«تبدیل گفتگو به پیش‌نویس»؛ راهبرد جدید مانت سینای برای کاهش بارهای اداری

تصور کنید پرستاری هستید که نیمی از شیفت خود را به‌جای رسیدگی به بیمار، صرف تایپ گزارش‌های اداری می‌کند. حالا با حذف این بار اضافی، کادر درمان می‌توانند دوباره به‌صورت کامل در کنار بیمار حاضر شوند.

به گزارش مانت سینای (Mount Sinai)، این مرکز پزشکی در میامی بیچ در ۲۸ ژوئیه ۲۰۲۶ تأیید کرد که ابزار مستندسازی هوش مصنوعی محیطی شرکت Epic با نام «Chart with Art» اکنون در واحدهای بستری فعال شده است. استقرار این سیستم به‌صورت مرحله‌بندی شده در سراسر مرکز پزشکی در حال گسترش است. این اقدام پس از یک فاز استقرار اولیه در اوایل سال ۲۰۲۶ برای پزشکان صورت گرفت که به عنوان یک مرحله آزمایشی حیاتی عمل کرد تا اثرگذاری دقیق ابزار پیش از گسترش به بخش پیچیده‌تر پرستاری سنجیده شود.

این تغییر، بخشی از یک گذار گسترده‌تر به سوی «هوش مصنوعی محیطی» (Ambient AI) در مراقبت‌های بهداشتی است؛ فناوری‌ای که در آن هوش مصنوعی گفتگوهای زنده را می‌شنود تا ثبت سوابق را خودکار کند. مانت سینای با تکیه بر مفهوم ادغام بی‌وقفه هوش مصنوعی — مشابه روشی که ابزارهایی مانند cue هوشمندی را در تمام برنامه‌های macOS گسترش می‌دهند — در حال انتقال مستندسازی از یک تکلیف دستی با کیبورد به یک فرآیند پس‌زمینه است. طبق گفته‌ی وندی استوارت، مدیر پرستاری این مرکز، هدف نهایی این است که پرستاران بتوانند «از پشت کیبورد خارج شده و به‌طور کامل در کنار بیمار حضور داشته باشند».

زمینه و جزئیات اجرا

بیمارستان مانت سینای به‌صورت استراتژیک استقرار ابزار برای پرستاران را بر اساس نتایج استقرار پزشکان محدود کرده بود. پزشکان چندین ماه با شرکت Epic همکاری کردند تا نحوه رفتار ابزار در محیط‌های بالینی زنده را اصلاح کنند. این رویکرد به سیستم بهداشتی اجازه داد تا به‌جای اتکا به داده‌های ارجاعی از مشتریان دیگر، معیارهای داخلی «قبل و بعد» را برای خود ایجاد کند.

بیمارستان به‌طور مشخص بار مستنداتی را هدف قرار داد که هر کلینیسین بر دوش دارد و به‌ویژه بر گزارش‌هایی تمرکز کرد که زمان تکمیل آن‌ها به ساعات پس از پایان شیفت منتقل می‌شد. با آزمایش اولیه روی پزشکان، مرکز توانست یک خط مبنا (Baseline) ایجاد کند تا بفهمد هوش مصنوعی چقدر می‌تواند بار اداری را کاهش دهد، پیش از آنکه این ابزار را در محیط پیچیده‌تر پرستاری پیاده کند.

سازوکار فنی و اثرات عملیاتی

این سامانه گفتگوهای اتاق بیمار را ضبط کرده و پیش‌نویس مستندات بالینی را مستقیماً در پرونده بیمار درج می‌کند. برای تضمین دقت پزشکی و حقوقی، بیمارستان شرط «حضور انسان در چرخه» (Human-in-the-Loop) را حفظ کرده است؛ به این معنا که هیچ داده‌ای بدون بازبینی و تأیید نهایی پرستار یا ارائه‌دهنده خدمات، وارد پرونده دائمی نمی‌شود. همچنین، بیماران در هنگام فعال بودن ابزار مطلع شده و حق رد استفاده از آن را دارند.

بر اساس مستندات فنی و داده‌های عملکردی این پروژه، ویژگی‌های کلیدی سیستم عبارتند از:

• پشتیبانی زبانی: ابزار به هر دو زبان انگلیسی و اسپانیایی عمل می‌کند. این ویژگی برای محیطی که بیش از ۳۰ درصد بیماران آن اسپانیایی را به‌عنوان زبان اول صحبت می‌کنند، حیاتی است. این قابلیت مانع از آن می‌شود که کارکنان دوزبانه، مواجهات را به زبانی متفاوت از زبان واقعی گفتگو مستند کنند.
• دستاوردهای پزشکان: پزشکانی که در فاز اول شرکت کردند، زمان صرف شده برای مستندسازی هر مواجهه را نزدیک به ۳۰ درصد کاهش دادند و همزمان کاهش چشمگیری در حجم کارهای مستندسازی پس از ساعات کاری داشتند.
• قابلیت‌های هوشمند AI: این ابزار که در اوایل فوریه ۲۰۲۶ به‌عنوان بخشی از هوش مصنوعی «Art» (ویژه کلینیسین‌ها) عرضه شد، در طول بازدیدها گوش می‌دهد، یادداشت‌ها را پیش‌نویس می‌کند، سفارشات پزشکی را بر اساس کلمات گفته‌شده در صف قرار می‌دهد و به کلینیسین‌ها اجازه می‌دهد ساختار یادداشت‌ها را از طریق فرمان صوتی تغییر دهند.
• مقیاس پذیرش: قابلیت خلاصه‌سازی پرونده (Insights) اکنون ۱۶ میلیون بار در ماه استفاده می‌شود که تقریباً سه برابر حجم استفاده در نوامبر ۲۰۲۵ است.
• مکانیزم‌های ویژه پرستاری: سیستم از دو روش عمل می‌کند؛ روش اول با استخراج علائم حیاتی، جداول جریان (Flowsheets)، سوابق دارویی، سفارشات و یادداشت‌های قبلی، پیش‌نویس یادداشت‌های برنامه مراقبتی پایان شیفت را می‌سازد. روش دوم از ضبط محیطی برای ساخت مستندات مستقیماً از گفتگوهای کنار تخت بیمار استفاده می‌کند.
• بنچمارک‌های مقایسه‌ای: در سیستم بهداشتی Mercy (یکی از ۱۵ سیستم بهداشتی بزرگ آمریکا)، میانگین مستندسازی پایان شیفت از ۳.۵ دقیقه به حدود ۳۲ ثانیه برای هر یادداشت کاهش یافت و تکمیل به‌موقع گزارش‌ها ۲۲۵ درصد رشد کرد. سایر بنچمارک‌های Epic شامل مایو کلینیک است که ۷۰ درصد داده‌های جدول جریان را بدون ورود دستی ثبت می‌کند و Sanford Health است که طی ۶ ماه ۳۱,۰۰۰ دلار صرفه‌جویی کرده است.

چالش‌های بخش بستری و رقابت بازار

برخلاف بازدیدهای سرپایی که در اتاق‌های کنترل‌شده انجام می‌شوند، پرستاری در بخش بستری شامل ترکیبی هرج‌ومرج از اعضای خانواده، هم‌اتاقی‌ها، صدای آلارم‌ها و وقفه‌های مداوم است. در اینجا مستندسازی به‌جای روایت‌های متنی، در فیلدهای «جدول جریان» (Flowsheet) ساختاریافته است؛ این امر تبدیل صدای محیط به داده‌های ساختاریافته را به مشکلی به‌مراتب سخت‌تر برای هوش مصنوعی نسبت به گزارش‌نویسی استاندارد کلینیکی تبدیل می‌کند.

در این میدان، Epic با متخصصانی چون Abridge در رقابت است. شرکت Abridge که با پرستاران مایو کلینیک همکاری کرده، در می ۲۰۲۶ ابزاری را معرفی کرد که پیش‌نویس‌هایش را مستقیماً در ردیف‌های جدول Epic قرار می‌دهد تا پرستار آن‌ها را تأیید کند. طبق گزارش KLAS Research در آوریل ۲۰۲۶، هوش مصنوعی محیطی برای پرستاران اکنون یک «دستهٔ نوظهور» در بازار است.

برای مدیران بیمارستان، تصمیم‌گیری فعلی یک موازنه در خرید (Procurement Trade-off) است: آن‌ها باید بین یک قابلیت یکپارچه (Bundled) از تامین‌کننده اصلی پرونده‌های الکترونیک — که باعث حذف یک چرخه خرید مجزا و پیچیدگیات ادغام دوم می‌شود — یا یک قرارداد مستقل با یک شرکت متخصص انتخاب کنند. مانت سینای مسیر یکپارچه را انتخاب کرد.

مانت سینای نخستین مرکز بهداشتی در فلوریدا و چهارمین مرکز در سطح ملی است که این ابزار را به دست پرستاران رسانده است. این استقرار یک بنچمارک واقعی ایجاد می‌کند تا مشخص شود آیا ضبط محیطی می‌تواند در برابر نویزهای یک بخش فعال بیمارستانی دوام بیاورد یا خیر. اگر این طرح موفق شود، سیگنالی است برای اینکه تامین‌کنندگان EHR ممکن است در نهایت مالک کل لایه‌ی هوش مصنوعی مستندسازی بالینی شوند و به‌طور بالقوه شرکت‌های واسطه و گزارش‌نویس‌های AI شخص ثالث را از بازار حذف کنند.

گام بعدی شما

• بررسی گزارش‌های عملکردی آتی از واحدهای بستری مانت سینای برای سنجش اینکه آیا بهره‌وری ۳۰ درصدی پزشکان به محیط بی‌ثبات‌تر پرستاری منتقل می‌شود یا خیر.
• تحلیل تفاوت نتایج بین ابزارهای یکپارچه (Bundled) و ابزارهای تخصصی (Standalone) در دقت استخراج داده‌های ساختاریافته.
• رصد پیشرفت‌های مدل‌های تبدیل گفتار به متن در محیط‌های با نویز بالا (High-Noise Environments).

اما این تحول تنها بخشی از یک تصویر بزرگ‌تر است؛ بررسی اینکه چگونه این داده‌های ساختاریافته می‌توانند پیش‌بینی‌های بیماری را دقیق‌تر کنند، در گزارش جامع ما درباره‌ی آینده EHRها منتشر خواهد شد.