💢 ☃️ 🧔🏽 एक उदाहरण के रूप में एआई एल्गोरिदम और नैदानिक कोडिंग का स्वचालन 🚛 ⏰ 💴

क्लिनिकल कोडिंग एक प्रशासनिक प्रक्रिया है जिसमें निदान के दौरान प्राप्त डेटा का अनुवाद किया जाता है (आज, मैन्युअल रूप से संदर्भ पुस्तकों और मैनुअल का उपयोग करके) संबंधित कोड प्रतीकों में। नैदानिक डेटा के स्रोतों में शामिल हैं:

प्रवेश पर डेटा।
डिस्चार्ज पर डेटा।
पैथोलॉजिकल अध्ययन।
रेडियोलॉजिकल अध्ययन।
व्यंजनों

कोडिंग में एक गलती एक लगातार बात है और इसके नीचे (अधिक महामारी पर नियंत्रण के नुकसान के लिए अस्पताल के वित्तपोषण की कमी और स्टाफ के पुन: प्रसंस्करण और कमी से) के अप्रिय परिणाम हैं।

ग्राफिक रूप से, कोडिंग प्रक्रिया को अंजीर में दर्शाया जा सकता है। 1.

अंजीर। 1 - क्लिनिकल कोडिंग प्रक्रिया

ICD-10 दुनिया के कई देशों में उपयोग किया जाने वाला एक एकीकृत कोडिंग मानक है। ICD-10 का संक्षिप्त नाम "विश्व स्वास्थ्य संगठन के कर्मचारियों द्वारा संकलित रोगों और अन्य स्वास्थ्य समस्याओं के अंतर्राष्ट्रीय वर्गीकरण का 10 वां संस्करण" है। दस्तावेज़ में विभिन्न बीमारियों, उनके लक्षणों और संकेतों, आदर्श से विचलन, साथ ही शिकायतों, सामाजिक परिस्थितियों और चोटों के बाहरी कारणों और विभिन्न बीमारियों के कोड प्रतिनिधित्व शामिल हैं।

एक नियम के रूप में, प्रत्येक कोड में 7 वर्ण होते हैं: 1-3 वर्ण का उपयोग रोग की श्रेणी को इंगित करने के लिए किया जाता है, 4-6 वें वर्ण स्थान और गंभीरता को निर्धारित करते हैं, 7 वां वर्ण पूरक है। कुछ देशों में, कोड का पदनाम भिन्न हो सकता है। निकट भविष्य में, नए आईसीडी -11 मानक के साथ अधिक भारी बीमारी कोड के लिए एक संक्रमण होने की उम्मीद है। दस्तावेज़ में कुछ नए नैदानिक मामलों और मानसिक बीमारियों के पदनाम के अतिरिक्त 55,000 से अधिक कोड होंगे। नए कोड अभ्यावेदन और वर्गीकरण को समझना देशों, व्यक्तिगत क्षेत्रों और स्वास्थ्य संगठनों के लिए उद्योग को और विकसित करने और पर्याप्त धन को आकर्षित करने के लिए अत्यंत महत्वपूर्ण है।

नैदानिक कोडिंग के दो महत्वपूर्ण अनुप्रयोग:

बिलिंग (स्थानीय सरकार और राज्य सरकार, स्वास्थ्य और बीमा)।
रिपोर्टिंग (महामारी विज्ञान के अध्ययन, राज्य नीति, महामारी विज्ञान निगरानी)।

क्लिनिकल एनकोडर चिकित्सा देखभाल के लिए निम्नलिखित निर्धारित करने के लिए सभी मेडिकल रिकॉर्ड की सावधानीपूर्वक जांच करते हैं:

मुख्य निदान।
माध्यमिक उपचार (यदि प्रदर्शन किया जाता है)।
अन्य बीमारियों की पहचान की।
जो जटिलताएँ पैदा हुई हैं।

उपरोक्त सभी ICD-10 मानक के अनुसार संबंधित कोड में प्रदर्शित किए गए हैं।

नैदानिक कोडिंग मुद्दे

कोडिंग प्रक्रिया का मैनुअल निष्पादन विभिन्न कठिनाइयों के साथ जुड़ा हुआ है, और सामान्य रूप से संस्थानों के कर्मचारियों के लिए बहुत परेशानी का कारण बनता है:

