Sonia Mahni, MD, diretora médica de informática aplicada, Mayo Clinic Platform
Sahil Mahni compartilha a estrutura estratégica da Clínica Mayo para o uso de IA para remover o “imposto administrativo” sobre os médicos e abordar as causas profundas do esgotamento.
O impacto da IA na força de trabalho dos sistemas de saúde começa com a rapidez com que as organizações criam fluidez prática entre as equipas clínicas, operacionais e técnicas, ao mesmo tempo que mantêm a gestão e a aprendizagem alinhadas com o atendimento ao paciente. Sonya Makhni, MD, diretora médica de informática aplicada da Mayo Clinic Platform e hospitalista da Mayo Clinic em Rochester, Minnesota, vê a próxima onda como um desafio de liderança e design de força de trabalho que deve andar de mãos dadas com o rápido desenvolvimento de produtos de IA.
Os grandes sistemas de saúde estão agora a tratar a literacia em IA como uma competência essencial, mas não da forma que muitos esperavam. A função de Mahni na Clínica Mayo abrange estratégia, integração de fluxo de trabalho e desenvolvimento responsável, cruzando o que ela chama de “chapéu clínico” e “chapéu de informação”. O principal insight: esses chapéus não precisam ser completamente fundidos, mas as organizações precisam de pessoas que possam conectá-los.
Podcast: Reproduza em uma nova janela | Download (Duração: 41:52 — 28,8 MB)
Assine: Podcasts da Apple | Spotify
“Há uma percepção de que, a menos que você tenha formação em ciência de dados ou engenharia, não poderá realmente participar efetivamente dessa evolução”, disse Mahni. “Não acredito que isso seja verdade. Na verdade, sei que não é verdade.”
A oportunidade da força de trabalho reside na construção de funções que unam o conhecimento clínico à execução técnica – pessoas que compreendem o suficiente para comunicar entre os dois mundos. Makhni ensina aos bolsistas e estagiários os fundamentos e fundamentos da IA precisamente porque uma compreensão qualitativa de como as soluções de IA são criadas, desenvolvidas e validadas mostra onde diferentes membros da força de trabalho clínica precisam intervir: desde o design de algoritmos e avaliação de preconceitos até testes e implementação.
As equipes de liderança devem planejar conjuntos de habilidades flexíveis porque as ferramentas avançam rapidamente. “A maneira como fazemos as coisas hoje pode não ser a mesma que faremos amanhã”, disse ela. Os fundamentos são mais importantes do que buscar especializações técnicas específicas.
Os riscos de desqualificação exigem salvaguardas deliberadas
Juntamente com o entusiasmo pela automação, Machney observou preocupações de formação que vão além dos cenários de interrupção: quando as tarefas de rotina são automatizadas, as organizações podem inadvertidamente enfraquecer a experiência humana em que os médicos confiam durante casos ambíguos e exceções.
“A IA não pretende substituir os cuidadores; é uma ferramenta”, diz Mahni. “Se agora automatizarmos repentinamente tarefas que são fundamentais para o treinamento de alguém, como em patologia ou radiologia – se automatizarmos essas tarefas, qual será o impacto no aprendizado do básico?” Os riscos também vão além da recuperação de desastres. Sem habilidades básicas, os médicos perdem a capacidade de detectar vieses, detectar erros e detectar vieses de algoritmo em tempo real.
A educação médica ainda ensina os alunos a usar o estetoscópio e a interpretar os sons cardíacos, embora possuam aparelhos de eco e imagens avançadas. O mesmo princípio se aplica aos fluxos de trabalho aumentados por IA: as organizações devem decidir conscientemente quais tarefas continuam a fazer parte dos caminhos de aprendizagem, especialmente para especialidades onde o reconhecimento e o julgamento de padrões são desenvolvidos através da repetição.
A implementação bem-sucedida da IA requer estruturas organizacionais que protejam essas bases e, ao mesmo tempo, capturem os benefícios da automação. “A IA pode ajudar a encontrar padrões nos dados. Podemos ajudar com inferência, julgamento e detecção de anomalias.”
Dados como plataforma para tudo
Makhni posiciona a qualidade dos dados como inseparável da estratégia de IA. Ela e seus colegas da Mayo Clinic Platform estão trabalhando no que ela chama de desvendar os insights ocultos em enormes conjuntos de dados, começando pelo básico: tornar os dados utilizáveis e compatíveis com padrões de qualidade, depois expandir o acesso por meio da desidentificação e certificação especializada para privacidade e segurança e, finalmente, fornecer insights que atendam médicos e inovadores onde quer que estejam.
