Health ArticleEducational review — not personal medical advice

美国医疗保健中的人工智能:对患者和医疗服务提供者的意义

Artificial intelligence (AI) is rapidly transforming many industries, but its adoption in U.S.

2 min
Original medical illustration for: Artificial Intelligence in U.S. Health Care: What It Means for Patients and Providers

目录

要点

  • 美国医疗保健中的人工智能仍处于早期阶段,但已在计费、医院工作流程和患者安全方面进行测试。
  • AI可以预测保险索赔被拒的情况,某一家支付方将未经拒付的复杂索赔处理率从不足80%提高到了超过90%。
  • 根据模拟结果,AI可能将手术室的使用效率提高15–20%,从而有望缩短手术等待时间。
  • 据报道,一个早期预警AI系统在一家医疗网络中挽救了约8,000人的生命,并降低了21家医院的死亡率。
  • 大多数人工智能应用缺乏随机对照试验,因此患者应询问其人工智能建议背后的证据。

背景:为何这项研究至关重要

人工智能(AI)——即能够做出智能决策的机器或计算系统——在各行业是分阶段采用的。在许多领域,人工智能的应用已经相当先进,包括重塑金融机构提供投资建议的方式、提供建议在线购买下一件零售产品的“推荐引擎”,以及开发无人驾驶汽车。但在医疗保健服务中,人工智能仍处于早期阶段。

这一差距之所以重要,是因为利用人工智能改善医疗保健的需求已变得紧迫。让我们看看医学知识的爆炸性增长。1980年,治疗一名患者所需的集体医学知识每7年翻一番。到2010年,这一翻倍周期缩短至不到75天。这些数字令人瞩目:医学生在前3年所学的内容仅占他们毕业时已知医学信息的6%。他们的知识可能仍然相关,但未必总是完整——其中一些教学内容可能已经过时。

人工智能有潜力补充临床团队的知识,确保世界各地的患者都能获得尽可能最好的护理。经济力量正在加速这一趋势。从更多数据中开发更强大的人工智能算法——一种“专业知识经济”——催生了一个名为医疗保健服务与技术(包括软件与平台、数据分析及支付服务)的新兴子行业,在未来几年内,其货币规模可能与当今整个支付方(保险)子行业相当。

新型冠状病毒感染(Covid-19)大流行也起到了催化剂的作用,促使各组织加速数字化和部署人工智能的计划。在管理和董事会层面,近期公众对生成式人工智能的关注增加了关于人工智能的讨论。此外,人工智能的采用还可能产生次级效应,例如缓解持续存在的医生和护士短缺问题的一部分。

为何医疗保健在人工智能采用方面落后于其他行业

医疗保健服务中的人工智能采用落后于其他商业部门,原因有几个特定方面。早期人工智能扎根于那些拥有大量结构化、定量数据且计算机算法可以针对离散结果进行训练的行业中——例如,客户是否查看产品并购买或未购买。医疗保健面临独特的挑战:

  • 定性信息更难解读。 临床笔记和患者报告通常比结构化数值数据更难被算法处理。
  • 多因素结果使训练复杂化。 临床决策涉及许多交织的因素,使得算法训练比在较简单的商业环境中更加困难。
  • 临床工作流集成具有挑战性。 将人工智能输出嵌入已经复杂的临床工作流是一个主要障碍。
  • 短期财务重点。 据作者经验,一些医疗保健组织关注短期财务结果,而牺牲了对人工智能等长期创新技术的投资。

优先考虑创新的医疗保健组织将投资决策与“总使命价值”联系起来,其中包括财务和非财务因素,如质量改进、患者安全、患者体验、临床医生满意度以及护理可及性的提高。这种更广泛的价值观对于人工智能在医疗保健环境中的蓬勃发展至关重要。

医疗保健中使用的AI类型

人工智能被广义地定义为能够做出智能决策的机器或计算平台。在医疗保健服务中,通常追求两种类型的人工智能:

  1. 机器学习: 从示例中学习而非基于预定义规则运行的计算技术。算法识别数据中的模式并随着时间的推移提高其性能。
  2. 自然语言处理: 计算机将人类语言和未结构化文本转换为可靠反映语言意图的可读机器结构化数据的能力。这对于将医生笔记和临床叙述转换为可用数据尤其相关。

人工智能在改善临床判断中的作用引起了最多的关注,特别侧重于预后(预测疾病进程)、诊断、治疗、临床工作流以及临床专业知识的扩展。放射科、病理科、皮肤科和心脏病学等专科已在图像分析过程中使用人工智能。在放射学筛查中,高达30%的放射科实践在对调查作出回应者中表示,到2020年已采用人工智能,另有20%计划在未来不久开始使用人工智能。

