Get best of the week

AI-Algorithmen und Automatisierung der klinischen Codierung als Beispiel

Die klinische Kodierung ist ein Verwaltungsprozess, bei dem die während der Diagnose erhaltenen Daten (heute manuell unter Verwendung von Nachschlagewerken und Handbüchern) in die entsprechenden Codesymbole übersetzt werden. Die Quellen für klinische Daten umfassen:

  • Angaben zur Zulassung.
  • Daten bei Entlassung.
  • Pathologische Studien.
  • Radiologische Untersuchungen.
  • Rezepte

Ein Fehler bei der Kodierung ist häufig und hat unangenehme Folgen (von der Wiederaufbereitung des Personals und der Reduzierung der Krankenhausfinanzierung bis zum Verlust der Kontrolle über die Epidemie).

Grafisch kann der Codierungsprozess in Fig. 1 dargestellt werden. 1.



Abb. 1 - Klinischer Kodierungsprozess

ICD-10 ist ein einheitlicher Kodierungsstandard, der in vielen Ländern der Welt verwendet wird. Die Abkürzung ICD-10 steht für "10. Ausgabe der Internationalen Klassifikation von Krankheiten und anderen Gesundheitsproblemen", die von Mitarbeitern der Weltgesundheitsorganisation zusammengestellt wurde. Das Dokument enthält Code-Darstellungen verschiedener Krankheiten, ihrer Symptome und Anzeichen, Abweichungen von der Norm sowie Beschwerden, soziale Umstände und äußere Ursachen von Verletzungen und verschiedenen Krankheiten.

In der Regel besteht jeder Code aus 7 Zeichen: 1-3 Zeichen geben die Kategorie der Krankheit an, 4-6 Zeichen bestimmen den Ort und den Schweregrad, das 7. Zeichen ist komplementär. In einigen Ländern kann die Bezeichnung der Codes variieren. In naher Zukunft wird der Übergang zum neuen ICD-11-Standard mit umfangreicheren Krankheitscodes erwartet. Das Dokument wird über 55.000 Codes enthalten und einige neue klinische Fälle und psychische Erkrankungen benennen. Das Verständnis der neuen Kodexdarstellungen und -klassifizierungen ist für Länder, einzelne Gebiete und Gesundheitsorganisationen äußerst wichtig, um die Branche weiterzuentwickeln und angemessene Finanzmittel zu erhalten.

Zwei wichtige Anwendungen der klinischen Kodierung:

  1. Abrechnung (Kommunal- und Landesregierung, Kranken- und Versicherungswesen).
  2. Berichterstattung (epidemiologische Studien, staatliche Politik, epidemiologische Überwachung).


Klinische Encoder überprüfen sorgfältig alle medizinischen Unterlagen für die medizinische Versorgung, um Folgendes festzustellen:

  • Die Hauptdiagnose.
  • Sekundärbehandlung (falls durchgeführt).
  • Andere Krankheiten identifiziert.
  • Komplikationen, die aufgetreten sind.

Alle oben genannten Punkte werden in den entsprechenden Codes gemäß dem ICD-10-Standard angezeigt.

Klinische Codierungsprobleme


Die manuelle Ausführung des Codierungsprozesses ist mit verschiedenen Schwierigkeiten verbunden und bereitet Mitarbeitern von Institutionen im Allgemeinen große Probleme:

  • , : , - , .
  • , 4 .
  • . 8- 24 , .
  • , 70-75%. 1 , (AHIMA). , .
  • Das Verhältnis von Geschwindigkeit und Codiergenauigkeit . Diese beiden Parameter hängen zusammen: Je höher die Geschwindigkeit, desto geringer die Qualität und umgekehrt.
  • Mangel an Personal . Nur etwa 52% der klinischen Encoder arbeiten kontinuierlich. Viele Agenturen verwenden Offshoring, um die Anzahl der anhängigen Fälle zu verringern.




