شرکت kepro کیفیت مراقبت و ضرورت های پزشکی را برای اطمینان از دریافت مراقبت های مناسب از بیماران، همانطور که نیاز دارند، فراهم می­کند. شرکت هوش مصنوعی می‌تواند به سادگی این مشکلات را حل کند. برای انجام این فعالیتها، ارائه دهندگان مراقبت های بهداشتی و تیمهای پشتیبانی بالینی ملزم به بررسی دستی پرونده­های بزرگ برای جستجوی کلمات و عبارات خاصی هستند که طیف وسیعی از اسناد پزشکی را شامل می­شود، مانند پرونده­‌های الکترونیکی سلامت، لیست داروها و خلاصه­های تخلیه. Kepro Text Analytics for health را پذیرفت-یک سرویس هوش مصنوعی مخصوص مراقبت های بهداشتی و متن کاوی که بخشی از خدمات شناختی Microsoft Azure است. این سرویس با استخراج سریع و دقیق اطلاعات ضروری از متون ساختار یافته و بدون ساختار، نحوه انجام بازبینی تیم­های بالینی، درخواست­های پزشکی و ارزیابی نظارت کیفی را به صورت خودکار بهبود می­بخشد.

حمایت از جمعیتهای دارای اولویت

اطمینان از کیفیت و یکپارچگی برنامه های مراقبت های بهداشتی دولتی همیشه در مرکز ماموریت کپرو بوده است. با بیش از 35 سال تجربه به عنوان یک شرکت خدمات بهداشتی ارائه مجموعه ای متنوع از مدیریت مراقبت، نظارت بر کیفیت و خدمات ارزیابی بالینی برای Medicare و آژانس های دولتی Medicaid ، Kepro یک شریک و حامی مورد اعتماد است.

شرکت Kepro خدمات مجهز به فناوری را برای افراد دارای اولویت ارائه می­دهد تا به گیرندگان مراقبت های بهداشتی کمک کند تا به مراقبت در خانه یا جامعه دلخواه خود دسترسی پیدا کنند. با این حال، اطمینان از دریافت مراقبت های مناسب از سوی پرستاران و پزشکان آموزش دیده کپرو، زمان و تلاش قابل توجهی را می طلبد. کپرو بررسی کیفیت و ضرورت های پزشکی را برای برنامه های مراقبت های بهداشتی دولتی انجام می­دهد و توانایی آن در ارائه ارزش بستگی به این دارد که تیم های بالینی کپرو به سرعت اطلاعات پزشکی دقیق و مناسب را دریافت کنند.

پرستاران و پزشکان متمرکز بر بررسی های بالینی نیاز به دسترسی به موقع به اطلاعات پزشکی ذینفعان دارند تا بتوانند تأیید کنند که یک روش خاص مراقبت های بهداشتی موجه و مطابق با معیارهای شناخته شده ملی است. پس از آن، روش ها می­توانند تأیید شوند، مراقبت ارائه شود و پرداخت کنندگان به طور مناسب صورت حساب کنند. اما در بسیاری از موارد، معمولاً برای شرایط پیچیده پزشکی، کارکنان بالینی باید مجموعه ای از اسناد پزشکی را برای یافتن اطلاعات خاصی برای تأیید اینکه یک عمل از نظر پزشکی ضروری است و احتمالاً بهترین نتیجه مراقبت های بهداشتی را بدست می­آورند، بررسی کنند.

مرورهای آهسته و دستی

مراقبت از بیمار با کیفیت بالا مستلزم تهیه و تولید مجموعه ای سرسام آور از اسناد بالینی است. این شامل پرونده های پزشکی، خلاصه های بالینی، یادداشت های پیشرفت و ترخیص بالینی، لیست داروها و خدمات هوش مصنوعی و سایر اسناد پزشکی است که همه از منابع متعدد در طیف گسترده ای از فرمت های ساختار یافته و بدون ساختار مانند PDF، کاربرگ های Excel، اسناد Word، فرم های فکس را شامل میشود.

تیم های بازبینی Kepro اغلب صدها صفحه پرونده پزشکی را روزانه تجزیه و تحلیل می کنند. حجم متن های بدون ساختار که نیاز به ارزیابی دقیق، سازماندهی و خلاصه دارد، به سرعت در حال افزایش است. این اطلاعات به ندرت استاندارد می­شوند و پردازش دقیق آن، زمان قابل توجهی را برای متخصصان بسیار آموزش دیده Kepro به همراه بررسی های بالینی مهم خود اضافه می­کند.

