健康

データのゴミを取り出してAIゴールドを作成する方法

「ゴミ、ゴミ出力」というフレーズはさかのぼります 少なくとも1957年、しかし、それは確かに人工知能（AI）と大規模な言語モデル（LLM）の台頭とともに流行に戻ってきました。 1950年代の初期のコンピューターと同様に、AIは、手動の努力の一部で正確で信頼できる出力を生成できますが、アルゴリズムを訓練するために正確で信頼できるデータが等しく入力された場合にのみ。 つまり、AIがヘルスケアが臨床の質、結果、効率性の目標を達成するのを真に支援することを意味します。業界は、紙チャートの時代から存在していた基本的な課題を解決する必要があります。データの整合性の中心的な問題に対処しないと、AIは臨床医の燃え尽き症候群を減らしたり、コンプライアンスを確保したり、有意義な投資収益を生み出したりするという約束を果たすことはできません。 データ品質の危機：ここにたどり着いた方法 臨床データ品質の問題は、記録管理の開始以来存在しています。 2000年代の最初の10年から始まったデジタルシフトは、アクセスと読みやすさを改善することを目的としていますが、特に情報の記録、コーディング、および解釈の方法について、新しい合併症を導入しました。 同様に、アンビエントリスニングテクノロジーとAIに生成されたドキュメントにより、作成と記録の作成エラーがより速く簡単になりました。臨床医は、これらのツールを「セットアンドフォーゲット」ソリューションとしてますます扱い、AIを信頼して臨床会話を正確にキャプチャして要約しています。ただし、多くの場合、これらのツールは、「幻覚」と呼ばれることが多い、誤った、不完全または誤解を招くデータを生成します。臨床医が監視の役割を放棄すると、幻覚はヘルスケアエコシステム全体に波及効果を生み出すことができます。 タバコの使用文書の典型的な例を考えてください。 「決して喫煙していない」と「現在喫煙していない」の間には臨床的な違いがありますが、両方とも一緒にひとまとめになったり、構造化されたEHRフィールドで誤って伝えられたりする可能性があります。この種の微妙なデータの不正確さは、歪んだリスク評価から不適切な治療の推奨事項まで、重大な下流の意味を持つ可能性があります。 財務および運用上の放射性降下物 欠陥のある臨床データの結果は、本質的に個人的および体系的なものです。個人レベルでは、患者は、不正確な記録による誤診、治療エラー、さらには生命保険の補償の拒否に苦しむことがあります。たとえば、父親の肝臓がんについての医師との患者の議論は、その患者の癌の診断として誤って永遠に記録される可能性があります。このエラーは、患者がケアを求めているところならどこでもその患者に続く可能性があり、臨床医の間で混乱を引き起こし、ケアの決定に影響を与えます。 組織レベルでは、不正確なデータは重要なビジネス運営を直接損ないます。メディケアアドバンテージリスク調整（RAF）スコアリング、人口健康分析、および予算編成はすべて、正確な臨床文書化に依存しています。構造化された構造化と非構造化データが正しくない場合、組織は収益の不足、監査リスクの増加、およびデータを推進するデータにおける幹部や臨床医の信頼の低下に直面します。 人間の関与は依然として不可欠です これらの結果を回避するには、臨床データがAIパイプラインに入る前に、検証、クリーニング、最適化する必要があります。これには、正しい用語の確保、コーディングシステムへの正確なマッピング、および重複または矛盾したエントリの排除が含まれます。さらに、組織は、最も洗練されたAIシステムでさえ、人間のガイダンスなしでは欠陥のある入力を修正できないため、継続的なデータ品質監視を優先する運用的な考え方を採用する必要があります。 印象的なパラドックスでは、臨床ワークフローを合理化するために導入された非常にAIテクノロジーは、より洗練されたAIツールが治療を必要とする新しい課題を生み出しています。たとえば、LLMSは、パターン認識と相互参照に優れています。それらを使用して、診断やサポートドキュメントの間の不一致など、医療記録内の矛盾にフラグを立てることができ、単一のノート内で性別を変更するなどの矛盾を特定することができます。 より洗練されたシステムは、「臨床データ洗浄」とも呼ばれる前処理を実行し、意思決定または分析に使用する前に臨床データの妥当性を評価します。これらのシステムは、潜在的なエラーを臨床医に警告し、EHRおよび相互運用性ネットワーク全体に間違いが伝播する前に人間の監視を可能にします。 それでも、そのようなアプローチは臨床医の関与を維持しなければなりません。自動化は問題を特定するのに役立ちますが、資格のあるプロバイダーのみが情報を検証および修正することができます。この「人間のループ」モデルは、AIが生成されたドキュメントへの信頼を確保するために不可欠です。 責任を共有します 正確な臨床データの責任は、プロバイダーのみにかかっていません。現代の健康環境では、患者はデータ検証ループにますます関与しています。オープンノートと患者ポータルが一般的になっているため、個人はエラーについてレコードを確認することができます。同時に、ヘルスケアシステムは、患者が官僚的な遅延に遭遇することなく不正確さを特定して修正するための簡単なメカニズムを確立する必要があります。 歴史的記録を直接編集することは連邦政府が禁止され、倫理的に禁止されていますが、組織は、不正確さ、修正、およびそれらが作成された日付を示す記録に明確なコメントを追加することができます。これにより、臨床医、支払者、救急室プロバイダーなどのダウンストリームユーザーがデータを解釈するための正確なコンテキストを持つことを保証する透明で法的に義務付けられた監査証跡が作成されます。 地平線上の規制ガイダンス AIがヘルスケアの提供により統合されるようになると、ガバナンスが重要になります。保健福祉省（HHS）およびその他の規制当局は、AIの責任ある使用に関するガイドラインの開発を開始しましたが、これらのフレームワークはまだ開発の初期段階にあります。ヘルスケア組織は、AIの実装、監査、および監視方法を中央の柱として定義する内部ガバナンス構造を積極的に確立する必要があります。 最終的に、データ品質の危機を解決することは、他のすべての問題に対処することに基づいています。ヘルスケアのリーダーは、AI投資でROIを実証し、臨床医の燃え尽きを減らし、コンプライアンス要件を満たすことを望んでいる場合、最初に臨床データの完全性を確保する必要があります。 AIモデルがトレーニングされる前に、ダッシュボードが構築されるか、予測的な洞察が生成される前に、データが正確であり、ゴミでいっぱいではないことを確認する必要があります。ヘルスケアのAIの可能性を最大限に引き出したい場合は、データの正確性を確保する必要があります。 写真：MarchMeena29、Getty Images ジェイ・アンダース博士はの最高医療責任者です Medicomp Systems。 Anders博士は製品開発をサポートし、Medicompの製品が提供する医師と医療コミュニティの代表者および声として機能します。 Medicompに入社する前、Anders博士はMcKesson Business Performance Servicesの最高医療責任者を務め、そこで組織の臨床情報システムの開発をサポートする責任がありました。彼はまた、MedicompのQuippe医師の文書をEHRに最初に統合することに尽力しました。 Anders博士は、メディケムの臨床諮問委員会の先頭に立っており、医師や看護師と緊密に協力して、すべてのメディケンプ製品がユーザーのニーズと好みに基づいて開発可能性を向上させることを保証します。この投稿はを通して表示されます Medcityインフルエンサー プログラム。誰でも、Medcityインフルエンサーを通じて、Medcity…