Cómo los motores NLP están cumpliendo la promesa de la IA en el cuidado de la salud

0 Comments


En un mundo ideal, la industria de la salud sería el escenario perfecto para desatar la potencial transformador de inteligencia artificial.

Los modelos sofisticados de IA requieren grandes cantidades de datos para aprender, y los datos de atención médica representan casi un tercio de todos los datos existentes. Sin embargo, toda esa información podría impulsar el desarrollo de algoritmos capaces de detectar y diagnosticar enfermedades, prescribir tratamientos preventivos y cumplir una miríada de otras funciones con mucha más velocidad y precisión que incluso el equipo de médicos más capacitado. Con este tipo de promesa, sin duda vale la pena aprovechar ese poder.

Usos de la IA en el cuidado de la salud

En algunos casos, potencial de la IA ya se ha realizado. Por ejemplo, los radiólogos equipados con herramientas impulsadas por IA han podido revisar y traducir mamografías. 30 veces más rápido de lo que lo harían de otra manera, con un 99% de precisión. Así que, naturalmente, estos resultados han generado un gran entusiasmo entre las partes interesadas en todo el ecosistema de atención médica.

Sin embargo, la realidad actual es que la mayoría de las organizaciones de atención médica no tienen la infraestructura o las capacidades de administración de datos necesarias para entrenar suficientemente los algoritmos que se pueden implementar de manera confiable en un entorno clínico.

Además, el complejo, naturaleza fragmentada de la industria y los incentivos desalineados que apoyan el statu quo tienen más obstaculizó la innovación tecnológica y creó barreras que simplemente no existen en otros sectores. Sin embargo, el potencial de transformación permanece.

Buscando Soluciones

Aunque todavía existen enormes obstáculos para implementar la IA en entornos clínicos, los obstáculos no son tan significativos para otros casos de uso. Uno de los más prometedores se encuentra en el área de la codificación médica, particularmente en lo que respecta al ajuste del riesgo. Sin embargo, a medida que la cantidad de datos de atención médica continúa creciendo exponencialmente, los codificadores médicos seguirán teniendo una gran demanda y una escasez.

Afortunadamente, las herramientas de IA equipadas con capacidades de procesamiento de lenguaje natural pueden ayudar a aliviar algunas de las cargas de codificación, lo que permite que los planes de salud superen la creciente brecha de talento y al mismo tiempo mejoren la velocidad y precisión de la codificación.

En la actualidad, muchas organizaciones que dependen únicamente de equipos humanos (a menudo con poco personal) tienden a considerar que la velocidad y la precisión están inversamente correlacionadas. Sin embargo, un buen motor de IA/PNL no requerirá que sacrifiquen uno por el otro.

Acelerar la codificación

Uso de IA para acelerar la codificación médica da a los codificadores humanos más tiempo para corregir errores costosos, aumentando la precisión y permitiendo potencialmente que las instalaciones dirijan más recursos hacia donde más se necesitan.

La PNL ha avanzado significativamente en los últimos cinco años. Y las herramientas de codificación que aprovechan su tecnología aumentan la precisión de los códigos y resuelven el problema de la sobrecodificación al eliminar los códigos que no deberían estar allí.

En la superficie, este tipo de aplicación puede parecer relativamente mundano, pero sus implicaciones podrían ser revolucionarias para los planes de atención médica, los proveedores y los pacientes.

La necesidad de velocidad

El ritmo lento de la codificación médica ha sido durante mucho tiempo un punto crítico para los planes de salud. Puede llevar semanas, meses o, a veces, incluso años revisar y procesar manualmente las notas del gráfico para identificar la información pertinente. Además, los pacientes con condiciones en curso o crónicas necesitan tratamiento mientras los planes de salud y los proveedores trabajan para identificar los códigos de categoría de condición jerárquica (HCC) más precisos.

Muchos planes utilizan revisiones de cuadros concurrentes y retrospectivas para abordar estas condiciones en el mismo año calendario. Aún así, como datos de atención médica volumen, variación y complejidad aumentan, se necesitan urgentemente mejores soluciones. Esta es la razón por la que más organizaciones recurren a la PNL para buscar, analizar e interpretar rápidamente conjuntos masivos de datos de pacientes.

Facilitar los flujos de trabajo

Los motores AI/NLP convierten la experiencia del codificador médico en un activo más útil para los planes de atención médica al permitir que estos profesionales se concentren en un trabajo más significativo (como detectar tendencias y patrones inusuales en los datos).

A medida que los codificadores se familiaricen con las herramientas impulsadas por IA, su velocidad de codificación seguirá aumentando con el tiempo, lo que reducirá el costo de codificar un gráfico y hará que estos empleados humanos sean cada vez más valiosos para sus organizaciones.

Ningún ser humano puede recordar todos los códigos de categorías de condiciones jerárquicas (que se han expandido rápidamente en las últimas décadas). Aún así, con la ayuda de la IA, los equipos humanos pueden hacer coincidir más rápidamente un código con su condición correspondiente.