人工智能的潜力远不止于此。作者确定了九个医疗保健服务领域,其中人工智能的使用正在涌现。大多数组织仍处于人工智能采用的试点阶段,并试图验证其益处。详细考察的三个领域是报销、临床运营以及质量与安全。

报销中的人工智能:解决账单与保险迷宫

报销——即支付方(保险公司)与提供方(医院和医生)之间的制衡体系——是任何医疗保健机构财务健康的关键。该领域中人工智能的应用既普遍又处于最先进水平,其总体使命价值高于平均水平。在所谓的“编码战争”中,人工智能已成为利益相关者相互监控的重要工具,同时也简化并降低了患者在医疗支付过程中的体验难度。

了解理赔流程

提供方将处理应由支付方报销的保险索赔称为收入周期管理。这项任务通常由审查医疗保健专业人员账单的工作人员执行,并提供指导,以确保以符合所提供服务的方式完成账单。其目标是确保实际支付给机构的金额适当。

理赔流程通常遵循以下步骤:

  1. 创建索赔:成员接受服务后,提供方填写详细的索赔表,通常为电子形式。
  2. 提交索赔:提供方将表格发送给支付方;通常超过90%的索赔通过电子方式提交。
  3. 理赔裁定:索赔进入支付方的入站系统;通常超过80%的索赔会自动裁定。大约20%需要人工裁定的索赔通常由理赔处理人员或理赔专家解决。
  4. 付款:索赔工具确定是否支付索赔,并启动报销流程。
  5. 索赔跟踪:提供方和成员可以在线跟踪索赔状态,任何一方均可对索赔提出异议。
  6. 审计、申诉和上诉:团队每月或每季度审计索赔,以减少错误并提高准确性。

这里有一个关键统计数据:在现行系统下,超过10%的索赔因资格问题和数据缺失而被拒绝或延迟。但高达85%的这些被拒索赔本可以避免。

现实案例:医院利用人工智能预测被拒索赔

一家大型医疗系统认识到,人工智能——特别是预测分析——可以产生成本节约,并改善现金回收和收益,同时改善患者体验。这项工作始于一个大型数据集:代表数百万次支付方互动的12个月索赔数据,重点聚焦于超过100个索赔属性。

该系统将数据输入回归模型,以找出与拒付账单最相关的属性。通过这个新的预测模型,未提交的索赔被预先运行,与回顾性基线相比,被识别为可能拒付的索赔数量增加了33%。此外,该模型确定了导致索赔拒付的最可能根本原因,例如国家药品代码(National Drug Code)拒付或特定支付方的政策。

该医疗系统现在有一个试点项目,使用前10个根本原因来标记索赔并在提交前加以解决。随着时间的推移,目标是进一步开发模型以生成针对具体索赔的拒付根本原因,如果账单存在这些缺陷,则阻止其继续处理。这可以进一步改善医疗系统的拒付记录,减少用于索赔处理和重新处理的行政支出,并通过减少令人沮丧的拒付来改善患者体验。

现实案例:保险支付方简化理赔流程

在支付方一侧,一家大型管理式医疗组织使用人工智能从传统的、劳动密集型模式转向基于人工智能的模式,目标是消除上游错误并减少人工理赔裁定的需求。该组织训练了一个模型,以识别和加权导致人工干预的因素,例如特定的程序代码。该模型根据相对的人工工作量持续生成输出。

结果显著:

  • 无需拒付即可处理的复杂索赔比例从不到80%增加到超过90%。
  • 行政支出减少了30%。
  • 患者体验和临床医生满意度得到改善。

事前授权中的AI

AI也被用于事前授权——即保险公司在接受治疗之前审查并批准治疗的流程。该流程涉及大量人工劳动,仅有21%的事前授权实现自动化。由于需要医生和注册护士审查授权申请,该流程成本高昂。从支付方的角度来看,其目标是确保患者获得临床适宜的治疗,因此事前授权是对医生开具医嘱的一种制约。

为了减少摩擦,一家支付方创建了一个集成、清晰的数据库,其中包含会员资格和福利信息、历史和医疗与药房索赔记录,以及带有临床决策、上诉和结果的历史事前授权申请。这些数据被输入到一个分诊引擎中,根据共享信息的详细程度、计划成员的临床历史以及处理类似请求所获得的知识等因素,将申请分为四个复杂级别。

