I clinici che si offrono volontari per testare gli strumenti di documentazione basati sull'intelligenza artificiale raramente sono quelli sommersi dalle note. Più spesso si tratta di colleghi che hanno già flussi di lavoro efficienti, che hanno adottato scorciatoie da tastiera e modelli per il sistema di cartelle cliniche anni fa, e che sono curiosi di vedere cosa può offrire il prossimo strumento. Questo schema di early adopter entusiasti che si autoselezionano nei progetti pilota è ben documentato e comporta una conseguenza pratica che gli amministratori delle cliniche devono comprendere: il beneficio arriva dove l'onere era già più basso, mentre i clinici che avrebbero più bisogno di sollievo sono gli ultimi a riceverlo.

Come si presenta realmente l'onere documentale in un team clinico

Prima che qualsiasi strumento basato sull'intelligenza artificiale entri in scena, l'onere documentale è già distribuito in modo disomogeneo. Non si tratta semplicemente di quanti pazienti vede un clinico. È il peso cumulativo del tempo necessario per documentare ogni visita, se le note vengono completate durante o dopo l'appuntamento e quanto di quel lavoro si riversa nelle serate e nei fine settimana.

In termini concreti, l'onere documentale si manifesta come:

• Sforamenti degli appuntamenti causati da note incomplete accumulate durante la giornata

• Accessi al sistema di cartelle cliniche fuori orario per completare le registrazioni non concluse durante l'orario di lavoro

• Note di riepilogo più lunghe per pazienti complessi o con multimorbilità

• Tassi più elevati di documentazione incompleta o ritardata rilevati nei dati di audit

• Clinici che sono costantemente in ritardo sulla tabella di marcia, non perché vedono più pazienti, ma perché la loro documentazione richiede più tempo per visita

Gli strumenti informatici sanitari, inclusi i sistemi di cartelle cliniche, hanno fornito benefici disomogenei tra i team clinici, imponendo al contempo sfide amministrative e documentali significative. Questa dinamica precede gli scribe basati sull'intelligenza artificiale e modella l'ambiente in cui vengono introdotti. Gli amministratori di clinica che trattano l'onere documentale come una base uniforme in tutto il team fraintendono sia il problema sia l'opportunità.

Perché i clinici più sicuri con la tecnologia adottano per primi, e perché questo crea condizioni diseguali

Il modello comportamentale alla base dell'adozione precoce è semplice. I clinici che si sentono a proprio agio con le nuove tecnologie hanno maggiori probabilità di offrirsi volontari per i progetti pilota, sono meno scoraggiati dagli attriti iniziali e più motivati a superare la curva di apprendimento. La familiarità con gli strumenti, non la gravosità del carico di lavoro, è il principale motore di chi si fa avanti per primo.

La conseguenza è un disallineamento strutturale. Come ha documentato il Peterson Health Technology Institute nel suo rapporto di marzo 2025, le organizzazioni hanno scoperto che i clinici che hanno ottenuto il maggior beneficio dagli scribe ambientali basati sull'intelligenza artificiale non erano i loro early adopter esperti di tecnologia. Questi individui avevano spesso già ottimizzato i processi di documentazione con frasi predefinite e modelli. I clinici che hanno sperimentato i maggiori benefici erano quelli che non avevano ancora ottimizzato i propri flussi di lavoro di documentazione del sistema di cartelle cliniche, erano costantemente in ritardo con le note, trascorrevano più tempo in conversazione con i pazienti o avevano generalmente note di riepilogo più lunghe.

Uno studio osservazionale condotto al Singapore General Hospital è giunto a una conclusione simile da un'altra prospettiva. Poiché i clinici studiati erano sia utenti esperti di scribe sia relativamente senior, con una media di 20,8 anni di pratica, gli autori hanno riconosciuto di non poter determinare se i benefici osservati riflettessero la competenza con lo scribe o l'efficienza documentale preesistente. Se i clinici senior avevano già ottimizzato i loro flussi di lavoro tramite modelli personalizzati e scorciatoie, i risparmi di tempo osservati potrebbero sottostimare i potenziali benefici per i documentatori meno efficienti.