, : , - , .
, 4 .
. 8- 24 , .
, 70-75%. 1 , (AHIMA). , .
गति और कोडिंग सटीकता का अनुपात । इन दो मापदंडों का परस्पर संबंध है: उच्च गति, कम गुणवत्ता और इसके विपरीत।
स्टाफ की कमी । केवल 52% नैदानिक एनकोडर एक निरंतर आधार पर काम करते हैं। कई एजेंसियां लंबित मामलों की संख्या को कम करने के लिए ऑफशोरिंग का उपयोग करती हैं।

तालिका 1: II राष्ट्रीय नैदानिक कोडिंग प्रतियोगिता ICD-10

नैदानिक कोडिंग त्रुटियों के परिणाम

वर्गीकरण और नैदानिक कोडिंग में त्रुटियां बहुत आम हैं। वे चिकित्सा संस्थानों के काम के कई पहलुओं को प्रभावित करते हैं, जिसमें चिकित्सा देखभाल की लागत का भुगतान भी शामिल है। एपेंडेक्टोमी (अपेंडिक्स हटाने) के साथ एक उदाहरण पर विचार करें, आपातकालीन सर्जरी के लिए सबसे आम विकल्प। लेनदेन का अधूरा या गलत कोड प्रतिनिधित्व वित्तपोषण को काफी प्रभावित करता है।

उदाहरण: एक मरीज को तीव्र एपेंडिसाइटिस के निदान के साथ भर्ती किया गया था। पश्चात की अवधि में, घाव संक्रमण विकसित हुआ। रोगी को एंटीबायोटिक दवाओं को अंतःशिरा रूप से निर्धारित किया गया था।

तालिका 2. वित्तपोषण पर तीव्र प्यूरुलेंट एपेंडिसाइटिस के मामले में कोडिंग त्रुटियों का प्रभाव।

एक उदाहरण से पता चलता है कि एक नैदानिक कोडिंग त्रुटि से ओवर-प्रोसेसिंग और कम धन हो सकता है। गलत नैदानिक कोडिंग का एक और गंभीर परिणाम महामारी के विकास पर नियंत्रण का नुकसान है।

नैदानिक कोडिंग के लिए एआई एल्गोरिदम का उपयोग करना कितना व्यावहारिक है?

यदि AI मानव की तरह ड्राइव कर सकता है, तो क्या यह क्लिनिकल कोडिंग को संभाल सकता है?

पिछले कुछ वर्षों में, गतिविधि के विभिन्न क्षेत्रों में एआई के आवेदन में महत्वपूर्ण सफलता प्राप्त हुई है। इस विषय में एक छोटा सा भ्रमण:

एआई कंप्यूटर के बारे में ज्ञान का एक विशाल क्षेत्र है जो मानव क्षमताओं की नकल कर सकता है। यह मशीनों को प्रशिक्षण के लिए डेटा का उपयोग करने की अनुमति देता है, विशिष्ट कार्यों को करने के लिए हार्ड कोडिंग की आवश्यकता को समाप्त करता है। AI कंप्यूटर को अपने अनुभव का उपयोग करके सीखने की अनुमति देता है। कंप्यूटर बड़ी मात्रा में डेटा को संसाधित करने और गहरे कनेक्शन को नोटिस करने में सक्षम हैं, अंततः मनुष्यों की तुलना में उच्च स्तर की सटीकता प्रदान करते हैं। यह सब अधिक सटीक परिणामों के लिए आधार है, जो अधिक सूचित निर्णय के लिए आधार हैं।

स्वास्थ्य सेवा उद्योग में एआई के सामने आने वाली कई कठिनाइयों के बावजूद, यह नैदानिक कोडिंग में महत्वपूर्ण भूमिका निभा सकता है, कुछ निर्विवाद लाभ प्रदान करता है:

कम वित्तीय लागत।
बेहतर संगति।
स्टाफ की कमी को दूर करना।
प्री-क्लिनिकल कोडिंग का कार्यान्वयन।
इस प्रक्रिया में तेजी लाने से बदले में तेजी से वित्तपोषण होगा।
ऑडिट की सटीकता और गुंजाइश में सुधार।

