Maskininlärning förbättrar certifieringen av hälsovårdsföretag
Den amerikanska hälsorganisationen The Joint Commission sökte hjälp från Crayon när de behövde hitta en lösning för att förbättra processen med certifiering av hälsovårdsföretag. Ett samarbete med Inmeta möjliggjorde användningen av maskininlärning.
Foto: The Joint Commission
Hälsosektorn är en dynamisk bransch som utvecklas snabbt. Behovet av innovation och effektivitet har aldrig varit större och COVID-19-pandemin har tydliggjort vikten av att hitta lösningar som kan anpassa sig till det ständigt föränderliga landskapet. Hälsorganisationen The Joint Commission har i uppdrag att ackreditera och certifiera tusentals hälsoorganisationer och program i USA, och har stått inför en monumental utmaning - att säkerställa konsekvens i fynd under hälsokontroller.
För att hitta en lösning för att förbättra processen med certifiering av hälsoföretag inledde The Joint Commission ett samarbete med Crayon för att använda maskininlärning för att förbättra konsekvens, effektivitet och efterlevnad av krav i inspektionerna.
Inmeta, som ett konsultföretag inom Crayon med en ledande expertis inom AI, engagerades för att utveckla lösningen.
Projektet och den kunskap vi har fått lägger grunden för fler möjligheter att utnyttja data och teknologier för att främja vårt uppdrag, att förbättra kvaliteten på hälsovården och minska skador på patienter.
Kin Lee.
Chief Digital and Information Officer, The Joint Commission.
The Joint Commission är en oberoende, ideell organisation som utvärderar och ackrediterar mer än 22 000 hälsoorganisationer och program i USA. De är nationens äldsta och största standardiserings- och ackrediteringsorgan inom hälsovården.
Från observationer till data
Föreställ dig en hälsoskyddsinspektör som navigerar genom det komplexa landskapet hos en hälsostiftelse, och noggrant observerar alla aspekter av patientvården. Det är en uppgift som kräver precision och detaljfokus. Oavsett om det gäller patientsäkerhet eller hälsoåtgärder, har varje observation stor vikt. Den verkliga utmaningen här är att översätta dessa observationer till begriplig data, och anpassa dem till tusentals standarder och Prestations Element (EPs) som styr hälsosektorn.
Alla amerikanska hälsoinstitutioner måste certifieras som "lämpliga för drift." Denna certifiering kräver att hälsoorganisationer uppfyller kraven samtidigt som de tillhandahåller tillräckligt god service. The Joint Commission är en av de få organisationer som utfärdar sådana certifieringar, och företaget garanterar efterlevnad genom inspektioner. Dessa inspektioner omfattar ett urval av offentliga standarder, förordningar, krav och förfaranden.
När behovet av transformation erkändes, påbörjade The Joint Commission en resa i samarbete med IT-företaget Crayon och IT-konsultföretaget Inmeta. Målet var att utnyttja den transformerande kraften hos maskininlärning och artificiell intelligens för att effektivisera processen med att kartlägga fynd från hälsokontroller.
Intelligent maskininlärning: ett nytt tillvägagångssätt
Den alltid föränderliga naturen hos EP var kärnan i utmaningen för The Joint Commission. Inmeta fick i uppdrag att utveckla en intelligent maskininlärningslösning som kunde hantera de frekventa förändringarna. Tidigt i projektet var det tydligt att en traditionell klassificeringslösning inte skulle fungera. Efter att ha omformulerat problemet slutade lösningen med ett fråga-och-svar-ramverk. Varje observation som gjordes under en inspektion blev till en 'fråga', och den motsvarande EP blev 'svaret'.
Förbättrad konsekvens, effektivitet och process
Påverkan av denna maskininlärningslösning har varit betydande. Hälsorganisationen har upplevt en anmärkningsvärd förbättring i konsekvensen av fynd, en avgörande faktor för att säkerställa de högsta standarderna inom hälsovården. Inspektörer kan idag utföra sina uppgifter mer effektivt, och processen att tilldela standarder och EPs har aldrig varit mer strömlinjeformad.
