The post has been translated automatically. Original language: Russian
CONNECTED HEALTHCARE & GENAI: WHAT ACTUALLY WORKS (AND WHAT DOESN’T)
Healthcare isn’t short on AI ideas right now. It’s drowning in them.What it is short on is time, staff, and good workflows. Administrative burden is still crushing providers, data is notoriously bad and fragmented, and both patients and health plan members expect faster, simpler interactions that most organizations still struggle to deliver.Generative AI is being positioned as the solution to all of this. In reality, most of those ideas won’t hold up past the pilot stage. But some already do, and the difference between workable and fantasy is not technical sophistication. It comes down to whether AI is being used to support real workflows or to replace judgment where it does not belong.
WHAT WE MEAN BY “CONNECTED HEALTHCARE”
Connected healthcare is the ecosystem in which devices, applications, clinical systems, and patient interactions feed into one another. That includes remote monitoring, digital health platforms, patient portals, and device-generated data streams.In practice, it is rarely clean. Information is fragmented, workflows are inconsistent, and teams are often working across multiple systems that were never designed to operate as one. This is where generative AI can help, but only if it is applied with clear boundaries and realistic expectations.
WHERE GENAI IS ACTUALLY CREATING VALUE
The use cases that are working today tend to have one thing in common. They are focused on preparation, organization, and communication. They support people doing the work instead of trying to replace them.
DOCUMENTATION SUPPORT
Clinical documentation is one of the clearest examples. The problem is not a lack of information, but the time required to capture it properly. Clinicians are still spending hours outside of patient care completing notes, often under tight time pressure.GenAI can help by turning dictated notes, transcripts, or structured inputs into draft documentation that clinicians can review and finalize. That reduces time spent on charting, improves consistency, and allows clinicians to focus more on patient interaction than on data entry.The distinction here matters. The system is not generating clinical truth. It is helping structure and accelerate documentation that is still owned and validated by the clinician.
INTAKE AND INFORMATION PREPARATION
Intake is where fragmentation becomes most visible. Patient information arrives through multiple channels, often incomplete and inconsistent. Staff spend a significant amount of time simply organizing that information before any meaningful action can be taken.GenAI can help bring structure to that process. It can summarize incoming inputs, highlight relevant details, and provide context so that care teams do not start from scratch with each interaction.This reduces intake time and improves coordination across teams, but it also requires discipline. There is a clear line between preparing information and making decisions. The role of AI here is to support prioritization and readiness, not to perform clinical triage.
PRIOR AUTHORIZATION (HANDLE WITH CARE)
Prior authorization sits in a different category. It is one of the most frustrating aspects of healthcare operations, and it exists primarily as a cost-control mechanism rather than a care-delivery function. That makes it both a candidate for efficiency gains and an area where caution is necessary.There is a meaningful difference between using GenAI to reduce administrative friction and using it to reinforce opaque or overly restrictive processes. On the provider side, AI can help organize documentation, surface missing information, and prepare submissions more efficiently. That can reduce delays and limit the back-and-forth that often slows care down.At the same time, this is not a place for interpretation or autonomy. If a system starts inferring justification, overstating certainty, or obscuring how information is presented, it creates both compliance risk and trust issues. The outputs need to be grounded in source data, clearly traceable, and reviewed before anything is submitted.The more important question is intent. If the goal is to reduce administrative burden and help patients move through the system more efficiently, there is real value. If the goal shifts toward automating decision pressure or reinforcing already problematic dynamics, the risks quickly outweigh the benefits.In practice, the most defensible implementations stay firmly on the side of supporting providers and administrative teams, not influencing clinical or coverage decisions.