चिकित्सा डेटा जटिलता की समस्या

कई स्वास्थ्य सुविधाएं और संगठन डेटा गुणवत्ता को व्यवस्थित और प्रबंधित करने के लिए एक वैचारिक दृष्टिकोण का उपयोग नहीं करते हैं, खासकर लंबे समय में। मेडिकल रिकॉर्ड और उनके आधार पर डेटा का मूल्य समय के साथ बढ़ता है। यहां तक कि इलेक्ट्रॉनिक मेडिकल रिकॉर्ड्स (ईएमआर) की शुरुआत ने पर्याप्त समय में वास्तविक समय के डेटा के प्रसंस्करण को सरल नहीं किया है, क्योंकि उपयोग किए गए सॉफ़्टवेयर की कार्यक्षमता बहुत सीमित है।

चिकित्सा डेटा को संसाधित करने में मुख्य समस्याएं हैं:

इलेक्ट्रॉनिक मेडिकल रिकॉर्ड के विभिन्न गुणवत्ता स्तर।
अनुकूलता की कमी, साथ ही नैदानिक प्रणालियों की जटिलता।
डेटा एकत्र करने, खोजने और विश्लेषण करने की प्रक्रिया की जटिलता।
अपूर्ण या अनुपस्थित डेटा को संसाधित करने की आवश्यकता।
कवरेज और डेटा सैंपलिंग।
नियामक आवश्यकताओं और नौकरशाही प्रक्रियाओं।

अब पढ़ाई करते हैं

चियांग माई में महाराज नखोन अस्पताल का मामला

यह चियांग माई के प्रांत में चियांग माई के मुआंग क्षेत्र में स्थित चियांग माई विश्वविद्यालय में एक प्रशिक्षण अस्पताल है। बैंकॉक के बाहर यह पहला थाई अस्पताल है, इसे 1941 में खोला गया। इस बड़े अस्पताल में 1,400 बिस्तर, गहन चिकित्सा इकाई में 69 बिस्तर और 92 अतिरिक्त बिस्तर, साथ ही 28 ऑपरेटिंग कमरे हैं। साल भर में, 45,000 से अधिक इनजेंट केस होते हैं, जिनमें 1,000 से अधिक ओपन हार्ट सर्जरी और 40 से अधिक किडनी ट्रांसप्लांट सर्जरी शामिल हैं। मैं क्लिनिक के अस्पतालों में 1.3 मिलियन से अधिक रोगियों को पंजीकृत करता हूं।

डेटा जटिलता

हम 2006 और 2019 के बीच दर्ज किए गए चियांग माई अस्पताल के रिपॉजिटरी से नैदानिक डेटा का उपयोग करते हैं। तालिका 3 में कुछ आंकड़े हैं जो संसाधित होने वाली जानकारी की जटिलता को प्रदर्शित करते हैं।

तालिका 3. महाराज नखोन चियांग माई अस्पताल के डेटा सेट के आँकड़े।

इस लेख में हम विशिष्ट विवरणों में नहीं जाएंगे और केवल सबसे महत्वपूर्ण बिंदुओं पर ध्यान देंगे:

चिकित्सा देखभाल के 42.5% मामलों में, कोड का एक अनूठा सेट उपयोग किया गया था (समान रिकॉर्ड वाले कुछ ही मामले)
रोगी के मामले काफी अधिक जटिल हैं
आउट पेशेंट अवलोकन के काफी जटिल मामले (कोई चिकित्सा इतिहास नहीं)
कोड के जटिल सेट (100 या अधिक) 70% से अधिक मामलों में उपयोग किए जाते हैं, जैसा कि अंजीर में दर्शाया गया है। 2।

अंजीर। 2. स्थिर डेटा

अंजीर के सेट में 30 सबसे आम ICD-10 कोड की आवृत्ति । 2 30 सबसे आम ICD-10 कोड में तथाकथित "लंबी पूंछ" समस्या को दर्शाता है । जैसा कि आप देख सकते हैं, अधिकांश कोड काफी दुर्लभ हैं। यह सुविधा मशीन सीखने को जटिल बनाती है, क्योंकि लगातार कम मामलों में मॉडलिंग करने की संभावना कम होती है।