اتوماسیون مجهز به هوش مصنوعی

کپرو می­خواست به بازرسان راه ساده تری برای شناسایی و استخراج اطلاعات حیاتی از مجموعه داده های بزرگ، پیچیده و عمدتا غیر استاندارد ارائه دهد. با استفاده از آن، آنها می­توانند تصمیمات مهم بالینی مراقبت های بهداشتی – مانند آمادگی خروج یا واجد شرایط بودن برای انواع خاصی از مراقبت ها – را سریعتر و دقیق تر بگیرند. این شرکت به راه حلی نیاز داشت که به بررسی تیم ها برای یکپارچه سازی داده ها در سیستم عامل های فناوری، خودکارسازی فرایندهای جستجوی اطلاعات و درک و مقایسه جزئیات مورد با معیارهای ملی مراقبت های بهداشتی برای ارتقاء نظرات قوی تر و قوی تر مراقبت های بهداشتی کمک کند. Kepro از Text Analytics برای سلامتی، یک ارائه دهنده هوش مصنوعی مخصوص مراقبت های بهداشتی که بخشی از خدمات شناختی Microsoft Azure است، برای خودکار بررسی اسناد بالینی در مقیاس استفاده کرد.

با استفاده از Text Analytics for health، این شرکت از پردازش زبان طبیعی برای تجزیه و تحلیل سریع و دقیق اسناد بالینی بدون ساختار استفاده می­کند و سپس نهادها را به فرهنگ لغت بیش از 100 عنوان پزشکی که با تعاریف استاندارد پرداخت کنندگان مطابقت دارد، شناسایی، طبقه بندی و پیوند می­دهد. این شبکه های عصبی را برای تجزیه و تحلیل اسناد پزشکی برای تخصص­های متعدد ایجاد کرده و به طور خودکار فرم هایی را برای داوران Medicare و Medicaid در دوازده قالب مختلف سند ایجاد می کند.

در ابتدای سفر خودکار، Kepro میزان قابل توجهی از تلاش ، داده ها و زمان مورد نیاز برای آموزش مدلهای یادگیری ماشین را برای تشخیص و ارائه نتایج دقیق و متناسب با طیف وسیع و ظریف از نهادهای بالینی درک کرد. از آنجا که Text Analytics for Health از قبل با مجموعه وسیعی از داده­ها، اسناد و فرمت های پزشکی و بالینی آموزش دیده است، Kepro تلاش، زمان و هزینه بسیار کمتری صرف توسعه راه حلی کرد که بتواند از هوش مصنوعی برای تشخیص و برجسته سازی روابط مهم در اسناد بالینی استفاده کند.

جاشوا دومینیک، مدیر ارشد هوش تجاری و نتایج Kepro می­گوید: “ساختن و آموزش همه مدل ها به تنهایی کوه بزرگی برای صعود بود.” “حجم عظیمی از واحدهای بالینی ارائه شده در Text Analytics برای سلامتی بسیار بیشتر از هر چیزی است که در بازار قابل مقایسه است.”

همانطور که Kepro در کاوش و استفاده از Text Analytics برای سلامتی عمیق تر شد، ارزش و قدرت اضافی قابلیت های استخراج ارتباط موجودیت را در سرویس AI استخراج متن کشف کرد. اینها به سرعت روابط کلیدی بین موجودیت­ها را آشکار می کند، روابطی که یافتن دستی آنها در اسناد 1000 صفحه ای دشوار است.

اطلاعات مناسب سریعتر

توسعه دهندگان Kepro از Azure App Service برای ساخت سریع UI بصری استفاده کردند که در آن مرورگران فایلهای مربوطه را بارگذاری و انتخاب می­کنند. داوران می­توانند بر اساس الزامات بازبینی یا ارزیابی نمودارها، نهادها را انتخاب و از حالت انتخاب خارج کرده و فوراً موجودیت ها و روابط بین آنها را شناسایی کنند.

به عنوان مثال، وقتی داوران به دنبال مراجعه به یک داروی خاص هستند، به جای اینکه صدها صفحه اطلاعات بدون ساختار را مرور کنند، از Text Analytics برای سلامت استفاده می­کنند تا اسناد را به طور خودکار اسکن کرده و هر مرجع مربوط به آن دارو، از جمله داده های دوز و چه موقع و چگونه اداره شده است.

