[ad_1]

بیماران سرطانی به دلایل مختلف اغلب در بخش اورژانس قرار می گیرند ، اما در بسیاری از موارد گزینه های بهتری وجود دارد. یکی از دلایل این امر هزینه است: طبق کتابخانه ملی پزشکی ، ویزیت های پزشکی فوری با متوسط ​​2032 دلار ، 32 میلیارد دلار به هزینه های بهداشتی سالانه کشور می افزایند.

می توان تقریباً از 66٪ بازدیدهای ER جلوگیری کرد و با استفاده از مدلهای بازیابی هزینه مبتنی بر هزینه ، بازدید ER می تواند منجر به جریمه های مالی تامین کنندگان در زمانی شود که 40٪ در معرض خطر تعطیلی هستند به دلیل همه گیری. از COVID-19.

در مرکز سرطان و اختلالات خونی در تگزاس ، متخصصان انکولوژی با استفاده از هوش مصنوعی بالینی به بیماران کمک می کنند تا از سفرهای غیرضروری غیرضروری صرفه جویی کنند ، صرفه جویی در وقت و هزینه برای ارائه دهندگان و بیماران. هوش مصنوعی تیم های مراقبتی را قادر می سازد که پیش بینی کنند که در 30 روز آینده چه بیمارانی به اورژانس مراجعه می کنند و اقداماتی را که متخصصان انکولوژی و مدیران موارد می توانند انجام دهند تا بیماران را به طور کامل پایدار نگه داشته و از اورژانس خارج کنند ، توصیه می کند.

اغلب توصیه ها می توانند به سادگی آموزش بیماران در مورد گزینه های دیگر باشند. در موارد دیگر ، هوش مصنوعی ممکن است پیش بینی کند که عوامل اجتماعی سلامت در خطر بیمار نقش دارند – به عنوان مثال ، ممکن است برای تکمیل نسخه مهم به حمل و نقل دسترسی نداشته باشند ، در این صورت ممکن است از داروخانه برای سفارش نامه پستی استفاده شود. مناسب ، یا اینکه آنها فاقد امکانات لازم برای تهیه دارو هستند ، در این صورت منافع مالی به بیمار کمک می کند تا از ویزیت های اضطراری گران قیمت جلوگیری کند.

دکتر ری پیج ، انکولوژیست و رئیس و مدیر تحقیقات CCBD ، گفت که اگرچه هدف اصلی حفظ سلامت بیماران و خارج از سیستم مراقبت های بهداشتی است ، اما نادیده گرفتن منافع مالی به سختی قابل قبول است.

پیج گفت: “با تصویب قانون در طول سال ها ، شروع با ACA و پیشرفت با قانون MACRA و مدل های پرداخت جایگزین ، روش های پرداخت به تدریج برای ما تغییر می کنند.” “ما همیشه تحت ساختار پرداخت برای هزینه خدمات بوده ایم ، اما با MACRA مدل های پرداخت جایگزین وجود دارد كه می توانید از هزینه خدمات به روش برای دریافت غرامت برای مراقبت های كلی از بیماران تبدیل كنید.

وی گفت: “انكولوژی” مدل پرداخت جایگزین خاص خود را دارد. “ما مسئول کل هزینه مراقبت از سرطان هستیم. ما بر اساس میزان توانایی مراقبت از این بیماران غرامت و پاداش دریافت می کنیم.”

فن آوری

CCBD می دانست که به منظور مدیریت کلی بیمار ، لازم است مکانیزمی برای شناسایی بیماران پر خطر از طریق طبقه بندی خطر شناسایی شود. در آغاز مدل سرطان ، تیم 25 متغیر مختلف برای شناسایی این بیماران ارائه داد که منجر به مدیریت این متغیرها و سپس انتقال آنها به مدیران پرونده شد.

فناوری هوش مصنوعی Jvion بهم پیوسته است که می تواند ، از جمله موارد دیگر ، طبقه بندی خطر را انجام دهد. پیج می دانست که این یک مزیت برای آنکولوژی است و CCBD یکی از سه روش برای خلبانی اولیه شد.

