Peningkatan Dokumentasi Klinis dengan AI: Mengurangi Waktu Pencatatan Dokter hingga 40%

Dokter menghabiskan rata-rata 16 menit untuk dokumentasi per kunjungan pasien, menurut studi waktu AMA tahun 2023. Untuk dokter yang menangani 22 pasien per hari, itu berarti hampir 6 jam kerja dokumentasi. Sebagian besar terjadi setelah jam klinik, selama waktu yang disebut profesi medis sebagai pajama time (waktu di luar jam kerja). Dokumentasi berbantuan AI secara signifikan memampatkan beban tersebut, dengan para pengguna awal melaporkan pengurangan 35% hingga 45% dalam waktu dokumentasi sambil justru meningkatkan kualitas dan kelengkapan catatan mereka.

Masalah Beban Dokumentasi

Dokumentasi klinis melayani berbagai tujuan, dan inilah sebagian alasan mengapa prosesnya memakan waktu lama. Catatan harus menceritakan kisah klinis untuk kesinambungan perawatan, mendukung tingkat kompleksitas yang ditagihkan, memenuhi persyaratan pelaporan ukuran kualitas, dan bertahan di bawah potensi tinjauan audit. Dokter pada dasarnya menulis untuk empat audiens yang berbeda secara bersamaan.

Template dokumentasi EHR seharusnya membantu tetapi sering kali justru memperburuk keadaan. Template yang membengkak, di mana mengklik kotak centang menghasilkan catatan yang secara teknis lengkap tetapi secara klinis tidak informatif, telah menjadi masalah yang diakui. Catatan yang mendokumentasikan setiap sistem yang ditinjau tetapi mengubur temuan yang penting secara klinis di balik dinding temuan normal tidaklah berguna untuk perawatan pasien meskipun secara teknis mendukung kode penagihan.

Beban dokumentasi memiliki konsekuensi nyata di luar kelelahan dokter. Studi secara konsisten menghubungkan waktu dokumentasi yang berlebihan dengan berkurangnya waktu tatap muka dengan pasien, kepuasan dokter yang lebih rendah, dan peningkatan kesalahan. Ketika dokter terburu-buru menyelesaikan catatan pada pukul 9 malam untuk mengosongkan kotak masuk mereka, kualitas menjadi korban.

Cara Kerja Bantuan Dokumentasi AI

Alat dokumentasi AI saat ini terbagi dalam tiga kategori. Yang pertama adalah ambient listening, di mana AI menangkap percakapan dokter-pasien dan menghasilkan catatan terstruktur darinya. Dokter meninjau dan mengedit draf tersebut alih-alih membuatnya dari awal. Produk seperti Nuance DAX, Abridge, dan Nabla menggunakan pendekatan ini.

Kategori kedua adalah dikte cerdas, di mana dokter menarasikan catatan mereka dan AI menyusunnya ke dalam format yang sesuai, mengekstraksi diagnosis, prosedur, dan rencana penilaian serta menempatkannya di bagian catatan yang benar. Ini lebih dari sekadar konversi ucapan-ke-teks sederhana. AI memahami terminologi medis dan struktur catatan.

Kategori ketiga adalah co-pilot dokumentasi yang bekerja berdampingan dengan dokter selama pencatatan. Saat dokter mendokumentasikan, AI menyarankan penyelesaian, menandai elemen yang hilang yang dapat memengaruhi pengkodean, dan meminta kekhususan di mana dokumentasi masih kabur.

Dampak pada Waktu Dokumentasi

Sebuah studi multi-lokasi di 14 praktik perawatan primer mengukur dampak dokumentasi AI ambient selama enam bulan. Rata-rata waktu dokumentasi per kunjungan turun dari 15,8 menit menjadi 9,2 menit, pengurangan sebesar 42%. Penghematan waktu terutama berasal dari penghapusan langkah penyusunan awal. Alih-alih memulai dari awal, dokter meninjau draf yang dihasilkan AI yang menangkap 85% hingga 90% konten catatan secara akurat.

Dokter dalam studi tersebut melaporkan bahwa waktu dokumentasi di luar jam kerja mereka, metrik pajama time, turun sebesar 60%. Beberapa dokter dalam studi tersebut berhasil menyelesaikan kotak masuk mereka pada pukul 5:30 sore untuk pertama kalinya dalam bertahun-tahun.

Sebuah kelompok bedah ortopedi melaporkan penghematan waktu serupa dengan AI berbasis dikte. Waktu dokumentasi catatan operasi mereka turun dari rata-rata 12 menit menjadi 5 menit per kasus. Pemahaman AI terhadap terminologi bedah berarti catatan yang dihasilkan memerlukan pengeditan minimal untuk sebagian besar prosedur standar.

