پرستاران در چند بیمارستان بزرگ ایالات متحده می‌گویند نرم‌افزاری که برنامه‌شان را با الگوریتم می‌سازد، به‌جای تسهیل کار، موجب خستگی، کم‌تجربگی تیم‌ها و در نتیجه نگرانی دربارهٔ ایمنی بیماران شده است. آنها از تغییر ناگهانی شیفت‌ها، چینش‌های پشت‌سرهم و کاهش نظارت انسانی شکایت دارند.
چه اتفاقی افتاده؟
در چند ماه گذشته، پرستاران در شبکهٔ درمانی بزرگ HCA گزارش داده‌اند که ابزار زمان‌بندی مبتنی بر پلتفرم Palantir و به‌نام «تیمپانی» (Timpani) برنامه‌های درخواستی آنها را نادیده می‌گیرد و بار کاری را نامتعادل می‌کند. نمونه‌ای از تجربهٔ یک پرستار مراقبت‌های ویژه نشان می‌دهد او بیش از نیمی از شیفت‌هایی را که درخواست کرده بود، نگرفته و اغلب به کار در شیفت‌های پیاپی و خسته‌کننده فرستاده شده است.
پیامدهای مستقیم برای پرستاران
- افزایش تلاش برای جابه‌جایی شیفت‌ها و اعتراض به برنامه‌های صادرشده.
- کم شدن تعداد پرستاران با تجربه در هر شیفت و در نتیجه تأخیر در درمان بیماران پیچیده.
- استرس و اضطراب بیشتر بین کارکنان که گاهی به ترک شغل یا استفاده از مرخصی منجر می‌شود.
ادعاها و پاسخ‌ها
بعضی از پرستاران می‌گویند تیمپانی بدون نظارت کافی و با در نظر نگرفتن اولویت‌ها، شیفت‌ها را می‌چینند؛ به‌طور خاص، گاهی روی «روزهای قرمز» (درخواست مرخصی) برنامه‌ریزی می‌کند و باعث کنسل‌شدن قرارهای پزشکی یا شخصی می‌شود. در مقابل، سخنگوی HCA تأکید کرده که تصمیم نهایی با مدیران پرستاری است و هدف شرکت تأمین نیروی مناسب با مهارت‌های لازم به‌همراه توجه به ترجیحات کارکنان است.
مسائل شفافیت و ردیابی
یک پروندهٔ قضایی مطرح‌شده توسط یکی از مدیران سابق دادهٔ HCA مدعی است که داده‌هایی که تیمپانی از آنها استفاده می‌کند حذف شده‌اند و این موضوع بازبینی و حسابرسی عملکرد ابزار را دشوار می‌سازد. چنین اتهاماتی نگرانی‌هایی دربارهٔ شفافیت و مسئولیت‌پذیری ایجاد کرده است.
چطور تیمپانی کار می‌کند؟
تیمپانی روی پلتفرم Palantir Foundry ساخته شده و با استفاده از پیش‌بینی‌های الگوریتمی از حجم بیماران و نیازهای نیروی انسانی، برنامه‌ها را خودکار می‌سازد. سازندگان می‌گویند این سیستم می‌تواند زمان مدیران را ذخیره کند، وابستگی به نیروی قراردادی پرهزینه را کاهش دهد و تخصیص مهارت‌ها را بهبود ببخشد. اما پرستاران گزارش می‌دهند که در عمل این وعده‌ها با مشکلاتی همراه بوده است.
نمونه‌های دیگر در مراقبت‌های بهداشتی
- زنجیره‌های دیگر خدمات سلامت نیز پس از پیاده‌سازی ابزارهای مشابه با نواقصی در زمان‌بندی و اشتباهات مرتبط مواجه شده‌اند.
- خطا در اتصال سفارشات پزشکی به پروفایل‌های صحیح بیماران یا اشتباه در فیلدهای زمان‌بندی می‌تواند نتیجهٔ عدم بازبینی انسانی یا داده‌های نامنظم باشد.
چرا این موضوع مهم است؟
پرستاران می‌گویند وقتی تیم‌ها کم‌تجربه یا کم‌تعداد می‌شوند، کیفیت مراقبت پایین می‌آید: تاخیر در درمان بیماران بحرانی، افزایش خطرات کاری برای کارکنان و بار روانی بیشتر. این موارد نه‌تنها رفاه کارکنان را تحت‌تأثیر قرار می‌دهد، بلکه می‌تواند پیامدهای قابل‌توجهی برای سلامت بیماران داشته باشد.
راه‌حل‌های ممکن و گام‌های بعدی
- افزایش شفافیت: فراهم کردن دسترسی به داده‌ها و منطق تصمیم‌گیری برای بررسی عملکرد سیستم.
- بازنگری نقش انسان: حفظ نقش قوی مدیران محلی در ویرایش و تأیید برنامه‌ها پیش از نهایی شدن.
- گوش دادن واقعی به کارکنان: جمع‌آوری و اعمال بازخورد پرستاران برای بهبود مدل و تنظیم قواعد زمان‌بندی.
- نظارت روی ایمنی: پیگیری شاخص‌های کیفیت و ایمنی بعد از پیاده‌سازی هر سیستم خودکار.
در نهایت، تجربهٔ اخیر نشان می‌دهد که استفاده از هوش مصنوعی در حوزه‌های حساس مثل پرستاری نیازمند تعادل دقیق بین اتوماسیون و قضاوت انسانی، شفافیت در داده‌ها و توجه جدی به پیامدهای عملی روی کارکنان و بیماران است.
نظر، سوال یا تجربه خود را درباره این مطلب با سایر کاربران اوکالا به اشتراک بگذارید.