage nach Operationssälen ist traditionell hoch, sodass ein verpasster chirurgischer Termin zu einer erheblichen Verlängerung der Wartezeiten und zum Verlust von Einnahmen führen kann. Durch Verzögerungen bei der Planung, die durch längere als erwartete Chirurgiezeiten entstehen, können auch nicht-finanzielle Auswirkungen auftreten, wie eine schlechtere Erfahrung für Patienten und ihre Familien, die auf das Ende einer Operation oder den Beginn eines Eingriffs warten.
In US-amerikanischen Gesundheitssystemen kann eine effektivere Nutzung der Kapazität von Operationssälen den Zugang zur Versorgung verbessern — was heute aufgrund chirurgischer Rückstände und des Mangels an Klinikerinnen und Klinikern besonders wichtig ist.
Die Autorinnen und Autoren beschreiben die Optimierung von Operationssälen in drei Schritten, wobei jeder Schritt mit zunehmender KI-Beteiligung verbunden ist:
- Verbesserung des Managements von Operationssälen (begrenzte KI-Nutzung): Dieser Schritt nutzt deskriptive Analysen, wie ein Histogramm, das die Verteilung der Operationszeiten der letzten 30 Tage zeigt, um Variationen im Zeitplan zu identifizieren. Gesundheitssysteme haben diesen Ansatz seit vielen Jahren erfolgreich eingesetzt. Beispiele umfassen die Messung wichtiger Kennzahlen des Operationssaals wie Startzeit, Zeitpunkt des chirurgischen Einschnitts, Zeit für die Raumvorbereitung und Zeit für die Patientenbereitstellung (University Hospital, 1994; Medical University of South Carolina, 1998).
- Vorhersage der Nutzung von Operationssälen (vorherrschende KI-Nutzung): KI spielt eine zentrale Rolle bei der Vorhersage der Nutzung von Operationssälen. Die präoperative Prognoseanalyse konzentriert sich auf die Reduzierung von Absagen und die Schätzung des Mortalitätsrisikos. Während der Operation liegt der Fokus der Vorhersagen in der Regel auf der Dauer des Eingriffs und möglichen Komplikationen. Postoperative Vorhersagen zielen darauf ab, schwere Komplikationen zu identifizieren.
- Nutzung von Operationsdaten in Echtzeit (vorherrschende KI-Nutzung): Dieser Schritt verwandelt Vorhersagen in Maßnahmen. KI würde die Vorhersage der Eingriffsdauer in präzise Zeitpläne einbeziehen, die Koordination mehrerer gleichzeitig genutzter Operationssäle ermöglichen und Vorhersagen wie wahrscheinliche Absagen von Operationen in die Optimierung des Operationssaals integrieren.
Organisationen wie die Mayo Clinic und das Lucile Packard Children's Hospital at Stanford haben geschätzt, dass die Auslastung um 15 bis 20 % verbessert werden könnte, wenn KI implementiert würde. Dieser Schritt befindet sich jedoch noch weitgehend in der Pilotphase, und ob diese Verbesserungen tatsächlich realisiert werden können, ist noch nicht bekannt.
Bemerkenswerte Beispiele aus der in dem Artikel zitierten Forschung umfassen:
- West China Hospital (2018): Vorhersage von Operationen mit hohem Abbruchrisiko.
- Nicht identifizierte akademische Einrichtung (2020): Vorhersage des Sterberisikos während einer Herzoperation.
- Gold Coast Hospital (2017): Vorhersage der Dauer elektiver Operationen.
- University of Florida Health (2019): Vorhersage schwerwiegender postoperativer Komplikationen und des Todes.
- Mayo Clinic (2015): Simulierte Verbesserung der Auslastung um 19 % und Reduzierung der Überstunden um 10 %.
- Lucile Packard Children's Hospital Stanford (2018): Simulierte Verringerung von Wartezeiten auf der Aufwachstation ohne Verminderung der Auslastung des Operationssaals.
Bekämpfung der Erschöpfung von Klinikerinnen und Klinikern
Ein weiterer wichtiger Einsatzbereich der KI in der klinischen Betriebsführung ist die Bekämpfung der Erschöpfung von Klinikerinnen und Klinikern. Ärztinnen und Ärzte verbringen heute mehr als 50 % ihrer Zeit mit der Aktualisierung elektronischer Gesundheitsakten (EGA), und diese Zeitaufwendung trägt nachweislich zur Erschöpfung bei. Mehrere Anbieter testen den Einsatz von Natural Language Processing, um diese Belastung zu verringern.