与传统的人工工作流程相比,AI已经开始减少事前授权流程中的步骤数量。目前,大多数低和中等复杂度的事前授权申请已自动获批。这带来了:

  • 缩短周转时间
  • 更一致的临床结果
  • 患者和临床医生的整体体验更好

支付方的长期愿景是应用AI进一步加速决策制定。

临床运营中的AI:更智能的医院和手术室

临床运营是另一个AI使用不断扩展的医疗保健交付领域。尽管临床运营中的AI采用程度不如报销领域先进,但其总体使命价值潜力相似,且AI一直是该领域研究的热点。

优化手术室

以手术室为例——它是医疗系统中临床护理最关键的资源之一。传统上对手术室的需求很高,因此错过一个手术时段会导致等待时间大幅增加和收入损失。由于手术时间超出预期而导致的排程延误也会产生非财务影响,例如患者在等待手术结束或 procedure 开始时及其家属的体验变差。

在美国的医疗系统中,更有效地利用手术室容量可以增加就医机会——鉴于目前的手术积压和临床医生短缺,这一点尤为重要。

作者描述了三个步骤的手术室优化,每个步骤中AI的参与程度逐渐增加:

  1. 改善手术室管理(有限AI使用):此步骤使用描述性分析,例如显示过去30天手术室时间分布的直方图,以识别排程中的差异。医疗系统多年来已成功使用这种方法。示例包括测量关键的手术室统计数据,如开始时间、手术切口时间、房间周转时间和患者周转时间(University Hospital, 1994; Medical University of South Carolina, 1998)。
  2. 预测手术室使用情况(主要AI使用):AI通过预测手术室使用情况发挥核心作用。术前预测分析侧重于减少取消手术并评估死亡风险。在手术期间,预测通常侧重于手术持续时间和潜在并发症。术后预测旨在识别重大并发症。
  3. 实时使用手术室分析(主要AI使用):此步骤将预测转化为行动。AI会将手术持续时间预测整合到精确的排程中,允许协调同时使用的多个手术室,并将诸如手术取消可能性等预测整合到手术室优化中。

诸如梅奥诊所和斯坦福大学卢西尔·帕卡德儿童医院等机构估计,如果实施人工智能,利用率有望提高15%至20%。然而,这一步骤仍处于试点阶段,这些改善是否能够实现尚不得而知。

文章中引用的研究中的显著示例包括:

  • 华西医院(2018年):预测手术取消的高风险。
  • 未具名的学术机构(2020年):预测心脏手术期间的死亡风险。
  • 黄金海岸医院(2017年):预测择期手术的持续时间。
  • 佛罗里达大学健康中心(2019年):预测术后主要并发症和死亡风险。
  • 梅奥诊所(2015年):模拟显示利用率提高 19%,加班时间减少 10%。
  • 斯坦福卢西尔·帕卡德儿童医院(2018年):模拟显示在不降低手术室利用率的情况下,减少了麻醉后护理单元(PACU)的滞留时间。

应对临床医生职业倦怠

AI在临床运营中的另一个重要用途是解决 临床医生职业倦怠 问题。医生现在花费 超过50%的时间更新电子健康记录(EHR),这种时间分配已被证实是导致职业倦怠的一个因素。多家医疗机构正在试点使用自然语言处理技术来减轻这一负担。

如果这些努力取得成功,自然语言处理可以将临床医生的笔记等非结构化数据转化为电子健康记录(EHR)所需的数据,以及用于其他用途,如记录质量指标或填写适当的当前程序术语(CPT)代码。这种AI应用将 让临床医生有更多时间陪伴患者 并从事需要人类判断的任务。

AI在质量与安全中的应用:保护患者并改善就医体验

质量和安全是一个价值很大程度上来自 非财务因素 的领域。目前该领域对AI的采用程度有限,关于AI对质量和安全广泛影响证据也较少。然而,两种聚焦于患者安全和患者体验的AI应用显示出真正的潜力。

减少主要不良事件

AI的首要用途是减少 主要不良事件——具体而言,是在当前基于证据的方法在预防和处理并发症方面效用较低,且将复杂、非结构化数据与可测量指标相结合有助于做出预测的情况下。已确定三个具有最大改善潜力问题:

  • 药物不良事件:可能通过预测和预防来避免的药物有害反应。
  • 病情失代偿:患者病情的突然恶化,尤其是在重症监护室(ICU)中。
  • 诊断错误:在识别患者病情时的错误,借助AI协助可以更早发现。

解决这些问题需要生成可操作的信息。该过程利用来自传感技术(包括生命体征监测仪)的数据来检测恶化的早期预警信号。结果令人印象深刻:

