هل تتطلع لاستخراج البيانات من استمارات تسجيل المرضى؟ جرب برنامج Nanonets OCR لاستخراج الحقول بدقة تزيد عن 98٪.
تستوعب صناعة الرعاية الصحية كمية كبيرة من البيانات ، معظمها غير منظم ومعقد. لم يتم استخدام المعلومات الصحية الشخصية إلى أقصى إمكاناتها حيث أن البيانات المتاحة مجزأة ومعزولة.
ولكن إذا كان من الممكن استخراج هذه البيانات وتنظيمها بشكل صحيح لإنشاء معلومات دقيقة وموثوقة يمكن استخدامها لتحقيق أهداف الرعاية الصحية للكشف المبكر ، وتأخير التقدم ، والوقاية من الأمراض المتعددة ، وتقليل تكاليف الرعاية الصحية المرتفعة والمتنامية ، وتحسين حالة المريض التواصل لتقديم رعاية محسنة للمرضى بشكل عام.
استمارة تسجيل المريض وماذا تحتوي؟
نموذج تسجيل المريض هو مستند يملأه المريض الذي يزور منشأة للرعاية الصحية لأول مرة. يمكّن مقدمي الرعاية الصحية من جمع المعلومات الشخصية والمتعلقة بالصحة قبل تسجيلهم لتلقي الرعاية المقصودة.
تختلف محتويات نموذج تسجيل المريض باختلاف مؤسسات الرعاية الصحية ، لكن المحتويات العامة ستكون على النحو التالي.
يستفسر القسم الأول عن تفاصيل المريض ، بما في ذلك الاسم والجنس وتاريخ الميلاد والعنوان والحالة الاجتماعية ومعلومات الاتصال ورقم التعريف في شكل رقم الهوية الوطنية أو رقم جواز السفر.
يحتوي القسم الثاني على معلومات حول الأفراد الذين يجب الاتصال بهم في حالة الطوارئ أو أقرب الأقارب أو الوصي القانوني على القاصر.
يحتوي القسم الثالث على معلومات حول نظام التأمين الخاص بالمريض ، بما في ذلك اسم الشركة ورقم التأمين والوثيقة.
يحمل القسم التالي نموذج موافقة المريض ، بما في ذلك إعلان المريض واتفاقية السرية وغيرها من الشروط الملزمة قانونًا ، والتي يجب توقيعها مع تاريخ المريض.
بالإضافة إلى ذلك ، هناك أقسام تحتوي على التاريخ الطبي والأدوية الحالية التي يتناولها المريض والحساسية والتاريخ العائلي وتاريخ تعاطي المخدرات وما إلى ذلك.
أ. إدخال البيانات يدويًا
في هذه الطريقة ، سيقوم المشغل بتغذية المعلومات الموجودة في نموذج تسجيل المريض يدويًا إلى قاعدة البيانات. تعتمد طرق إدخال البيانات التقليدية هذه على عوامل المشغل وستؤدي إلى عيوب أكثر من المزايا مقارنة بالأنظمة الآلية.
الايجابيات
ستكون النفقات الرأسمالية أقل من حيث تدريب المشغلين والبنية التحتية لأن الإدخال اليدوي للبيانات لا يتطلب موظفين ذوي مهارات عالية وبرامج وأجهزة متطورة لتجميع البيانات وعرضها.
سلبيات
نظرًا لأن السجلات الصحية مفصلة تمامًا ، فإن استخراج البيانات يستغرق ساعات ويمكن أن يضيف أخطاء إلى معلومات الرعاية الصحية أثناء الكتابة والحسابات ، من خلال عدم الالتزام بالإرشادات والتعاريف ، وقد يؤدي إلى عدم توحيد البيانات. قد يتسبب هذا في آثار متتالية تؤدي إلى سوء التشخيص والوصفات الطبية الخاطئة ونتائج المرضى السلبية.
نظرًا لتعقيد البيانات المستخرجة ، تستخدم الطرق التقليدية فقط عددًا محدودًا من المتغيرات التي يتم جمعها بشكل شائع للتنبؤات. يمكن أن يؤدي ذلك إلى نتائج إيجابية كاذبة وإنذارات كاذبة على المرضى ، مما قد يؤدي إلى إجهاد التنبيه ، وسيتم تفويت الأحداث المهمة سريريًا ، مما يؤدي إلى سوء إدارة المريض.