डेटा स्रोतों को संसाधित करने के तरीके

प्रत्येक डेटा स्रोत में निम्नलिखित विशेषताएं हैं: प्रारूप, प्रकार, कठिनाई का स्तर। इस वजह से, डेटा को पूर्व-संसाधित करना मुश्किल है, और महत्वपूर्ण पूर्वानुमान संकेतों के निर्माण में समस्या है। इसके अलावा यह स्पष्ट हो जाएगा कि डाटा प्रोसेसिंग और मॉडलिंग के चरण समान रूप से जटिल कार्यों से जुड़े हैं जिन्हें हल करने की आवश्यकता है।

तालिका 4 - डेटा स्रोतों की विशेषताओं और उनके प्रसंस्करण की जटिलता

विभिन्न स्रोतों के संबंध में डेटा की पूर्व-प्रसंस्करण की गई थी। उदाहरण के लिए, प्रसंस्करण के लिए, असंरचित पाठ डेटा (रेडियोलॉजिकल रिपोर्ट या अन्य) का उपयोग किया गया था, अर्ध-संरचित प्रयोगशाला डेटा (पाठ, संख्यात्मक मिश्रित डेटा सहित विभिन्न स्वरूपों में), संरचित व्यंजनों और रोगी प्रवेश पर सारणीबद्ध डेटा।

स्वचालन कार्य

डेटा प्रोसेसिंग की जटिलता के कारण, जैसा कि ऊपर दिखाया गया है, क्लिनिकल कोडिंग प्रक्रिया का स्वचालन विभिन्न समस्याओं का सामना करता है:

बड़ी संख्या में अद्वितीय क्लासीफायर (12,000 से अधिक)।
बेंचमार्क या गोल्ड स्टैंडर्ड का अभाव।
सार्वजनिक रूप से उपलब्ध डेटासेट की कमी।
असंतुलित डेटा (कई दुर्लभ मामले)।
कई अलग-अलग स्रोतों से डेटा गठबंधन करने के तरीके खोजने की कठिनाई।

गहरी शिक्षण एल्गोरिदम (एआई) का उपयोग करने की संभावना

डीप लर्निंग क्लिनिकल कोडिंग प्रक्रियाओं को स्वचालित करने के लिए सबसे उचित दृष्टिकोणों में से एक है।

फिर से थोड़ा भ्रमण: गहरी सीख उच्च प्रतिनिधि सीखने की क्षमताओं के साथ तंत्रिका नेटवर्क पर आधारित मशीन सीखने के तरीकों का एक परिवार है। यह एल्गोरिदम का एक सेट है जो मानव मस्तिष्क के काम की नकल करता है, अर्थात्: यह समस्या के समाधान को खोजने के लिए अवधारणाओं और संबंधित मुद्दों के विभिन्न पदानुक्रमों से कैसे गुजरता है। दीप लर्निंग का पहले ही विभिन्न क्षेत्रों में सफलतापूर्वक उपयोग किया जा चुका है: इमेज प्रोसेसिंग और कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण (एनएलपी), मशीनी अनुवाद, ऑटोपायलट सिस्टम, फ्रॉड डिटेक्शन सिस्टम और अन्य।

मशीन लर्निंग एल्गोरिदम का उपयोग करने की उपयुक्तता निम्नलिखित के कारण है:

.
.
.
( ).

इस खंड में ICD-10 प्रेडिक्टिव कोडिंग मॉडल को डिजाइन करने के लिए उपयोग किए जाने वाले कुछ आर्किटेक्चर पर चर्चा की गई है। सबसे पहले, हम ICD-10 कोड की भविष्यवाणी के लिए कई लेबल द्वारा वर्गीकरण की समस्या को तैयार करते हैं। प्रत्येक ICD-10 कोड की संभावनाओं की भविष्यवाणी करने के लिए, हम प्रत्यक्ष संचार के तंत्रिका नेटवर्क की वास्तुकला का उपयोग करते हैं। अगला, सबसे संभावित मूल्यों के साथ अनुमानित ICD-10 कोड के पत्राचार को स्थापित किया जाएगा।

सहज ज्ञान युक्त मॉडलिंग वास्तुकला विभिन्न स्रोतों से सभी उपलब्ध डेटा एकत्र करना और एकल नेटवर्क को प्रशिक्षित करना है। यह विभिन्न प्रकार के डेटा और अंतिम निदान के साथ उनके संबंधों के बीच बातचीत को प्रतिबिंबित करेगा। इस मॉडलिंग वास्तुकला को संयुक्त मॉडल कहा जाता है, जिसका उपयोग परिणामों के साथ अनुभाग में किया जाएगा।

