Podsumowanie webinaru: Wnioski z wdrażania AI w ochronie zdrowia

Systemy ochrony zdrowia mają robić więcej dla pacjentów bez zwiększania zatrudnienia. Większość frustracji pacjentów nie wynika z samej opieki, lecz z wszystkiego wokół niej. Znalezienie właściwego lekarza wymaga wysiłku. Podobnie jak powtarzanie tej samej historii przy każdym przekazaniu sprawy. 

Podczas ostatniej sesji Behind the Agent Cindy Liu (Enterprise Deployment, ElevenLabs) rozmawiała z Jacque Myers (Global Healthcare Lead, Slalom), Sylvią Doane Stephenson (Managing Director, Slalom) i Cristal Woodley (Chief Marketing and Experience Officer, Renown Health) o tym, gdzie agenci AI są faktycznie wdrażani w ochronie zdrowia i co jest potrzebne, by uruchomić ich na produkcji.

Wdrożenia, które rozwijają się zamiast stawać w miejscu, różni punkt startu: jedna często realizowana, mierzalna ścieżka o niskim ryzyku zamiast wielu wyspecjalizowanych pilotaży.

Dlaczego ścieżka pacjenta wciąż nie działa

Pacjenci tkwią w powtarzalnym cyklu. Przy każdej zmianie etapu opieki potwierdzają swoją tożsamość i wyjaśniają, dlaczego dzwonią. Czekają i są przekierowywani. Odpowiedzi, których szukają gdzie indziej, bywają niespójne. Gdy w końcu trafiają do właściwej osoby, zaczynają cały proces od nowa.

Wszystkie punkty kontaktu istnieją — strona internetowa, portal pacjenta, contact center, EHR, rozliczenia — ale nie komunikują się ze sobą. Spójna ścieżka zaczyna się tam, gdzie jest pacjent, i najpierw angażuje go tam, gdzie ryzyko jest niskie, a wpływ duży.

Większość organizacji zaczyna od AI na obrzeżach, w wyspecjalizowanych przypadkach użycia wybranych ze względu na niskie ryzyko, ale nic z tego się nie skaluje. Alternatywa Jacque to tak zwana hero journey: kluczowa ścieżka, która obejmuje dużą część działań organizacji, nadal wiąże się z niskim ryzykiem i którą można rozwijać zamiast budować od nowa dla każdego przypadku użycia.

Demo: rezerwacja wizyty end-to-end

Umawianie wizyt to dobry kandydat na hero journey: jest częste, mierzalne i wystarczająco niskiego ryzyka, by na nim budować. Tak wygląda początek tej ścieżki end-to-end — od zebrania danych pacjenta po potwierdzenie wizyty.

Scenariusz: Pacjentka potrzebuje nowej recepty na soczewki kontaktowe. Na stronie ubezpieczyciela znajduje optometrystę objętego jej ubezpieczeniem i dzwoni do placówki, gdzie odbiera wirtualny asystent rezerwacji wizyt.

Co pokazano:

• Agent w naturalnej rozmowie zebrał dane nowej pacjentki: imię i nazwisko, datę urodzenia oraz numer telefonu
• Zweryfikował jej telefon prawdziwym kodem SMS i poradził sobie, gdy za pierwszym razem kod został źle usłyszany
• Gdy dzwoniąca nie pamiętała numeru członkowskiego ubezpieczenia, agent poprosił ją o przyniesienie karty na wizytę i przeszedł dalej
• Zaproponował trzy terminy, zarezerwował jeden i wysłał e-mail z potwierdzeniem na podstawie historii rozmowy oraz przypomnienie SMS
• Ten sam agent działał przez SMS — identyczny workflow obsługiwał rozmowę tekstową bez osobnej konfiguracji

Dlaczego to ważne: Ten sam agent obsługiwał linię telefoniczną i wiadomości tekstowe, więc doświadczenie od początku było omnichannel. Zbudowanie dema zajęło około dwóch godzin — zespół może więc przygotować prototyp i przedstawić go wewnętrznie w ciągu kilku dni. Wdrożenie produkcyjne w firmie to inna skala. Najwięcej pracy wymaga integracja, testy i zgodność, których agent potrzebuje przed startem. W ElevenLabs zajmują się tym nasi forward deployed engineers.

Od czego zacząć i co naprawdę blokuje wdrożenie

Kolejność dla systemu ochrony zdrowia, który zaczyna:

• Pasywne nasłuchiwanie: jeśli nie jest już zintegrowany z twoim EHR. Zwykle zajmuje się tym dostawca systemu dokumentacji, ale buduje to zaufanie klinicystów, od którego zależą kolejne działania.
• Contact center: Większość systemów traktuje je jako pozycję kosztową. Może jednak działać jako centrum wzrostu.
• Edukacja pacjentów i przestrzeganie zaleceń dotyczących leków: Powtarzalne zadania z mierzalnym i natychmiastowym ROI, które można skalować.

Automatyzację contact center blokuje harmonogramowanie pracy lekarzy. Karty preferencji i szablony grafików to tylko widoczna część. Dłużej trwa wprowadzanie zmian wśród osób wysoko wykwalifikowanych, świetnie wyszkolonych i bardzo niezależnych. Sprawdzają się lekarze wspierający zmianę, zgodne z nimi kierownictwo, które może ją ułatwiać, oraz stałe wsparcie — czasem indywidualny trener dla każdego klinicysty.

Jak Renown Health przygotowuje się na agentów

Renown obsługuje pacjentów na obszarze 100 000 mil kwadratowych — od Salt Lake City po Sacramento.