السجلات الصحية الإلكترونية (EHR)
تلتقط السجلات الصحية الإلكترونية قدرًا كبيرًا من البيانات ، والتي تكون مجزأة ومعزولة عبر العديد من مؤسسات الرعاية الصحية ، بما في ذلك المستشفيات وممارسات الأطباء العام والمختبرات والصيدليات ، إلخ.
الايجابيات
خفضت السجلات الصحية الإلكترونية الأخطاء على مستوى المشغل في إدخال البيانات والحسابات وعدم الالتزام بالإرشادات وتعريفات البيانات ، مما قلل من الأخطاء الطبية. تحسنت جودة الرعاية المقدمة للمريض ، كما يتضح من دراسة أجريت بين أطباء الولايات المتحدة في عام 2011 والتي أظهرت أن السجلات الصحية الإلكترونية قد نبهت 65٪ من الأخطاء الدوائية المحتملة و 62% من القيم المختبرية الحرجة ، وتعزيز الرعاية الشاملة للمرضى بنسبة 78٪.
تم تخفيض تكاليف الرعاية الصحية من خلال التشخيص المناسب ، والتحقيقات المناسبة ، والإدارة باتباع تنبؤات دقيقة تم إجراؤها باستخدام EHR وتقنيات التعلم العميق.
أتاح استخدام السجلات الصحية الإلكترونية عملية تبادل المعلومات الصحية (HIE) ، حيث يتم مشاركة المعلومات على مستوى المريض بين المنظمات المختلفة. وقد أدى ذلك إلى تسهيل وصول الممارسين الطبيين إلى السجلات الطبية عندما يطلب المرضى المساعدة الطبية من مقدمي الرعاية الصحية في مواقع مختلفة.
سلبيات
المؤسسات الصحية المختلفة لديها تنسيقات مختلفة قليلاً لتقديم البيانات. وفي الوقت نفسه ، تختلف الإرشادات ، وقد تضيف التشخيصات التي يتم إجراؤها من خلال التصنيف الدولي للأمراض (ICD) أخطاء عشوائية لتنبؤات السجلات الصحية الإلكترونية. لذلك ، قد يؤدي عدم وجود مصطلحات موحدة وبنية نظام وفهرسة إلى تقليل الفوائد المتوقعة من السجلات الصحية الإلكترونية.
ترتبط السجلات الصحية الإلكترونية بارتفاع تكاليف بدء تشغيل الأجهزة وتدريب المشغلين ، والتي يمكن أن تكون متغيرة بسبب عدم المساواة بين المستخدمين في محو الأمية الحاسوبية ومعالجة قواعد البيانات.
تكون سرية وأمن المعلومات الحساسة للمرضى على المحك حيث يتم جمع كمية كبيرة من البيانات معًا ، وعدم وجود تدابير أمنية مناسبة.
جيم النهج الهجين
نظرًا لأن المعلومات المتاحة في السجلات الصحية الإلكترونية هي في أشكال الرموز والهياكل غير القياسية ، فقد أصبحت طرق تحويل البيانات الصحية والتحميل مثل Dynamic ETL (الاستخراج والتحويل والتحميل) تمارس لإعادة هيكلة وتحويل بيانات السجلات الصحية الإلكترونية إلى تنسيق مشترك والمصطلحات القياسية للتنسيق بين مختلف المنظمات وشبكات بيانات البحث.
Nanonets هو برنامج OCR قائم على AI (شكوى GDPR و SOC2) يمكنه أتمتة الطب معالجة الملف مع سير عمل بدون كود.
يمكن للشبكات النانوية أتمتة خطوات متعددة لمعالجة مستندات الرعاية الصحية بما في ذلك:
تحميل المستند ، استخراج البيانات, معالجة المعلومات (تنظيف البيانات وتنسيقها وتحويلها) والموافقات و أرشفة المستندات.
تلتزم شبكات النانو بمتطلباتك المحددة ، وكونها منصة خالية تمامًا من التعليمات البرمجية ، يمكن لأي شخص في المؤسسة استخدامها.
دعنا كيف يمكنك استخدامه لاستخراج البيانات من نماذج التسجيل الطبي.
أولا ، لاستخدامه ، إنشاء حساب مجاني على Nanonets أو تسجيل الدخول إلى حسابك.
حدد نموذج التعرف الضوئي على الحروف المخصص. لتدريب هذا النموذج ، سيتعين عليك تقديم عشرة تقارير طبية.
