به گفته مدیرعامل یک شرکت، در سال ۲۰۲۶ نظام سلامت از پروتکل زمینه مدل  Model Context Protocol  -MCP استقبال خواهد کرد، ابزارهای مستندسازی بهتری را برای افزایش دقت بازپرداخت مالی و بهبود پیامدهای بیماران به‌کار خواهد گرفت و به سمت مدل‌های هوش مصنوعی کوچک‌تر و حوزه‌محور (domain-specific) حرکت خواهد کرد.

به گفته دیوید لارو، رئیس و مدیرعامل Medicomp Systems، موج بعدی پذیرش هوش مصنوعی در سلامت، بیش از هر چیز بر همکاری (collaboration) متمرکز خواهد بود؛ به‌گونه‌ای که MCP به مدل‌های زبانی بزرگ کمک می‌کند در کنار سایر ابزارهای الگوریتمی عمل کنند و صنعت سلامت را به تعامل واقعی مبتنی بر صدا (Voice-driven Interaction) نزدیک‌تر سازند.

MCP یک استاندارد نوظهور صنعتی است که تعریف می‌کند سامانه‌های هوش مصنوعی، مدل‌های زبانی بزرگ و برنامه‌های عامل‌محور چگونه به منابع دانشی قابل اعتماد متصل شوند.

مستندسازی تمیزتر و مدل‌های کوچک‌تر

این تنها یکی از پیش‌بینی‌های لارو برای سال آینده فناوری اطلاعات سلامت است. او همچنین انتظار دارد پرداخت‌کنندگان و ارائه‌دهندگان خدمات سلامت به سمت ابزارهایی حرکت کنند که مستندسازی دقیق، شفاف و کامل ایجاد می‌کنند؛ مستندسازی‌ که منجر به بازپرداخت مالی صحیح و پیامدهای بهتر بیماران می‌شود. همچنین سازمان‌های سلامت به‌طور فزاینده‌ای از مدل‌های هوش مصنوعی کوچک و حوزه‌محور استفاده خواهند کرد.

او می‌گوید:

«وقتی به نحوه پذیرش هوش مصنوعی در سال‌های اخیر نگاه می‌کنم، روشن است که بسیاری از سازمان‌ها همچنان به سامانه‌های بزرگ و یکپارچه متکی هستند. MCP این معادله را تغییر می‌دهد؛ زیرا روشی استاندارد برای ارتباط سامانه‌ها با عامل‌های هوش مصنوعیِ انجام‌دهنده وظایف بسیار مشخص فراهم می‌کند».

«این پروتکل به توسعه‌دهندگان اجازه می‌دهد ابزارهای هدف‌محور بسازند، بدون آنکه نیاز به ادغام عمیق با پرونده الکترونیک سلامت میزبان داشته باشند. این امر مسیر بازتری برای همکاری در سراسر صنعت ایجاد می‌کند».

انعطاف‌پذیری بیشتر برای نوآوری

به گفته او، حوزه سلامت اکنون شاهد شتاب اولیه در تعاملات مبتنی بر صداست:

«شرکت‌های زیادی در حال توسعه فناوری‌های شنود محیطی و فرمان صوتی هستند که مستندسازی را بهبود می‌دهد و تجربه کاربری را ارتقا می‌دهد. این راهکارها می‌توانند از طریق APIهای مشخص و پشتیبانی‌شده توسط MCP به پلتفرم‌های سازمانی متصل شوند».

این رویکرد نیاز به کدنویسی سفارشی را کاهش داده و یک زیست‌بوم انعطاف‌پذیرتر برای نوآوری ایجاد می‌کند.

«هیچ فروشنده‌ای نمی‌تواند تمام نیازهای یک سازمان را پوشش دهد، به‌ویژه با تنوع روزافزون قابلیت‌های هوش مصنوعی. نظام‌های سلامت می‌خواهند آزادی انتخاب بهترین ابزارها برای کاربردهای خاص را داشته باشند، در حالی که این ابزارها همچنان با گردش‌کارهای اصلی آن‌ها سازگار باشند.»

MCP این امکان را با ایجاد یک ساختار قابل پیش‌بینی برای اتصال قابلیت‌های هدفمند هوش مصنوعی به سامانه‌های سازمانی فراهم می‌کند.

فشار نظارتی و کیفیت مستندات

با تشدید حسابرسی‌های بیمه‌ای، لارو پیش‌بینی می‌کند پرداخت‌کنندگان و ارائه‌دهندگان خدمات سلامت ناچار خواهند شد کیفیت و جامعیت داده‌های خود را تقویت کنند.

«در ثبت اطلاعات از طریق ابزارهایی مانند شنود محیطی پیشرفت‌های واقعی داشته‌ایم، اما این پیشرفت مسئولیت اعتبارسنجی مستندات را افزایش می‌دهد».

با رشد پوشش‌ های بیمه ای، تمرکز حسابرسی‌ها بر این است که آیا تشخیص‌های ثبت‌شده واقعاً منعکس‌کننده شرایط بالینی موجود و در حال مدیریت هستند یا خیر.

شواهد بالینی مناسب و اعتبارسنجی

لارو انتظار دارد ابزارهایی عرضه شوند که بتوانند:

• ملاقات‌ها (مواجهه‌های بالینی) و پرونده‌های بالینی را بررسی کنند
• تأیید کنند که تشخیص‌ها با شواهد بالینی مناسب پشتیبانی می‌شوند
• اعتبارسنجی بلادرنگ مستندات را ممکن سازند

این نیاز مشترک میان ارائه‌دهندگان، پرداخت‌کنندگان و کل زیست‌بوم سلامت ایجاد می‌کند تا تصمیم‌سازی بالینی معتبر و کاهش ریسک‌های مالی و حقوقی تضمین شود.

مدل‌های کوچک‌تر، اقتصادی‌تر و امن‌تر

در نهایت، لارو می‌گوید با گسترش استفاده از مدل‌های زبانی بزرگ در سطح سازمانی، رهبران سلامت به سمت مدل‌های کوچک، تخصصی و کم‌هزینه‌تر حرکت خواهند کرد.

«مدل‌های بزرگ نیازمند منابع محاسباتی قابل توجه و هزینه‌های فزاینده مصرف توکن هستند. مدل‌های کوچک و حوزه‌محور می‌توانند روی CPUهای معمولی اجرا شوند و در محیط امن داخلی سازمان مستقر گردند».

این امر به سازمان‌ها کمک می‌کند هزینه‌ها را کنترل کرده و در عین حال مالکیت و امنیت داده‌های بالینی حساس را حفظ کنند.