对于医疗保健提供者来说，拥有多样化的劳动力至关重要。他们服务的社区含有来自各种背景，种族和社会经济课程的患者。没有共同的相似之处和文化价值观，就是难以对医疗专业人员难以建立有效护理所需的强烈患者关系。
资料来源：罗马麦提米/羽毛房
从建立信任和加强沟通，减少健康差异和驾驶协作创新，包容性和医疗保健方面的等于代表的好处远远宽阔。然而，今日美国医疗保健部门仍然存在大的多样性差距。大约64％的医生是白色的，而那些被认为是西班牙裔和非裔美国人的人只有代表11％的医生尽管会计33％的美国公民．而大部分的护士，物理治疗师和职业治疗师都是女性其中25％识别非白色。
随着美国人口的多样性稳步增加年度，医疗保健招聘人员从来没有更大的需求，以提高他们搜索和雇用代表性群体的候选人的能力。
通过数据智能培养多样性
我们目前的数字转型时代代表了医疗保健提供者与传统招聘模型的方式提供了明确的机会，这些模型在其劳动力中妨碍了同等代表性。通过自动化多通道采购，招聘人员可以提高他们的DE＆I筛选能力的效率，并扩大了合格的少数候选人，更好地了解与他们正在寻找的人才相关的细微差别。
通过机器学习，AI解决方案还会产生可操作的数据洞察力，即在其招聘流程中旗下De＆i异常，例如性别和种族的候选人参与率。在发现任何候选人搜索，参与或招聘与经验丰富的团体相关的异常后，医疗组织可以采取纠正措施来制定推广更多级别竞争范围的更好的实践。
扩大少数民族候选人
AI人才采购引擎使医疗保健招聘人员能够实时发现和从不足的群体中与候选人一起施放更广泛的网，以进一步多样化他们的招聘漏斗。它自动从开放的Web平台自动化数据聚合，并分析候选人概要文件的关键字，学校或专业组织的数据集，因此招聘人员可以实施针对不足的群体量身定制的搜索。最近的血吉学习发现，60％的人才收购专业人员努力寻找足够的高度不足的人才，而46％的人表示搜寻这些档案的过程太耗了。自动化目标搜索简化整个过程，因此招聘人员可以减少所花费的时间，同时消除缺乏揭示这些配置文件的灵活性的通用搜索。
每个个体组织都有自己的工作场所公平差距来填补。例如，一个医疗保健提供者可能拥有多样化的劳动力，但缺乏性别包容性，而另一个提供者对更多双语护理人员具有压力需求。即使人才池有限，这些AI过滤器可以根据其特定需要量身定制，以识别正确时间的正确DE＆I候选人。这项技术并不旨在替换人为判断，而是掌握处理和分析招聘人员团队没有时间或带宽来搜索的更大的数据子集。然后将这些搜索的结果交付给雇用团队，为他们进行最终呼吁向前迈进的呼吁，以与其组织正在寻找的内容最佳。
消除无意识的偏见搜索
避免招聘中无意识的偏见是医疗保健部门的持续问题，招聘经理人被迫尽可能快地找到最高人才，以便在有限的池中选择。
当您在发布工作申请和筛选的应用程序和简历时，它几乎不可能消除所有无意识的偏见。但是，如果技术谨慎接近技术，则招聘团队可以充分利用构建的功能，以支持不足的群体的可见性，同时减轻基于名称或物理外观等属性做出决策的趋势。Healthcare组织具有减少招聘团队中的偏见筛选决策的目标，可以选择AI动力招聘技术，匿名，并排除历史易受偏见的候选信息。建立在更多数据驱动的决策上的招聘方法可以帮助医疗组织最大限度地减少偏见，而且反过来，最大化他们的外向候选人。
利用AI动力的采购可以赋予医疗组织在其劳动力中提高持有人的代表性群体的率。现在是传统，人类创造的人才池，以少数群体，女性和退伍军人在过去留下的劣势，以支持促进多样性的数据智能解决方案。
史蒂文江是首席执行官和联合创始人hiretual.．