अंजीर। 3 एक संयुक्त मॉडल की ग्राफिक संरचना को दर्शाता है। चूंकि कई डेटा स्रोतों का उपयोग एक बार में किया जाता है, इसलिए इस आर्किटेक्चर को सर्वश्रेष्ठ नहीं माना जा सकता है। चूंकि डेटा स्रोत उनकी जटिलता में भिन्न होते हैं, यह कई पुनरावृत्तियों के माध्यम से ठीक ट्यूनिंग हाइपरपरमेटर्स के साथ एक अति जटिल नेटवर्क के निर्माण की ओर जाता है, साथ ही साथ परतों और हानि कार्यों की एक अलग संख्या के साथ प्रयोग होता है। इस प्रकार, डेटा की आधुनिकता का पर्याप्त अध्ययन नहीं किया जाएगा।

अंजीर। 3. संयुक्त मॉडल की संरचना

दूसरी वास्तुकला में कई नेटवर्क हैं जो व्यक्तिगत डेटा स्रोतों के साथ बातचीत करना सीखते हैं, जैसा कि अंजीर में दिखाया गया है। 4. फिर, प्रत्येक नेटवर्क का प्राप्त पूर्वानुमान डेटा औसत तरीकों या भारित औसत मूल्यों का उपयोग करके एकत्र किया जाता है। यह सीखने की प्रक्रिया में विशेषताओं के अंतरिक्ष में विभिन्न स्रोतों से डेटा के प्रतिनिधि या छोटे प्रतिनिधित्व के प्रभुत्व की कमी की ओर जाता है। हालांकि, यह सही निर्णयों को अपनाने पर नकारात्मक प्रभाव डालता है, क्योंकि प्रत्येक डेटा स्रोत से एक राय प्राप्त करने के बाद ज्ञान के देर से विलय के आधार पर एक स्रोत का प्रत्यक्ष चयन कम जानकारीपूर्ण होता है।

अंजीर। 4. औसत मॉडल की संरचना

इसलिए, हम कलाकारों की टुकड़ी के आर्किटेक्चर की ओर मुड़ते हैं, अंजीर में दिखाया गया है। 5. मॉडल की संरचना ऐसी होनी चाहिए कि यह आपको डेटा के विभिन्न प्रकारों को उनकी जटिलता के विभिन्न स्तरों के साथ मज़बूती से निर्धारित करने की अनुमति देता है, साथ ही उनके बीच स्थापित रिश्तों की अच्छी तरह से जांच करता है। हमारे नेटवर्क को व्यक्तिगत रूप से प्रशिक्षित मॉडल के शीर्ष पर बनाया गया है, जिसे "पहनावा" या "विशेषज्ञ" कहा जाता है। वह नैदानिक एनकोडर के काम का अनुकरण करती है, सभी प्रकार के नैदानिक डेटा का उपयोग करती है, अंतिम निदान के बारे में निर्णय लेती है।

वास्तव में, नेटवर्क पहले से ही प्रशिक्षित नेटवर्क से विशेषज्ञ ज्ञान प्राप्त करेगा, जो व्यक्तिगत स्रोतों का अध्ययन करने से अधिक प्रभावी है। पहनावा नेटवर्क कई पुनरावृत्तियों पर प्रत्येक विशेषज्ञ (रोगविज्ञानी, रेडियोलॉजिस्ट, फार्मासिस्ट और अन्य) के अनुभव पर आकर्षित करेगा, निदान करने के लिए आवश्यक ज्ञान प्राप्त करेगा। इसके अलावा, उसके पास नए निदान तैयार करने की क्षमता है, जो व्यक्तिगत नेटवर्क से भविष्य कहनेवाला डेटा प्राप्त करता है, और न केवल किसी एक स्रोत के आधार पर उच्चतम वजन गुणांक के साथ भविष्यवाणी को ध्यान में रखता है।

अंजीर। 5. पहनावा मॉडल की संरचना

प्रारंभिक परिणाम

यह खंड ऊपर वर्णित मॉडल की सटीकता, साथ ही प्रयोगात्मक परिणामों को निर्धारित करने के लिए उपयोग किए जाने वाले उपायों को प्रस्तुत करता है।

