تصور کنید مدیر یک بخش بیمارستانی باشید که هر روز نیمی از وقتش را صرف پر کردن جای خالی پرستاران غایب در لحظه آخر میکند. این هرجومرج روزمره اکنون جای خود را به سیستمی میدهد که نیازهای نیروی انسانی را تا ۱۲۰ روز آینده با صحت ۹۶٪ پیشبینی میکند. به گزارش symplr، این تغییر رویکرد از «تلاش برای بقا در لحظه» به «برنامهریزی پیشدستانه»، هسته اصلی استراتژی این شرکت برای مبارزه با فرسودگی شغلی پرستاران است.
symplr یک شرکت نرمافزاری در حوزه عملیات بهداشتی است که بر اتصال و سادهسازی سیستمهای اداری و عملیاتی پشتیبانِ ارائه خدمات درمانی تمرکز دارد. پلتفرم ابری این شرکت (Operations Platform) قابلیتهای گستردهای را یکپارچه میکند؛ از مدیریت نیروی کار، دادههای ارائهدهندگان و تایید صلاحیت (Credentialing)، کیفیت و ایمنی، ارتباطات بالینی و زمانبندی پزشکان گرفته تا مدیریت استعدادها، مدیریت هزینهها، انطباق با قوانین، مدیریت دسترسی و مدیریت قراردادها. هدف symplr این است که با جایگزینی راهکارهای تکهتکه و پراکنده با جریانهای کاری و دادههای یکپارچه، محیط بهداشتی را بهینه کند. این شرکت همچنین در حال ادغام هوش مصنوعی در سراسر پلتفرم خود است تا از اتوماسیون و تصمیمگیری هوشمند پشتیبانی کند، در حالی که حاکمیت دادههای خاص حوزه سلامت را در مرکز رویکرد خود قرار داده است. این تمرکز بر دادههای تخصصی، یادآور اهمیت دادههای اختصاصی به عنوان خندق دفاعی شرکتها در عصر مدلهای عمومی است تا دقت سیستمها در محیطهای حساس تضمین شود. در حال حاضر، فناوری این شرکت توسط ۹ بیمارستان از هر ۱۰ بیمارستان در ایالات متحده و بیش از ۴۰۰ طرح بهداشتی (Health Plans) در آمریکا استفاده میشود.
همانطور که در تحلیلهای قبلی ما دربارهی اتوماسیون در صنایع حساس اشاره کردیم، موفقیت تکنولوژی در گرو پذیرش کاربر نهایی است. در حوزه سلامت، تاریخچه شکستهای متعددی در استقرار فناوری وجود دارد. برای مثال، نسخههای اولیه پروندههای الکترونیک سلامت (EHR) وعده کارایی دادند، اما در عمل اغلب باعث افزایش بارهای اداری شدند. دلیل این شکست آن بود که بالینگران خط مقدم — کسانی که قرار بود هر روز از این سیستمها استفاده کنند — از فرآیند طراحی و اجرا کنار گذاشته شده بودند. این امر منجر به ایجاد شکافی عمیق بین تصمیمات اتخاذ شده در اتاق جلسات مدیران و واقعیتهای موجود در کنار تخت بیمار شد؛ جایی که تصمیمات مربوط به جریان کاری بدون توجه به پرستارانی که باید پس از فعال شدن سیستم ساعتها کلیک میکردند، گرفته میشد.
