人工智能（AI）系统似乎已经席卷了医疗保健行业——甚至可能是整个世界，显示出在革新护理、研究、工作流程等方面的巨大潜力。
随着行业评估AI的炒作与真正潜力，有一点关于AI已经变得非常清楚：它生成了大量数据——这对医疗保健来说既是机会也是挑战。
现在，互操作性管道已经启用，数据在医疗组织之间流动，医疗服务提供者正在管理着涌入的大量数据。借助AI和大型语言模型（LLMs），生成更多数据变得更加容易，这意味着问题进一步恶化。与普通的海啸不同，医疗行业的大量涌入数据不是一次性的事件。数据将继续积累。
医疗组织应该如何应对以避免被数据淹没？尽管早期希望AI可能解决数据挑战，但现在用户意识到，对于关键的医疗任务，AI需要更加可靠、准确和值得信赖。
承担责任
准确的临床记录对患者护理、报销和运营效率至关重要。当医生创建临床笔记时，他们有责任确保文档的准确性和完整性。有了互操作性，我们现在从其他临床医生、医院、实验室、HIEs和其他来源获得了大量的额外临床信息。虽然表面上看，更多的信息似乎更强大，但临床医生现在需要弄清楚传入的数据是否准确，以及哪些部分对面前的患者是相关的。
换句话说，如果临床医生对涌入的数据负责，他们如何高效地验证和管理所有这些数据？
AI不完美的影响
考虑一下AI辅助文档工具的影响，这些工具旨在优化工作流程、减少文档时间并缓解医生的职业倦怠。然而，它们的输出仅取决于输入系统的数据质量。如果一个医疗机构使用充满错误或空白的数据存储库来构建AI计划，那么最终的输出将是存在缺陷的。
因此，透明度在AI数据方面至关重要。当通过AI创建文档时，医疗保健提供者需要了解评估或建议背后的事实来源，以便快速识别可能影响患者护理的潜在错误。
另一个对话式AI的限制是无法创建结构化数据。虽然这些工具在创建叙述性文本方面表现出色，但往往无法创建分析、法规遵从性和质量指标所需的结构化临床数据。
AI辅助文档工具还严重依赖于总结，这在试图快速理解几十页的多份医疗记录汇编时是有益的。然而，LLM经过训练，可以识别下一个逻辑词，几乎没有推理能力。为了提高准确性，这些模型应该使用高级算法训练专家策划的临床内容。
当从错误或不完整的文档中推导出编码时，AI也不完美。不正确的诊断和程序代码可能会导致下游问题，包括索赔被拒、报销不准确和不适当的后续患者护理。
管理数据海啸
使用AI生成成为患者病历一部分的内容的医疗企业应考虑以下几点：
- 谁负责最终审查和批准成为病历一部分的AI生成内容？
- 这个过程发生在工作流程的哪个环节，如何进行更改或纠正并将这些信息传达给所有护理团队成员？
- 组织应与临床用户协商，就信息呈现方式达成一致，使签署护理计划的人能够查看文档并在必要时根据提供的信息采取行动。
- 组织应实施反馈循环，使用户能够向系统和工作流设计师报告AI生成内容的问题，并提出改进和细化建议。
要有效地管理当今的临床数据海啸，特别是在这个互操作性和AI的时代，临床医生需要能够将大量临床数据转化为事实来源的工具。这需要利用可信的、策划的临床内容来验证AI生成的输出的技术。为了在护理点对临床医生有用，这些工具还应能够对数据进行排序和过滤，并创建映射到标准术语、值集和报告格式的结构化、离散信息。
医疗行业的数据海啸不会消失。然而，通过采用与AI输出配对以提高数据质量的工具，临床医生可以快速访问准确且可操作的数据，从而增强患者护理。
(全文结束)
