概述
護理結合了實際物理護理、持續評估、臨床判斷、患者權益和法律責任,而目前的人工智慧無法獨自完成這些工作。人工智慧正在改變的是護理師如何度過時間。它正在接管部分文件、監控和日常文書工作,這種轉變將獎勵某些技能並暴露其他技能的弱點。
深入探討
關於人工智慧是否會取代護理人員的誠實答案來自於將護理視為一組任務,而不是一個職稱。其中一些任務是資訊工作,人工智慧正在擅長這些任務。其中包括根據錄製的對話起草輪班記錄、在交接前總結圖表、預測哪些患者有跌倒或壓力損傷的風險、預測人員需求以及起草對患者門戶訊息的回應。其他任務是身體上的、關係上的或負有法律責任的。這些措施包括開始靜脈注射、重新調整患者體位、在生命體徵發生變化之前註意到某人看起來不對勁、安撫受驚的家人、教新糖尿病患者註射胰島素以及拒絕不安全的命令。目前還沒有人工智慧系統能夠做到這些,而且醫院中的機器人技術大多僅限於抓取和運送物品,就像 Diligent Robotics 的 Moxi 所做的那樣。勞動力數據也反對替代。美國勞工統計局預計註冊護理師職位將持續成長,世界衛生組織也多次警告全球護理師和其他衛生工作者短缺。人口老化增加了對人工智慧無法提供的實際護理的需求。一個常見的誤解是,因為大型語言模型可以通過護理或醫療執照考試問題,所以它們可以練習。考試測驗對整潔的書面案例的回憶和推理。實踐涉及不完整的資訊、身體評估和對結果的責任。另一個誤解是人工智慧警報是完全正確的。 2021 年,一項廣泛使用的專有膿毒症預測模型的外部驗證研究發表在《JAMA Internal Medicine》上,發現該模型遺漏了許多膿毒症病例,並產生了許多非膿毒症警報。真正的風險比更換更微妙。管理人員可以利用人工智慧預測來證明人員配置精簡的合理性,護理人員可能會出現警覺疲勞,如果護理人員依賴他們從未審查過的起草筆記,技能可能會受到侵蝕,而監控軟體可能會讓護理人員受到更多監視。包括全國護理師聯合會在內的護理工會認為,護理師必須監督人工智慧的部署方式。
現實世界的實施
內外科護理師使用環境記錄工具來聽取病人入院談話並起草筆記。然後,她更正了簽名前工具聽錯的用藥史。
早期預警系統會標記術後患者可能患有敗血症。護士長檢查了趨勢,發現發燒是由於輸血反應引起的,而輸血反應已經得到控制,並記錄了為什麼她沒有升級。
一家醫院部署了一個供應品運送機器人來運送實驗室標本和床單,這節省了護士的步行路程,但將所有面對患者的任務留給了工作人員。
護理經理查看人工智慧人員配置預測,該預測預測假日週末人口普查較低。她忽略了這一點,因為該部門正在等待從附近正在建造的醫院轉移。
人工智慧的未來會取代護理師嗎?
更多的醫院可能會採用環境文件和人工智慧輔助交接工具,因為文件負擔是導致護理人員倦怠的眾所周知的原因。這些時間是回到患者身上還是被更高的患者負荷所吸收,將取決於人員配置政策,而不是技術。預計將會有更多關於誰在本地驗證預測模型、如何調整警報以及護理人員在購買和監控人工智慧方面是否發揮正式作用的爭論。能夠批判性地閱讀風險評分、向患者解釋其局限性並記錄他們同意或不同意的原因的護理人員將處於有利地位。更換床邊護理師並不是一個現實的近期結果。
付諸實踐
為什麼這很重要
- 風險與安全. 災難性和日常的人工智慧危害都取決於誰了解風險以及誰能夠採取行動。
- 更明確的決策. 民眾和專業素養決定強而有力的安全政策在政治上是否可行。
- 突破炒作. 清晰的解釋可以減少炒作、實驗室公關和模糊道德劇場的影響。
留意
- 將存在風險視為科幻小說,同時能力複合。
- 混淆了表面產品安全與高度自治下的對準。
- 只給非英語和非專業觀眾留下低品質的資源。
後續步驟
- 單獨的產品危害、誤用和失控/失調風險。
- 詢問哪些證據會改變您對時間表和嚴重性的看法。
- 比起行銷主張,更喜歡主要來源和具體評估。
- 確定一條行動路徑:職業、政策、資金或技能——而不僅僅是意識。
不斷探索
常見問題
人工智慧會取代護理師嗎?
人工智慧不太可能取代護士。護理結合了實際物理護理、持續評估、臨床判斷、患者權益和法律責任,而目前的人工智慧無法獨自完成這些工作。人工智慧正在改變的是護理師如何度過時間。它正在接管部分文件、監控和日常文書工作,這種轉變將獎勵某些技能並暴露其他技能的弱點。
指南中的哪項護理任務被描述為人工智慧正在擅長的資訊工作?
該指南列出了起草筆記、總結圖表和預測人員配置等人工智慧可以協助的資訊任務。身體照顧和負責任的拒絕仍然是人性的。
指南中說像莫西這樣的醫院機器人現在主要做什麼?
醫院機器人被描述為主要局限於取物和運送,這可以節省步行時間,但不能取代面向患者的護理。
為什麼指南說通過執照考試問題並不代表人工智慧可以從事護理工作?
該指南將簡潔的考試小插曲與實際練習中的混亂、動手評估和責任進行了對比。
2021 年廣泛使用的敗血症模型的外部驗證研究發現了什麼?
研究發現該模型漏掉了許多膿毒症病例,並產生了許多非膿毒症警報,這表明護士必須解釋警報而不是盲目遵循警報。
當預測模型的警報閾值設定得很低時會發生什麼?
降低閾值會提高靈敏度,但也會提高誤報率,導致警報疲勞。