علی مورین (Ali Morin)، مدیر ارشد انفورماتیک پرستاری در symplr، معتقد است هوش مصنوعی فرصتی برای جبران این اشتباهات است، به شرطی که صنعت سلامت دوباره همان مسیرهای غلط را طی نکند. مورین نزدیک به سه دهه تجربه در این حوزه دارد. او پیش از آنکه در سال ۲۰۲۴ به عنوان مدیر ارشد انفورماتیک پرستاری منصوب شود، نایب رئیس انفورماتیک پرستاری در symplr بود و نقشهای ارشدی در شرکت Halo با تمرکز بر ارتباطات بالینی، اجرا و پذیرش سیستمها داشت. سوابق او همچنین شامل فعالیت در بخش انفورماتیک بالینی و تحلیلها در مرکز پزشکی بیمارستان کودکان سینسیناتی و رهبری ابتکارات بزرگ مستندسازی بالینی الکترونیک و سیستمهای ورود سفارشات کامپیوتری (CPOE) در بیمارستان کودکان بوستون است. او به عنوان یک پرستار ثبتشده که مسیر شغلی خود را بیش از ۲۵ سال پیش به عنوان پرستار مراقبتهای ویژه کودکان آغاز کرد، باور دارد که تنها راه اجتناب از اشتباهات گذشته، تبدیل مشارکت بالینگران به یک «الزام ساختاری» است، نه صرفاً یک «مرحله تایید نهایی».
شکست طراحی مبتنی بر «نقطه بازرسی»
مورین استدلال میکند که اکثر طرحهای هوش مصنوعی در سلامت شکست میخورند چون با ورودی پرستاران مانند یک جلسه بازخورد برای دموی محصول یا یک اجرای آزمایشی (Pilot) برخورد میکنند. او این رویکرد را «طراحی نقطه بازرسی» (Checkpoint Approach) مینامد؛ یعنی زمانی که تصمیمات از پیش گرفته شده و سیستم ساخته شده است و حالا کارکنان صرفاً در حال آموزش دیدن هستند. او اشاره میکند که بسیاری از سازمانها راهکارهایی را برای جریان کاری طراحی میکنند که «فکر میکنند» یک پرستار دارد، نه محیط واقعی کار. محیط واقعی با وقفههای مداوم، اولویتهای متضاد و لحظاتی تعریف میشود که در آن مستندسازی و مراقبت از بیمار باید به طور همزمان اتفاق بیفتد. این چالشها نشان میدهد که برای پایداری سیستمهای هوشمند در محیطهای عملیاتی، تنها مهندسی پرامپت کافی نیست و باید زیرساختهای نظارتی در زمان اجرا (Runtime) پیشبینی شوند.
طبق دیدگاه مورین، مشارکت واقعی مستلزم حضور پرستاران در مراحل زیر است:
- فرآیندهای تدارکاتی و انتخاب تامینکننده
- طراحی اولیه و توسعه سیستم
- ارزیابی مستمر و تکامل ابزار در طول زمان
این نوع مشارکت معنادار در گروههایی مانند «گروه کاری CNO/CNIO تامینکنندگان HIMSS» و «کمیته رهبری، نوآوری، فناوری و تحول AONL» دیده میشود. در این تالارهای تخصصی، پرستاران به جای واکنش ساده به آنچه ساخته شده، در حال تعریف شایستگیها و چارچوبهای حاکمیتی هستند که سازمانهای بهداشتی برای ارزیابی فناوری از آنها استفاده میکنند.
مورین یک آزمون سختگیرانه برای هر ابزار هوش مصنوعی به کار میبرد: آیا این ابزار به طور معناداری از کار پرستار پشتیبانی میکند یا تبدیل به اولویت مزاحم دیگری برای جلب توجه او میشود؟ اگر ابزاری باعث اضافه شدن صفحات جدید برای بررسی یا کلیکهای تکراری شود، فارغ از اینکه مدل هوش مصنوعی آن چقدر پیچیده و پیشرفته باشد، شکستخورده است. اگر ابزاری با زمان پرستار رقابت کند، تنها یک بار اضافی بر دوش اوست.
اتوماسیون مدیریت نیروی کار
در حال حاضر، مدیران پرستاری بخش قابل توجهی از روز خود را صرف تنظیم دستی جداول زمانی و پوشش دادن غیبتهای لحظه آخری میکنند. پلتفرم ابری symplr با استفاده از هوش مصنوعی، این پیچیدگیهای عملیاتی را حذف میکند. کارهایی که زمانی نیازمند هماهنگیهای دستی بیپایان بود — مانند ساخت جدول زمانی و تنظیم آن در لحظه — اکنون میتوانند خودکار شوند و رهبران پرستاری را از فشار هماهنگیهای روزمره رها کنند.
