Dữ liệu bẩn – dữ liệu không chính xác, không đầy đủ hoặc không nhất quán – tiêu tốn 3.1 nghìn tỷ đô la Mỹ mỗi năm, theo IBM. Cùng với chi phí đáng kinh ngạc, nó ngăn cản các bên liên quan đến chăm sóc sức khỏe nhận ra giá trị tiềm năng to lớn mà họ có thể nhận ra từ các phân tích hạ nguồn, bao gồm quản lý sức khỏe dân số, chăm sóc dựa trên giá trị và sức khỏe kỹ thuật số. Các chương trình sức khỏe sẽ cần áp dụng các phương pháp hay nhất để chất lượng dữ liệu và trí tuệ nhân tạo (AI) nhằm khám phá tiềm ẩn của dữ liệu bẩn trong y tế. 

Khi đến gần năm 2023, chúng ta có thể mong đợi thấy các chương trình sức khỏe sẽ loại bỏ việc nhập dữ liệu thủ công và chuyển sang các kỹ thuật dựa trên máy học (ML), tiết kiệm chi phí, triển khai nhanh hơn và dễ quản lý hơn. Thuật toán ML có thể tự học từ dữ liệu – bạn chỉ cần cung cấp cho hệ thống ML bộ dữ liệu lịch sử lớn và chúng có thể tự động khám phá các mẫu ẩn và thông tin chi tiết hữu ích. Cụ thể, AI sẽ được sử dụng để giải quyết các vấn đề do dữ liệu bẩn gây ra. Vài ví dụ:

• Phát hiện các vấn đề về chất lượng dữ liệu trong dữ liệu lâm sàng: Điều này có thể theo dõi tốt hơn dịch vụ chăm sóc được cung cấp cho bệnh nhân.
• Xác định các phân bổ sai trong các chương trình chăm sóc dựa trên giá trị: Điều này có thể đảm bảo việc chăm sóc bệnh nhân và chi phí chăm sóc đó được quy cho các bác sĩ phù hợp, điều chỉnh các khuyến khích giữa các bên liên quan.
• Phát hiện các khoản thanh toán thừa trong quá trình xử lý khiếu nại: Điều này có thể đảm bảo rằng các nhà cung cấp được đền bù xứng đáng và những người thanh toán đang hoàn trả đúng số tiền.
• Phát hiện những điểm không chính xác trong dữ liệu danh bạ nhà cung cấp: Điều này có thể ngăn việc lập hóa đơn bất ngờ cho bệnh nhân và cải thiện đáng kể trải nghiệm của thành viên.

Sử dụng AI để chuyển các hoạt động chăm sóc sức khỏe từ đối phó sang chủ động

Trí tuệ nhân tạo trong lĩnh vực chăm sóc sức khỏe sẽ sớm chuyển các hoạt động của chương trình chăm sóc sức khỏe từ khắc phục sự cố và ứng phó theo phản ứng sang phát hiện và hành động chủ động. Để điều này xảy ra, các hệ thống AI và ML sẽ phải hoạt động trong thời gian thực. Điều này có thể đạt được theo một vài cách riêng biệt.

Một cách để hiện thực hóa AI chủ động hoặc dự đoán là có một hệ thống dựa trên MLOps vòng kín, trong đó quá trình đào tạo mô hình ML diễn ra ở chế độ nền. Sau đó, hệ thống sẽ áp dụng các mô hình đó trên dữ liệu trực tiếp, thời gian thực. Hệ thống giám sát chất lượng của dự đoán và nếu nó xuống cấp, điều này sẽ kích hoạt một vòng lặp khép kín tự động để đào tạo lại dữ liệu để tạo ra một mô hình mới. Sau đó, hệ thống sẽ tự động đưa phiên bản mới hơn trở lại đường dẫn dự đoán phát trực tuyến.  

Trong ngành chăm sóc sức khỏe, cách tiếp cận AI/ML chủ động, theo thời gian thực có thể có tác động trong nhiều lĩnh vực:

• Yêu cầu thanh toán vượt mức: Các yêu cầu thanh toán vượt mức đáng ngờ có thể bị chặn và gửi để xem xét trước khi các khoản hoàn trả được phân phối, tiết kiệm công sức và chi phí thu hồi sau thanh toán. 
• Phân bổ trong chăm sóc dựa trên giá trị: AI có thể được sử dụng để phát hiện phân bổ sai theo thời gian thực nhằm ngăn chặn mọi vấn đề chăm sóc tiềm ẩn hoặc tổn thất tài chính.
• Độ chính xác của danh mục nhà cung cấp: Điều này có thể tránh việc lập hóa đơn bất ngờ cho bệnh nhân, tiết kiệm tiền phạt cho người trả tiền từ CMS và cải thiện trải nghiệm của thành viên. 
• Độ chính xác của dữ liệu lâm sàng: Điều này có thể dẫn đến xếp hạng HEDIS/STARs được cải thiện, điểm điều chỉnh rủi ro chính xác hơn và chăm sóc bệnh nhân phối hợp tốt hơn. 

Áp dụng các phương pháp hay nhất về chất lượng dữ liệu vào năm 2023 

Năm 2023 sẽ là năm mà vấn đề chất lượng dữ liệu trong chăm sóc sức khỏe sẽ được đặt lên hàng đầu. Chính phủ liên bang đang xem xét chất lượng dữ liệu của nhà cung cấp một cách nghiêm túc hơn (với CMS National Health Directory đề nghị, chẳng hạn) và ngày càng rõ ràng rằng các biện pháp can thiệp dựa trên ML trong chăm sóc sức khỏe không thể đáp ứng được lời hứa của chúng trong thế giới thực do chất lượng dữ liệu kém.  

Nếu các nhà cung cấp dịch vụ chăm sóc sức khỏe và các chương trình sức khỏe tiếp tục dựa vào dữ liệu bẩn, thì hệ thống sẽ không nhận ra những lợi ích và lời hứa khả thi. Quản lý chất lượng dữ liệu dựa trên AI/ML có thể tinh chỉnh dữ liệu chăm sóc sức khỏe bẩn và tăng cường sức mạnh của dữ liệu đó, cải thiện trải nghiệm của thành viên và mang lại kết quả.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: https://www.dataversity.net/data-quality-best-practices-to-discover-the-hidden-potential-of-dirty-data-in-health-care/