尽管AI因其在创意领域和业务自动化方面的突破而占据头条，但其重塑医疗保健的潜力仍在逐步显现。例如，临床质量语言（CQL）提供了一个潜在的AI转型领域。
CQL是一种标准化语言，可以以机器可读的格式表达临床知识和逻辑。历史上，CQL被健康IT系统用于编码临床指南和质量指标，确保在各种医疗保健平台上的解释一致性。像医疗保险和医疗补助服务中心（CMS）和其他临床数据标准组织这样的机构已经使用CQL来自动化质量指标报告和临床决策支持。
生成式AI与CQL的集成可以使医疗保健提供者无需广泛的技術培训即可利用AI。通常，编写CQL需要专门的技能。然而，生成式AI提供了潜在的机会，使临床医生可以用自然语言表达他们的推理，AI将其转换为CQL代码。
在本文中，我将探讨生成式AI如何在四个领域内改变CQL，以及成功实现这些目标所需的努力。
提高互操作性
互操作性仍然是医疗保健领域的一个重大挑战。尽管有Fast Healthcare Interoperability Resources（FHIR）等框架，AI见解往往难以弥合不同系统之间的差距。通过集成CQL，可以确保AI生成的建议在电子健康记录（EHR）、诊所、支付方和医院之间被理解和执行。
一些组织已经开始尝试将生成式AI和互操作框架结合起来，以增强护理协调。这一趋势突显了创建不仅仅是孤立输出的AI生成见解的重要性——它们是连续、协作的医疗保健生态系统的一部分。当用CQL编码时，这些见解可以在多个平台上采取行动，打破有效数据共享的障碍。
减少行政负担
行政任务是导致临床医生倦怠的重要来源，许多提供者在文书工作上花费的时间比在患者护理上还要多。生成式AI与CQL的结合有可能彻底改变医疗保健组织处理复杂流程的方式，如预先授权、医疗账单和索赔审查。通过自动化这些任务并将决策编码为CQL，组织可以减少手动文书工作的时间，将这些时间重新投入到面向患者的活动中。
然而，需要注意的是，这些技术的实施并非没有挑战。医疗保健组织需要确保AI生成的CQL符合地方和国家法规，并且必须保持严格的验证过程，以保证准确性和可靠性。这种自动化与监督之间的平衡对于成功将AI集成到日常运营中至关重要。
支持基于价值的护理
基于价值的护理一直是医疗保健系统的目标，重点是患者结果而非程序量。生成式AI和CQL可以实现实时、数据驱动的护理模式，将护理交付直接与基于结果的报销模型联系起来。这种集成使医疗保健提供者能够采用个性化、结果导向的护理计划，并确保这些计划无缝地编码在CQL中以支持报销和报告要求。
例如，一些医疗保健系统已经开始使用AI早期识别高风险患者并建议预防措施。当与CQL结合时，这些建议可以编码到临床工作流中，确保它们在不同系统中具有可操作性和互操作性。这不仅促进了患者护理的主动方法，还加强了提供者和支付者之间的合作，增强了信任和透明度。
嵌入公平性和透明度
AI采用中最紧迫的问题之一是偏见，尤其是在医疗保健领域，差异可能产生严重后果。将CQL与生成式AI结合提供了一种机制，用于创建透明的审计跟踪。这些跟踪使医疗保健提供者能够验证和纠正AI生成建议中的潜在偏见，确保患者护理的包容性和公平性。
然而，要真正嵌入公平性，医疗保健组织必须采用稳健的数据治理实践和偏见缓解策略。这需要持续监控、多样化的数据表示和全行业的承诺，以负责任地部署AI。优先考虑这些做法的公司将为医疗保健领域的负责任AI使用设定标准，确保技术进步不会延续现有的不平等，而是解决这些问题。
结论：战略性的飞跃
将生成式AI与CQL集成带来了许多希望，但行业必须解决一些障碍：
- 隐私和安全：确保生成式AI工具使用的患者数据保持安全并符合法规。
- 培训和采用：教育临床医生和管理人员如何有效使用AI生成的CQL来增强工作流程。
- 偏见和公平：持续监测AI算法中的偏见，并开发策略以减轻任何检测到的差异。
医疗保健行业还必须为内部变化做好准备，例如提升团队技能、修订数据获取策略并了解患者数据隐私的影响。前进的道路需要利益相关者的战略规划和合作。
生成式AI与CQL的集成不是一场华丽的革命；而是朝着更高效、更公平的医疗保健系统的战略性飞跃。虽然全面实现这一潜力需要行业合作、精心规划和负责任的实施，但生成式AI与CQL之间的协同作用为医疗保健交付带来了深远的长期改进。这不仅仅关乎技术，而是关于重塑医疗保健，以更加公平、更加互联的方式服务患者、提供者和支付者。
(全文结束)