PATIENT SUPPORT AND EXPERIENCE
On the patient side, there is real opportunity to improve how support is delivered, especially in connected healthcare environments where devices and digital platforms are part of the experience.This is often approached as a chatbot problem, which is usually where things fall apart. The value is not in answering generic questions, but in resolving real issues. Patients need help getting through onboarding, troubleshooting devices, and understanding what to do next without being forced into a call center loop.When implemented well, this reduces response times and improves overall experience. When implemented poorly, it creates confusion and erodes trust quickly. That is especially true if the system provides incorrect guidance or fails to recognize when escalation is needed.For that reason, these systems need to be grounded in accurate knowledge, operate within clearly defined boundaries, and include reliable paths to human support when issues move beyond simple resolution.
WHAT SEPARATES REAL WORKFLOWS FROM GOOD DEMOS
Most GenAI ideas in healthcare don’t fail because the models are bad. They fail because they are applied in the wrong places or lack the right structure.The pattern is consistent. Systems get pushed into decision-making when data is bad and/or incomplete, and deployment is treated as the finish line rather than the start of an ongoing process. Over time, performance drifts, outputs become less reliable, and trust erodes.Hallucination, bias, and model drift are real concerns, but they are usually symptoms of those underlying issues. Without clear boundaries, reliable data, and active oversight, even strong implementations degrade in real-world use, or fail to get past the starting line because of implicit model bias.This matters. Pressure on healthcare systems is immediate. Staffing shortages, administrative overhead, cost constraints, and rising patient expectations are all happening at once. If GenAI reduces friction and helps teams move faster, it creates value. If not, it adds complexity.The use cases that hold up are the ones that stay grounded. They are tightly scoped, connected to real workflows, and designed to support people rather than replace them. Just as importantly, they have clear ownership, because these systems need to be maintained as conditions change.
WHERE KLIKA TECH FITS
At Klika Tech, the focus is on making these workflows actually work in production.Most organizations don’t lack ideas for AI. They struggle to connect data, systems, and workflows in a way that holds up beyond a pilot. That’s where we tend to spend our time, integrating AI into real environments so it supports how work actually gets done.Because in connected healthcare, the difference isn’t whether something can be demonstrated. It’s whether it can run.
Этот текст переведён с помощью искусственного интеллекта. Оригинал статьи доступен на английском языке.
ПОДКЛЮЧЁННОЕ ЗДРАВООХРАНЕНИЕ И ГЕНЕРАТИВНЫЙ ИИ: ЧТО ДЕЙСТВИТЕЛЬНО РАБОТАЕТ, А ЧТО — НЕТ
Сегодня здравоохранение не испытывает недостатка в идеях, связанных с искусственным интеллектом. Скорее, оно ими перегружено.
Чего отрасли действительно не хватает, так это времени, специалистов и хорошо выстроенных рабочих процессов. Административная нагрузка по-прежнему оказывает серьёзное давление на медицинские организации, данные остаются разрозненными и зачастую низкого качества, а пациенты и участники страховых программ ожидают более быстрых и простых способов взаимодействия, которые большинство организаций пока не в состоянии обеспечить.
Генеративный ИИ позиционируется как решение всех этих проблем. Однако в реальности большинство подобных идей не выдерживают перехода от пилотного проекта к полноценной эксплуатации. Некоторые решения уже доказали свою эффективность, и граница между работающим подходом и фантазией определяется не уровнем технологической сложности. Всё зависит от того, используется ли ИИ для поддержки реальных рабочих процессов или пытается заменить человеческое профессиональное суждение там, где этого делать не следует.
ЧТО МЫ ПОНИМАЕМ ПОД «ПОДКЛЮЧЁННЫМ ЗДРАВООХРАНЕНИЕМ»
Подключённое здравоохранение — это экосистема, в которой устройства, приложения, клинические системы и взаимодействия с пациентами связаны между собой и обмениваются информацией. Сюда относятся дистанционный мониторинг, цифровые медицинские платформы, пациентские порталы и потоки данных, поступающие от медицинских устройств.
На практике такая экосистема редко бывает целостной и упорядоченной. Информация фрагментирована, рабочие процессы различаются, а команды часто вынуждены работать сразу в нескольких системах, которые изначально не были спроектированы как единое целое. Именно здесь генеративный ИИ может принести пользу — но только при наличии чётких ограничений и реалистичных ожиданий.
