Under 2024 fick över 70 företag inom AI för vården klartecken från FDA. Investeringarna i klinisk AI passerade 15 miljarder dollar globalt. Varje stor amerikansk vårdorganisation presenterade en AI-strategi.
Ändå har antalet patienter som försämras utan förvarning på amerikanska sjukhus inte förändrats nämnvärt. Kronisk njursjukdom tar fortfarande år att upptäcka. Diagnostiska fel drabbar fortfarande uppskattningsvis 12 miljoner vuxna amerikaner varje år i öppenvården. Din nya läkare ber dig fortfarande komma ihåg din egen läkemedelslista.
Något är fel med angreppssättet.
Vad det mesta av vårdens AI faktiskt gör
De flesta kliniska AI-produkter sammanfattar anteckningar, klassificerar bilder eller larmar när ett värde passerar en gräns. Allt det är användbart. Allt det är wrappers. De tar kliniska data i den form de redan har, kör dem genom en modell och presenterar ett resultat. De underliggande data har inte förändrats. Sättet systemet representerar en patient på har inte förändrats.
En radiolog som granskar en lungröntgen med AI-stöd granskar fortfarande en enda bild från ett enda ögonblick. AI:n kanske hittar en nodulus hon annars hade missat. Det är verkligen värdefullt. Men den kan inte berätta för henne att den här patientens lungfunktion har sjunkit över fem undersökningar på tre år, att försämringen gick snabbare efter ett läkemedelsbyte för åtta månader sedan och att kurvan pekar mot KOL inom arton månader. Den informationen finns. Den är utspridd över olika vårdgivare och år. Ingen wrapper kommer åt den, eftersom en wrapper bara ser det aktuella besöket.
Analysenheten i nästan all klinisk AI är ett besök. En anteckning. En bild. I mänsklig sjukdom är den år. Så länge de inte stämmer överens kommer AI i vården att fortsätta ge snabbare svar på fel frågor.
Analysenheten i mänsklig sjukdom är år.
Hastighetsfällan
Hastighet är den fördel alla nämner. Sammanfatta en epikris på några sekunder. Skriv ett utkast till remiss medan läkaren avslutar samtalet. Plocka ut diagnoser ur fritext direkt.
Utbrändheten bland läkare är verklig. Dokumentationsbördan är förkrossande. Allt som ger tid tillbaka till vården har ett värde. Men hastighet i den befintliga infrastrukturen löser ett effektivitetsproblem. Läkaren som får en perfekt AI-sammanfattning av dagens besök vet fortfarande inte att hennes patients kreatinin har stigit hos tre olika vårdgivare de senaste två åren. Sammanfattningen kommer snabbare. Den kliniska bilden är densamma.
Vårdorganisationer inför AI som gör arbetsflödena snabbare, rapporterar produktivitetsvinster och kallar AI-strategin en framgång. Samtidigt har tiden mellan att en sjukdom börjar utvecklas och att den upptäcks inte rört sig. Systemet rör sig snabbare åt samma håll. Ingen frågade om det är rätt håll.
Varför branschen bygger wrappers
Wrappers är rationella. Ta en förtränad modell, finjustera den på klinisk text och leverera en produkt på några månader. Valideringen är enkel: anteckning in, sammanfattning ut. Försäljningen är välbekant: ”Vi kopplar in oss i ert journalsystem och gör det smartare.” Inga svåra samtal om dataarkitektur. Inga störningar i arbetsflödet.
Att bygga något som läser hälsa över tid är ett helt annat åtagande. Du måste representera patienten över år och vårdgivare, bygga ett kliniskt resonerande som utgår från riktning i stället för läge, validera på hundratals sjukhus och övertyga sjukhusen om att det är värt en djupare integration än ett sammanfattningsverktyg att upptäcka en sjukdom två år tidigare.
Det tar längre tid, kostar mer och kräver samtal som de flesta team inte är rustade för. Det är också det enda angreppssätt som tar itu med det verkliga kliniska glappet.
Den svarta lådan gör det värre
Det mesta av klinisk AI är inte bara en wrapper utan dessutom en svart låda. En modell tar in data och ger ett resultat. Läkaren kan inte se resonemanget. Hon kan inte ifrågasätta vilka uppgifter som drev slutsatsen. Hon kan inte använda sitt omdöme på mellanstegen, eftersom det inte finns några synliga mellansteg.
I praktiken behandlar vårdpersonal sådana resultat som de hundratals andra varningarna i journalsystemet: med misstänksamhet och en inövad reflex att klicka bort dem. Ogenomskinliga system når genomgående 10 till 15 procents användning. Systemet larmar. Läkaren ignorerar det. AI:n är igång men gör ingen klinisk skillnad.
De system som har nått över 80 procents användning bland vårdpersonal har en sak gemensamt: resonemanget är synligt. Den som arbetar kliniskt ser vad som låg bakom bedömningen och kan invända mot enskilda delar. Utan det uteblir användningen. Jag såg den utebli i åratal innan jag började bygga.
Hur något annat faktiskt ser ut
En patient vars kreatinin har stigit med 0,1 per kvartal hos två vårdgivare under 18 månader. Inget enskilt värde utlöste något larm. Vid varje besök låg värdet ”inom referensintervallet”. Ett system som läser förlopp fångar det. Läkaren får en varning som visar trenden, den förväntade utvecklingen och det kliniska resonemanget bakom flaggan. Hon granskar den, håller med och remitterar till njurmedicin ett år innan patienten skulle ha passerat gränsvärdet.
Det är den sortens förändring vi bygger Chroneme för att fånga. Vi validerar det enligt ett förregistrerat protokoll och kommer att publicera det vi hittar, även där det brister.
Samma intelligens som fångar den långsamma försämringen på en intensivvårdsavdelning kan fånga den långsamma försämringen på en vårdcentral. Samma system som flaggar en puls som stiger över veckor kan flagga ett HbA1c som stiger över år. Arkitekturen förändras inte. Tidsskalan gör det.
Femton miljarder dollar. Sjuttio godkännanden. Och patientens upplevelse har inte förändrats.
Den kommer att förändras när infrastrukturen förändras. När klinisk AI läser förlopp i stället för ögonblicksbilder. När system visar sitt resonemang i stället för att dölja det. När hälsa blir något en människa kan se förändras över tid, inte något som upptäcks i efterhand.
Det är det vi bygger på Chroneme.