मूल्यांकन के उपाय

द्विआधारी और बहुस्तरीय वर्गीकरणों के विपरीत, कई मानदंडों द्वारा वर्गीकरण की प्रभावशीलता का मूल्यांकन करना इस बात पर निर्भर करता है कि इनमें से कौन सा मानदंड सही है। यह जांचने के लिए कि मॉडल विभिन्न स्थितियों में कैसे व्यवहार करेगा, वे अपर्याप्त या अत्यधिक कोडिंग के कारण होने वाली त्रुटियों की पहचान करने के लिए परिणामों की जांच करने के लिए विभिन्न तरीकों का उपयोग करते हैं। पूर्वगामी को देखते हुए, निम्नलिखित मूल्यांकन उपायों का उपयोग किया जाता है:

मध्यम सटीकता - सटीकता वापसी वक्र पर मूल्यों को संक्षेप द्वारा प्राप्त प्रत्येक सीमा मूल्य के लिए भारित औसत सटीकता।
कवरेज त्रुटि - सभी लेबल को कवर करने के लिए एक रैंकिंग मूल्यांकन की अवधि को चिह्नित करने वाला मान।
– y_score, , .
F1 – .
– , .
– , .

तालिका 5 सभी प्रमुख प्रदर्शन संकेतकों के लिए मॉडल के समग्र प्रदर्शन में क्रमिक सुधार दिखाती है। मात्रात्मक रूप से, यह रोगी उपचार डेटासेट के लिए 4-5% सुधार और आउट पेशेंट डेटा के प्रसंस्करण में 2-3% सुधार में अनुवाद करता है। विभिन्न स्रोत मॉडल की सटीकता के लिए विभिन्न योगदान करते हैं। उदाहरण के लिए, नुस्खे से लिए गए डेटा सबसे अधिक जानकारीपूर्ण हैं। प्रत्येक स्रोत के लिए, एक निश्चित जटिलता के एक मॉडल का उपयोग किया जाता है, और एक सटीक अध्ययन के लिए अलग-अलग समय और पुनरावृत्तियों की आवश्यकता होती है। डीप नेटवर्क दूसरों की तुलना में कुछ डेटा मोडेलिटी में न्यूनतम न्यूनतम खोजने में सक्षम हैं। इसलिए, सटीकता में सुधार करने के लिए, वे डेटा मोडेबिलिटी के परिवर्तनशीलता स्तरों को पूर्ण रूप से एनकोड करने के लिए प्रत्येक मोडेलिटी के प्रशिक्षण पद्धति का अलग से उपयोग करते हैं।

दूसरी ओर, प्रस्तुत मॉडल प्राथमिक निदान में किसी व्यक्ति के स्तर की सटीकता प्राप्त करने में सक्षम है, खासकर जब एक अस्पताल से डेटा के साथ काम कर रहा हो। यह नैदानिक कोडिंग के विभिन्न अनुप्रयोगों के लिए महत्वपूर्ण है, उदाहरण के लिए, बिलिंग के लिए, मुख्य रूप से सही निदान पर आधारित है।

तालिका 5. स्वचालित कोडिंग सटीकता

तालिका 6 सटीकता की डिग्री द्वारा क्रमबद्ध 5 प्रमुख रोगों को प्रस्तुत करती है। अस्पताल देखभाल डेटा की पहली तीन श्रेणियों के लिए सटीकता 90% से अधिक है। रोगियों में नियोप्लाज्म (लगभग 30% डेटा) का पता लगाने से जुड़े मामलों के बारे में, लगभग 80% की बहुत उत्साहजनक सटीकता प्राप्त हुई थी। आउट पेशेंट डेटा के लिए मॉडल के निचले प्रदर्शन संकेतक के बावजूद, सटीकता अभी भी 60% (औसत पर लगभग 65%) से अधिक है, जो अपने आप में एक बड़ा कदम है।