Questo è importante per gli amministratori di clinica perché significa che i risultati principali dei progetti pilota degli early adopter potrebbero sovrastimare sistematicamente ciò che il team più ampio sperimenterà e sottostimare ciò che i clinici più gravati potrebbero ottenere se fossero supportati durante l'adozione.

Come la sequenza di implementazione determina quali clinici recuperano tempo

L'ordine in cui gli strumenti di documentazione basati sull'intelligenza artificiale vengono introdotti in un team non è un dettaglio logistico, ma una decisione strategica con conseguenze misurabili sulla capacità clinica. Un'implementazione guidata dall'entusiasmo, in cui lo strumento viene dato prima a chiunque lo richieda, produce una distribuzione del beneficio diversa rispetto a una costruita attorno al carico di lavoro documentato.

Il rapporto del Peterson Health Technology Institute descrive uno schema coerente tra le organizzazioni: una coorte di superutenti dello scribe ambientale, una coorte che lo utilizza per alcune ma non tutte le visite e una coorte di clinici con utilizzo basso o nullo, inclusi quelli che l'hanno provato ma hanno smesso. I clinici che hanno smesso hanno citato diverse ragioni: le note generate non riflettevano il loro stile o la loro voce personale, avevano poco tempo o poca disponibilità per impegnarsi pienamente nel processo di adozione, avevano già ottimizzato la loro presa di note e vedevano un guadagno di efficienza minimo, oppure lo strumento non supportava adeguatamente le lingue parlate dai loro pazienti.

Questa distribuzione trimodale di superutenti, utenti parziali e non utenti non è casuale. Si correla strettamente con chi ha adottato per primo, in quali condizioni e con quale livello di supporto. La ricerca sugli scribe ambientali ha dimostrato che i clinici che utilizzano la tecnologia riportano risparmi di tempo nella documentazione e nell'interazione con il sistema di cartelle cliniche, sebbene l'entità di questi benefici vari per specialità e fattori demografici. Il beneficio non è omogeneo nemmeno tra gli utenti, il che significa che le decisioni sulla sequenza interagiscono con fattori di specialità e demografici in modi che gli amministratori dovrebbero considerare.

Le conseguenze a livello di studio dei modelli di adozione guidati dall'entusiasmo

Quando i clinici che adottano per primi non sono quelli con l'onere più elevato, le conseguenze operative sono prevedibili. I colli di bottiglia che rallentavano il programma pomeridiano rimangono. Il clinico che è in ritardo di un'ora ogni venerdì pomeriggio continua a essere in ritardo di un'ora. Lo strumento è stato implementato, le metriche di utilizzo vengono riportate, ma la pressione sulla pianificazione non è cambiata.

Questo crea un rischio specifico per gli amministratori di clinica: la percezione che lo strumento non abbia funzionato, quando in realtà è stato semplicemente implementato prima alle persone sbagliate. L'adozione disomogenea degli strumenti ambientali basati sull'intelligenza artificiale negli ospedali, guidata da margine operativo, dimensioni e geografia, ha portato i ricercatori dell'American Journal of Managed Care ad avvertire che, se l'intelligenza artificiale ambientale migliora l'efficienza del clinico e la qualità dell'assistenza, l'adozione disomogenea potrebbe contribuire ad ampliare le differenze nelle prestazioni e nei risultati. La stessa dinamica opera all'interno di una singola struttura, non solo nel sistema sanitario.

Anche la questione della retention del personale è rilevante. Uno studio di miglioramento della qualità su JAMA Network Open ha rilevato che gli scribe ambientali basati sull'intelligenza artificiale erano associati a una diminuzione del burnout, con miglioramenti nel carico cognitivo delle attività e nel tempo trascorso a documentare fuori orario. Lo studio ha riconosciuto un limite chiave: il reclutamento potrebbe essere stato distorto verso individui favorevoli alle nuove tecnologie. Gli early adopter potrebbero aver risposto positivamente per compiacere la leadership di salute digitale, poiché il sondaggio non era anonimo. Se i clinici più a rischio di burnout sono gli ultimi a ricevere lo strumento, il beneficio sulla retention, pur essendo reale, semplicemente non li raggiunge nei tempi che contano.