Wenn diese Bemühungen erfolgreich sind, könnte Natural Language Processing unstrukturierte Daten wie die Notizen der Klinikerinnen und Kliniker in die für die EGA erforderlichen strukturierten Daten umwandeln sowie für andere Zwecke genutzt werden, etwa zur Dokumentation von Qualitätsmetriken oder zum Ausfüllen entsprechender Current Procedural Terminology (CPT)-Codes. Diese Anwendung der KI würde Klinikerinnen und Klinikern mehr Zeit für den Patientenkontakt und für Aufgaben geben, die menschliches Urteilsvermögen erfordern.
KI für Qualität und Sicherheit: Schutz der Patientinnen und Patienten und Verbesserung des Erlebens
Qualität und Sicherheit bilden einen Bereich, in dem ein erheblicher Teil des Werts aus nichtfinanziellen Faktoren resultiert. Das aktuelle Maß der KI-Adoption in diesem Bereich ist begrenzt, ebenso wie die Evidenz zu den breiten Auswirkungen der KI auf Qualität und Sicherheit. Zwei Anwendungen der KI – mit Fokus auf Patientensicherheit und Patientenerlebnis – zeigen jedoch echtes Potenzial.
Verringerung schwerwiegender unerwünschter Ereignisse
Die erste Anwendung der KI konzentriert sich auf die Verringerung schwerwiegender unerwünschter Ereignisse – insbesondere in Fällen, in denen aktuelle evidenzbasierte Methoden zur Verhütung und Bewältigung von Komplikationen weniger hilfreich sind und in denen die Integration komplexer, unstrukturierter Daten mit messbaren Metriken Vorhersagen verbessern könnte. Drei Probleme wurden als diejenigen mit dem größten Verbesserungspotenzial durch KI identifiziert:
- Unerwünschte Arzneimittelwirkungen: Schädliche Reaktionen auf Medikamente, die vorhergesagt und verhindert werden könnten.
- Dekompensation: Plötzliche Verschlechterung des Gesundheitszustands einer Patientin oder eines Patienten, insbesondere auf der Intensivstation (ICU).
- Fehler bei der Diagnosestellung: Irrtümer bei der Identifizierung des Gesundheitszustands einer Patientin oder eines Patienten, die mit Unterstützung der KI früher erkannt werden könnten.
Die Bewältigung dieser Probleme erfordert die Generierung umsetzbarer Informationen. Dieser Prozess nutzt Daten von Sensortechnologie, einschließlich Vitalzeichenmonitoren, um frühe Warnzeichen einer Verschlechterung zu erkennen. Die Ergebnisse waren beeindruckend:
- Ein Ansatz verwendete einen prädiktiven Algorithmus für klinische Verschlechterungen auf der Intensivstation, der die Sterblichkeit in 21 Krankenhäusern reduzierte.
- In einem anderen Gesundheitssystem hat reportedly ein Frühwarnsystem schätzungsweise 8.000 Leben gerettet im gesamten Netzwerk.
- Eine aktuelle Studie zeigte, dass die Sterblichkeit weiter reduziert wird, wenn eine Klinikerin oder ein Kliniker einen KI-Alarm bestätigt – was bedeutet, dass die Kombination aus KI-Erkennung und menschlichem klinischem Urteilsvermögen besonders wirksam ist.
Verbesserung der Patientenerfahrung
Die zweite Anwendung von KI zur Verbesserung der Patientenerfahrung kann das Consumer Assessment of Healthcare Providers and Systems (CAHPS) umfassen, ein Programm der Agency for Healthcare Research and Quality, das die Zufriedenheit der Patienten mit ihren Erfahrungen im Gesundheitswesen misst. KI kann Patientenfeedback analysieren und Muster identifizieren, die Gesundheitssystemen helfen, auf Bedenken schneller und effektiver zu reagieren, wobei der Artikel darauf hinweist, dass sich dieser Bereich noch in der Entwicklung befindet.
Klinische Implikationen: Was bedeutet das für Patienten?
Diese aufstrebenden KI-Anwendungen haben direkte Auswirkungen auf Patienten. Im Bereich der Erstattung bedeutet KI, die verweigerte Ansprüche vor der Einreichung vorhersagt, weniger frustrierende Ablehnungen durch Versicherungen. Patienten könnten schnellere Genehmigungen, klarere Abrechnungen und weniger unerwartete Zurückweisungen von Ansprüchen erfahren. Die Tatsache, dass bis zu 85 % der abgelehnten Ansprüche potenziell vermieden werden könnten – und dass ein Leistungserbringer die Anzahl komplexer Ansprüche, die ohne Ablehnung bearbeitet wurden, von unter 80 % auf über 90 % steigerte – deutet darauf hin, dass KI die administrativen Probleme, denen Patienten häufig gegenüberstehen, erheblich reduzieren könnte.