لماذا علي أن أفعل هذا؟ سيساعدك تقديم عشر مستندات طبية في تدريب الذكاء الاصطناعي على التعرف على وثيقتك بكفاءة.
بمجرد التدريب ، يمكنك الآن إعداد قواعد لتنسيق بياناتك. يمكنك تغيير عدد الأصفار أو البحث عن القيمة في قاعدة البيانات والمزيد باستخدام قواعد عدم وجود رمز.
الخطوة التالية هي تصدير وتحديد الطريقة التي تريدها لتصدير البيانات من التقارير الطبية الخاصة بك. استكشف الخيارات أو حدد التكامل وقم بتوصيله مباشرة بنظام السجل الصحي الإلكتروني للرعاية الصحية الخاص بك.
هل تحتاج إلى فعل المزيد؟ قم بإعداد مكالمة مع خبراء الذكاء الاصطناعي لدينا حيث يمكنك شرح حالة الاستخدام الخاصة بك لنا ، وسنقوم بإعداد مهام سير العمل من أجلك.
لماذا النانو؟
Nanonets هي منصة OCR ذكية. لا يحتاج إلى قالب لتحديد النص من نماذج تسجيل المرضى. يمكنه التعرف على النص من مستند غير معروف بسهولة.
إنه سهل الاستخدام ، ويمكن إعداده في يوم واحد ، ويضمن دقة تصل إلى 1٪ أثناء استخراج البيانات.
ولكن بصرف النظر عن ميزات التعرف الضوئي على الحروف العادية ، فإليك ما يميز شبكات النانو:
معالجة صور لا مثيل لها
يمكن أن تحتوي استمارات تسجيل المرضى على تنسيقات مختلفة لمختلف المؤسسات الصحية. يمكن للشبكات النانوية التعامل مع استخراج البيانات من أي مستند أو صورة ، وهي ليست مثالية للبدء بها. من خلال المعالجة المسبقة واللاحقة المتقدمة ، يمكن للمنصة تعديل وإعادة توجيه وتدوير واقتصاص وإجراء مطابقة ضبابية ، بحيث تحصل على البيانات الدقيقة من نماذج التسجيل الخاصة بك في كل مرة.
OCR هو الأفضل في فئته
يمكن للشبكات النانوية استخراج البيانات من مستندك الطبي بدقة تزيد عن 98٪. يمكنه اكتشاف أكثر من 40 لغة ويدعم دعم OCR المخصص.
تكامل قوي
يمكنك أتمتة إدخال البيانات إلى أنظمتك بسهولة باستخدام شبكات النانو. امسح المستندات الخاصة بك وقم بتحديث ملفات تعريف المرضى عبر أكثر من 500 برنامج عمل في الوقت الفعلي باستخدام تكامل Nanonets.
سير عمل آلي قابل للتخصيص
قم بأتمتة فحص المستندات ، وإدخال المريض على متن الطائرة ، وتنسيق البيانات ، وإثراء البيانات ، وجمع التقارير الطبية ، ومزامنة البيانات ، ومطابقة المستندات ، والمزيد مع سير عمل بدون تعليمات برمجية. فقط أدخل قواعدك واضبطها على وضع الطيار الآلي.
و اكثر. شبكات النانو قابلة للتخصيص وفقًا لاحتياجاتك وتوفر برنامج التعرف الضوئي على الحروف ذو التسمية البيضاء وخيارات الاستضافة السحابية أو المحلية.
هل تحتاج إلى استخراج البيانات من استمارات تسجيل المرضى؟
إذا كان الأمر كذلك، توجه إلى Nanonets or حدد موعدًا لمكالمة مع فريقنا.
تكنولوجيا
تتطلب أنظمة إدارة المعلومات الصحية التي تستخدم السجلات الصحية الإلكترونية اتصالات شبكة مكلفة ذات سرعة عالية ووصول موثوق إلى الإنترنت وأجهزة وبرامج. نظرًا لارتفاع تكاليف بدء التشغيل وعدم توفر تكنولوجيا فعالة وبأسعار معقولة ، فإن تنفيذ الأساليب القائمة على الذكاء الاصطناعي لاستخراج البيانات المؤتمتة لن يكون سوى برنامجًا متسقًا عبر بعض المؤسسات.
ملكية البيانات
مع العلاقات التنافسية القائمة بين مقدمي الرعاية الصحية ، تنشأ مشاكل فيما يتعلق بنوع وكمية المعلومات المتبادلة. المعلومات الخاصة التي يتم مشاركتها محدودة على أساس "للقراءة فقط" من قبل بائعي التكنولوجيا. لذلك ، لن تكون المعلومات المحدثة متاحة.
