Внедрение генеративного ИИ в здравоохранение

 Как мы видели на примере legaltech, LLM могут способствовать росту и сбоям в традиционно сложной вертикали для программного обеспечения. Прямо сейчас основные приложения этой технологии нацелены на экономию средств и автоматизацию операций бэк-офиса и повышение эффективности рабочих процессов для персонала на переднем крае, но мечта заключается в том, чтобы генеративный ИИ значительно улучшил результаты лечения пациентов.

Мы уже видим, как инновационные компании атакуют конкретные варианты использования, такие как составление медицинских описаний, вовлечение пациентов и другие рабочие процессы, такие как предварительная авторизация, — и каждый день открываются новые возможности. Битва уже назревает. Столкнувшись с преимуществами знакомых сотрудников в сфере дистрибуции, новички должны использовать всю свою скорость, амбиции и креативность, чтобы пробиться вперед, добиться успеха и выстоять.

История рынка

За последнее десятилетие многие новые компании, занимающиеся разработкой программного обеспечения для здравоохранения, столкнулись с неблагоприятной динамикой рынка. Поставщики работают с крайне низкой прибылью и часто не желают тратиться на обещания долгосрочной экономической эффективности. Плательщики также страдают от низкой маржи и являются концентрированной группой покупателей, причем 5 крупнейших игроков занимают более 50% рынка. Эти организации могут работать медленно, а циклы продаж могут быть невероятно долгими, создавая препятствия для выскочек.

Неудивительно, что крупнейшие истории успеха в области цифрового здравоохранения в значительной степени обошли эти барьеры благодаря:

1. Преимущества единовременных изменений в законодательстве (Epic, Cerner, Aledade)
2. Сосредоточение внимания на оказании медицинской помощи в рамках определенных вертикалей (Maven для лечения бесплодия, Livongo для лечения диабета, Hinge / Sword для MSK, Lyra / Headway для психического здоровья)
3. Предоставление продуктов, связанных с лечением (Zocdoc, помогающий пациентам находить врачей и записываться на прием, Doximity, помогающий врачам общаться друг с другом)

С другой стороны, успехи в атаке на основные операции здравоохранения невелики, а редкие яркие моменты, как правило, подчеркивают увеличение доходов, а не снижение затрат (например, Cedar). Со стороны плательщиков картина еще более туманная. Разочарованные непримиримостью плательщиков к внедрению новой технологии, некоторые стартапы вместо этого вышли на рынок плательщиков, часто с такими же разочаровывающими результатами.

GenAI напрямую решает эти проблемы. Он преодолевает “ловушку бедности” покупателей, предоставляя большую и немедленную выгоду, сохраняя при этом надежность неструктурированных данных и операционных сред. Его фактор новизны и узнаваемое влияние помогают стимулировать покупателей, особенно тех, кто надеется показаться инновационным среди коллег. Самое главное, что новые участники могут использовать genAI, чтобы войти в дверь и получить шанс внедриться в более широкий стек программного обеспечения для здравоохранения. Компании в нашем окружении представляют эти возможности в шести широких категориях операций фронт-офиса и бэк-офиса.

Фронт-офис

Рабочие процессы, ориентированные на пациента, хорошо подходят для LLM, поскольку они представляют собой интерфейсы на естественном языке, которые требуют гибкости для решения широкого спектра условий и особых случаев. Здесь также существует потенциал для согласования действий между поставщиками медицинских услуг, плательщиками и фармацевтическими компаниями, создавая векторы монетизации.

Вовлечение пациентов
Взаимодействие с пациентом состоит из 3 частей — выявление перед консультацией, прием пациента и соблюдение режима ухода после консультации. Обнаружение и прием пациентов хорошо подходят для генеративного ИИ, который может получать доступ к неструктурированным данным, чтобы уменьшить трудности при поиске и помочь пациентам легче найти нужного поставщика медицинских услуг.

Наилучшая возможность здесь - улучшить приверженность к лечению после посещения врача. Пациенты принимают только половину лекарств, назначаемых при хронических заболеваниях, что приводит к ненужным расходам на здравоохранение более чем на 100 миллиардов долларов. Решение может быть таким же простым, как автоматизация текстовых сообщений и звонков, напоминающих пациентам о необходимости идти на повторный прием, принимать лекарства и отвечать на их основные вопросы. В настоящее время этими задачами занимаются легионы медсестер и кейс-менеджеров. В клинику Кливленда, например, поступает 6 миллионов звонков каждый месяц. Поскольку плательщики несут расходы за несоблюдение режима из-за обострения заболеваний, в то время как фармацевтические компании теряют доход из-за неиспользованных лекарств, здесь могут быть креативные подходы к выходу на рынок, которые стартапы могут использовать.

Документация
Взаимодействие пациента и врача во время консультаций требует много ручной работы, в частности, расшифровки этих разговоров в полях EHR и их соответствующего кодирования. Это облагает налогом и без того перегруженных работой медицинских работников, и его часто обвиняют в повышении уровня профессионального выгорания. По оценкам, сегодня насчитывается 100 тысяч медицинских писцов, по сравнению с 20 тысячами в 2016 году. При средних затратах в 40-50 тысяч долларов на одного писца в год этот, казалось бы, узкий вариант использования обходится минимум в 4 миллиарда долларов, без учета альтернативных издержек врачей.