Im Vorabgenehmigungsverfahren bedeutet der durch KI getriebene Automatisierungsprozess für Anfragen mit niedriger und mittlerer Komplexität, dass Patienten schnellere Genehmigungen für notwendige Behandlungen erhalten könnten. Anstatt Tage oder Wochen auf eine manuelle Prüfung zu warten, könnte der Prozess in vielen Fällen nahezu augenblicklich erfolgen.
In der klinischen Betriebsführung bedeuten KI-optimierte Operationssäle kürzere Wartezeiten für chirurgische Eingriffe, weniger abgesagte Verfahren und eine bessere Koordination der Versorgung. Für Patienten, die auf eine Operation warten, ist dies nicht nur eine Frage des Komforts – es geht um den rechtzeitigen Zugang zu möglicherweise lebensrettenden Behandlungen. Eine Verbesserung der Auslastung von Operationssälen um 15 bis 20 % könnte chirurgische Wartelisten erheblich verkürzen.
Für Kliniker könnte die Reduzierung der Dokumentation in Elektronischen Gesundheitsakten (EHR) um mehr als 50 % durch Natural Language Processing Ärzten mehr Zeit für persönliche Gespräche mit Patienten geben. Dies verbessert die Patientenerfahrung direkt und könnte dazu beitragen, die Krise des Mangels an Ärzten und Pflegekräften zu bewältigen.
In den Bereichen Qualität und Sicherheit können KI-Systeme, die eine klinische Verschlechterung erkennen, bevor sie kritisch wird, Leben retten. Die berichteten 8.000 geretteten Leben in einem Gesundheitssystem und die Reduzierung der Sterblichkeit in 21 Krankenhäusern, die Algorithmen zur Erkennung einer Intensivstation-Verschlechterung einsetzen, zeigen, dass KI nicht nur ein theoretisches Werkzeug ist – sie macht bereits einen messbaren Unterschied bei den Patientenergebnissen.
Einschränkungen: Was die Studie nicht beweisen konnte
Die Autoren sind transparent bezüglich der Einschränkungen der Beweislage. Die meisten Anwendungen von KI in der Gesundheitsversorgung waren keiner randomisierten, kontrollierten Studien unterzogen – dem Goldstandard für medizinische Evidenz. Daher fehlt es bei vielen KI-Anwendungen möglicherweise an der üblichen Ebene der Evidenz, die für medizinische Entscheidungsfindungen erforderlich ist.
Die Autoren weisen darauf hin, wo umfangreiche Evidenz vorliegt und wo sie fehlt. Sie erkennen an, dass ihre Perspektive auf Gesprächen mit Dutzenden von Führungskräften im Gesundheitswesen basiert und dies kein Ersatz für randomisierte, kontrollierte Studien ist.
Zusätzliche Einschränkungen umfassen:
- Unsicherheit in der Pilotphase: Die meisten Organisationen befinden sich noch in der Pilotphase der KI-Einführung und versuchen, die Vorteile zu validieren. Ob Verbesserungen wie die vorhergesagten Gewinnsteigerungen der Operationssaal-Auslastung um 15 bis 20 % realisiert werden können, ist nicht bekannt.
- Begrenzte Evidenz in Qualität und Sicherheit: Die Evidenz zu den breiten Auswirkungen von KI auf Qualität und Sicherheit ist begrenzt.
- Nicht bewiesene neuere Technologien: Neuere Technologien wie Blockchain und generative KI haben in der Gesundheitsversorgung keine große Rolle gespielt, und obwohl einige Führungskräfte argumentieren, dass sie für die Entfaltung des Potenzials von KI unerlässlich sind, deutet die Erfahrung der Autoren auf das Gegenteil hin.
- Informationen aus Erfahrung: Viele der Beispiele stammen aus der Beratungserfahrung der Autoren und nicht aus peer-reviewten veröffentlichten Studien.
Die Autoren geben auch an, dass beide bei einem Unternehmen beschäftigt sind, das Beratungsleistungen für öffentliche und private Organisationen in diesem Bereich erbringt, was ein wichtiges potenzielles Interessenkonflikt ist, der bei der Bewertung ihrer Beispiele berücksichtigt werden muss.