तालिका 6. 5 सबसे सामान्य उच्च-स्तरीय नैदानिक मामलों के लिए मॉडल सटीकता

मॉडल प्रदर्शन आत्म-जागरूकता

मशीन लर्निंग मॉडल की प्रभावशीलता का निर्माण और मूल्यांकन उनके प्रशिक्षण / मूल्यांकन की प्रक्रिया में किया जाता है। यादृच्छिक पर चयनित डेटा का उपयोग करके मूल्यांकन के लिए। हालांकि, वास्तविक समय में वर्तमान पूर्वानुमानों की सटीकता का आकलन करना बहुत मुश्किल है। समस्या को हल करने के लिए, एक मानदंड पेश किया जाता है जो यह मूल्यांकन करता है कि मॉडल अपने स्वयं के पूर्वानुमान में कितना आश्वस्त है। उदाहरण के लिए, यह जानना उपयोगी होगा कि मॉडल की सटीकता सरल चिकित्सा देखभाल के मामलों के लिए उपयुक्त है और जटिल चिकित्सा मामलों के लिए अपर्याप्त है। यह मैन्युअल रूप से किसी व्यक्ति द्वारा किसी विशेष मामले की पुनरावृत्ति के लिए एक संकेत के रूप में काम कर सकता है।

हम एक ICD-10 कोड भविष्यवाणी मॉडल के साथ संयोजन में एक विश्वास मूल्यांकन मॉडल का प्रस्ताव करते हैं। अंजीर में। चित्रा 6 एक सत्यापन मूल्यांकन नेटवर्क दिखाता है। हम सभी इनपुट डेटा को ध्यान में रखते हुए, अनुमानित और वास्तविक कोड के बीच विसंगतियों का पता लगाने के लिए एक प्रशिक्षण प्रक्रिया का संचालन करते हैं। इसलिए, मॉडल प्रारंभिक आंकड़ों को ध्यान में रखते हुए पूर्वानुमान की विश्वसनीयता का मूल्यांकन करने में सक्षम है, किसी विशेष मामले की जटिलता की डिग्री, और "अच्छा" और "खराब" पूर्वानुमान प्राप्त करने की संभावना।

अंजीर। 6. विश्वसनीयता की डिग्री का आकलन करने के लिए मॉडल की संरचना

तालिका 7 में सेट से विभिन्न डेटा के लिए विश्वास रेटिंग के नेटवर्क का परीक्षण करने के परिणाम हैं। इसलिए, प्रत्येक पूर्वानुमान में इसकी विश्वसनीयता का आकलन होता है। उदाहरण के लिए, 97% से अधिक पूर्वानुमान सटीकता 3% मामलों में, 85% - 50% मामलों में देखी गई है। विश्वसनीयता मूल्यांकन आपको आवश्यक होने पर तृतीय-पक्ष सहायता को आकर्षित करने की प्रक्रिया को स्वचालित करने की अनुमति देता है। प्रस्तुत मॉडल आत्म-जागरूकता की विशेषता है, आसानी से वास्तविक समय में उपयोगकर्ताओं द्वारा लॉन्च और मूल्यांकन किया जाता है।

तालिका 7. विभिन्न डेटा सेट के आकलन की विश्वसनीयता

मुख्य विशेषताएं:

मॉडलिंग को इकट्ठा करना, सर्वश्रेष्ठ पूर्वानुमान का चयन करने के लिए एक विशेषज्ञ नेटवर्क के साथ संयुक्त, अन्य मॉडलिंग विधियों से बेहतर है।
, , , .
4% .
( ), 1%.
, ,
, .
80% 50% ( , ).
, ( ).
, .

,

परिणाम स्वास्थ्य सेवा क्षेत्र के आगे विकास में योगदान देने वाले कई अनुप्रयोगों को बनाने का आधार हो सकता है। फिलहाल, नैदानिक कोडिंग के स्वचालन के लिए कई कार्यक्रम हैं: वास्तविक समय विश्लेषिकी, लागत पूर्वानुमान, रसद और कर्मचारियों की योजना, और अन्य। हम नैदानिक कोडिंग की भविष्यवाणी के लिए अत्यधिक विशिष्ट सॉफ्टवेयर समाधान प्रदान करते हैं: नैदानिक कोडिंग प्रक्रिया के स्वचालन में विशेषज्ञता वाले

निर्णय समर्थन प्रणाली
अनुप्रयोगों में निम्नलिखित क्षमताओं वाले पूर्वानुमान मॉडल के आधार पर निर्णय समर्थन प्रणाली शामिल हैं:

नैदानिक एन्कोडर के काम के लिए सॉफ्टवेयर उपकरण।
.
QA- - .
.
, .