В долгосрочной перспективе у игроков здесь есть большой потенциал платформы. Они могут расширить свои возможности на основе собранных данных, обеспечивая лучшие ссылки и рабочие процессы и, в конечном итоге, превращаясь в первоклассную систему учета. Некоторые компании, занимающиеся документацией, уже расширяются в таких областях, как кодирование и выставление счетов.

Это не новое понимание, но есть четкое “почему именно сейчас”. Предыдущее поколение стартапов потерпело неудачу из-за того, что технология не была готова, но проблема хорошо подходит для современных LLM, особенно моделей Whisper и GPT4. По иронии судьбы, сейчас риск заключается в том, что это слишком просто и технология почти наверняка превратится в товар. На рынке небольших систем здравоохранения и клиник стартапам необходимо будет выйти за рамки шаблонного подхода и создать универсальный пакет для работы провайдеров.

Принятие клинических решений
Как показано в legaltech, genAI может предоставить интерфейс для организации, извлечения и синтеза сложных медицинских фактов, заметок и исследований. Врачи традиционно неохотно осваивают новые рабочие процессы, но другие варианты использования потенциально открыты для атак. Например, можно было бы представить, что LLMS позволит врачам запрашивать обширный массив информации о лекарствах или предоставлять пациенту более персонализированный уход.

Бэк-офис

Большая часть нагрузки на бэк-офис связана с конфликтующими стимулами между плательщиками и поставщиками. Поставщики часто получают деньги за услугу, а не за результат. Плательщики, естественно, скептически относятся к тому, что поставщики считают необходимым, и предпочли бы не платить за услугу или лекарство. В результате плательщики вынуждают поставщиков услуг использовать сложные структуры и трудоемкие процессы для обоснования своих запросов о возмещении и отклоняют более 1 из 10 претензий. Плательщики также обременены необходимостью вручную рассматривать претензии и выносить решения. Таким образом, обе стороны нанимают тысячи медсестер и административного персонала для выполнения этих задач.

Предварительное разрешение
Предварительное разрешение - это сложный процесс, который страховые компании навязывают врачам для получения разрешения, прежде чем они смогут назначить пациенту определенные лекарства или назначить определенные процедуры. В 2021 году врачи подали более 35 миллионов предварительных запросов на авторизацию плательщикам Medicare Advantage, из которых 2 миллионам было отказано. Автоматизация с использованием искусственного интеллекта защищает поставщиков медицинских услуг, пациентов и фармацевтические компании — все стимулы которых согласованы — от этой смерти со стороны администрации. LLM смогли "из коробки" с поразительной точностью генерировать формы предварительной авторизации, именно поэтому здесь появилось так много стартапов.

Существует риск того, что эта потребность может быть устранена из-за регулирования. Поскольку число предыдущих авторизаций за последние несколько лет резко возросло, вмешательство регулирующих органов выглядит все более вероятным. Новая политика, которая в целом снизит бремя предыдущих проверок, резко снизит стоимость этих продуктов. И, как и в случае с AI-scribes, технология создания формы предварительного разрешения также довольно распространена, поэтому компаниям приходится создавать дополнительные рабочие процессы, чтобы выдержать это время.

Кодирование
Медицинские программисты читают записи врачей и просматривают лабораторные данные, чтобы определить правильный код для диагностики и процедуры. Эти коды затем используются для выставления счетов по страховке. Рынок медицинского кодирования в США стоит около 21 миллиарда долларов и включает около 35 тысяч медицинских программистов. Несмотря на все эти усилия, больницы США ежегодно теряют почти 20 миллиардов долларов дохода из-за ошибок в кодировании, что привело к созданию кустарной индустрии местных консалтинговых фирм, которые помогают поставщикам услуг “обнаружить” недостающий доход.

В то время как большинство традиционных решений основаны на правилах, мультимодальные модели LLM позволяют сопоставлять неструктурированные записи врача, лабораторные панели и изображения для определения правильных кодов диагноза. Автоматизация также может сократить административные издержки при взаимодействии с плательщиками и станет естественным шагом к реализации огромной возможности - управлению циклом доходов. Сотрудники, занимающиеся документооборотом, также получат здесь огромное преимущество.

Управление доходным циклом
Медицинские биллеры создают и отправляют медицинскую претензию плательщику, как только получают коды для процедур / посещения офиса. Хотя подача претензий автоматизирована, отслеживание их выполнения - нет. Сочетание расследования и обжалования отклоненных претензий, проверки соответствия требованиям и преимуществ всех видов лечения и работы с плательщиками, вероятно, является самой серьезной административной головной болью для систем поставщиков медицинских услуг. В 2022 году было отклонено одиннадцать процентов всех претензий по медицинскому страхованию.

Есть два способа атаковать рынок RCM: автоматизация документооборота или сама обработка выставления счетов. Автоматизация сопряжена с определенным технологическим риском и значительным преимуществом для действующих пользователей (например, UiPath включает LLM), в то время как выставление счетов страдает от длительных циклов продаж. Лучшей отправной точкой может стать постепенное внедрение RCM из смежных вариантов использования.

Заключение

Сбои в здравоохранении исторически были трудными, а возможности мимолетными и узкими, но генеративный ИИ, наконец, может дать ключ к разгадке. Мы рады встретиться с командами, которые осмелятся переосмыслить следующие десятилетия здравоохранения.