مانند IBM Watson ، AI نیز قادر به استفاده از الگوریتم های پیچیده برای جمع آوری داده ها از حدود 4000 متغیر مختلف است. و شامل تعیین کننده های اجتماعی سلامتی است که تمایل به شناسایی بیماران در معرض خطر عواقب نامطلوب دارد. این چیزی است که همیشه نمی توان در هنگام بازدید از دفتر به آن دست یافت.

اکنون ، CCBD می تواند از طریق عوامل مختلف ریسک بالا را شناسایی کرده و آنها را به سمت منابع مناسب هدایت کند. همراه با منافع مالی ، تأثیر مثبتی در اثربخشی و کاهش استرس پزشکان دارد.

پیج گفت: “همه ما خستگی عظیمی از EHR داریم.” “ما بیش از حد در مورد بار اداری که داشتیم ، استرس داشتیم ، همه جعبه هایی که باید بررسی کنیم. پزشکان به من هشدار دادند: “اگر کار دیگری انجام دهم که مجبور باشم جعبه دیگری را علامت بزنم ، شما با پست می روید. ”

با هوش مصنوعی در محل ، اطلاعات بیمار در یک گزارش هفتگی که چندین وکتور مختلف را بررسی می کند ، از جمله کاهش ، خطر مراجعه به اورژانس ، خطر پذیرش ، خطر مرگ در طی 30 روز و افسردگی هدف قرار می گیرد. پزشک گزارش هفتگی را به صورت داشبورد یک صفحه ای دریافت می کند که شامل لیستی از بیمارانی است که به طور بالقوه در یک یا چند مورد از این ناقلین مشکل ساز هستند. همچنین دلایل خطرآفرینی بیمار را ارائه می دهد.

اگر کسی در گروه پر خطر باشد ، به طور خودکار به یک خط سرویس هدایت می شود که می تواند به مشکل خاص خود کمک کند.

پیج گفت: “این فرصتی است تا به آنها بصیرت ، بینش بدهید.” “این یک لحظه به ما می دهد تا مکث کنیم و متوجه شویم که ممکن است مشکلی برای یک بیمار وجود داشته باشد. این تیم ها هستند که می توانند این بیماران را به طور جامع مدیریت کنند.”

نتایج

این فناوری اولین بار حدود سه سال پیش معرفی شد. در طول دوره اجرا ، دو عمل در چتر CCBD موفق شد حدود 3 میلیون دلار در هزینه های Medicare صرفه جویی کند. و بازگشت سرمایه به اینجا ختم نمی شود ، زیرا بهبود معیارهای آن به سازمان اجازه می دهد پاداش دوره های پرداخت را دریافت کند.

داده های یک عمل شواهد دقیق بهبود عملکرد را نشان داد و ، به طور خلاصه ، پیج نتایج بهبود یافته ، شناسایی بهتر افسردگی و توانایی بهبود یافته در بیرون نگه داشتن افراد از بیمارستان را مشاهده کرد. CCBD همچنین توصیه های خود را برای درمان درد و افسردگی افزایش داده است.

پیج سایر اقدامات را توصیه كرد: “داده ها را بریزید و ارتباطات خود را تقویت كنید.” “سخت ترین چیزی که در عمل باید به آن فکر کرد ، گرفتن اطلاعات و قرار دادن آنها در خطوط خدمات و تمرین است. شما باید یک سیستم مدیریت پرونده و روش قوی داشته باشید تا افراد را به جایی که باید بروند راهنمایی کند. قسمت چالش برانگیزتر است. ”

پیج معتقد است که هوش مصنوعی همچنان نقش دیگری در مدیریت بیمار توسط پزشک خواهد داشت.

وی گفت: “ما می دانیم که در یک رابطه معمولی پزشک و بیمار اشکالات زیادی وجود دارد.” “به هیچ وجه نمی توانیم همه بیماران را در یک ویزیت 10 دقیقه ای تحت پوشش همه متغیرها قرار دهیم. برای اینکه این فناوری در پس زمینه کار کند و آن را در EHR ادغام کند … من فکر می کنم که به عنوان یک ابزار بزرگ تکامل یابد.”

توییتر: JELagasse
برای نویسنده ایمیل ارسال کنید: jeff.lagasse@himssmedia.com



[ad_2]

منبع: gharb-khabar.ir