Un policy brief pubblicato su npj Digital Medicine a dicembre 2025 ha evidenziato un'ulteriore complicazione: gli adottanti tardivi potrebbero perdere il vantaggio temporaneo, ma praticare su una baseline più bassa stabilita dopo che i guadagni di tutti gli altri sono stati già acquisiti. Gli autori suggeriscono che il business case per l'intelligenza artificiale ambientale si concentra sempre più sulla cattura di entrate tramite una codifica clinica più intensiva. Una possibile conseguenza è che gli early adopter raccolgano i guadagni a breve termine, il sistema poi si ricalibri su quei risultati e i clinici che adottano più tardi sopportino i costi dell'adattamento senza lo stesso vantaggio.

Come appare in pratica una strategia di adozione basata sul carico di lavoro

Un approccio alla sequenza di implementazione basato sul carico di lavoro parte da dati a cui la maggior parte degli amministratori di clinica ha già accesso, anche se non sono stati precedentemente utilizzati per questo scopo.

I dati rilevanti includono:

• Tassi di sforamento degli appuntamenti per clinico: quali professionisti sono costantemente in ritardo, e di quanto

• Frequenza di accesso al sistema di cartelle cliniche fuori orario: chi sta completando le note al di fuori dell'orario contrattuale, e quanto spesso

• Tassi di completamento della documentazione: quanto frequentemente le note vengono lasciate incomplete o non firmate a fine giornata, suddivise per clinico

• Lunghezza e complessità delle note: i clinici con note medie più lunghe, o che gestiscono proporzioni più elevate di pazienti complessi, probabilmente otterranno maggiori benefici dall'assistenza basata sull'intelligenza artificiale

• Composizione della lista pazienti: proporzioni più elevate di pazienti con multimorbilità o anziani correlano con un carico documentale più pesante per visita

Utilizzando questi dati, gli amministratori possono costruire una semplice mappa delle priorità: quali clinici portano l'onere documentale più pesante e quali di questi sono attualmente esclusi dalla coorte di adozione. Quella mappa diventa la guida per il sequenziamento.

L'analisi comparativa del Milbank Memorial Fund sull'adozione degli scribe basati sull'intelligenza artificiale nel Regno Unito e negli Stati Uniti solleva una domanda strutturale importante per questo approccio: se il tempo di documentazione viene ridotto, ci si aspetterà che i clinici vedano più pazienti o offrano consulti più lunghi? Senza un'attenta pianificazione della forza lavoro, i risparmi di tempo potrebbero essere assorbiti da un aumento del carico di lavoro, annullando i benefici sul benessere. Gli amministratori di clinica che sequenziano l'implementazione in modo deliberato dovrebbero anche essere espliciti su a cosa serve il tempo recuperato. Altrimenti il beneficio viene assorbito invisibilmente nella capacità di appuntamenti, invece di manifestarsi come riduzione dell'onere.

Come coinvolgere i clinici più lenti ad adottare senza perdere slancio

I clinici che hanno più bisogno del supporto di documentazione basato sull'intelligenza artificiale sono spesso i meno propensi a proporsi spontaneamente per un progetto pilota. Potrebbero essere scettici, a corto di tempo o semplicemente inconsapevoli che lo strumento potrebbe aiutarli in modo specifico. La sfida dell'adozione non è principalmente tecnica, ma motivazionale e logistica.

Diversi approcci hanno mostrato valore pratico nelle implementazioni reali:

• Modellamento tra pari rispetto alla formazione formale. Vedere un collega rispettato utilizzare lo strumento in un consulto reale, non in un ambiente di dimostrazione, è più persuasivo di una sessione di formazione. Gli amministratori possono facilitare questo abbinando gli early adopter con colleghi ad alto onere per un'osservazione informale, piuttosto che programmare eventi di formazione aggiuntivi.

