Stetoskop berbentuk dolar.getty
AI Kesehatan menawarkan janji besar, tapi janji-janji tidak membayar tagihan. Dalam survei Bain dan McKinsey, pemimpin kesehatan Amerika melaporkan mengharapkan—bahkan membutuhkan—pengembalian investasi positif dari investasi AI mereka. Namun, menunjukkan ROI adalah tantangan dan akan tetap menjadi hambatan signifikan untuk adopsi di masa depan.
Manfaat dan Biaya Potensial AI
Organisasi kesehatan dapat memanfaatkan AI untuk berbagai manfaat, termasuk meningkatkan kualitas perawatan, meningkatkan pengalaman pasien dan staf, mempercepat penelitian, dan mengekstrak lebih banyak wawasan dari data.
Mereka juga dapat menggunakan AI untuk secara langsung meningkatkan pendapatan dengan meningkatkan volume, mempercepat proses, meningkatkan penyesuaian risiko dan tata letak layanan, dan meningkatkan manajemen siklus pendapatan. Sementara itu, AI dapat memangkas biaya dengan mengurangi kebutuhan staf, mengurangi perputaran staf, dan meningkatkan efisiensi rantai pasokan.
Tentu saja, AI juga menambah biaya. Mengevaluasi berbagai produk AI membutuhkan waktu dan usaha, dan organisasi harus mempertimbangkan biaya kesempatan (AI dapat mengalihkan dari kegiatan lain) dan risiko reputasi (akibat peristiwa merugikan yang mungkin terjadi).
Selain itu, menerapkan AI kompleks, memerlukan sumber daya yang signifikan, dan penuh dengan potensi risiko. Produktivitas seringkali turun sementara (“biaya perpindahan”). Setelah diimplementasikan, biaya software berkelanjutan, pemantauan, dan infrastruktur data ada.
Mengapa Menganalisis ROI AI begitu Sulit
Menerjemahkan konsep abstrak seperti kualitas, efisiensi, dan produktivitas ke dalam angka adalah tantangan dan membutuhkan pertanyaan-pertanyaan sulit.
Pertama, dari sudut pandang siapa ROI dinilai ulang? Minat berbagai pemangku kepentingan kesehatan tidak selalu sejalan. Misalnya, seorang manajer perawat mungkin menemukan AI yang melakukan triase pasien menarik jika mengurangi kebutuhan staf, namun para pasien mungkin merasa terganggu harus melakukan lebih banyak pekerjaan sendiri.
Kedua, siapa yang membayar untuk AI, dan siapa yang terkena dampaknya? Seringkali, mereka yang membuat keputusan pembelian AI berbeda dengan yang paling terdampak. Misalnya, seorang eksekutif C-suite mungkin mendorong alat AI yang meningkatkan penanda risiko, tetapi dokter mungkin menentang jika mereka harus mengubah cara mereka mendokumentasikan perawatan.
Ketiga, apa jangka waktunya? Sejarah mengatakan bahwa organisasi awalnya menggunakan teknologi untuk membuat proses mereka yang ada lebih efisien, membatasi manfaat total. Dibutuhkan bertahun-tahun untuk mengungkap cara-cara baru yang lebih baik untuk menghasilkan barang dan jasa. Kami melihat ini hari ini ketika sistem kesehatan bergegas mengadopsi AI yang memungkinkan petugas klinis menulis catatan yang sama (biasanya buruk) lebih cepat daripada merenungkan kembali dokumentasi klinis sepenuhnya.
Keempat, bagaimana kinerja dasarnya? Kebanyakan organisasi tahu sedikit tentang waktu dan usaha klinis dan staf dalam berbagai tugas (misalnya, menulis ringkasan pengeluaran) dan bahkan lebih sedikit tentang kualitas output mereka (apakah ringkasan itu akurat dan mudah dibaca?).
Akhirnya, metrik mana yang terbaik mengevaluasi dampak AI? Data kesehatan terpisah dan tidak lengkap, dan sulit untuk mengukur—dan memberikan nilai pada—konstruk seperti kualitas dan kesejahteraan klinisi.
