克服懷疑，推動人工智能在護理領域的應用

護理文書已成為運營瓶頸，人工智能無法在不深入對齊工作流程和進行嚴格變革管理的情況下解決這一問題。根據美國衞生與公眾服務部的數據，護士現在花費高達41%的時間在電子健康記錄（EHR）上，而經過驗證的壓力監測研究表明，在四小時的輪班中，他們與EHR互動的時間超過任何其他任務。系統綜述將EHR負擔直接與臨牀倦怠聯繫起來，約40%的研究報告了其對臨牀醫生福祉的負面或不確定影響。

同時，美國護士協會和《護理問題在線期刊》強調，只有持續、有意地整合並讓一線人員參與，AI才能改善護理實踐。近一半的臨牀決策支持評估顯示結果不一或負面，這突顯出當組織低估工作流程複雜性或忽視變革管理基本原則時，AI採用為何會失敗。

在一期AI in Business播客中，Emerj的Matthew DeMello與微軟健康與生命科學部門Dragon for Nursing總經理Umesh Rustogi進行了對話，探討了在臨牀環境中安全有效地擴展AI所需的條件——從準確性調整到一線採用。本文研究了健康系統部署中的三個關鍵見解，説明AI如何減輕護理負擔並安全地擴展到臨牀環境：

AI驅動的護理工作流程環境文檔：直接從牀邊對話中捕獲結構化流程表數據，消除了手動輸入，減輕了認知負荷，並將有意義的時間返還給患者護理。

臨牀系統內的持續AI準確性調整：允許健康系統對齊模式、調整模型行為並將真實世界糾正反饋到引擎中，確保可靠性能，防止準確性上限阻礙採用。

面向一線團隊的AI賦能變革管理框架：通過保護培訓時間、大聲護理實踐和單位級倡導者嵌入AI，加速臨牀醫生信任並促進不同護理角色的一致使用。

播客節目：克服懷疑，推動AI採用——與微軟的Umesh Rustogi對話

嘉賓：Umesh Rustogi，微軟健康與生命科學Dragon for Nursing總經理

專長：醫療AI、臨牀工作流創新、企業產品領導力、雲與數據平台

簡要認可：Umesh Rustogi是一位企業技術和產品領導者，在醫療AI、雲平台和企業軟件方面擁有豐富經驗。在微軟之前，他在SAP工作了超過13年，擔任高級工程、產品管理和企業戰略領導職務，專注於雲和企業平台創新。

AI驅動的護理工作流程環境文檔

Rustogi在對話中花了很大篇幅描述護理文書在多大程度上仍依賴於延遲錄入——護士快速穿梭於患者之間，進行數十項結構化觀察，然後稍後憑記憶重新輸入這些細節。評估與文書之間的差距是認知負荷、數據缺失和“隱形護理”積累的地方。早期的健康系統合作伙伴明確表示，任何AI解決方案都需要彌合這一差距，而不是加速舊有流程。

環境捕獲通過讓護士在説話時進行記錄來改變文書的結構。Rustogi解釋了這在實踐中的表現：“當他們與患者進行對話時，所有錄音都被捕獲。然後AI在幕後進行智能處理，提取相關觀察結果。護士可以快速審查並在其進入EHR之前批准。”結果不僅僅是節省時間——儘管系統報告每班節省8到24分鐘——還帶來了更完整的臨牀畫面。以前因時間壓力而未記錄的評估現在被自動捕獲，整個單位的文書延遲下降。一些合作伙伴看到延遲減少了21%；其他則報告接近70%。

對於健康系統領導者來説，Rustogi的模式指向一個簡單的運營原則：當記錄行為消失在工作流程中時，文書負擔就會減少。環境捕獲之所以有效，是因為它消除了護理和記錄之間的分離，而不是因為它加快了舊流程。

臨牀系統內的持續AI準確性調整

Rustogi還強調，護理工作流程中的準確性挑戰很少來自模型本身。相反，它們來自機構流程表的結構——其中許多已經演變多年，存在重疊字段、不一致的命名以及不再反映當前實踐的遺留行。這些不一致造成了模型無法在沒有機構對齊的情況下解決的提取歧義。

他描述了健康系統如何使用調整工具來發現並糾正這些問題：“許多流程表模式已經演變多年，並不總是適合乾淨提取。我們提供工具幫助組織識別可能存在的挑戰。他們可以糾正或增強他們的模式，以便AI繼續以高精度工作。”這個調整過程成為一個持續的治理循環，而不是一次性的配置。信息學團隊審查標記的行，調整模式映射，並在廣泛推出前驗證更改。護士也可以在使用過程中標記不匹配，從而創建反饋渠道，幫助組織及早發現問題。

在部署中，保持最高準確性的系統是那些將文檔結構視為活資產的系統。Rustogi概述的模式很清楚：通過模式管理維持準確性，而不是靜態的性能聲明。期望準確性在沒有持續對齊的情況下保持穩定的健康系統往往會看到採用率停滯。

面向一線團隊的AI賦能變革管理框架

Rustogi的例子中反覆出現的一個主題是，即使技術表現一致，不同單位的採用率也可能不均衡。他指出，差異通常在於組織提供多少結構來幫助護士建立新習慣。快節奏的臨牀環境幾乎沒有留給實驗的空間，如果沒有保護時間，大多數護士會回到熟悉的工作流程。

Rustogi強調了那些一貫帶來更強採用率的實踐：“做得好的醫療組織提供了保護的教育時間，讓護士可以模擬和學習。他們鼓勵大聲護理實踐，這幫助用户克服最初的猶豫。他們還創建了本地倡導者，讓護士可以從彼此的經驗中學習。”這些元素幫助新行為正常化，並減少了通常伴隨AI工具在臨牀環境中的猶豫。擁有強大的同伴倡導者和結構化實踐時間的單位看到了更快的採用和更少的支持升級。組織還使用採用分析來識別摩擦點，並在勢頭停滯之前進行干預。

更廣泛的模式是，護理領域的AI採用是一個行為挑戰，而不是技術挑戰。成功的系統將變革管理視為持續的運營責任——而不是一次培訓活動——並將強化融入臨牀工作的日常節奏中。