Empfehlungen: Was Patienten wissen und tun sollten
Für Patienten, die sich in einem Gesundheitswesen zurechtfinden, das zunehmend KI integriert, ergeben sich aus dieser Überprüfung mehrere praktische Empfehlungen:
- Fragen Sie nach KI in Ihrer Versorgung. Wenn Ihr Radiologe, Pathologe oder ein anderer Spezialist eine KI-unterstützte Bildanalyse verwendet, fragen Sie, was das für Ihre Diagnose bedeutet. KI wird in bis zu 30 % der radiologischen Praxen eingesetzt, daher kann dies häufiger sein, als Sie denken.
- Seien Sie proaktiv bei der Genehmigung durch die Versicherung. Da KI die Hürden im Vorabgenehmigungsverfahren nur dann verringern kann, wenn es implementiert wird, und da mehr als 10 % der Abrechnungen abgelehnt oder verzögert werden, lohnt es sich dennoch zu überprüfen, ob Ihr Leistungserbringer alle notwendigen Unterlagen vor Eingriffen oder Behandlungen eingereicht hat. Die 85 % vermeidbarer Ablehnungen sind oft auf fehlende Daten oder Probleme mit der Versicherungsdeckung zurückzuführen.
- Melden Sie Bedenken bezüglich Ihrer Gesundheit umgehend. KI-Frühwarnsysteme in Krankenhäusern sind darauf ausgelegt, eine Verschlechterung des Gesundheitszustands von Patienten zu erkennen, funktionieren aber am besten, wenn die Leistungserbringer aktuelle Vitalparameter und Informationen über Symptome haben. Ihre Berichte über Veränderungen Ihres Befindens sind Teil der "unstrukturierten Daten", die diese Systeme wirksamer machen.
- Verstehen Sie, dass KI die menschliche Urteilsfähigkeit ergänzt, nicht ersetzt. Studien zeigen, dass die Sterblichkeit weiter sinkt, wenn Leistungserbringer KI-Warnungen bestätigen – das Team aus Mensch und Maschine funktioniert am besten. Ihre Beziehung zu Ihrem klinischen Team bleibt die Grundlage Ihrer Versorgung.
- Seien Sie sich der Grenzen der Evidenz bewusst. Da die meisten KI-Anwendungen nicht randomisierte kontrollierte Studien durchlaufen haben, sollten Sie sich wohl fühlen, Ihren Leistungserbringer nach den Beweisen zu fragen, die jede KI-unterstützte Empfehlung stützen. Es ist eine vernünftige Frage, und die Autoren dieses Reviews würden zustimmen, dass es sich lohnt, sie zu stellen.
- Erkennen Sie an, dass KI Ihre Patientenerfahrung verbessern kann. Von weniger abgelehnten Abrechnungen über kürzere Wartezeiten für Operationen bis hin zu weniger gestressten Ärzten (die derzeit mehr als 50 % ihrer Zeit mit elektronischen Gesundheitsakten verbringen), hat das Potenzial, die Gesundheitsversorgung patientenzentrierter zu machen – aber diese Vorteile werden noch in Pilotprogrammen validiert.
- Verstehen Sie die finanziellen Auswirkungen. Die Fähigkeit von KI, die Verwaltungsausgaben um 30 % zu senken (wie von einem Versicherer demonstriert) und die Auslastung der Operationssäle um 15 bis 20 % zu verbessern, könnte in Kosteneinsparungen und besseren Zugang münden. Diese Veränderungen werden jedoch Jahre brauchen, um Ihr lokales Krankenhaus zu erreichen, da sich die meisten Organisationen noch in der Pilotphase befinden.
Häufig gestellte Fragen
Was ist künstliche Intelligenz (KI) im Gesundheitswesen?
KI nutzt Computer, um intelligente Entscheidungen zu treffen, indem sie aus Beispielen lernt oder menschliche Sprache verarbeitet. In Krankenhäusern kann KI dabei helfen, Ablehnungen durch Versicherungen vorherzusagen, Operationssäle zu planen und eine Verschlechterung des Gesundheitszustands von Patienten zu erkennen. Sie ergänzt das Wissen der Ärzte, ersetzt aber nicht die menschliche Urteilsfähigkeit. Die Einführung steht noch am Anfang, daher werden viele Anwendungen in Pilotprogrammen getestet.
Kann KI Probleme mit Ablehnungen durch Versicherungen und Vorabgenehmigungen reduzieren?
KI kann vorhersagen, welche Versicherungsabrechnungen wahrscheinlich abgelehnt werden, bevor sie eingereicht werden, und Fehler erkennen, die bis zu 85 % der vermeidbaren Ablehnungen verursachen. Ein Versicherer hat den Anteil komplexer Abrechnungen, die ohne Ablehnung bearbeitet wurden, von unter 80 % auf über 90 % gesteigert. KI beschleunigt auch die Vorabgenehmigung für Anfragen mit niedriger und mittlerer Komplexität, wodurch Wartezeiten und Frustration reduziert werden.