“Os dados estão no centro de tudo o que fazemos. Mesmo antes de começarmos a falar sobre IA na área da saúde, ainda dependíamos de dados”, disse ela. A diferença agora é escala e complexidade.
O trabalho de qualidade de dados está diretamente ligado às pressões da linha de frente. Melhores interfaces de usuário, coleta automatizada de dados e responsabilidade mais clara na entrada de dados reduzem a carga e melhoram o que alimenta os sistemas analíticos e de IA. “Temos que estar muito conscientes de colocar toda esta pressão e fardo sobre as pessoas que também estão a fazer cinco milhões de coisas na linha da frente.”
O princípio: entra lixo, sai lixo. Sem investimento em infraestruturas de dados, os sistemas de saúde correm o risco de ampliar o fosso digital e de construir a IA sobre bases pouco fiáveis.
Redefinindo o ROI em torno da força de trabalho e dos pacientes
Para os executivos que justificam os investimentos em IA, Makhni descreveu o ROI como um conceito misto que depende da determinação do sucesso antes da implementação. As métricas financeiras são importantes – a sustentabilidade exige permanecer ecológico – mas as medidas da força de trabalho e dos pacientes estão no centro da avaliação.
“A forma como definimos o sucesso está relacionada à forma como pensamos sobre o ROI. Os resultados clínicos, o esgotamento e a satisfação dos pacientes e da força de trabalho são ROIs extremamente importantes na área da saúde”, disse ela. As organizações devem esperar um período de aprendizagem após a implementação e resistir à tentação de medir o sucesso apenas pelos ganhos imediatos de produtividade. As ferramentas utilizadas para reduzir o tempo de documentação não devem resultar automaticamente no atendimento de mais pacientes. “Precisamos de resiliência de ambos os tipos, financeira e de bem-estar.”
O alinhamento é o mais importante. Quando as partes interessadas com diferentes perspetivas – financeiras, operacionais, clínicas – se reúnem com uma compreensão partilhada das implicações, riscos e benefícios da IA, as implementações são configuradas da forma correta. “Quando alinhamos incentivos, geralmente vemos maiores chances de sucesso.”
Governança, cocriação e capacidade de mudança
A taxa de implementação de tecnologia nos cuidados de saúde acelerou para além daquilo que as estruturas de gestão tradicionais foram concebidas para suportar. Makhni enfatizou a representação de todos os níveis na tomada de decisões sobre a implementação da IA: TI, médicos, enfermeiros, administradores, parceiros operacionais. A cocriação vai além da tecnologia de construção para incluir processos, fluxos de trabalho e estratégias de implantação.
“O ritmo da adoção da tecnologia no ecossistema de saúde é relativamente novo. É essencial que todas as partes interessadas assumam a responsabilidade de fazer parte desta conversa.”
A capacidade de mudança tem limites. As organizações precisam de reconhecer quando as unidades atingiram a capacidade máxima para absorver novas ferramentas, quer a implementação seja solicitada a partir de baixo ou imposta a partir de cima. Gerir com os incentivos certos significa dar às pessoas tempo e espaço para se envolverem de forma ponderada.
Leve embora
- A IA não é um substituto; é uma ferramenta de apoio à força de trabalho.
- Crie funções de “tradutor” que unam o conhecimento do domínio clínico e a implementação técnica – nem todos precisam de habilidades de codificação, mas as equipes precisam de pessoas que entendam os dois idiomas
- Proteger as competências clínicas essenciais da desqualificação, decidindo deliberadamente quais as tarefas que permanecem nos percursos de formação, especialmente para especialidades que exigem um julgamento intensivo
- Invista na qualidade e usabilidade dos dados como base para o desempenho da IA – melhores interfaces, captura automatizada, relatórios mais claros
- Meça o sucesso da pré-implementação usando métricas mistas: sustentabilidade financeira, satisfação da força de trabalho, resultados dos pacientes
- Agende períodos de treinamento após a transmissão ao vivo; não meça o sucesso apenas pelos ganhos imediatos de produtividade
- Certifique-se de que a governança inclua vozes de todos os níveis – TI, médicos, operações – e dê às pessoas tempo e espaço para participarem de forma significativa
Uma oportunidade de longo prazo, sugeriu Machney, é usar ferramentas de IA para ajudar a força de trabalho da saúde: “A IA apresenta uma oportunidade incrível de apoiar o elemento humano da medicina, para que possamos voltar a ler nas entrelinhas, fazer inferências e focar na dimensão humana da experiência do paciente”.