ГДЕ ГЕНЕРАТИВНЫЙ ИИ УЖЕ СОЗДАЁТ РЕАЛЬНУЮ ЦЕННОСТЬ
У работающих сегодня сценариев применения есть одна общая черта: они сосредоточены на подготовке, организации и передаче информации. Они помогают людям выполнять свою работу, а не пытаются заменить их.
ПОДДЕРЖКА ПРИ ПОДГОТОВКЕ ДОКУМЕНТАЦИИ
Клиническая документация — один из наиболее очевидных примеров. Проблема заключается не в отсутствии информации, а во времени, которое требуется для её правильного оформления. Медицинские специалисты по-прежнему тратят часы вне непосредственного общения с пациентами на заполнение записей, зачастую работая в условиях серьёзного дефицита времени.
Генеративный ИИ может преобразовывать продиктованные заметки, расшифровки разговоров или структурированные данные в черновики медицинской документации, которые специалист затем проверяет и утверждает. Это сокращает время, затрачиваемое на ведение записей, повышает их единообразие и позволяет врачам уделять больше внимания пациентам, а не вводу данных.
Здесь важно понимать принципиальное различие. Система не создаёт клиническую истину. Она лишь помогает структурировать и ускорить подготовку документации, ответственность за которую по-прежнему несёт медицинский специалист, проверяющий и подтверждающий её содержание.
ПЕРВИЧНЫЙ СБОР И ПОДГОТОВКА ИНФОРМАЦИИ
Именно на этапе первичного сбора данных фрагментация становится особенно заметной. Информация о пациенте поступает по разным каналам, часто в неполном и противоречивом виде. Сотрудники тратят значительное количество времени только на то, чтобы систематизировать эти сведения до начала каких-либо содержательных действий.
Генеративный ИИ способен придать этому процессу необходимую структуру. Он может обобщать поступившую информацию, выделять существенные детали и предоставлять контекст, чтобы медицинским командам не приходилось начинать с нуля при каждом взаимодействии.
Это сокращает время первичной обработки информации и улучшает координацию между командами, но требует строгого соблюдения границ. Между подготовкой информации и принятием решений проходит чёткая линия. Задача ИИ в данном случае — помочь с определением приоритетов и подготовкой к работе, а не выполнять клиническую сортировку пациентов.
ПРЕДВАРИТЕЛЬНОЕ СОГЛАСОВАНИЕ ЛЕЧЕНИЯ: ТРЕБУЕТСЯ ОСТОРОЖНОСТЬ
Предварительное согласование лечения относится к другой категории. Это один из наиболее проблемных аспектов организации медицинской помощи, существующий главным образом как механизм контроля расходов, а не как непосредственная часть оказания медицинских услуг. Поэтому здесь одновременно присутствуют возможности для повышения эффективности и необходимость проявлять особую осторожность.
Существует существенная разница между использованием генеративного ИИ для сокращения административных затруднений и его применением для усиления непрозрачных или чрезмерно ограничительных процедур. Со стороны медицинской организации ИИ может помочь систематизировать документацию, выявить недостающие сведения и эффективнее подготовить пакет документов. Это способно сократить задержки и уменьшить количество дополнительных запросов и согласований, которые часто замедляют оказание помощи.
При этом данный процесс не должен предполагать самостоятельной интерпретации или автономных действий со стороны системы. Если система начинает самостоятельно формулировать обоснование, преувеличивать степень определённости или делать способ представления информации непрозрачным, это создаёт риски несоблюдения нормативных требований и подрывает доверие. Результаты работы системы должны основываться на исходных данных, иметь понятную связь с источниками и проходить проверку до отправки.
Более важный вопрос заключается в цели применения технологии. Если задача состоит в снижении административной нагрузки и содействии более быстрому прохождению пациентом необходимых процедур, такое решение обладает реальной ценностью. Если же целью становится автоматизированное давление на процесс принятия решений или укрепление уже существующих проблемных механизмов, риски быстро начинают перевешивать преимущества.