• Inquadrare attorno all'onere specifico. Un clinico che è costantemente in ritardo con le note deve percepire che lo strumento riduce il tempo di documentazione post-consulto, non che è alimentato dall'intelligenza artificiale o innovativo. L'inquadramento deve corrispondere al punto dolente.

• Check-in guidati dall'amministrazione a 30 giorni. Lo studio JAMA Network Open ha misurato i risultati a 30 giorni, che è anche approssimativamente quando i modelli di utilizzo si stabilizzano. Gli amministratori che programmano un breve check-in strutturato a quel punto, non per valutare le prestazioni ma per identificare gli attriti, possono intercettare i clinici che stanno scivolando verso il non utilizzo prima che si disimpegnino completamente.

• Riconoscere la preoccupazione per voce e stile. La ricerca su come i clinici modificano le bozze di documentazione generate dall'intelligenza artificiale indica che i modelli di revisione possono variare per clinico e contesto. I clinici che sentono che le note generate non rispecchiano il loro stile hanno più probabilità di abbandonare lo strumento. Gli amministratori possono ridurre questo attrito assicurandosi che i clinici sappiano che l'output dello strumento è una bozza, non una registrazione finale, e che la modifica è prevista e normale. Per maggiori informazioni sulla costruzione della fiducia nelle bozze di documentazione generate dall'intelligenza artificiale, l'inquadramento dell'onboarding conta tanto quanto la tecnologia stessa.

Vale la pena dichiarare chiaramente un limite: nessuna strategia di implementazione raggiungerà un'adozione uniforme in un team clinico. Una scoping review sull'adozione dell'intelligenza artificiale ambientale nelle specialità ambulatoriali ha rilevato che l'impatto reale sull'efficienza della documentazione, sull'usabilità e sul burnout rimane riportato in modo incoerente, con variazioni significative tra i contesti. Alcuni clinici non trarranno beneficio significativo dagli strumenti di documentazione ambientale indipendentemente da quanto bene sia gestita l'implementazione, sia perché il loro processo di documentazione è già efficiente, sia perché lo strumento non supporta adeguatamente la loro popolazione di pazienti o stile di lavoro.

Misurare se i clinici giusti stanno beneficiando, non solo se lo strumento viene utilizzato

I tassi di utilizzo sono la metrica più comunemente riportata nelle implementazioni di documentazione basata sull'intelligenza artificiale, ma sono tra le meno utili per valutare se l'implementazione sta funzionando. Uno strumento può avere tassi di utilizzo elevati tra i clinici che ne avevano meno bisogno, mentre il problema operativo che doveva risolvere può rimanere completamente irrisolto.

Un framework di valutazione più significativo per gli amministratori di clinica si concentra sullo spostamento dell'onere piuttosto che sul tasso di adozione:

• L'attività del sistema di cartelle cliniche fuori orario è diminuita per i clinici che avevano la baseline più alta? Se la risposta è no, lo strumento non ha raggiunto le persone che ne avevano bisogno.

• I tassi di sforamento degli appuntamenti sono cambiati per i clinici con l'onere più elevato? Questa è una metrica di pianificazione, non una metrica tecnologica, ed è l'unità di misura giusta.

• Il divario nei tassi di completamento della documentazione tra i clinici si è ridotto? Se i clinici con l'onere più elevato stanno ancora completando le note a un tasso inferiore rispetto ai loro colleghi, l'implementazione non ha affrontato il problema di distribuzione sottostante.

• I clinici identificati come a maggiore onere alla baseline stanno ora riportando un carico cognitivo ridotto? Le misure autoriportate, utilizzate in modo coerente e anonimo, forniscono un complemento utile ai dati di attività del sistema di cartelle cliniche.