Mengapa ROI Positif Bisa Sulit Dicapai
Seperti yang dijelaskan oleh Kepala Riset Ekuitas Global Goldman Sachs, Jim Covello, “Biaya substansial untuk mengembangkan dan menjalankan teknologi AI berarti aplikasi AI harus memecahkan masalah yang sangat kompleks dan penting bagi perusahaan untuk mendapatkan pengembalian investasi yang sesuai.” Namun, mungkin terlalu terlalu mengharapkan AI hari ini untuk memecahkan masalah kompleks dan penting dalam perawatan kesehatan.
Pertama, alat AI generatif biasanya terlalu tidak dapat diandalkan dan rentan terhadap kesalahan untuk diterapkan pada tugas berharga tinggi. Jadi, sebagian besar organisasi menggunakannya untuk mengurangi “pekerjaan kantor”, seperti menulis catatan klinis dan menyelesaikan otorisasi sebelumnya. Namun, paradoksnya, AI bisa membuat tugas-tugas ini jadi lebih sulit. Misalnya, dokter di UC San Diego Health yang menggunakan ChatGPT untuk merespons pesan pasien dengan paradoksnya menghabiskan 22% lebih banyak waktu untuk tugas ini daripada mereka yang tidak menggunakan AI.
Bahkan solusi AI yang menghemat waktu mungkin tidak meningkatkan produktivitas. Sesuai dengan Hukum Parkinson–bahwa “pekerjaan membesar untuk mengisi waktu yang diperuntukkan untuk penyelesaian nya”–tiga dari empat klinisi Inggris melaporkan mereka tidak akan menghabiskan waktu yang dibebaskan AI untuk merawat pasien. Dokter-dokter Amerika sekarang yang mengadopsi alat seperti penulis AI kemungkinan besar tidak berbeda.
Demikian pula, AI tidak beroperasi sendiri. Organisasi harus menghilangkan berbagai kendala downstream untuk mewujudkan manfaat AI. Misalnya, mengotomatisasi penjadwalan pasien tidak akan meningkatkan akses jika dokter sudah memiliki jadwal penuh. Begitu juga, algoritma yang mengidentifikasi pasien rawat inap yang siap pulang tidak berguna jika tidak ada tempat untuk mengirimkan pasien setelah rawat inap.
Model pembayaran menimbulkan tantangan tambahan. Sebagian besar pembayaran kesehatan adalah berbasis fee-for-service, dengan pembayar sangat jarang mengganti biaya perangkat lunak AI. Oleh karena itu, untuk balik modal secara finansial, organisasi yang mengadopsi AI harus meningkatkan volume layanan, seringkali secara substansial, mengingat margin operasional mereka yang rendah satu digit. Namun sebagian besar alat AI – misalnya, yang merangkum rekam klinis, mengidentifikasi pasien dengan risiko tinggi, atau membantu mendeteksi polip kolon pra-kanker – tidak berdampak pada volume.
Di berbagai industri, program transformasi teknologi biasanya hanya mewujudkan kurang dari sepertiga nilai yang diharapkan. AI dalam perawatan kesehatan pun tidak akan berbeda.
Melihat ke Depan
Tidak ada yang mengatakan bahwa AI dalam perawatan kesehatan tidak berguna. AI bisa membantu membuat perawatan lebih mudah diakses, efektif, dan berkelanjutan. Meski begitu, tekanan ROI akan semakin meningkat ketika euforia AI (dan FOMO yang menyertainya) mulai mereda.
Oleh karena itu, AI akan paling cepat menembus area keuangan belakang kantor, seperti manajemen siklus pendapatan. Startup di ruang ini telah melihat beberapa tingkat kematangan, penilaian, dan keluar tertinggi.
Sama halnya, banyak produk AI yang menghadapai klinisi akan mengembangkan kegiatan langsung yang berdampak pada keuangan. Misalnya, alat dokumentasi dan ringkasan akan mulai merekomendasikan kode risiko dan biaya.
Untuk produk AI lainnya, organisasi mungkin memerlukan tim klinis untuk melihat lebih banyak pasien atau mengurangi staf. Intinya, meski AI menawarkan janji besar dan bisa mengubah perawatan dalam jangka panjang, tidak akan ada makan siang gratis.