مخاوف تتعلق بخصوصية المرضى
نظرًا لأنه يتم التعامل مع المعلومات الصحية الشخصية ، فإن مشاركة المعلومات بين المنظمات تتم فقط لرعاية المرضى وفقًا لقوانين الخصوصية. ترتبط المسؤوليات القانونية لمنع الكشف غير القانوني عن المعلومات ؛ لذلك ، يجب أن تفوق مخاطر الضرر في تبادل البيانات المكافآت المحتملة دائمًا.
أ. تحسين دقة البيانات
بدلاً من طرق إدخال البيانات التقليدية البطيئة والمعرضة للخطأ والتي تهدر مواهب الموظفين القيمة ، يضمن الاستخراج الآلي للبيانات دقة أكبر مع الاستخدام المتكرر.
نظرًا لدمج استخراج البيانات من السجلات الصحية الإلكترونية والنصوص المجانية في تقنيات التعلم العميق ، يتم إجراء تنبؤات صحيحة ودقيقة على مجالات الرعاية الصحية المختلفة فيما يتعلق بجودة ونتائج الرعاية واستخدام الموارد. ستساعد المعلومات الموثوقة والدقيقة في التشخيص الصحيح والإدارة المناسبة وتعزيز نتائج المرضى.
ب. زيادة الكفاءة
ستجمع الأنظمة الآلية المعلومات الصحية الشخصية المجزأة والمعزولة ، والتي لم يتم استخدامها بعد إلى أقصى إمكاناتها ، في شكل منظم لتحسين فعالية وكفاءة الرعاية المقدمة.
كشفت دراسة أجريت في عام 2016 أن محللي البيانات يقضون 20٪ فقط من ساعات عملهم في تحليل البيانات بينما يقضي باقي الوقت في جمع البيانات واستخراجها. يقلل الاستخراج الآلي للبيانات من القوى العاملة والوقت المهدر في استخراج البيانات اليدوي المعرض للخطأ ويوجههم لتحسين رعاية المرضى.
ج. رعاية المرضى المعززة
سيصل الناس إلى مرافق الرعاية الصحية من مواقع مختلفة. لذلك ، فإن النظام المترابط والآلي سيوفر لمقدمي الرعاية الصحية صورة واضحة عن حالة المريض ، ويمكن تقديم إدارة متسقة وفعالة. أفاد 30-50٪ من أطباء الولايات المتحدة أن الأنظمة الإلكترونية مفيدة في توفير الرعاية الموصى بها والتحقيقات المناسبة وتسمح بالتواصل الجيد مع المريض من خلال رعاية المرضى الشاملة المحسّنة في 78٪ من مجتمع الدراسة.
دال - التكاليف المخفضة
نظرًا لأن سجلات المرضى توفر عددًا كبيرًا من البيانات في مجالات مختلفة ، فإن الإدخال اليدوي للبيانات سيكون مستهلكًا للوقت ومكلفًا مع نتيجة خاطئة سيئة القيمة. على الرغم من أن استخراج البيانات الآلي له تكلفة بدء عالية ، إلا أنه على المدى الطويل ، يمكن تحقيق خفض التكلفة عندما يمكن أتمتة الأنشطة المتكررة المنتظمة التي تستهلك العمالة البشرية للحصول على بيانات وتوقعات منظمة ودقيقة.
على عكس جمع البيانات المعزولة ، فإن الاستخراج الآلي للبيانات وتجميعها سيوفر قواعد بيانات خاضعة للرقابة المركزية للمعلومات الصحية الشخصية التي يمكن استخدامها بين العديد من مقدمي الرعاية الصحية ، مما يقلل من تكاليف تكرار البيانات.
هاء - تبسيط سير العمل واتخاذ القرار
يمكن أن توفر السجلات الصحية الإلكترونية المستندة إلى موارد التشغيل البيني للرعاية الصحية (FHIR) وأساليب التعلم العميق تنبؤات دقيقة حول الأحداث الطبية في مراكز متعددة. يتم عمل التنبؤات بمعدلات الوفيات ، وحالات إعادة الإدخال ، ومدة الإقامة في المستشفى ، وما إلى ذلك ، مما سيساعد على إدارة الموارد المتاحة للوصول إلى الطلب. يمكن استخدام البيانات غير المنظمة / شبه المنظمة المستخرجة من نموذج تسجيل المريض لتحديد آثار وأوجه القصور في العلاجات والأمراض المصاحبة ولتحديد النتيجة المتوقعة في المريض المصاب بحالة معينة.