La ricerca infermieristica sulla salute mentale sulla sicurezza cognitiva sottolinea un punto che si applica anche qui: più informazioni non significano sempre decisioni migliori, e più tecnologia non significa sempre onere ridotto. Quando gli indizi chiave sono difficili da trovare, o quando lo strumento aggiunge un nuovo livello di complessità invece di rimuoverne uno esistente, i clinici potrebbero trascorrere più tempo a controllare e riconciliare piuttosto che meno. I framework di valutazione devono essere sensibili a questa possibilità, in particolare per i clinici che hanno adottato con riluttanza e potrebbero non riferire spontaneamente che lo strumento sta aggiungendo attrito invece di ridurlo.

L'evidenza sulla documentazione ambientale in medicina d'emergenza evidenzia similmente la variabilità di implementazione come risultato centrale: i risultati differiscono sostanzialmente a seconda del contesto clinico, della popolazione di pazienti e del grado di supporto all'implementazione fornito. Gli amministratori dovrebbero trattare i dati della propria struttura come la base di evidenza primaria, non i benchmark esterni provenienti da contesti che potrebbero non essere comparabili.

Il ruolo dell'amministratore nel far funzionare la documentazione basata sull'intelligenza artificiale per l'intero team, non solo per i primi ad adottare

Gli amministratori di clinica sono tipicamente visti come coordinatori logistici delle implementazioni tecnologiche, gestendo licenze, programmando la formazione e monitorando se lo strumento viene utilizzato. Questo inquadramento sottostima significativamente il loro ruolo quando lo strumento in questione ha il potenziale di ridurre il burnout, recuperare capacità clinica e influenzare la retention del personale.

L'inquadramento più accurato è questo: l'amministratore di clinica è la persona con la migliore visione della distribuzione del carico di lavoro nel team, e quindi la persona meglio posizionata per garantire che il beneficio degli strumenti di documentazione basati sull'intelligenza artificiale raggiunga i clinici che ne hanno più bisogno. Non è un compito tecnologico, ma un compito di gestione della forza lavoro che coinvolge una tecnologia.

Le preoccupazioni sull'equità di accesso, secondo cui gli strumenti basati sull'intelligenza artificiale vengono implementati nei grandi centri medici accademici ma non nei centri sanitari comunitari che trattano popolazioni svantaggiate, si applicano a livello di sistema. La stessa preoccupazione si applica a livello di struttura: all'interno di una singola clinica, la distribuzione del beneficio non è automatica. È modellata da chi viene integrato per primo, in quali condizioni e con quale supporto.

Il sequenziamento consapevole del carico di lavoro, utilizzando i dati esistenti di pianificazione, attività del sistema di cartelle cliniche e documentazione per identificare i clinici con l'onere più elevato e dare priorità al loro onboarding, non è un intervento sofisticato. Non richiede budget aggiuntivo o competenze specialistiche. Richiede di trattare l'implementazione come una decisione sulla forza lavoro piuttosto che come un'implementazione tecnologica, e di utilizzare i dati già disponibili per prendere quella decisione in modo deliberato, non per default.

I clinici che si offrono volontari per primi meritano supporto. Ma i clinici che sono in ritardo di un'ora ogni pomeriggio, finiscono le note dopo che i figli sono a letto e portano l'onere documentale più pesante del team sono quelli attorno ai quali l'implementazione dovrebbe essere progettata.

Domande frequenti

▶ Perché i clinici più sicuri con la tecnologia adottano per primi gli strumenti di documentazione basati sull'intelligenza artificiale, anche quando non sono i più gravati?

I clinici che si sentono a proprio agio con le nuove tecnologie hanno maggiori probabilità di offrirsi volontari per i progetti pilota, sono meno scoraggiati dagli attriti iniziali e più motivati a superare la curva di apprendimento. La familiarità con gli strumenti, non la gravosità del carico di lavoro, guida chi si fa avanti per primo. Il rapporto del Peterson Health Technology Institute di marzo 2025 ha rilevato che i clinici che hanno ottenuto il maggior beneficio dagli scribe ambientali basati sull'intelligenza artificiale non erano i loro early adopter esperti di tecnologia, che avevano già ottimizzato la loro documentazione con modelli e scorciatoie, ma quelli che non avevano ancora semplificato i loro flussi di lavoro ed erano costantemente in ritardo con le note.