Tabelle 1: II Nationaler Wettbewerb für klinische Kodierung ICD-10

Die Folgen klinischer Kodierungsfehler


Fehler in der Klassifizierung und der klinischen Kodierung sind sehr häufig. Sie betreffen viele Aspekte der Arbeit medizinischer Einrichtungen, einschließlich der Zahlung der Kosten für die medizinische Versorgung. Betrachten Sie ein Beispiel mit Appendektomie (Entfernung des Anhangs), der häufigsten Option für Notfalloperationen. Eine unvollständige oder falsche Codedarstellung der Transaktion wirkt sich erheblich auf die Finanzierung aus.

Beispiel: Ein Patient wurde mit der Diagnose einer akuten Blinddarmentzündung aufgenommen. In der postoperativen Phase entwickelte sich eine Wundinfektion. Dem Patienten wurden intravenös Antibiotika verschrieben.




Tabelle 2. Die Auswirkung von Kodierungsfehlern bei akuter eitriger Blinddarmentzündung auf die Finanzierung.

Ein Beispiel zeigt, dass ein klinischer Codierungsfehler zu einer Überbearbeitung und einer Reduzierung der Finanzierung führen kann. Eine weitere schwerwiegende Folge einer falschen klinischen Kodierung ist der Verlust der Kontrolle über die Entwicklung von Epidemien.

Wie praktisch ist es, AI-Algorithmen für die klinische Codierung zu verwenden?


Wenn KI wie ein Mensch fahren kann, kann sie dann mit klinischer Kodierung umgehen?

In den letzten Jahren wurden bedeutende Erfolge bei der Anwendung von KI in verschiedenen Tätigkeitsbereichen erzielt. Ein kleiner Ausflug in das Thema:

KI ist ein weites Gebiet des Wissens über Computer, das menschliche Fähigkeiten nachahmen kann. Es ermöglicht Maschinen, Daten für das Training zu verwenden, sodass keine harte Codierung erforderlich ist, um bestimmte Aufgaben auszuführen. Mit AI können Computer anhand ihrer eigenen Erfahrung lernen. Computer sind in der Lage, große Datenmengen zu verarbeiten und tiefere Verbindungen zu erkennen, was letztendlich zu einer höheren Genauigkeit im Vergleich zu Menschen führt. All dies ist die Basis für genauere Ergebnisse, die die Grundlage für fundiertere Entscheidungen sind.


Trotz der vielen Schwierigkeiten, mit denen KI in der Gesundheitsbranche konfrontiert ist, kann sie eine Schlüsselrolle bei der klinischen Kodierung spielen und einige unbestreitbare Vorteile bieten:

  • Niedrigere finanzielle Kosten.
  • Bessere Konsistenz.
  • Beseitigung des Personalmangels.
  • Implementierung der präklinischen Kodierung.
  • Beschleunigung des Prozesses, was wiederum zu einer schnelleren Finanzierung führen wird.
  • Verbesserung der Genauigkeit und des Umfangs von Audits.

Das Problem der Komplexität medizinischer Daten


Viele Gesundheitseinrichtungen und -organisationen verwenden keinen konzeptionellen Ansatz, um die Datenqualität zu organisieren und zu verwalten, insbesondere auf lange Sicht. Der Wert von Krankenakten und darauf basierenden Daten wächst mit der Zeit. Selbst die Einführung elektronischer Patientenakten (EMR) hat die Verarbeitung von Echtzeitdaten nicht in angemessener Weise vereinfacht, da die Funktionalität der verwendeten Software sehr eingeschränkt ist.

Hier sind die Hauptprobleme bei der Verarbeitung medizinischer Daten:

  • Unterschiedliche Qualitätsstufen elektronischer Patientenakten.
  • Mangelnde Kompatibilität sowie die Komplexität klinischer Systeme.
  • Die Komplexität des Prozesses des Sammelns, Suchens und Analysierens von Daten.
  • Die Notwendigkeit, unvollständige oder fehlende Daten zu verarbeiten.
  • Abdeckung und Datenerfassung.
  • Regulierungsanforderungen und bürokratische Prozesse.

