克服怀疑，推动人工智能在护理领域的应用

护理文书已成为运营瓶颈，人工智能无法在不深入对齐工作流程和进行严格变革管理的情况下解决这一问题。根据美国卫生与公众服务部的数据，护士现在花费高达41%的时间在电子健康记录（EHR）上，而经过验证的压力监测研究表明，在四小时的轮班中，他们与EHR互动的时间超过任何其他任务。系统综述将EHR负担直接与临床倦怠联系起来，约40%的研究报告了其对临床医生福祉的负面或不确定影响。

同时，美国护士协会和《护理问题在线期刊》强调，只有持续、有意地整合并让一线人员参与，AI才能改善护理实践。近一半的临床决策支持评估显示结果不一或负面，这突显出当组织低估工作流程复杂性或忽视变革管理基本原则时，AI采用为何会失败。

在一期AI in Business播客中，Emerj的Matthew DeMello与微软健康与生命科学部门Dragon for Nursing总经理Umesh Rustogi进行了对话，探讨了在临床环境中安全有效地扩展AI所需的条件——从准确性调整到一线采用。本文研究了健康系统部署中的三个关键见解，说明AI如何减轻护理负担并安全地扩展到临床环境：

AI驱动的护理工作流程环境文档：直接从床边对话中捕获结构化流程表数据，消除了手动输入，减轻了认知负荷，并将有意义的时间返还给患者护理。

临床系统内的持续AI准确性调整：允许健康系统对齐模式、调整模型行为并将真实世界纠正反馈到引擎中，确保可靠性能，防止准确性上限阻碍采用。

面向一线团队的AI赋能变革管理框架：通过保护培训时间、大声护理实践和单位级倡导者嵌入AI，加速临床医生信任并促进不同护理角色的一致使用。

播客节目：克服怀疑，推动AI采用——与微软的Umesh Rustogi对话

嘉宾：Umesh Rustogi，微软健康与生命科学Dragon for Nursing总经理

专长：医疗AI、临床工作流创新、企业产品领导力、云与数据平台

简要认可：Umesh Rustogi是一位企业技术和产品领导者，在医疗AI、云平台和企业软件方面拥有丰富经验。在微软之前，他在SAP工作了超过13年，担任高级工程、产品管理和企业战略领导职务，专注于云和企业平台创新。

AI驱动的护理工作流程环境文档

Rustogi在对话中花了很大篇幅描述护理文书在多大程度上仍依赖于延迟录入——护士快速穿梭于患者之间，进行数十项结构化观察，然后稍后凭记忆重新输入这些细节。评估与文书之间的差距是认知负荷、数据缺失和“隐形护理”积累的地方。早期的健康系统合作伙伴明确表示，任何AI解决方案都需要弥合这一差距，而不是加速旧有流程。

环境捕获通过让护士在说话时进行记录来改变文书的结构。Rustogi解释了这在实践中的表现：“当他们与患者进行对话时，所有录音都被捕获。然后AI在幕后进行智能处理，提取相关观察结果。护士可以快速审查并在其进入EHR之前批准。”结果不仅仅是节省时间——尽管系统报告每班节省8到24分钟——还带来了更完整的临床画面。以前因时间压力而未记录的评估现在被自动捕获，整个单位的文书延迟下降。一些合作伙伴看到延迟减少了21%；其他则报告接近70%。

对于健康系统领导者来说，Rustogi的模式指向一个简单的运营原则：当记录行为消失在工作流程中时，文书负担就会减少。环境捕获之所以有效，是因为它消除了护理和记录之间的分离，而不是因为它加快了旧流程。

临床系统内的持续AI准确性调整

Rustogi还强调，护理工作流程中的准确性挑战很少来自模型本身。相反，它们来自机构流程表的结构——其中许多已经演变多年，存在重叠字段、不一致的命名以及不再反映当前实践的遗留行。这些不一致造成了模型无法在没有机构对齐的情况下解决的提取歧义。

他描述了健康系统如何使用调整工具来发现并纠正这些问题：“许多流程表模式已经演变多年，并不总是适合干净提取。我们提供工具帮助组织识别可能存在的挑战。他们可以纠正或增强他们的模式，以便AI继续以高精度工作。”这个调整过程成为一个持续的治理循环，而不是一次性的配置。信息学团队审查标记的行，调整模式映射，并在广泛推出前验证更改。护士也可以在使用过程中标记不匹配，从而创建反馈渠道，帮助组织及早发现问题。

在部署中，保持最高准确性的系统是那些将文档结构视为活资产的系统。Rustogi概述的模式很清楚：通过模式管理维持准确性，而不是静态的性能声明。期望准确性在没有持续对齐的情况下保持稳定的健康系统往往会看到采用率停滞。

面向一线团队的AI赋能变革管理框架

Rustogi的例子中反复出现的一个主题是，即使技术表现一致，不同单位的采用率也可能不均衡。他指出，差异通常在于组织提供多少结构来帮助护士建立新习惯。快节奏的临床环境几乎没有留给实验的空间，如果没有保护时间，大多数护士会回到熟悉的工作流程。

Rustogi强调了那些一贯带来更强采用率的实践：“做得好的医疗组织提供了保护的教育时间，让护士可以模拟和学习。他们鼓励大声护理实践，这帮助用户克服最初的犹豫。他们还创建了本地倡导者，让护士可以从彼此的经验中学习。”这些元素帮助新行为正常化，并减少了通常伴随AI工具在临床环境中的犹豫。拥有强大的同伴倡导者和结构化实践时间的单位看到了更快的采用和更少的支持升级。组织还使用采用分析来识别摩擦点，并在势头停滞之前进行干预。

更广泛的模式是，护理领域的AI采用是一个行为挑战，而不是技术挑战。成功的系统将变革管理视为持续的运营责任——而不是一次培训活动——并将强化融入临床工作的日常节奏中。