به نقل از symplr، این راهکار یکپارچه زمانبندی، تغییری ملموس در کارایی ایجاد میکند. با پیشبینی نیازها برای ۱۲۰ روز آینده با صحت ۹۶٪، سیستم به مدیران اجازه میدهد به جای «واکنش به بحران»، «برنامهریزی» کنند.
این کارایی اثرات مالی و عملیاتی مستقیمی دارد. برای نمونه، مرکز درمانی Bellin Health با استفاده از این ابزارهای پیشبینیکننده به نتایج زیر دست یافت:
- صرفهجویی بیش از ۱ میلیون دلاری در هزینههای نیروی کار
- پر کردن ۶۵٪ شیفتها از دو هفته یا بیشتر پیش از موعد
- پر کردن ۸۰٪ شیفتها در بازه یک هفتهای
مورین تاکید میکند که اگرچه صرفهجویی در هزینهها مهم است، اما ارزش واقعی برای پرستاران در «پیشبینیپذیری» است. سیگنالهایی که بیشترین اهمیت را دارند، مواردی هستند که شکاف نیروی انسانی را پیش از آنکه وضعیت بحرانی شود آشکار میکنند؛ مثلاً اینکه شیفتها تا چه حد زودتر پر میشوند و یک بخش هر چند وقت یکبار به مشوقهای مالی لحظه آخری برای جذب نیرو متکی است. وقتی ۸۰٪ شیفتها زودتر پر شوند، اتکا به هرجومرجهای لحظه آخری کاهش یافته و محیط کاری پایدارتر ایجاد میشود.
کاهش فرسودگی از طریق هوش مصنوعی «نامرئی»
فرسودگی شغلی یک بحران سیستماتیک در پرستاری است. شورای ملی شوراهای پرستاری ایالتی گزارش داده است که از میان پرستارانی که قصد داشتند در پنج سال آینده این حرفه را ترک کنند، ۴۱.۵٪ استرس و فرسودگی را دلیل اصلی دانستهاند. سایر دلایل برتر شامل حجم کاری زیاد، کمبود نیرو و حقوق ناکافی بود.
مورین استدلال میکند ابزارهای هوش مصنوعی که پرستاران واقعاً میپذیرند، ابزارهایی هستند که «در پسزمینه محو میشوند» یا نامرئی میمانند. این شامل مستنداتی است که در حالی که پرستار کاملاً در کنار بیمار حضور دارد، خودبهخود نوشته میشوند، یا جریانهای کاری که به جای اضافه کردن مراحل جدید، وظایف تکراری را حذف میکنند. وقتی مدیریت درباره عملکرد ابزار و دلیل استفاده از آن شفاف باشد و ابزار بر اساس جریانهای کاری واقعی (و نه نسخهای ایدهآل و خیالی) ساخته شود، نتیجه واقعی خواهد بود: زمان بیشتر برای مراقبت از بیمار، زمان بیشتر برای تفکر انتقادی و ظرفیت بیشتر برای راهنمایی و منتورینگ پرستاران تازهکار.
فراتر از زمانبندی، پتانسیل هوش مصنوعی در پنج سال آینده در دو حوزه متمرکز خواهد بود:
- ابزارهای محیطی (Ambient Tools): ثبت لحظات «بینابینی» مراقبت که به طور تاریخی مستند نمیشدند تا سوابق کاملتری از آنچه در طول مواجهه با بیمار رخ داده است، ساخته شود.
- پرستاری مجازی (Virtual Nursing): مقیاسبندی پشتیبانی برای آموزش بیماران، مستندات پذیرش، برنامهریزی ترخیص و نظارت از راه دور. این کار باعث میشود پرستاران بالینی آزاد شوند تا به جای کاغذبازیهای اطراف بیمار، بر خود بیمار تمرکز کنند.
بسیار مهم است که اشاره شود این ابزارها برای حذف وظایفی طراحی شدهاند که به طور پنهانی با «قضاوت بالینی» رقابت میکنند، نه برای جایگزینی خودِ آن قضاوت.