Jetzt lass uns studieren

Fall des Maharaj Nakhon Krankenhauses in Chiang Mai


Dies ist ein Ausbildungskrankenhaus an der Universität von Chiang Mai in der Region Muang in Chiang Mai in der Provinz Chiang Mai. Dies ist das erste thailändische Krankenhaus außerhalb von Bangkok, das 1941 eröffnet wurde. Dieses ziemlich große Krankenhaus verfügt über 1.400 Betten, 69 Betten auf der Intensivstation und 92 zusätzliche Betten sowie 28 Operationssäle. Im Laufe des Jahres gibt es über 45.000 stationäre Fälle, darunter über 1.000 Operationen am offenen Herzen und über 40 Nierentransplantationen. Ich registriere über 1,3 Millionen Patienten in den Polikliniken des Krankenhauses.

Datenkomplexität


Wir verwenden klinische Daten aus den Repositories des Chiang Mai-Krankenhauses, die zwischen 2006 und 2019 aufgezeichnet wurden. Tabelle 3 enthält einige Statistiken, die die Komplexität der verarbeiteten Informationen belegen.



Tabelle 3. Statistik des Datensatzes des Krankenhauses Maharaj Nakhon Chiang Mai.

In diesem Artikel werden wir nicht auf bestimmte Details eingehen und nur auf die wichtigsten Punkte achten:

  • In 42,5% der Fälle medizinischer Versorgung wurde ein eindeutiger Satz von Codes verwendet (nur wenige Fälle mit identischen Aufzeichnungen).
  • Stationäre Fälle sind deutlich komplexer
  • Ziemlich komplizierte Fälle ambulanter Beobachtung (keine Krankengeschichte)
  • Komplexe Codesätze (100 oder mehr) werden in mehr als 70% der Fälle verwendet, wie in Abb. 2.




Feige. 2. Die Häufigkeit der 30 häufigsten ICD-10-Codes im Satz stationärer Daten

Abb. 2 zeigt das sogenannte "Long Tail" -Problem in den 30 häufigsten ICD-10-Codes. Wie Sie sehen können, ist die überwiegende Mehrheit der Codes ziemlich selten. Diese Funktion erschwert das maschinelle Lernen, da die Wahrscheinlichkeit, weniger häufige Fälle zu modellieren, geringer ist.

Möglichkeiten zur Verarbeitung von Datenquellen


Jede Datenquelle verfügt über die folgenden Funktionen: Format, Typ, Schwierigkeitsgrad. Aus diesem Grund ist es schwierig, die Daten vorzuverarbeiten, und es gibt ein Problem bei der Bildung signifikanter Vorhersagesignale. Ferner wird deutlich, dass die Phasen der Datenverarbeitung und -modellierung mit einem Komplex von ebenso komplexen Aufgaben verbunden sind, die gelöst werden müssen.



Tabelle 4 - Eigenschaften von Datenquellen und die Komplexität ihrer Verarbeitung

Die Vorverarbeitung von Daten wurde in Bezug auf verschiedene Quellen durchgeführt. Beispielsweise wurden zur Verarbeitung unstrukturierte Textdaten (radiologische Berichte oder andere), halbstrukturierte Labordaten (in verschiedenen Formaten, einschließlich Text, numerische gemischte Daten), strukturierte Rezepte und tabellarische Daten zur Patientenaufnahme verwendet.

Automatisierungsaufgaben


Aufgrund der oben gezeigten Komplexität der Datenverarbeitung ist die Automatisierung des klinischen Codierungsprozesses mit einer Reihe verschiedener Probleme konfrontiert:
  • Eine große Anzahl einzigartiger Klassifikatoren (über 12.000).
  • Fehlender Benchmark oder Goldstandard.
  • Mangel an öffentlich verfügbaren Datensätzen.
  • Unausgeglichene Daten (viele seltene Fälle).
  • Die Schwierigkeit, Wege zu finden, um Daten aus verschiedenen Quellen zu kombinieren.


