春天2023

挑战:患者数据完整性和人工智能/高级分析
作者:Rachel Podczervinski, MS, RHIA
郑重声明
第三十五卷第二页

避免垃圾进垃圾出的诅咒

收入周期(76%)、临床管理(55%)和财务(36%)是从自动化和人工智能(AI)中受益最多的五大领域，因此很容易理解为什么98%的医疗保健领导者表示他们的组织已经实施或正在计划实施人工智能。根据Optum对人工智能在医疗保健领域的年度调查，其中近48%的公司已经实现了飞跃。

但是，如果流经的患者数据缺乏完整性，那么投资多大或技术解决方案有多先进都没有区别。换句话说，当涉及到人工智能和患者数据时，“垃圾输入，垃圾输出”这句谚语仍然适用。这也是一个非常现实的问题，在典型的医疗机构中，患者记录的平均重复率高达18%，而患者的错误识别问题导致医疗保健行业因拒绝索赔而损失超过60亿美元。

干净的主患者指数(MPI)或企业MPI (EMPI)是医疗保健组织临床和财务运营的基础，也是任何人工智能/自动化战略的关键要素。为了实现人工智能/自动化和高级分析技术的最大投资回报，并优化它们对临床和财务底线的影响，必须提前消除重复和重叠，并实施互补技术，以确保患者数据的完整性。

他和人工智能
卫生信息技术已经对卫生保健领域产生了重大影响。21世纪初，计算机辅助编码的出现让编码员第一次体验到了自动化，他们使用自然语言处理(NLP)来分析临床文件，并提出诊断和程序代码。2015年，随着向ICD-10代码集的过渡，其全部效果得以实现，尽管代码集更广泛，支持文档要求更详细，但编码人员的编码速度却提高了22%。

ICD-10还暴露了文档问题，这反过来又引发了医疗保健自动化的下一个里程碑——临床文档完整性(CDI)工具，旨在改善提供者文档，以提高患者的治疗效果和数据质量，并更准确地报销。CDI技术的重要性随着向基于价值的护理模式的转变而增加，这种模式严重依赖于风险调整后的编码和公开报告的质量数据。除了提示提供者提高文档的特异性外，这些工具还根据对患者记录的自动扫描提供查询机会。这使得CDI专业人员可以在提交索赔之前确定额外的报销前景和可以纠正的问题领域。

将人工智能技术添加到HIM中还可以自动分析患者图表内容，并优先考虑那些最有可能需要临床医生查询的CDI专家。此外，当嵌入到编码器和计算机辅助编码软件中时，人工智能可以根据临床指标建议最可能的代码，这反过来又允许编码人员根据他们对适当图表元素的审查专注于验证或调整建议。

然而，人工智能给他带来的价值远远超出了帮助解决文档和编码问题，这些问题每年使美国医疗保健系统损失约540亿美元。它还可以通过自动化重复功能(如保险验证、索赔提交和账单跟踪)来减轻医疗保健组织的一些最重要的管理痛点。

利用分析的力量
同样重要(如果不是更重要的话)的是，先进的人工智能、自然语言处理和机器学习能够利用典型医疗机构收集的大量且不断增长的医疗数据，这些数据已占全球数据量的30%左右。

对于如何利用这些数据，每个利益相关者团体都有自己的总体目标。对于临床医生来说，它提供了一个全面的病人视图，以实现精确的治疗和最佳的结果。对于管理员来说，它可以帮助预测从停留时间长短到更合适的资源分配的利用率。

对于HIM来说，患者数据可用于提高编码和计费的效率和准确性，从而增加收入。例如，分析可以通过监控广泛的度量来揭示编码团队是否达到了最佳生产力，这些度量包括开始/结束时间、每小时编码的图表的平均数量、病例分配、医生查询周转时间以及分配给每个编码人员的编码和非编码任务的数量。

总的来说，数据分析是一种非常有效的策略，可以减少由于编码和文档错误而导致的索赔拒绝，这是医院平均每年损失500万美元和注销高达5%的医生业务净患者收入的主要原因。纠正这些错误迫在眉睫，因为拒签率呈上升趋势，在过去五年中已经上升了20%以上。更不用说重新处理被拒绝的索赔的高成本了，每宗诊所索赔平均为25美元，每宗医院索赔为181美元。

更重要的是，利用历史数据、人工智能、机器学习和NLP执行预测分析可以识别性能差距和编码/文档问题，从而降低报销，增加拒绝，并全面增加成本，同时降低审计风险并加快收入周期。

避免垃圾进垃圾出的诅咒
当涉及到医疗保健领域的人工智能时，如果流经它的数据受到无效的患者识别和匹配的影响，那么技术的强大或先进就没有任何区别。我们已经看到了它的影响，最近来自HIMSS和patient ID Now的一项患者身份调查的结果显示，70%的受访者认为，由于难以管理患者身份，患者接受了或接受了重复或不必要的测试或服务，而67%的受访者认为，缺乏明确的患者身份使他们的组织面临更高的欺诈风险。

毫无疑问，人工智能可以产生重大影响;负担得起的优质医疗保健委员会(Council for Affordable Quality Healthcare)的一份新报告得出结论，到2022年，自动化将为医疗保健行业节省1870亿美元，仅通过过渡到完全电子化的行政交易，就可能再增加250亿美元。但是，只有消除重复和重叠，从而防止mpi和empi以及下游系统再次受到污染，才能实现这一目标。

因此，任何人工智能策略的关键早期步骤都是在实施人工智能技术之前，进行全面的MPI/EMPI清理，并部署能够确保患者数据完整性的技术工具。

人工智能前清理的理想方法包括专业服务和先进技术的结合，以识别和解决MPI/EMPI中已经存在的重复医疗记录，并建立有助于防止新记录发生的流程。这包括彻底的数据评估，然后由专家确定识别和纠正重复和其他数据完整性问题的最合适方法。

一旦MPI/EMPI被清理干净，就有必要部署能够捕捉和纠正未来错误的技术，以免它们导致创建新的重复和覆盖记录。目标应该是通过在多个环境和整个患者记录过程的多个阶段(从注册开始)操作来实现端到端的MPI/EMPI保护的技术，一项研究发现，92%的错误发生在注册阶段。这样的系统可以利用生物识别技术收集照片以及在MPI/EMPI中创建患者记录所需的信息，并利用先进的确定性和概率匹配算法在更新记录之前分析和清理患者数据。可以利用短信向患者发送一个链接，让他们拍摄并提交自拍照和驾驶执照照片，并使用面部识别软件验证他们的身份，并在为新患者分配生物识别凭证之前搜索任何匹配的记录。

理想情况下，这些工具还将解决隐私和安全问题，超越了当前EHR系统的能力，后者受到患者查找功能的限制，需要逐个字段精确输入特定流程和数据。单个遗漏或不正确的细节可能导致搜索产生无效的结果，这反过来又可能导致创建新的重复记录，或者更糟的是，如果选择了错误的患者，则会产生重叠，从而加剧而不是减轻问题。

做对
人工智能在大大改善医疗机构的临床和管理方面的潜力是巨大的。但就像任何数据驱动的技术一样，信息完整性对于实现人工智能的全部承诺至关重要。

通过建立一个干净的MPI/EMPI，医疗机构在人工智能方面的投资回报将得到加速和优化。

Rachel Podczervinski, MS, RHIA，是Harris Data Integrity Solutions的专业服务副总裁和AHIMA董事会成员。文章中表达的观点是个人观点，不代表AHIMA。