Dampak pada Akurasi Pengkodean

Secara kontra-intuitif, dokumentasi berbantuan AI sering kali meningkatkan akurasi pengkodean meskipun menghemat waktu. Alasannya adalah AI mendorong dokter untuk menyertakan detail yang mungkin mereka lewatkan. Ketika AI mendeteksi bahwa dokter mendeskripsikan gejala yang konsisten dengan kondisi tertentu tetapi belum mendokumentasikan diagnosisnya, AI meminta klarifikasi.

Untuk pengkodean evaluasi dan manajemen, kekhususan dokumentasi secara langsung menentukan tingkat reimbursement. Catatan yang menyebutkan pasien menderita diabetes kurang bernilai untuk pengkodean dibandingkan catatan yang menyebutkan diabetes mellitus tipe 2 dengan penyakit ginjal kronis diabetik, stadium 3. Alat dokumentasi AI dilatih untuk meminta tingkat kekhususan seperti ini.

Satu jaringan perawatan primer besar menemukan bahwa setelah mengimplementasikan dokumentasi AI, rata-rata tingkat pengkodean E/M mereka meningkat 0,3 level per kunjungan, bukan karena dokter melakukan upcoding, tetapi karena dokumentasi mereka sekarang secara akurat menangkap kompleksitas perawatan yang sudah mereka berikan. Dampak pendapatan sekitar $8 per kunjungan, yang di seluruh 400.000 kunjungan tahunan mewakili $3,2 juta pendapatan tambahan dari dokumentasi yang lebih akurat.

Pertimbangan Kualitas dan Kepatuhan

Dokumentasi yang dihasilkan AI menimbulkan pertanyaan tentang keaslian catatan. CMS dan sebagian besar kerangka kepatuhan mengharuskan dokter meninjau dan mengesahkan catatan yang dihasilkan AI. Dokumentasi harus secara akurat mencerminkan apa yang terjadi selama kunjungan, dan dokter bertanggung jawab atas akurasinya terlepas dari siapa atau apa yang menyusun draf tersebut.

Sebagian besar alat dokumentasi AI menyertakan alur kerja pengesahan di mana dokter secara eksplisit meninjau catatan yang dihasilkan, melakukan koreksi, dan menandatanganinya. Jejak audit menunjukkan draf AI asli, setiap pengeditan dokter, dan versi final yang telah disahkan. Platform AI kesehatan dengan alur kerja pengesahan yang kuat memberikan tim kepatuhan dokumentasi yang mereka butuhkan untuk pertahanan audit.

Kualitas catatan, diukur dari kelengkapan dan akurasi informasi klinis dan bukan hanya dukungan penagihan, cenderung meningkat dengan bantuan AI. Catatan yang dihasilkan AI biasanya lebih terstruktur, lebih spesifik, dan lebih konsisten dibandingkan catatan yang dibuat secara manual. Catatan tersebut menangkap detail dari percakapan yang mungkin tidak terpikirkan oleh dokter untuk didokumentasikan, seperti pasien yang menyebutkan bahwa mereka berhenti minum obat dua minggu lalu.

Pola Implementasi

Praktik yang mengimplementasikan dokumentasi AI biasanya memulai dengan kelompok pilot tiga hingga lima dokter yang paling terbebani oleh dokumentasi atau paling antusias terhadap teknologi. Pilot berjalan selama empat hingga enam minggu, di mana AI mempelajari gaya dokumentasi setiap dokter, terminologi khusus spesialisasi, dan struktur catatan yang disukai.

Adopsi dokter mengikuti kurva yang dapat diprediksi. Ada resistensi awal dari sekitar 20% dokter yang nyaman dengan alur kerja mereka saat ini. Sekitar 60% mengadopsi dengan mudah begitu mereka melihat penghematan waktu. Sisanya 20% adalah pengguna awal yang antusias yang mendorong kemampuan teknologi. Dalam tiga bulan, sebagian besar praktik melihat tingkat adopsi 80% hingga 90%.

Kasus finansialnya cukup kuat sehingga kurva adopsi cenderung lebih cepat dibandingkan dengan sebagian besar implementasi TI kesehatan. Ketika seorang dokter mendapatkan kembali 90 menit per hari, dampaknya terhadap kualitas hidup mereka langsung dan nyata. Manfaat pribadi tersebut mendorong adopsi lebih cepat daripada mandat administratif mana pun.