Zweckmäßigkeit der Verwendung von Deep-Learning-Algorithmen (AI)


Deep Learning ist einer der gerechtfertigtsten Ansätze zur Automatisierung klinischer Kodierungsprozesse.

Nochmals ein kleiner Ausflug: Deep Learning ist eine Familie von Methoden des maschinellen Lernens, die auf neuronalen Netzen mit hohen repräsentativen Lernfähigkeiten basieren. Dies ist eine Reihe von Algorithmen, die die Arbeit des menschlichen Gehirns nachahmen, nämlich: wie es Anforderungen durch verschiedene Hierarchien von Konzepten und verwandten Themen leitet, um eine Lösung für das Problem zu finden. Deep Learning wurde bereits erfolgreich in verschiedenen Bereichen eingesetzt: Bildverarbeitung und Computer Vision, Verarbeitung natürlicher Sprache (NLP), maschinelle Übersetzung, Autopilotsystem, Betrugserkennungssystem und andere.

Die Angemessenheit der Verwendung von Algorithmen für maschinelles Lernen beruht auf Folgendem:

  • .
  • .
  • .
  • ( ).



In diesem Abschnitt werden einige Architekturen erläutert, die zum Entwerfen von ICD-10-Vorhersagecodierungsmodellen verwendet werden. Zunächst formulieren wir das Problem der Klassifizierung durch mehrere Bezeichnungen zur Vorhersage von ICD-10-Codes. Um die Wahrscheinlichkeiten jedes ICD-10-Codes vorherzusagen, verwenden wir die Architektur eines neuronalen Netzwerks direkter Kommunikation. Als nächstes wird die Entsprechung der vorhergesagten ICD-10-Codes mit den wahrscheinlichsten Werten hergestellt.

Die intuitive Modellierungsarchitektur besteht darin, alle verfügbaren Daten aus verschiedenen Quellen zu sammeln und ein einziges Netzwerk zu trainieren. Dies wird die Wechselwirkungen zwischen verschiedenen Datentypen und deren Beziehung zur endgültigen Diagnose widerspiegeln. Diese Modellierungsarchitektur wird als kombiniertes Modell bezeichnet, das im Abschnitt mit den Ergebnissen verwendet wird.

Feige. 3 zeigt die grafische Struktur eines kombinierten Modells. Da mehrere Datenquellen gleichzeitig verwendet werden, kann diese Architektur nicht als die beste angesehen werden. Da sich Datenquellen in ihrer Komplexität unterscheiden, führt dies zum Aufbau eines übermäßig komplexen Netzwerks mit Feinabstimmung der Hyperparameter durch viele Iterationen sowie zum Experimentieren mit einer unterschiedlichen Anzahl von Schichten und Verlustfunktionen. Daher wird die Modalität der Daten nicht gut genug untersucht.



Feige. 3. Die Struktur des kombinierten Modells

Die zweite Architektur enthält mehrere Netzwerke, die lernen, wie mit einzelnen Datenquellen interagiert wird (siehe Abb. 1). 4. Dann werden die erhaltenen Prognosedaten jedes Netzwerks unter Verwendung von Mittelungsmethoden oder gewichteten Durchschnittswerten aggregiert. Dies führt dazu, dass repräsentative oder kleinere Darstellungen von Daten aus verschiedenen Quellen im Raum der Attribute im Lernprozess nicht dominiert werden. Dies wirkt sich jedoch negativ auf die Annahme der richtigen Entscheidungen aus, da die direkte Auswahl einer Quelle aufgrund der späten Zusammenführung von Wissen nach Erhalt einer Stellungnahme aus jeder Datenquelle weniger informativ ist.