  • 一种方法在ICU中使用了针对临床病情恶化的预测算法,使21家医院的死亡率降低。
  • 在另一个医疗系统中,据报道早期预警系统在整个网络中挽救了约 8,000条生命。
  • 最近的一项研究表明,当医护人员确认AI警报时,死亡率会 进一步降低——这意味着AI检测与人类临床判断的结合尤为强大。

改善患者体验

人工智能的第二个用途——改善患者体验——可以涉及医疗保健提供者与系统消费者评估 (CAHPS),这是医疗保健研究与质量局的一项计划,用于衡量患者对医疗体验的满意度。人工智能可以分析患者反馈并识别模式,帮助医疗系统更快速、有效地回应关切,尽管文章指出该领域仍在发展中。

临床意义:这对患者意味着什么

这些新兴的人工智能应用对患者有直接影响。在报销领域,能够在提交前预测被拒理赔的人工智能意味着更少的令人沮丧的保险拒赔。患者可能会体验到更快的审批、更清晰的账单以及更少的意外理赔拒绝。高达 85% 的被拒理赔有可能避免,且一家支付方将复杂理赔无拒赔处理的比例从不到 80% 提高到超过 90%,这表明人工智能可以大幅减少患者经常面临的行政困扰。

在事前授权流程中,针对低复杂度与中等复杂度请求的人工智能自动化意味着患者可能获得所需治疗的更快批准。在许多情况下,该过程可能几乎是即时的,而无需等待数天或数周的人工审核。

在临床运营中,人工智能优化的手术室意味着更短的等待时间、更少的取消手术以及更好的护理协调。对于等待手术的患者来说,这不仅仅是一种便利——而是及时获得可能挽救生命的治疗的问题。手术室利用率提高 15% 到 20% 可以显著减少手术积压。

对于临床医生而言,通过自然语言处理将电子健康记录 (EHR) 文档负担减少超过 50%,可以让医生拥有更多与患者面对面交流的时间。这直接改善了患者体验,并有助于解决医师和护士短缺危机。

在质量与安全方面,能够在临床恶化变得危急之前检测到恶化的人工智能系统可以挽救生命。在一个医疗系统中报告的挽救了 8,000 条生命以及在21 家医院使用重症监护室 (ICU) 恶化算法实现的死亡率降低表明,人工智能不仅仅是一个理论工具——它已经在患者结果方面产生了可衡量的影响。

局限性:该研究未能证明的内容

作者坦诚地指出了证据的局限性。医疗保健交付中的人工智能大多数用途尚未接受随机对照试验——这是医学证据的金标准。因此,许多人工智能应用可能缺乏医疗决策所需的通常水平的证据。

作者指出了证据充足与缺失之处。他们承认他们的观点是基于与数十位医疗保健领导者的对话,这不能替代随机对照试验。

其他局限性包括:

  • 试点阶段的不确定性:大多数组织仍处于人工智能采用的试点阶段,并试图验证其益处。诸如预测的 15% 到 20% 手术室利用率提升等改善是否能够实现尚不清楚。
  • 质量与安全方面的证据有限:关于人工智能对质量和安全广泛影响的证据有限。
  • 新技术未经证实:较新的技术形式,如区块链和生成式人工智能,在医疗保健交付中尚未发挥主要作用,虽然一些领导者认为它们对于释放人工智能的潜力至关重要,但作者的经验表明情况并非如此。
  • 来自经验的资料:许多例子来自作者的咨询经验,而非同行评审的已发表研究。

作者还披露,他们两人均受雇于一家为公共和私人组织提供该领域咨询服务的企业,这是在评估其例子时需要考虑的重要潜在利益冲突。

建议:患者应了解与做什么

对于在日益整合人工智能的医疗保健系统中导航的患者,本综述提出了几项实用建议:

  1. 询问您护理中的人工智能。如果您的放射科医生、病理学家或其他专科医生使用人工智能辅助图像分析,请询问这对您的诊断意味着什么。高达 30% 的放射科实践正在使用人工智能,因此这可能比您想象的更常见。
  2. 主动处理保险审批事宜。 鉴于人工智能仅在实施时才能减少预先授权流程中的障碍,且超过 10% 的理赔被拒或延迟,因此在手术或治疗前核实您的医疗服务提供者是否已提交所有必要文件仍是有价值的。85% 的可避免拒赔通常是由于数据缺失或资格问题所致。
  3. 及时报告您的健康担忧。 医院的人工智能早期预警系统旨在捕捉患者病情恶化情况,但当医疗服务提供者拥有最新的生命体征和症状信息时,这些系统效果最佳。您对自身感受变化的报告是使这些系统更有效的“非结构化数据”的一部分。
  4. 理解人工智能是辅助而非取代人类判断。 研究表明,当医疗服务提供者确认人工智能警报时,死亡率进一步降低——人机协作效果最佳。您与临床团队的关系仍是您护理的基础。
  5. 了解证据的局限性。 由于大多数人工智能应用尚未经过随机对照试验,您应感到自在并向您的医疗服务提供者询问支持任何人工智能辅助推荐的相关证据。这是一个合理的问题,本综述的作者也会同意值得提问。
  6. 认识到人工智能可能会改善您的患者体验。 从更少的理赔拒赔到更短的手术等待时间,再到更少匆忙的医生(目前他们花费超过 50% 的时间在电子健康记录上),人工智能有潜力使医疗保健更加以患者为中心——但这些益处仍在试点项目中得到验证。
  7. 了解经济利益。 人工智能减少 30% 行政支出(如一家支付方所证明)并提高 15% 至 20% 手术室利用率的能力,可能转化为成本节约和更好的就医可及性。然而,由于大多数组织仍处于试点阶段,这些变化可能需要数年时间才能影响到您当地的医院。

常见问题解答

医疗保健中的人工智能(AI)是什么?

人工智能利用计算机通过从示例中学习或处理人类语言来做出智能决策。在医院中,人工智能可以帮助预测保险拒赔、安排手术室以及检测患者病情恶化。它补充医生的知识,但不取代人类判断。采用仍处于早期阶段,因此许多用途正在试点项目中测试。

人工智能能否减少保险拒赔和预先授权的问题?

人工智能可以在提交前预测哪些保险理赔可能被拒,从而发现导致高达 85% 可避免拒赔的错误。一家支付方将复杂理赔无拒赔处理的比例从低于 80% 提高到了超过 90%。人工智能还加快了低和中等复杂度请求的预先授权速度,缩短了周转时间并减少了挫败感。

人工智能会如何影响我的手术等待时间?

人工智能可以预测手术持续时间并识别有高风险取消的手术。在模拟中,梅奥诊所和斯坦福大学等医院估计人工智能可将手术室利用率提高 15–20%,从而有望减少积压和等待时间。然而,大多数医院仍在测试这些方法,因此实际益处尚未得到保证。

人工智能能帮助我在医院保持安全吗?

人工智能可以监测生命体征并提醒医护人员患者突然病情恶化,这可能防止死亡。一种方法在 21 家医院降低了死亡率,另一种早期预警系统据报道在一个医疗网络中挽救了约 8,000 人的生命。当医疗服务提供者确认人工智能警报时,死亡率会进一步降低。该领域目前证据有限。

人工智能在医疗保健中有效的证据强度如何?

大多数医疗保健中的人工智能用途尚未在随机对照试验中进行测试,而随机对照试验是医学证据的金标准。许多例子来自试点项目或专家经验,而非同行评审研究。这意味着医疗决策所需的通常证明水平往往缺失。患者应询问任何人工智能辅助推荐背后的证据。

我应该向医生询问关于我护理中人工智能的哪些问题?

如果您的医生使用人工智能进行图像分析、预测或警报,请询问这对您的诊断或治疗意味着什么。询问支持该人工智能工具的证据及其验证方式。还要核实您的保险文件是否完整,因为可避免的拒赔通常源于数据缺失。这些问题可以帮助您了解人工智能如何影响您的护理。

如果我的医生的诊断或治疗方案部分基于人工智能,我应该寻求第二诊疗意见吗?

人工智能已广泛应用于医疗保健的许多领域,包括放射科,高达30%的医疗机构已采用该技术。然而,大多数人工智能应用尚未经过随机对照试验验证,因此通常用于医疗决策的证据水平往往不足。人工智能的设计目的是辅助而非取代人类判断。如果您对人工智能辅助的建议存在疑虑,请另一位专家审查您的诊疗方案可提供重要的安心保障。Diagnostic Detectives Network 提供独立的专家第二诊疗意见。

来源信息

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.

这篇面向患者的文章基于同行评审的研究编写。其目的是用于教育,不构成医疗建议。原文由 Jeffrey M. Drazen 医学博士编辑,客座编辑为 Isaac S. Kohane 医学博士、哲学博士和 Tze-Yun Leong 哲学博士,作为《新英格兰医学杂志》“医学中的人工智能”综述系列的一部分。