データドリブンの変革: 医療パフォーマンスの加速におけるデータ品質の役割

データは、医療の継続的な変革における主な原動力の 1 つです。業界がファックスベースの通信と印刷された患者フォームから進歩を続けるにつれて、治療成果と医療経済の進歩を知らせるデータエコシステムも進化しています。

しかし、組織がデータセットをさらに深く掘り下げ、人工知能 (AI) と機械学習 (ML) が新しい洞察を明らかにするのにどのように役立つかを探求するとき、最前線に留まらなければならないことが 1 つあります。それはデータ品質です。

データの品質とデータの健全性を理解する

特に医療現場における大規模データの処理の基本的な側面は、データの衛生管理です。データの衛生管理とは、データがクリーンであること、つまり重複がないこと、およびさまざまなソース間で標準化された一貫した形式に従っていることを保証するプロセスを指します。

データの健全性は、データ品質のより広範な概念の重要な側面です。データ品質は、データセットの適時性と正確性を検証するプロセスです。このプロセスには、データ内のギャップのチェックが組み込まれ、関連性が確認され、データが完全であることが保証されます。

データの品質と衛生状態は密接に関連しており、データが取り込まれるとすぐに開始され、データがデータ パイプラインで続行できる状態であることを確認するために必要な手順が実行されます。これらのチェックの後、データは、品質測定やリスク スコア分析、臨床試験の募集、収益サイクル管理など、さまざまな分析やアルゴリズムに情報を提供し始めることができます。医療現場ではデータの応用が無限にあり、そのそれぞれは強力で厳格なデータ品質と衛生戦略に大きく依存しています。

データの健全性の重要性

ガートナーのレポート データの衛生管理が不十分な場合、組織は年間 1,300 万ドル近くの損失を被る可能性があり、収益に影響を与えるだけでなく、医療のさらなる非効率性と断片化を引き起こす可能性があります。データがデータ パイプラインに沿ってさらに移動するにつれて、データ管理は「このデータは正確ですか?」から「このデータは意図したことを実行しますか?」まで進む必要があります。

たとえば、データセット内のすべての郵便番号が完全で、実際の郵便番号を表す場合、つまりセット内に欠落している番号や間違った郵便番号がない場合、良好なデータはクリーンで正確であるとみなされる可能性があります。そのデータは、特定の領域に関する分析の基礎となることができます。これにより、医療計画は潜在的な格差を特定し、社会経済的リスクの高い分野に分析を集中させることができ、国民の健康への取り組みを改善しながら、会員のニーズに応えるスピードと精度を高めることができます。あるいは、ライフ サイエンスの観点から見ると、検証済みの郵便番号データに対して高度な分析を実行できる機能は、臨床試験の募集と多様性の取り組みの強化をサポートできます。

どのようなユースケースでも、望ましい結果が一定レベルの信頼性で生成されることを確認するために、良好なデータとそのデータが伝えるモデルをテストする必要があります。これは、データの品質、衛生状態、清潔さの最初のチェックにかかっています。結果の品質は、実際には、入ってくるデータの品質によって決まります。

さらに、モデルのバイアスをチェックする必要があります。データはクリーンで正確であると考えられますが、データを操作してモデルを構築する個人に固有のバイアスが存在する可能性があり、ソリューションが意図したユースケースで使用されていない場合に発生する可能性があります。偏見に対する認識を高め、偏見をチェックすることは、モデルを修正し、医療における体系的な不公平と闘うために重要です。

データ品質を維持する際の一般的な課題

データ品質の管理に終わりはありません。特に時間の経過とともにデータが変化する可能性を考慮すると、不良データがシステムの出力に影響を与えるリスクを軽減するための継続的なプロセスです。

言うまでもなく、医療分野におけるリスクは特に高いです。悪いデータは、望ましくないケア体験を引き起こしたり、より良いケアの機会を逃したりする可能性があります。リスク調整では、データが不良であると、母集団のリスク スコアに関する誤った決定が行われる可能性があります。これを誤解すると、メンバーが適切な状態で治療されなかったり、対処されている状態さえ示されなかったりする可能性があることを意味します。これはすべて、破損したデータに基づいたアクションが原因です。

非構造化データは、特に一連のケア全体でのデータ入力方法の不一致を考慮すると、出力に影響を与える可能性があります。と推定されています 医療データの約 80% は、作成後に構造化されていないか未使用のままです。。このデータの量は活用の大きな機会を生み出しますが、その非構造化の性質により使用が困難になります。

幸いなことに、業界は HL7® FHIR® などのより普遍的な標準に移行し、TEFCA を採用しているため、データ標準化の取り組みを初めて本格的に採用する組織には多くのメリットがあるでしょう。標準化されたデータは、非構造化データに先立って、衛生と清潔さのプロセスを経て旅を開始します。

最終的には、データがデータ パイプラインを流れる際の継続的な監視と検証により、さまざまな接触が発生したり、異なるシステムからデータが移動したりしても、データの品質が維持されるようになります。

AI を適用して新たな洞察を得る

強力なデータ管理戦略が確立されたら、自然な次のステップは、AI 主導の分析を構築して、より革新的な洞察をより迅速に発見することです。洗練されたデータ戦略では、データ パイプラインの終わりに近づくだけでなく、新しいデータをクリーンアップしてデータの衛生性を強化するために、データ管理プロセス全体にわたって AI を使用することもあります。

しかし、AI 主導のプロセスへの注目が高まるにつれ、医療には人間のタッチを残さなければなりません。組織は、人的エラーの調整と「AI 副操縦士」の確立の適切なバランスを見つけることが求められています。

一方で、AI はデータ パイプライン全体で発生するデータ入力エラーを捕らえて修正するのに役立ちます。フロントエンドの資格データがバックエンドの請求修正に使用されているものの、住所や姓が間違っている場合、AI は請求者が請求を提出する前に必要な修正を行うのを支援し、キャッシュ フローを改善し、健康保険請求プロセスの摩擦を軽減します。予定。

しかし、AI は最終決定権を持つのではなく、医療に関する決定を通知するために使用される必要があります。特に患者との対面では、AI が治療の選択肢を提示したり、診断の提案を行ったりする可能性がありますが、患者がより信頼する可能性が高く、通常は患者と親密な関係を築いているのは同室の医師です。例えば、 デロイトの 2024 年消費者ヘルスケア調査 生成 AI に対する患者の不信感は高まっているものの、治療に関する情報を伝え、診断結果を解釈し、症状や病気の診断を支援するための補助ツールとして AI を医師が使用することに患者ははるかに安心していることがわかりました。

医療の変革を見据えて

クリーンなデータと大規模な言語モデルが、患者ケア、リソースの活用、コストの管理、キャッシュ フローの改善の進歩への道筋を示しています。

データの品質は革新的な発見の基盤です。 AI の力と人間の専門知識によって導かれ、これら 3 つの力が融合して医療をさらに迅速に進歩させると、影響を与える機会は飛躍的に大きくなります。

出典: ゲッティイメージズ、ピーター・ハウエル

この投稿は、 メッドシティのインフルエンサー プログラム。誰でも、MedCity インフルエンサーを通じて MedCity News でヘルスケアにおけるビジネスとイノベーションに関する視点を公開できます。 方法を確認するにはここをクリックしてください。