Kin Lee, Chief Digital and Information Officer, betonar:
Initiativet "Maskininlärning för konsekvens i inspektioner" utnyttjar våra omfattande data för att förbättra konsekvensen i fynden och den operativa effektiviteten.
I en tid där teknologi och hälsa möts, står initiativet som ett bevis på den otroliga potentialen som maskininlärning har för att täppa till luckor och säkerställa att var och en får den bästa möjliga vården.
Att förstärka hälsoexpertis genom teknologi, innovation och partnerskap
Samarbetet mellan The Joint Commission, Crayon och Inmeta är ett bevis på teknologins, innovationens och partnerskapets kraft i strävan efter bättre hälsa. Det visar hur en framtidsinriktad approach till artificiell intelligens och maskininlärning kan bidra till att omforma en bransch som är grundläggande för allas välbefinnande. Detta projekt tjänar som ett exempel för hälsoorganisationer över hela världen och understryker den transformativa effekten av teknologi på resan mot säkrare och högkvalitativ hälsovård.
«Vi är mycket nöjda med vårt internationella samarbete med Crayon och The Joint Commission. Vi är stolta över att kunna föra vår kompetens till USA och lösa utmaningar till samhällets bästa och möta behovet av effektivisering. Maskininlärning kan lösa många olika komplexa utmaningar, även inom hälsovården. Vi hoppas att vår lösning kan tjäna och inspirera fler hälsoorganisationer globalt framöver.» Säger Alexander Vaagan, Chief Data Scientist på Inmeta.
Sammanfattat
Utmaningarna:
- Komplexa hälsostandarder: Administration och anpassning av tusentals hälsostandarder och prestandaelement (EPs) under inspektioner.
- Tidskrävande kartläggning: Inspektörer spenderade betydande tid på att manuellt kartlägga observationer till standarder.
- Föreskrifter som ständigt förändras: EP:erna ändrades var sjätte månad, vilket gjorde det svårt att anpassa sig och bibehålla konsekvens i resultaten.
- Stora datamängder att navigera i: Hur man effektivt drar nytta av historiska data för att förbättra resultat och förenkla certifieringsprocesser.
Lösningen:
- Maskininlärningstransformation: Utveckla en maskininlärningslösning med hjälp av Microsoft Azure för att automatisera kartläggningen av fynd i inspektioner till relevanta föreskrifter och EP:er.
- Fråga-svar-ramverk: Projektet omformulerade problemet till en utmaning med frågor och svar, genom att använda Universal Sentence Encoder (USE) för att skapa vektorrepresentationer för observationer och EPs.
- Azure-ekosystemet: Lösningen utnyttjade Azure-verktyg som PyTorch, DataFactory och AKS, medan AI-pipelines säkerställde robust träning och distribution.
- Semantisk sökning: En intuitiv 'sök-medan-du-skriv'-mekanism implementerades för att omedelbart föreslå de mest relevanta EP:erna medan inspektörerna skrev in sina observationer.
Värdet:
- Förbättrad konsekvens: Lösningen har förbättrat konsekvensen avsevärt i fynd under hälsoinspektioner.
- Ökad effektivitet: Inspektörer kan fokusera mer på inspektionsuppgifter, minska tiden som används för att navigera genom komplexa standarder och förordningar.
- Strömlinjeformad certifiering: Säkerställde att hälsoorganisationer uppfyllde kraven effektivt.
- Ökad trovärdighet: Färre avvikelser och bättre anpassningsförmåga till ändrade förordningar ökade förtroendet för revisionsprocessen.
- Tidsbesparingar: Tiden som används för att identifiera förordningar beräknas minska med minst 95%, vilket gör att fler revisioner kan genomföras årligen.
- Förbättrad datanytta: The Joint Commission lade grunden för ytterligare datadrivna framsteg, i linje med sitt uppdrag att förbättra kvaliteten på hälso- och sjukvården och minska skador på patienter.
- Skalbarhet: Robust och hållbar arkitektur i lösningen kan potentiellt gynna hela hälsoindustrin.
Läs mer om hur vi arbetar med artificiell intelligens.