با تکیه بر انعطاف پذیری و تطبیق پذیری Text Analytics برای سلامت، رابط کاربری Kepro تمام موجودیت­ها و روابط شناسایی شده توسط اسکن را به آسانی قابل مصرف سازماندهی و ارائه می­دهد. جدول محتویات، جداول داده های قابل اسکن، موجودات برجسته و پیوندهایی به نمونه های خاص آنها. در سند به طوری که پزشکان می توانند وجود و زمینه موجودیت خاصی را در سابقه پزشکی ذینفع بررسی و درک کنند.

Andrea Browman، نایب رئیس مدیریت استفاده در Kepro ، می­گوید: “با Text Analytics for health، ما می­توانیم شاخص های کلیدی را در اسناد بالینی فوراً پیدا کرده و سپس چکیده و تمام اطلاعات مربوطه را برای بهبود سرعت و کیفیت بررسی های خود نمایش دهیم.”

بهره وری بالاتر، مراقبت های بهداشتی بهتر

Kepro در حال توسعه راه حل های هوش مشترک است که مهارت های بالینی کارکنان ما را با سرعت و قابلیت های خودکارسازی هوش مصنوعی ترکیب می­کند. با گنجاندن Text Analytics برای سلامت در گردش کار مروری بالینی، کارکنان Kepro بهتر، کارآمدتر و دقیق تر، بررسی کیفیت و ضرورت های پزشکی را انجام می­دهند. و آنها این کار را بسیار سریعتر انجام می­دهند، که به بیماران کمک می­کند در مواقع نیاز به مراقبت­های بهداشتی مناسب برسند. ارائه دهندگان خدمات درمانی مجوزهای خود را زودتر دریافت می­کنند، بنابراین می­توانند کمتر روی مدیریت و بیشتر بر ارائه مراقبت های لازم تمرکز کنند. همه اینها بر نتایج بیمار تأثیر مثبت می­گذارد. شما می‌توانید در مورد چت بات این مقاله را بخوانید.

شان هریسون، معاون ارشد توسعه محصول و اطلاعات سلامت در Kepro می­گوید: “ما ارتباط مستقیمی بین کیفیت ارائه دهندگان اطلاعات بالینی و کیفیت مراقبت هایی که می توانند ارائه دهند، مشاهده می­کنیم.” “در حالی که استخراج اطلاعات بالینی کلیدی از اسناد بسیار بزرگ می­تواند مانند یک تمرین ضرب المثل” سوزن در انبار کاه “با ابزارهای مناسب به نظر برسد، در واقع کاملاً شدنی است. حفظ حریم خصوصی، امنیت و ایمنی نیز برای ابتکارات Kepro AI بسیار مهم است. تعهد مایکروسافت به اصول هوش مصنوعی مسئول یکی دیگر از دلایلی است که ما راه حل خود را در مورد Text Analytics برای سلامتی توسعه دادیم. “

پاراشار شاه، مدیر محصول پلت فرم AI در مایکروسافت می­گوید: “Kepro یکی از نوآورترین شرکت های مراقبت های بهداشتی است که از یادگیری ماشینی و پردازش زبان طبیعی برای بهبود بررسی بالینی و ارزیابی کیفیت استفاده می­کند.” “آنها یکی از پذیرندگان اولیه خدمات شناختی مایکروسافت بوده اند و از تجزیه و تحلیل متن برای سلامت در طیف وسیعی از موارد استفاده بالینی استفاده می­کنند که تأثیر ملموسی بر بهبود نتایج سلامت دارند.”

با استفاده از Text Analytics برای سلامتی، Kepro به طور موثر تر توافقنامه های سطح خدمات (SLAs) قراردادی خود را برآورده می­کند، وضعیت خود را به عنوان یک شریک مورد اعتماد حفظ می­کند و مزایای عملیاتی آینده را ایجاد می­کند. بارگیری جستجوی اسناد دستی پر زحمت و ناکارآمد از تیم های بازبینی به جلوگیری از تنگناها و عقب ماندگی ها کمک می­کند، اضافه کاری را به حداقل می­رساند و نیاز به حضور کارکنان اضافی را برای برآوردن تقاضا کاهش می­دهد. و از آنجایی که داوران اکنون زمان کمتری را برای جستجوی اطلاعات مورد نیاز خود صرف می­کنند، زمان بیشتری برای تجزیه و تحلیل در اختیار دارند، که این امر باعث می­شود سرعت بیشتری در کاهش هزینه ها و از همه مهمتر مراقبت های بهداشتی با کیفیت بالاتر حاصل شود.