Feige. 4. Die Struktur des Mittelungsmodells

Daher wenden wir uns der in Abb. 1 gezeigten Architektur der Ensemble-Modellierung zu. 5. Die Struktur des Modells sollte so sein, dass Sie die verschiedenen Modalitäten der Daten mit ihren unterschiedlichen Komplexitätsstufen zuverlässig bestimmen und die zwischen ihnen hergestellten Beziehungen gründlich untersuchen können. Unser Netzwerk, das auf individuell trainierten Modellen aufbaut, wird als „Ensemble“ oder „Experte“ bezeichnet. Sie ahmt die Arbeit klinischer Encoder nach, verwendet alle Arten von klinischen Daten und trifft Entscheidungen bezüglich der endgültigen Diagnose.

Tatsächlich erhält das Netzwerk Expertenwissen aus bereits geschulten Netzwerken, was effektiver ist als das Studium einzelner Quellen. Das Ensemble-Netzwerk wird in vielen Iterationen auf die Erfahrung jedes Spezialisten (Pathologe, Radiologe, Apotheker und anderer) zurückgreifen und das notwendige Wissen für die Diagnose erwerben. Darüber hinaus hat sie die Möglichkeit, neue Diagnosen zu formulieren, Vorhersagedaten von einzelnen Netzwerken zu erhalten und nicht nur die Vorhersage mit dem höchsten Gewichtskoeffizienten basierend auf einer Quelle zu berücksichtigen.



Feige. 5. Die Struktur des Ensemblemodells

Vorläufige Ergebnisse


In diesem Abschnitt werden die zur Quantifizierung der Genauigkeit der oben beschriebenen Modelle verwendeten Maßnahmen sowie die experimentellen Ergebnisse vorgestellt.

Bewertungsmaßnahmen


Im Gegensatz zu binären und Mehrklassenklassifikationen hängt die Bewertung der Wirksamkeit der Klassifizierung anhand mehrerer Kriterien davon ab, welche dieser Kriterien korrekt sind. Um zu überprüfen, wie sich das Modell in verschiedenen Situationen verhält, verwenden sie unterschiedliche Ansätze, um die Ergebnisse zu überprüfen und Fehler zu identifizieren, die durch unzureichende oder übermäßige Codierung verursacht werden. In Anbetracht des Vorstehenden werden die folgenden Bewertungsmaßnahmen angewendet:

  • Mittlere Genauigkeit - Die gewichtete durchschnittliche Genauigkeit für jeden Schwellenwert, der durch Summieren der Werte auf der Genauigkeitsrückgabekurve erhalten wird.
  • Abdeckungsfehler - Ein Wert, der die Dauer einer Ranking-Bewertung kennzeichnet und ausreicht, um alle Labels abzudecken.
  • – y_score, , .
  • F1 – .
  • – , .
  • – , .



Tabelle 5 zeigt eine schrittweise Verbesserung der Gesamtleistung des Modells für alle wichtigen Leistungsindikatoren. Quantitativ bedeutet dies eine Verbesserung des Datensatzes für die stationäre Behandlung um 4–5% und eine Verbesserung der Verarbeitung ambulanter Daten um 2–3%. Verschiedene Quellen tragen unterschiedlich zur Genauigkeit des Modells bei. Beispielsweise sind Daten aus Rezepten am informativsten. Für jede Quelle wird ein Modell mit einer bestimmten Komplexität verwendet, und für eine genaue Untersuchung sind unterschiedliche Zeit- und Iterationszeiten erforderlich. Tiefe Netzwerke können in einigen Datenmodalitäten schneller als in anderen das optimale Minimum finden. Um die Genauigkeit zu verbessern, verwenden sie daher die Trainingsmethode jeder Modalität separat, um die Variabilitätsstufen der Datenkomplexität in vollem Umfang zu codieren.

Andererseits ist das vorgestellte Modell in der Lage, eine Genauigkeit des Niveaus einer Person in der Primärdiagnostik zu erreichen, insbesondere wenn mit Daten aus einem Krankenhaus gearbeitet wird. Dies ist wichtig für verschiedene Anwendungen der klinischen Kodierung, beispielsweise für die Abrechnung, hauptsächlich basierend auf der richtigen Diagnose.