Wie könnte sich KI darauf auswirken, wie lange ich auf eine Operation warten muss?
KI kann vorhersagen, wie lange Operationen dauern werden, und Verfahren identifizieren, die ein hohes Stornierungsrisiko haben. In Simulationen schätzten Krankenhäuser wie das Mayo Clinic und Stanford, dass KI die Auslastung der Operationssäle um 15–20 % verbessern könnte, was potenziell Rückstände und Wartezeiten reduzieren würde. Die meisten Krankenhäuser testen diese Ansätze jedoch noch, sodass reale Vorteile noch nicht garantiert sind.
Kann KI dazu beitragen, dass ich im Krankenhaus sicher bin?
KI kann Vitalparameter überwachen und das Personal vor einer plötzlichen Verschlechterung des Gesundheitszustands eines Patienten warnen, was Todesfälle verhindern kann. Ein Ansatz reduzierte die Sterblichkeit in 21 Krankenhäusern, und ein anderes Frühwarnsystem hat reportedly etwa 8.000 Leben in einem Gesundheitsnetzwerk gerettet. Wenn ein Leistungserbringer eine KI-Warnung bestätigt, wird die Sterblichkeit weiter reduziert. Dieses Bereich hat noch begrenzte Evidenz.
Wie stark ist die Evidenz dafür, dass KI im Gesundheitswesen funktioniert?
Die meisten KI-Anwendungen im Gesundheitswesen wurden nicht in randomisierte kontrollierte Studien einbezogen, die der Goldstandard für medizinische Evidenz sind. Viele Beispiele stammen aus Pilotprogrammen oder Expertenwissen, nicht aus peer-reviewten Studien. Das bedeutet, dass das übliche Maß an Beweisen, das für medizinische Entscheidungen erforderlich ist, oft fehlt. Patienten sollten nach der Evidenz hinter jeder KI-unterstützten Empfehlung fragen.
Was sollte ich meinen Arzt über KI in meiner Versorgung fragen?
Wenn Ihr Arzt KI für die Bildanalyse, Vorhersagen oder Warnungen nutzt, fragen Sie, was dies für Ihre Diagnose oder Behandlung bedeutet. Fragen Sie nach der Evidenz, die das KI-Tool stützt, und wie es validiert wurde. Überprüfen Sie auch, ob Ihre Versicherungsunterlagen vollständig sind, da vermeidbare Ablehnungen oft auf fehlende Daten zurückzuführen sind. Diese Fragen können Ihnen helfen zu verstehen, wie sich KI auf Ihre Versorgung auswirkt.
Wenn die Diagnose oder der Behandlungsplan meines Arzte teils auf künstlicher Intelligenz basiert, sollte ich eine zweite Meinung einholen?
KI wird in vielen Bereichen der Gesundheitsversorgung eingesetzt, einschließlich der Radiologie, wo bis zu 30 % der Praxen sie übernommen haben. Die meisten KI-Anwendungen haben jedoch keine randomisierten kontrollierten Studien durchlaufen, sodass die für medizinische Entscheidungen übliche Evidenzbasis oft fehlt. KI ist dazu konzipiert, die menschliche Urteilsfähigkeit zu ergänzen, nicht zu ersetzen. Wenn Sie unsicher bezüglich einer KI-unterstützten Empfehlung sind, kann das Einholen einer zweiten Meinung durch einen anderen Experten wichtige Sicherheit bieten. Diagnostic Detectives Network bietet unabhängige Experten-Zweitmeinungen an.
Quelleninformationen
Original Article: "Artificial Intelligence in U.S. Health Care Delivery"
Authors: Nikhil R. Sahni, M.B.A., M.P.A.–I.D., and Brandon Carrus, M.Sc.
Affiliations: Department of Economics, Harvard University, Cambridge, MA; Center for U.S. Healthcare Improvement, McKinsey and Company, Boston, MA
Journal: The New England Journal of Medicine (NEJM), 2023; Volume 389, pages 348-358
DOI: 10.1056/NEJMra2204673
Copyright: © 2023 Massachusetts Medical Society. All rights reserved.
Dieser patientenfreundliche Artikel basiert auf begutachteter Forschung. Er dient ausschließlich Bildungszwecken und stellt keine medizinische Beratung dar. Der Originalartikel wurde von Jeffrey M. Drazen, M.D., mit den Gastherausgebern Isaac S. Kohane, M.D., Ph.D., und Tze-Yun Leong, Ph.D., im Rahmen der NEJM-Review-Serie „KI in der Medizin“ bearbeitet.