El costo de la complacencia

Por el contrario, las organizaciones que continúan confiando en las herramientas de codificación tradicionales experimentarán más de los mismos obstáculos que han afectado al sector durante años. Dado que más de 9500 códigos ICD-10 se asignan a aproximadamente 80 HCC, los codificadores médicos que no pueden confiar en las capacidades de búsqueda mejoradas de NLP tienen muchas más probabilidades de perder códigos.

Los registros médicos de NLP que usan algoritmos de aprendizaje automático pueden incluso descubrir enfermedades que podrían no haber sido codificadas previamente, una característica esencial para hacer descubrimientos de enfermedades de HCC.

Además, la asignación manual de gráficos a los codificadores puede ser costosa desde la perspectiva de la gestión y dificulta escalar proyectos a equipos grandes.

También pone a los codificadores en una gran desventaja: sin la priorización de NLP, deben revisar manualmente los gráficos, lo que a menudo resulta en fatiga y agotamiento. Además de esto, dado que las herramientas tradicionales suelen ofrecer solo capacidades de generación de informes limitadas, los equipos que las utilizan seguirán luchando con la supervisión de proyectos y la gestión del rendimiento.

Aproveche los algoritmos avanzados

Debido a que pueden aprovechar algoritmos avanzados, los motores de aprendizaje automático y NLP pueden ayudar a los equipos a recopilar información y conceptos relevantes de datos previamente considerados enterrados en forma de texto.

Al dar voz a los datos no estructurados, estas herramientas pueden comprender mejor la calidad de los datos, la mejora continua del proceso, una mayor precisión en el ajuste del riesgo y mejores resultados para los pacientes.

Una palabra de precaución

Como cualquier tecnología emergente, motores de PNL no son una panacea. Sin suficiente capacitación, es posible que pasen por alto códigos valiosos, y la realidad es que muchas herramientas de codificación de PNL están capacitadas en una cantidad limitada de registros médicos. Como resultado, tienden a tener problemas con condiciones menos comunes y formatos de registros médicos electrónicos.

Además, la mayoría de las herramientas de NLP todavía cuentan con una interfaz de usuario que simplemente no está optimizada para satisfacer las necesidades de los programadores. Este no es un problema menor, ya que una interfaz de usuario mal diseñada puede hacer que los codificadores pierdan el contexto en torno a las notas clínicas y cometan errores adicionales.

La efectividad de estas herramientas también depende en gran medida de los flujos de trabajo diseñados a su alrededor.

Las herramientas de codificación de NLP creadas con un enfoque único para todos generalmente no admiten flujos de trabajo que no están asociados puramente con el ajuste de riesgos. Por ejemplo, la mayoría no proporciona funciones que permitan la auditoría del trabajo de los proveedores. Como resultado, las herramientas de NLP que priorizan la velocidad sobre la precisión perderán códigos y expondrán a las organizaciones a problemas de cumplimiento y al riesgo de pérdida de ingresos.

Según un estudio de CMS, el 80 % de los pagos indebidos se deben a una codificación incorrecta; estos pagos indebidos pueden generar cargos de fraude que podrían costar tres veces más que un reclamo falso, lo que hace que la precisión sea un imperativo financiero para las organizaciones de atención médica.

Elegir la velocidad tiende a resultar en la presentación de códigos inadecuados, lo que tiene un efecto dominó ya que los pagos más bajos o las auditorías de validación de datos de ajuste de riesgo en última instancia obstaculizan el plan de salud y, por lo tanto, su capacidad para respaldar la salud del paciente.

Impulsando el progreso

Cuando están bien diseñados y correctamente implementados, los motores de IA/PNL pueden impulsar la velocidad y la precisión de la codificación médica. Permiten a los codificadores lograr velocidades de codificación significativamente más rápidas al tiempo que reducen los casos de error humano y la multitud de riesgos que lo acompañan.

Al hacer que el proceso de extracción de información de las notas del médico y la asignación de códigos médicos sea mucho más eficiente, estas herramientas acelerar la facturación y garantizar que las organizaciones que los implementen puedan continuar respaldando la salud de los pacientes en el futuro.

Crédito de imagen: proporcionado por el autor; ¡Gracias!

sishir reddy

codirector ejecutivo de Episource

Sishir supervisa la organización global de más de 3500 personas, motivando y liderando equipos en torno a la visión y los objetivos de la empresa. Al aprovechar su amplio conocimiento y experiencia en la industria de la salud, incluida la gestión del ciclo de ingresos y los servicios de codificación médica, ha ayudado a que Episource sea un proveedor líder de soluciones centradas en el pagador. Sishir recibió una licenciatura en química de Claremont McKenna College y un MIS de Claremont Graduate University.



Source link

Tags: , , , , , , , ,

Leave a Reply

Your email address will not be published.