حفاظها و حاکمیت
نگرانی فزایندهای وجود دارد که سرعت توسعه هوش مصنوعی ممکن است از سرعت اعتبارسنجی بالینی پیشی بگیرد. مورین نسبت به اولویت دادن به سرعت بر ایمنی در محیطهای مراقبت از بیمار هشدار میدهد و خاطرنشان میکند که الزامات نظارتی و ایمنی در حوزه سلامت به دلایل موجهی وجود دارند. سازمانهایی موفق میشوند که اعتبارسنجی بالینی و حاکمیت پرستاران را از روز اول به عنوان بخشی از فرآیند طراحی در نظر بگیرند، نه به عنوان یک مورد در چکلیست پیش از فعالسازی سیستم.
برای کاهش این ریسکها، او چندین حفاظ (Guardrails) را پیشنهاد میکند:
- ارزیابی خط مقدم: پرستاران و سایر بالینگران خط مقدم باید ابزارها را پیش از آنکه با مراقبت از بیمار در تماس قرار گیرند، ارزیابی کنند.
- شفافیت سیستم: سیستمهای بهداشتی نیاز به دید واضحی دارند که هوش مصنوعی دقیقاً چه کاری انجام میدهد.
- حلقههای بازخورد: یک فرآیند شفاف باید وجود داشته باشد تا بالینگران بتوانند هر زمان که سیستمی درست کار نمیکند، آن را گزارش کنند.
- چارچوبهای ملی: استفاده از ساختارهای حاکمیتی گروههای صنعتی مانند AONL و HIMSS برای ارائه یک چارچوب عملیاتی، تا سیستمهای بهداشتی مجبور نباشند این چالشها را به تنهایی حل کنند.
گروههایی مانند AONL (سازمان رهبری پرستاری آمریکا) و HIMSS در حال حاضر در حال تعریف شایستگیهای دیجیتالی هستند که رهبران پرستاری برای هدایت این تصمیمات تکنولوژیک به آنها نیاز دارند. این شایستگیها شامل تسلط دیجیتال، توانایی همکاری بین ذینفعان و مهارت در همسو کردن تصمیمات فناوری با جریانهای کاری بالینی و نتایج واقعی است.
شرکت symplr با ایجاد «گرنت آموزشی رهبری پرستاری در فناوری کارلین کرفوت» در مشارکت با بنیاد DAISY از این انتقال پشتیبانی کرده است. این ابتکار تضمین میکند که پرستاران بیشتری به آمادگی لازم برای رهبری تصمیمات پیچیده تکنولوژیک دست یابند.
برای مدیران اجرایی بهداشت، مسیر پذیرش ساده است: پرستاران را از ابتدای خرید، اجرا و ارزیابی درگیر کنید. پرستارانی که هر روز با این ابزارها کار میکنند، چالشها و فرصتهایی را شناسایی میکنند که دیگران ممکن است نادیده بگیرند. اکنون روی توسعه رهبری دیجیتال سرمایهگذاری کنید تا رهبران پرستاری بتوانند تضمین کنند که مشارکت بالینی، عامدانه است و نه اتفاقی. وقتی تکنولوژی با جریانهای کاری واقعی همسو شود، بارهای اداری کاهش یافته، پذیرش سیستم بهبود مییابد و در نهایت ایمنی و نتایج درمان بیمار ارتقا مییابد.
گام بعدی شما
- اگر مدیر عملیاتی هستید، بررسی کنید که آیا ابزارهای اتوماسیون شما باعث کاهش کلیکها شده یا فقط لایهای جدید از پیچیدگی اضافه کردهاند.
- در طراحی جریانهای کاری، «مشارکت کاربر نهایی» را به عنوان یک KPI فنی تعریف کنید، نه یک مورد در چکلیست اداری.
- پتانسیل ابزارهای Ambient را برای حذف مستندات دستی در سازمان خود ارزیابی کنید.
اما تاثیر این اتوماسیون بر کاهش هزینههای جاری بیمارستانها حتی عمیقتر است — به تحلیل ما درباره اقتصاد عملیاتی در سلامت مراجعه کنید.
گفتگو