醫療保健的變化速度快於受過維護醫療保健培訓的勞動力的變化速度。人工智能、人口壓力和系統級複雜性正在重塑護理，但我們仍然依賴 20 世紀的專業角色、方法和法規。結果是可以預見的：倦怠、瓶頸、系統無法適應。
當今的醫療保健表現為一個複雜、動態、非線性和互連的自適應系統。但我們的勞動力模型是為可預測投入和產出的工廠時代而設計的。現在有兩種力量阻礙我們的發展：嚴格的職業學校課程，以及過時的監管和工會框架。
大學仍在用不復存在的系統來培訓醫生。課程進展緩慢，認證標準甚至更慢，監管機構經常堅持採用忽視當今護理服務提供方式的培訓模式。同樣具有約束力的是限制現有實踐範圍的政府法規和工會理念。這些限制保護了舊角色，但阻止了數據豐富、人工智能驅動的生態系統所必需的新混合職業的出現。
為了建立一個有彈性、學習性和適應性的醫療保健系統，我們必鬚髮明新的職業——將臨床專業知識與數據素養、系統思維和基於價值的設計相結合的角色。五個類別已經出現。
人工智能的綜合臨床作用
人工智能不會取代醫生，但會重新定義臨床專業知識。臨床人工智能導航器將幫助提供者安全地解釋、質疑和應用人工智能建議。 AI QA 臨床醫生將監控模型漂移、偏差和安全性。人工智能路徑設計師將把數據驅動的見解嵌入到重新設計的護理路徑中。
複雜性知情的系統角色
大多數醫療保健失敗都是系統性的，而不是技術性的。衛生系統前瞻科學家將識別新出現的壓力並對未來情景進行建模。了解複雜性的護理架構師將設計基於靈活性、反饋循環和實時學習的適應性護理模型。
基於價值的護理角色
隨著基於價值的護理成為主導模式，我們將需要基於價值的護理整合策略來調整激勵、結果和工作流程。結果測量工程師將建立以患者為中心的指標，以有意義地評估價值。
數據、治理和機器學習的角色
數據現在是一種臨床資產。數據來源和信任管理員將確保其完整性和可審計性。聯邦學習架構師將實現跨網絡的隱私保護人工智能培訓。臨床知識圖工程師將把醫學知識轉化為人工智能可以透明解釋的格式。
以社區為中心的混合角色
技術無法取代人際關係。混合護理協調員將整合虛擬、面對面和人工智能驅動的護理。社區健康數據通信協調員將把人口層面的數據與生活經驗聯繫起來，以確保政策反映現實。
真正的問題是：我們準備好消除障礙了嗎？
所描述的角色不是未來的，但現在是必要的。但它們仍然很少見，因為系統的設計目的是阻止它們而不是支持它們。
如果我們想要一個能夠學習、適應和改進的醫療保健系統，我們就必須消除障礙。這意味著現代化課程、現代化認證標準、取消對實踐範圍的過時限制，並使工會談判與數字護理的現實保持一致。這也意味著政府應該規範而不是控制創新，大學應該為我們正在建立的系統（而不是已經消失的系統）培養畢業生。
醫療保健的未來不會僅由技術決定。這將取決於我們是否創造出能夠明智地使用該技術的職業。
算法不會拯救醫療保健。他們將被我們幫助與他們一起工作的人們所拯救。
勞倫斯·羅森伯格博士是 新聞周刊 首席執行官部門、 訂閱者執行社區僅受邀請。