एक नैदानिक ऑडिट कोडिंग की शुद्धता और स्थापित मानदंडों के अनुपालन का सत्यापन प्रदान करता है। ऑडिट के परिणामों का उपयोग स्वास्थ्य देखभाल संस्थानों के काम का विश्लेषण करने, रिपोर्ट संकलित करने और इसकी प्रभावशीलता बढ़ाने के लिए रणनीति विकसित करने के लिए किया जाता है। सटीक और उच्च गुणवत्ता वाली ऑडिट रणनीतियों का विकास स्थानीय और अंतरराष्ट्रीय स्तर पर विशेष रूप से ध्यान देता है। हालांकि, इस समय यह प्रक्रिया मुख्य रूप से मैन्युअल रूप से की जाती है, यही वजह है कि बड़ी संख्या में सामान्य त्रुटियां जुड़ी हुई हैं। इस क्षेत्र में कोडिंग स्वचालन प्रभावी हो सकता है, जिसमें सहायता प्रदान की जा सकती है:

निर्धारित और आवधिक ऑडिट आयोजित करना।
सटीकता और प्रदर्शन में सुधार।
संदिग्ध पैटर्न और प्रवृत्तियों की पहचान।
कोडिंग प्रक्रिया और एन्कोडर्स की क्षमता के बारे में अधिक सटीक समझ।
, .

यह लेख स्वास्थ्य सेवा के क्षेत्र में नैदानिक कोडिंग की विशेषताओं पर प्रकाश डालता है और इस प्रक्रिया के स्वचालन की प्रभावशीलता को दर्शाता है। प्रस्तुत आर्किटेक्चर की श्रेणी के बीच, गहन सीखने का पहनावा मॉडल इस कार्य के लिए सबसे उपयुक्त है। यह विभिन्न स्रोतों से डेटा को सफलतापूर्वक लागू करने में सक्षम है, विश्लेषण के लिए नए डेटा सेट जोड़कर आगे के विकास और बढ़ी हुई सटीकता के लिए अच्छी संभावनाएं हैं। यह विभिन्न श्रेणियों में उपयोग करता है, प्रक्रिया करता है, और मॉडल डेटा सहित, असंरचित, अर्ध-संरचित और संरचित सारणीबद्ध डेटा। चूंकि नैदानिक कोडिंग का क्षेत्र त्रुटियों के प्रति बहुत संवेदनशील है, इसलिए वास्तविक समय में पूर्वानुमान की सटीकता का स्वचालित रूप से मूल्यांकन करने के लिए एक अतिरिक्त प्रणाली का उपयोग किया जाता है।

हमने महाराजा नखोन अस्पताल (चियांग माई) के डेटाबेस का उपयोग करके मॉडलों को निर्धारित किया, जो वास्तविक नैदानिक कोडिंग अभ्यास में उनकी विशाल क्षमता का प्रदर्शन करता है। मॉडल अंतिम परिणामों को जाने बिना सीखने की प्रक्रिया से गुजरे, जो एक और फायदा है। इसलिए, वे रोगी के निर्वहन तक नैदानिक डेटा के नए स्रोतों के आधार पर ICD-10 कोड की लगातार और निरंतर भविष्यवाणी करने में सक्षम हैं। यह सुविधा वास्तविक समय में वर्तमान नैदानिक तस्वीर के बारे में सूचित करने की क्षमता प्रदान करती है। नए मेडिकल रिकॉर्ड आते ही ये मॉडल मक्खी पर सीखने में सक्षम हैं।

आगे के दृष्टिकोण

हम केवल क्लिनिकल कोडिंग ऑटोमेशन सिस्टम के विकास के प्रारंभिक चरणों में हैं और इस सेवा को बड़ी संख्या में स्वास्थ्य सेवा संस्थानों में पेश करने के लिए नए क्षितिज खोल रहे हैं। हम निर्णय समर्थन प्रणालियों के निर्माण में सहायता प्रदान करने और उनके लाभों को प्रदर्शित करने में सक्षम हैं, साथ ही साथ आधुनिक प्रक्रियाओं और प्रणालियों में समाधानों को एकीकृत करते हैं।

एक उदाहरण के रूप में एआई एल्गोरिदम और नैदानिक ​​कोडिंग का स्वचालन

नैदानिक ​​कोडिंग मुद्दे

नैदानिक ​​कोडिंग त्रुटियों के परिणाम

नैदानिक ​​कोडिंग के लिए एआई एल्गोरिदम का उपयोग करना कितना व्यावहारिक है?