▶ Come si presenta realmente l'onere documentale in un team clinico?

L'onere documentale non riguarda semplicemente quanti pazienti vede un clinico. È il peso cumulativo del tempo necessario per documentare ogni visita, se le note vengono completate durante o dopo l'appuntamento e quanto di quel lavoro si riversa nelle serate e nei fine settimana. Si manifesta come sforamenti degli appuntamenti, accessi fuori orario al sistema di cartelle cliniche, note più lunghe per pazienti complessi o con multimorbilità, tassi più elevati di documentazione incompleta o ritardata e clinici che sono costantemente in ritardo sulla tabella di marcia perché la loro documentazione richiede più tempo per visita.

▶ Perché le cifre principali dei progetti pilota degli early adopter potrebbero essere fuorvianti per gli amministratori di clinica?

Gli early adopter tendono a essere clinici che hanno già ottimizzato i loro flussi di lavoro di documentazione. I loro risparmi di tempo dagli strumenti di documentazione basati sull'intelligenza artificiale potrebbero quindi essere inferiori a quelli che un documentatore meno efficiente sperimenterebbe. Uno studio osservazionale condotto al Singapore General Hospital ha riconosciuto che, poiché i clinici studiati erano utenti esperti di scribe e relativamente senior, i risparmi di tempo osservati potrebbero sottostimare i potenziali benefici per i clinici che non hanno ancora semplificato i loro processi. Gli amministratori che si affidano solo alle cifre dei progetti pilota rischiano sia di sovrastimare ciò che il team più ampio sperimenterà sia di sottostimare ciò che i clinici più gravati potrebbero ottenere.

▶ Quali sono le conseguenze operative di un'implementazione guidata dall'entusiasmo?

Quando i clinici che adottano per primi non sono quelli con l'onere più elevato, i colli di bottiglia che rallentavano il programma rimangono. Il clinico che è in ritardo di un'ora ogni venerdì pomeriggio continua a essere in ritardo di un'ora. Le metriche di utilizzo vengono riportate, ma la pressione sulla pianificazione non cambia. Questo crea un rischio specifico per gli amministratori di clinica: la percezione che lo strumento non abbia funzionato, quando è stato semplicemente implementato prima alle persone sbagliate. La stessa dinamica che i ricercatori dell'American Journal of Managed Care hanno identificato negli ospedali, dove l'adozione disomogenea amplia le differenze nelle prestazioni, può operare all'interno di una singola struttura.

▶ Quali dati possono utilizzare gli amministratori di clinica per identificare quali clinici dovrebbero essere prioritari per l'onboarding?

La maggior parte degli amministratori di clinica ha già accesso ai dati rilevanti. I tassi di sforamento degli appuntamenti mostrano quali professionisti sono costantemente in ritardo. La frequenza di accesso al sistema di cartelle cliniche fuori orario identifica chi sta completando le note al di fuori dell'orario contrattuale. I tassi di completamento della documentazione rivelano quanto spesso le note vengono lasciate incomplete o non firmate a fine giornata. La lunghezza delle note e la composizione della lista pazienti, in particolare proporzioni più elevate di pazienti con multimorbilità o anziani, correlano anche con un carico documentale più pesante per visita. Insieme, questi dati supportano una mappa delle priorità che sequenzia l'onboarding attorno all'onere piuttosto che all'entusiasmo.

▶ Perché i clinici con l'onere documentale più elevato sono spesso gli ultimi ad adottare?

I clinici che hanno più bisogno del supporto di documentazione basato sull'intelligenza artificiale sono spesso i meno propensi a proporsi spontaneamente per un progetto pilota. Potrebbero essere scettici, a corto di tempo o semplicemente inconsapevoli che lo strumento potrebbe aiutarli in modo specifico. Il rapporto del Peterson Health Technology Institute descrive uno schema coerente tra le organizzazioni: una coorte di superutenti, una coorte che utilizza lo strumento per alcune ma non tutte le visite e una coorte di clinici con utilizzo basso o nullo, inclusi quelli che l'hanno provato e hanno smesso. I clinici che hanno smesso hanno citato ragioni come note generate che non riflettevano il loro stile personale, scarsa disponibilità a impegnarsi con l'adozione e lo strumento che non supportava adeguatamente le lingue parlate dai loro pazienti.

