الرعاية الصحيةEnterpriseالمملكة المتحدة11 شهراًبرنامجCS-2024-04 · مستوى ما نُشر 4

فرز إحالات المرضى دون خروج البيانات

فرز يدوي لإحالات المرضى، وشرط يمنع خروج البيانات ويستبعد كل حل ذكاء اصطناعي جاهز.

زمن الفرز: 5.9 min52s-85%
وُجِّه تلقائياً: 0%68%+68pp
أخطاء التوجيه: 3.8%0.8%-79%

ستة أشهر تشغيل مقابل ستة أشهر قبلها. المصدر: مراجعة الفرز الداخلية، ديسمبر 2024

السياق

مجموعة رعاية صحية تستقبل ثلاثة آلاف إحالة أسبوعياً في أربعة عشر تخصصاً، يفرزها موظفون بقراءة خطابات مكتوبة بصياغة حرّة.

العائق

ما جعل الحل الواضح غير ممكن.

بيانات المرضى لا تخرج من شبكة المؤسسة مهما كان السبب. وكل حل ذكاء اصطناعي خارجي عُرض عليهم رفضته إدارة المشتريات لهذا البند وحده، مهما كانت شهاداته.

سبب المشكلة

الفرز ليس قراراً واحداً بل قراران. تحديد التخصص عمل متكرر وواضح. أما تحديد درجة الاستعجال فقرار طبي يختلف عليه الأطباء أنفسهم على الخطاب نفسه. وأتمتة الاثنين معاً كانت ستفشل في الثاني وتُسقط الأول معه.

القرار

ما رفضناه، وما اخترناه بدلاً منه

أي شركة تستطيع وصف ما بنته. المفيد أن تعرف الحل الآخر الذي كان مطروحاً ولماذا استبعدناه.

استبعدناه

حل ذكاء اصطناعي خارجي يتولى التصنيف والاستعجال معاً

مرفوض من المشتريات لأن البيانات تخرج من الشبكة، ويخلط قراراً متكرراً بقرار طبي. وكان الأطباء سيرفضون النظام كله بسبب النصف الذي يخصّهم.

اخترناه

نظام تصنيف يعمل داخل المؤسسة، والاستعجال يبقى قرار الطبيب

يعمل كاملاً داخل شبكة المؤسسة وعلى أجهزتها الحالية. يُنهي الجزء المتكرر من العمل ويترك الجزء الطبي لأهله، ولهذا قبِله الأطباء.

التنفيذ

ما نُفِّذ على أرض الواقع

PythonPyTorchOn premise GPUPostgresHL7 FHIR

01نظام تصنيف مُدرَّب يعمل على أجهزة المؤسسة، بلا أي اتصال بالخارج
02حدّ للثقة، وما دونه تذهب الإحالة إلى موظف بشري كما كانت
03تسجيل كل قرار آلي ومعه سببه ودرجة ثقته
04تشغيل تجريبي ثمانية أسابيع، دون أن يؤثر قراره على أي إحالة
05للطبيب أن يخالف النظام في أي وقت، ومخالفاته تُستخدم في تحسينه

النتيجة

مقيسة بأداة، لا مقدَّرة بالتخمين

صار فرز الإحالة يستغرق 52 ثانية بدل 5.9 دقائق، في 68% من الإحالات التي وجّهها النظام تلقائياً. وانخفضت أخطاء التوجيه 79%، بنفس طريقة المراجعة المستخدمة قبل المشروع.