Maschinelles Lernen für die Datenverwaltung im Krankenhausumfeld

Erfahren Sie mehr darüber, wie Clinovera mit einem führenden US-amerikanischen Gesundheitssystem zusammengearbeitet hat, um einen durchsuchbaren Katalog von mehr als 100.000 analytischen Erkenntnissen zu entwickeln, der mithilfe innovativer maschineller Lernwerkzeuge automatisch organisiert und klassifiziert wird - mit minimalem menschlichen Aufwand.

Über den Kunden

• Führendes US-System akademischer medizinischer Zentren und Pflegeeinrichtungen
• Kundengeschäft: Patientenversorgung, klinische Forschung
• Zusammenfassung: Entwicklung eines durchsuchbaren Katalogs umsetzbarer, wertvoller Patientenerkenntnisse mithilfe von maschinellem Lernen
• Dienstleistungen: Künstliche Intelligenz, maschinelles Lernen, Anwendungsentwicklung

Beschreibung

Die weit verbreitete Einführung von EHR-Systemen bringt eine große Datenmenge mit sich, die für die Berichterstattung und andere analytische Erkenntnisse zur Verfügung steht. Tatsächlich generieren Gesundheitsorganisationen täglich oder wöchentlich Tausende solcher Analyseartefakte. Dieser kontinuierliche Strom analytischer Erkenntnisse stellt häufig eine Belastung für die Infrastruktur dar und stellt eine Belastung für das unterstützende IT-Personal dar.

Um den Wert verfügbarer Analysen zu steigern und möglicherweise die Anzahl solcher Artefakte zu reduzieren, ist es wichtig, die folgenden Fragen zu beantworten:

• Welche klinischen, betrieblichen oder finanziellen Kennzahlen sind mit einem Bericht oder Dashboard verknüpft?
• Ist ein bestimmter Bericht ein vollständiges und/oder teilweises Duplikat eines anderen Berichts?
• Beziehen sich diese Berichte auf dieselben und korrekten Datenelemente in der Quell-ePA?
• Wer sind die richtigen Konsumenten dieser Erkenntnisse in den Organisationen und wer sollte das Recht haben, darauf zuzugreifen?

Das Clinovera-Team wurde von einem führenden US-amerikanischen Gesundheitssystem damit beauftragt, einen durchsuchbaren Katalog zu erstellen, der mehr als 250.000 Berichte enthält, die automatisch organisiert und klassifiziert werden können.

Ergebnisse

Mithilfe von Algorithmen für maschinelles Lernen, um Duplikate und Ähnlichkeiten in den Berichten zu erkennen und Zuweisungen der richtigen Kennzahlen und Portfoliomitgliedschaften bereitzustellen, haben wir ein nutzbares und dynamisches System für Analysen erstellt. Während neue analytische Erkenntnisse gewonnen werden, entwickeln und verbessern sich diese Prozesse mit minimalem menschlichen Eingriff weiter.