▶ Quali approcci pratici aiutano a coinvolgere i clinici più lenti ad adottare?

Il modellamento tra pari tende a essere più persuasivo della formazione formale. Vedere un collega rispettato utilizzare lo strumento in un consulto reale, non in un ambiente di dimostrazione, ha più peso di un evento di formazione programmato. Anche inquadrare lo strumento attorno all'onere specifico è importante: un clinico che è costantemente in ritardo con le note deve percepire che riduce il tempo di documentazione post-consulto, non che è innovativo. I check-in guidati dall'amministrazione a 30 giorni possono intercettare i clinici che stanno scivolando verso il non utilizzo prima che si disimpegnino completamente. I clinici che sentono che le note generate non rispecchiano il loro stile hanno più probabilità di abbandonare lo strumento, quindi chiarire che l'output è una bozza e che la modifica è prevista e normale riduce quell'attrito.

▶ Come dovrebbero misurare gli amministratori di clinica se l'implementazione sta effettivamente funzionando?

I tassi di utilizzo sono tra le metriche meno utili per valutare se un'implementazione di documentazione basata sull'intelligenza artificiale sta funzionando. Un framework più significativo si concentra sullo spostamento dell'onere. L'attività del sistema di cartelle cliniche fuori orario è diminuita per i clinici che avevano la baseline più alta? I tassi di sforamento degli appuntamenti sono cambiati per i clinici con l'onere più elevato? Il divario nei tassi di completamento della documentazione tra i clinici si è ridotto? I clinici identificati come a maggiore onere alla baseline stanno ora riportando un carico cognitivo ridotto? Se la risposta a queste domande è no, lo strumento non ha raggiunto le persone che ne avevano bisogno, indipendentemente dalle cifre di utilizzo complessive.

▶ Cosa succede al tempo risparmiato attraverso gli strumenti di documentazione basati sull'intelligenza artificiale se la pianificazione della forza lavoro non ne tiene conto?

L'analisi comparativa del Milbank Memorial Fund sull'adozione degli scribe basati sull'intelligenza artificiale nel Regno Unito e negli Stati Uniti affronta direttamente questo tema: se il tempo di documentazione viene ridotto, ci si potrebbe semplicemente aspettare che i clinici vedano più pazienti invece di alleggerire il carico. Senza decisioni esplicite su a cosa serve il tempo recuperato, il beneficio viene assorbito invisibilmente nella capacità di appuntamenti, invece di manifestarsi come riduzione dell'onere. Gli amministratori di clinica che sequenziano l'implementazione in modo deliberato dovrebbero anche essere chiari su cosa ci si aspetta che i clinici facciano con il tempo che recuperano.

▶ Qual è il ruolo dell'amministratore di clinica nel garantire che gli strumenti di documentazione basati sull'intelligenza artificiale beneficino l'intero team?

L'amministratore di clinica ha la visione più chiara della distribuzione del carico di lavoro nel team, il che lo rende la persona meglio posizionata per garantire che il beneficio degli strumenti di documentazione basati sull'intelligenza artificiale raggiunga i clinici che ne hanno più bisogno. È un compito di gestione della forza lavoro, non un compito tecnologico. Il sequenziamento consapevole del carico di lavoro, utilizzando i dati esistenti di pianificazione, attività del sistema di cartelle cliniche e documentazione per identificare i clinici con l'onere più elevato e dare priorità al loro onboarding, non richiede budget aggiuntivo o competenze specialistiche. Richiede di trattare l'implementazione come una decisione sulla forza lavoro e di utilizzare i dati disponibili per prendere quella decisione in modo deliberato, non per default.