Tabelle 5. Automatisierte Codierungsgenauigkeit

Tabelle 6 zeigt 5 Hauptkrankheiten, sortiert nach Genauigkeitsgrad. Die Genauigkeit für die ersten drei Kategorien von Krankenhausversorgungsdaten liegt bei über 90%. In Bezug auf Fälle im Zusammenhang mit dem Nachweis von Neoplasmen bei Patienten (etwa 30% der Daten) wurde eine sehr ermutigende Genauigkeit von etwa 80% erzielt. Trotz der niedrigeren Leistungsindikatoren des Modells für ambulante Daten lag die Genauigkeit immer noch über 60% (durchschnittlich etwa 65%), was an sich schon ein großer Fortschritt ist.



Tabelle 6. Modellgenauigkeit für die 5 häufigsten Diagnosefälle auf hoher Ebene

Modell Performance Selbstbewusstsein


Die Konstruktion und Bewertung der Wirksamkeit von Modellen des maschinellen Lernens erfolgt im Rahmen ihrer Schulung / Bewertung. Für die Bewertung anhand zufällig ausgewählter Daten. Es ist jedoch sehr schwierig, die Genauigkeit aktueller Prognosen in Echtzeit zu beurteilen. Um das Problem zu lösen, wird ein Kriterium eingeführt, das bewertet, wie sicher das Modell in seiner eigenen Prognose ist. Zum Beispiel ist es nützlich zu wissen, dass die Genauigkeit des Modells für einfache medizinische Versorgungsfälle geeignet und für komplexe medizinische Fälle unzureichend ist. Dies könnte als Signal dienen, um einen bestimmten Fall von einer Person manuell zu überprüfen.

Wir schlagen ein Konfidenzbewertungsmodell in Kombination mit einem ICD-10-Code-Vorhersagemodell vor. In Abb. Abbildung 6 zeigt ein Validierungsbewertungsnetzwerk. Wir führen einen Schulungsprozess durch, um Inkonsistenzen zwischen dem vorhergesagten und dem tatsächlichen Code zu erkennen, wobei alle Eingabedaten berücksichtigt werden. Das Modell ist also in der Lage, die Zuverlässigkeit der Prognose unter Berücksichtigung der Anfangsdaten, des Komplexitätsgrades eines bestimmten Falls und der Wahrscheinlichkeit, „gute“ und „schlechte“ Prognosen zu erhalten, zu bewerten.



Feige. 6. Die Struktur des Modells zur Beurteilung des Zuverlässigkeitsgrades

Tabelle 7 enthält die Ergebnisse des Testens eines Netzwerks von Konfidenzbewertungen für verschiedene Daten aus dem Satz. Jede Prognose enthält also eine Bewertung ihrer Zuverlässigkeit. Beispielsweise wird die Prognosegenauigkeit von über 97% in 3% der Fälle, 85% - in 50% der Fälle - beobachtet. Mithilfe der Zuverlässigkeitsbewertung können Sie den Prozess der Gewinnung von Unterstützung durch Dritte automatisieren, wenn dies erforderlich ist. Das vorgestellte Modell zeichnet sich durch Selbstbewusstsein aus, kann von Benutzern einfach in Echtzeit gestartet und bewertet werden.



Tabelle 7. Zuverlässigkeit einer Schätzung verschiedener Datensätze

Hauptmerkmale:

  • Die Ensemble-Modellierung in Kombination mit einem Expertennetzwerk zur Auswahl der besten Prognose ist anderen Modellierungsmethoden überlegen.
  • , , , .
  • 4% .
  • ( ), 1%.
  • , ,
  • , .
  • 80% 50% ( , ).
  • , ( ).
  • , .