المراجع:
- Choi، E.، Schuetz، A.، Stewart، WF، & Sun، J. (2016). استخدام نماذج الشبكة العصبية المتكررة للكشف المبكر عن بداية قصور القلب. مجلة الجمعية الأمريكية للمعلوماتية الطبية ، 24 (2) ، 361-370. وصلة: https://doi.org/10.1093/jamia/ocw112
- جونز ، إس إس ، رودين ، آر إس ، بيري ، تي ، وشيكيل ، بي جي (2012). تكنولوجيا المعلومات الصحية: مراجعة منهجية محدثة مع التركيز على الاستخدام الهادف. حوليات الطب الباطني ، 156 (1) ، 48-54. وصلة: https://doi.org/10.7326/0003-4819-156-1-201201030-00007
- خرازي ، هـ ، أنزالدي ، إل جيه ، هيرنانديز ، إل ، دافيسون ، إيه ، بويد ، سي إم ، وليف ، بي (2018). حالة علم تطبيق تقنيات الصحة الرقمية لإدارة الحالات المزمنة. JMIR mHealth and uHealth، 6 (4) ، e107. وصلة: https://doi.org/10.2196/mhealth.8474
- King، J.، Patel، V.، Jamoom، EW، & Furukawa، MF (2014). الفوائد السريرية لاستخدام السجلات الصحية الإلكترونية: النتائج الوطنية. بحوث الخدمات الصحية ، 49 (1 نقطة 2) ، 392-404. وصلة: https://doi.org/10.1111/1475-6773.12135
- Rajkomar، A.، Oren، E.، Chen، K.، Dai، AM، Hajaj، N.، Hardt، M.،… & Sundberg، P. (2018). تعلم عميق وقابل للتطوير ودقيق مع السجلات الصحية الإلكترونية. الطب الرقمي NPJ، 1 (1) ، 1-10. وصلة: https://doi.org/10.1038/s41746-018-0029-1
- Savova، GK، Masanz، JJ، Ogren، PV، Zheng، J.، Sohn، S.، Kipper-Schuler، KC، & Chute، CG (2010). نظام Mayo Clinical Text لتحليل النصوص واستخراج المعرفة (cTAKES): الهندسة المعمارية وتقييم المكونات والتطبيقات. مجلة الجمعية الأمريكية للمعلوماتية الطبية ، 17 (5) ، 507-513. وصلة: https://doi.org/10.1136/jamia.2009.001560
- تيري ، NP (2012). حماية خصوصية المريض في عصر البيانات الضخمة. مراجعة قانون UMKC ، 81 ، 385. الرابط: https://ssrn.com/abstract=2108079
- Vest ، JR ، & Gamm ، LD (2011). تبادل المعلومات الصحية: تحديات مستمرة واستراتيجيات جديدة. مجلة الجمعية الأمريكية للمعلوماتية الطبية ، 17 (3) ، 288-294. وصلة: https://doi.org/10.1136/jamia.2010.003673
- Ong، TC، Kahn، MG، Kwan، BM، Yamashita، T.، Brandt، E.، Hosokawa، P.، Uhrich، C.، & Schilling، LM (2017). Dynamic-ETL: نهج هجين لاستخراج البيانات الصحية وتحويلها وتحميلها. BMC للمعلوماتية الطبية واتخاذ القرار, 17(1). https://doi.org/10.1186/s12911-017-0532-3
- جوزيف ، إن ، ليندبلاد ، آي ، زاكر ، إس ، إلفيرسون ، إس ، ألبينزون ، إم ، أوديغارد ، أو. ، هانتلر ، إل ، وهيلستروم ، بي إم (٢٠٢٢). الاستخراج الآلي للبيانات من السجلات الطبية الإلكترونية: صلاحية استخراج البيانات لإنشاء قواعد بيانات بحثية للأهلية في التجارب السريرية الخاصة بأمراض الجهاز الهضمي. مجلة أوبسالا للعلوم الطبية, 127. https://doi.org/10.48101/ujms.v127.8260
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- شراء وبيع الأسهم في شركات ما قبل الاكتتاب مع PREIPO®. الوصول هنا.
- المصدر https://nanonets.com/blog/automate-data-extraction-from-patient-registration-forms/