Zespół Cristal zaczyna od pilotażu o jasno określonym zakresie. Rozważane przypadki użycia całkowicie omijają dane pacjentów, a wewnętrzne sukcesy pomagają zbudować argumentację dla zespołu ds. zgodności przed kolejnymi krokami. 

Podstawą były dane. Zespół Cristal pracował z pracownikami medycznymi nad szablonami grafików, jednocześnie standaryzując otwarte zapisy. Szybkie korzyści z ambient listening otworzyły drogę: pracownicy, którzy odczuli poprawę jakości życia, wracali z pytaniem, co jeszcze jest możliwe.

Mówiła też wprost o tempie: zespoły marketingu i contact center nie mogą czekać, bo pacjenci już z tego korzystają i już tego oczekują.

Zabezpieczenia, HIPAA i wdrażanie agentów jak nowych pracowników

Rozmowy pełne emocji to pierwsza rzecz, o którą pyta większość zespołów. Renown już mierzy sentyment głosu w swoim contact center i przekierowuje rozmówców do bardziej doświadczonych konsultantów, przekazując im kontekst rozmowy. Ta sama dyscyplina dotyczy agentów AI.

Wdrażaj agentów tak jak ludzi: daj im SOP-y i centrum wiedzy, naucz reagowania na przerwania i eskalacje, a potem oceń na przykładach antagonistycznych przed startem i w ciągłych cyklach PDSA (plan, do, study, act).

Zabezpieczenia działają na trzech poziomach:

• Kierowanie za pomocą system promptu
• Walidacja danych wejściowych wychwytująca próby ataku, zanim agent odpowie
• Ocena w czasie rzeczywistym każdej odpowiedzi pod kątem skonfigurowanej polityki

W kwestii zgodności stosuje się te same standardy HIPAA, które obowiązują systemy EHR, także wobec systemów AI: umowy BAA z dostawcami AI, interoperacyjność, właściwe systemy ewidencji, deidentyfikacja wszędzie tam, gdzie przepływają informacje, oraz brak trenowania na danych pacjentów bez wyraźnej zgody. ElevenLabs wymaga umowy BAA z klientami z ochrony zdrowia i oferuje tryb bez przechowywania danych, więc dane są przetwarzane, a następnie wracają do twojego ograniczonego środowiska, gdzie je przechowujesz.

Co jest gotowe i co mierzyć

AI działa dziś na produkcji u klientów z ochrony zdrowia: prowadzi rozmowy w czasie rzeczywistym z niskim opóźnieniem i trzyma się scenariusza, nie pomijając pytań, które powinien zadać.

Każdy model w tym stosie ma jednak z natury probabilistyczne działanie — niezależnie od tego, czy chodzi o zamianę mowy na tekst, LLM czy zamianę tekstu na mowę. Dlatego ważne są otaczające je warstwy deterministyczne i dlatego przed każdym wdrożeniem trzeba ustalić próg ryzyka oraz protokół eskalacji — do człowieka lub bardziej zaawansowanego modelu.

Po ustaleniu tego progu pojawia się pytanie, co śledzić. Renown Health monitoruje wizyty umówione w każdym kanale i ich źródło — agenta, rozmowę telefoniczną lub SMS — bo pacjenci powinni mieć dostęp do opieki tak samo łatwy jak do wszystkiego innego.

Możesz też śledzić wskaźnik NPS wśród pacjentów, opiekunów i lekarzy, bo większość osób już lubi swoich lekarzy. Obciążenie tworzy wszystko wokół samej opieki, więc rosnąca satysfakcja oznacza, że ono maleje. Po stronie platformy obserwujemy liczbę wdrożonych agentów i obsłużonych minut pod kątem adopcji, a także CSAT i wskaźnik deflection, by sprawdzić, czy rozwiązanie działa.

Najlepsze praktyki wdrażania agentów AI w ochronie zdrowia

1. Wybierz hero journey, nie przypadek brzegowy: Jedna często realizowana, mierzalna ścieżka o niskim ryzyku, którą można rozszerzyć na całą organizację, jest lepsza niż wiele wyspecjalizowanych wdrożeń, które się nie rozwijają.
2. Uporządkuj dane przed automatyzacją procesu: Najpierw trzeba uporządkować szablony grafików i standardy otwartych zapisów. Agent przejmie każdy bałagan, który kryje się pod spodem.
3. Zaangażuj lekarzy wspierających zmianę i zapewnij wsparcie kierownictwa: Praca techniczna nie trwa najdłużej. Najtrudniej zdobyć poparcie niezależnych klinicystów — i potrzebują oni realnego wsparcia przez cały proces wdrożenia.
4. Wdrażaj agentów jak nowych pracowników: SOP-y, centrum wiedzy, przygotowane zachowania na przerwania i eskalacje, a następnie ocena na przykładach antagonistycznych przed startem i w ciągłych cyklach PDSA.
5. Wszystko, co oparte na faktach, uczyń deterministycznym: Pobieraj przez narzędzia daty, dostępność i dane z dokumentacji. Nie pozwalaj modelowi wnioskować o tym, co może sprawdzić.
6. Zdefiniuj próg eskalacji z wyprzedzeniem: Każdy model w tym stosie jest probabilistyczny. Wcześniej zdecyduj, co uruchamia przekazanie sprawy człowiekowi lub bardziej zaawansowanemu modelowi.
7. Mierz według kanału i satysfakcji: Liczba wizyt umówionych w każdym kanale pokazuje, czy pacjenci faktycznie z niego korzystają. NPS wśród pacjentów, opiekunów i lekarzy pokazuje, czy obciążenie maleje.

Obejrzyj pełną sesję

Obejrzyj pełny webinar Behind the Agent: sesja o wdrażaniu AI w ochronie zdrowia.