На практике наиболее обоснованные решения остаются строго на стороне поддержки медицинских специалистов и административных команд, не пытаясь влиять на клинические решения или решения о страховом покрытии.
ПОДДЕРЖКА ПАЦИЕНТОВ И КАЧЕСТВО ВЗАИМОДЕЙСТВИЯ
Со стороны пациентов существуют значительные возможности для повышения качества поддержки, особенно в экосистемах подключённого здравоохранения, где устройства и цифровые платформы являются частью общего пользовательского опыта.
Зачастую к этой задаче подходят как к созданию чат-бота — и именно на этом этапе многие решения перестают работать. Ценность заключается не в ответах на общие вопросы, а в решении реальных проблем. Пациентам нужна помощь при подключении к сервису, устранении неполадок в работе устройств и понимании дальнейших действий — без необходимости проходить через бесконечный цикл обращений в контактный центр.
При правильной реализации это сокращает время ответа и улучшает общее впечатление от взаимодействия. При неудачной реализации система создаёт путаницу и быстро разрушает доверие. Особенно серьёзные последствия возникают, если она предоставляет неверные рекомендации или не распознаёт ситуации, требующие передачи вопроса человеку.
Поэтому такие системы должны опираться на достоверную базу знаний, действовать в чётко установленных пределах и обеспечивать надёжную передачу обращения специалисту, когда проблема выходит за рамки простого решения.
ЧЕМ РЕАЛЬНЫЕ РАБОЧИЕ ПРОЦЕССЫ ОТЛИЧАЮТСЯ ОТ ЭФФЕКТНЫХ ДЕМОНСТРАЦИЙ
Большинство идей по применению генеративного ИИ в здравоохранении терпят неудачу не из-за низкого качества моделей. Они не работают потому, что применяются в неподходящих областях или не имеют необходимой организационной структуры.
Закономерность почти всегда одинакова. Системам поручают принятие решений на основе некачественных или неполных данных, а внедрение рассматривается как конечная точка, хотя на самом деле это лишь начало непрерывного процесса. Со временем характеристики системы меняются, результаты становятся менее надёжными, а доверие пользователей снижается.
Галлюцинации, предвзятость и дрейф модели — реальные проблемы, но чаще всего они являются симптомами более фундаментальных недостатков. Без чётких ограничений, надёжных данных и постоянного контроля даже качественно реализованные решения ухудшаются в ходе реальной эксплуатации. Некоторые системы вообще не доходят до полноценного запуска из-за скрытой предвзятости модели.
Это имеет значение, поскольку давление на системы здравоохранения уже сейчас чрезвычайно велико. Нехватка персонала, административные расходы, бюджетные ограничения и растущие ожидания пациентов существуют одновременно. Если генеративный ИИ сокращает количество препятствий и помогает командам работать быстрее, он создаёт ценность. В противном случае он лишь добавляет сложности.
Устойчивыми оказываются те сценарии, которые сохраняют связь с реальными условиями. Они имеют узкую и чётко определённую область применения, интегрированы в существующие рабочие процессы и предназначены для поддержки людей, а не для их замены. Не менее важно наличие ответственных владельцев таких систем, поскольку по мере изменения условий решения необходимо сопровождать и обновлять.
РОЛЬ KLIKA TECH
В Klika Tech мы сосредоточены на том, чтобы подобные рабочие процессы действительно функционировали в условиях промышленной эксплуатации.
Большинство организаций не испытывают недостатка в идеях по применению ИИ. Их основная проблема заключается в том, чтобы связать данные, системы и рабочие процессы таким образом, чтобы решение продолжало работать после завершения пилотного проекта. Именно этим мы обычно и занимаемся: интегрируем ИИ в реальные технологические среды, чтобы он поддерживал фактические способы выполнения работы.
Потому что в подключённом здравоохранении важно не то, можно ли продемонстрировать работу решения. Важно то, способно ли оно стабильно функционировать.
Share