,


Das Ergebnis kann die Grundlage für die Erstellung einer Reihe von Anwendungen sein, die zur Weiterentwicklung des Gesundheitssektors beitragen. Derzeit gibt es viele Programme zur Automatisierung der klinischen Kodierung: Echtzeitanalyse, Kostenprognose, Logistik und Personalplanung und andere. Wir bieten hochspezialisierte Softwarelösungen zur Vorhersage der klinischen Kodierung an:

Entscheidungsunterstützungssysteme Zu den
Anwendungen, die auf die Automatisierung des klinischen Kodierungsprozesses spezialisiert sind, gehören Entscheidungsunterstützungssysteme, die auf Vorhersagemodellen basieren und über die folgenden Funktionen verfügen:

  • Software-Tools für die Arbeit von klinischen Encodern.
  • .
  • QA- - .
  • .
  • , .



Ein klinisches Audit überprüft die Richtigkeit der Kodierung und die Einhaltung der festgelegten Kriterien. Die Ergebnisse des Audits werden verwendet, um die Arbeit von Gesundheitseinrichtungen zu analysieren, Berichte zu erstellen und Strategien zur Steigerung ihrer Wirksamkeit zu entwickeln. Die Entwicklung genauer und qualitativ hochwertiger Prüfungsstrategien schenkt sowohl lokal als auch international besondere Aufmerksamkeit. Derzeit wird dieser Vorgang jedoch hauptsächlich manuell ausgeführt, weshalb eine große Anzahl häufiger Fehler auftritt. Die Codierungsautomatisierung kann in diesem Bereich effektiv sein und Unterstützung bieten in:

  • Durchführung geplanter und regelmäßiger Audits.
  • Verbesserung von Genauigkeit und Leistung.
  • Identifizierung verdächtiger Muster und Trends.
  • Ein genaueres Verständnis des Codierungsprozesses und der Kompetenz von Codierern.
  • , .



Dieser Artikel beleuchtet die Merkmale der klinischen Kodierung im Bereich des Gesundheitswesens und zeigt die Wirksamkeit der Automatisierung dieses Prozesses. Unter den vorgestellten Architekturen eignet sich das Ensemble-Modell des Deep Learning am besten für diese Aufgabe. Es ist in der Lage, Daten aus verschiedenen Quellen erfolgreich anzuwenden, hat gute Aussichten für die weitere Entwicklung und erhöht die Genauigkeit durch Hinzufügen neuer Datensätze zur Analyse. Es verwendet, verarbeitet und modelliert Daten in verschiedenen Kategorien, einschließlich unstrukturierter, halbstrukturierter und strukturierter tabellarischer Daten. Da der Bereich der klinischen Kodierung sehr fehlerempfindlich ist, wird ein zusätzliches System verwendet, um die Genauigkeit von Vorhersagen automatisch in Echtzeit zu bewerten.

Wir haben die Modelle mithilfe der Datenbank des Maharaja Nakhon-Krankenhauses (Chiang Mai) quantifiziert und ihr enormes Potenzial in der realen klinischen Kodierungspraxis demonstriert. Modelle haben den Lernprozess durchlaufen, ohne die Endergebnisse zu kennen, was ein weiterer Vorteil ist. Daher sind sie in der Lage, eine konsistente und kontinuierliche Vorhersage von ICD-10-Codes basierend auf neuen Quellen klinischer Daten bis zur Entlassung des Patienten durchzuführen. Diese Funktion bietet die Möglichkeit, in Echtzeit über das aktuelle Diagnosebild zu informieren. Diese Modelle sind in der Lage, im laufenden Betrieb zu lernen, wenn neue medizinische Unterlagen eintreffen.

Weitere Perspektiven


Wir befinden uns erst in der Anfangsphase der Entwicklung von Automatisierungssystemen für die klinische Codierung und eröffnen neue Horizonte für die Einführung dieses Dienstes bei einer Vielzahl von Gesundheitseinrichtungen. Wir sind in der Lage, beim Aufbau von Entscheidungsunterstützungssystemen zu helfen, deren Vorteile aufzuzeigen und Lösungen in moderne Prozesse und Systeme zu integrieren.

More articles:


All Articles