Comment l'IA détecte et résout les dossiers patients en doublon entre systèmes
Pourquoi les doublons persistent
Les dossiers patients en doublon existent dans pratiquement chaque organisation de santé. Ils se créent lorsqu'un patient est enregistré avec une légère variation orthographique du nom, lorsqu'un patient revenant est enregistré comme nouveau parce que son dossier existant n'est pas trouvé, lorsque les données sont migrées entre systèmes sans appariement adéquat, ou lorsque les patients se présentent à différents sites du même réseau de santé et que chaque site crée un nouveau dossier.
Les conséquences sont sérieuses. Cliniquement, un praticien examinant un dossier qui ne contient pas l'historique complet du patient peut manquer une interaction médicamenteuse, une allergie connue ou un résultat de test antérieur. Financièrement, des charges et paiements répartis sur deux dossiers créent une confusion de facturation, et des demandes peuvent être soumises avec des données cliniques incomplètes, conduisant à des refus. Opérationnellement, les calculs d'indicateurs qualité sont faussés lorsque les rencontres d'un patient sont distribuées sur plusieurs dossiers.
Appariement probabiliste
La détection de doublons par IA utilise un appariement probabiliste qui considère plusieurs éléments de données simultanément. Au lieu d'exiger une correspondance exacte sur le nom et la date de naissance (ce qui manque les doublons où un élément diffère légèrement), le système calcule une probabilité de correspondance basée sur la similitude du prénom, du nom, de la date de naissance, de l'adresse, du téléphone, du numéro de sécurité sociale (lorsque disponible) et d'autres informations identifiantes.
L'algorithme d'appariement gère les variations courantes de saisie : Robert vs Bob, Jr. vs Junior, chiffres transposés dans une date de naissance, nom de jeune fille vs nom marital et différences de format d'adresse. Chaque élément contribue à la probabilité globale, et le système classe les doublons potentiels en haute confiance (presque certainement doublons), confiance modérée (probablement doublons nécessitant revue humaine) et faible confiance (correspondances possibles mais incertaines).
Processus de fusion
Identifier les doublons n'est que la moitié du problème. Les fusionner sans perte de données est l'autre moitié. Les systèmes d'IA guident le processus de fusion en comparant chaque élément de données entre les dossiers en doublon et en présentant la meilleure information de chacun. Lorsqu'un dossier a une adresse plus récente et l'autre une liste de problèmes plus complète, le dossier fusionné reçoit l'adresse actuelle et la liste de problèmes complète.
La fusion doit gérer soigneusement les données cliniques. Listes de médicaments, listes d'allergies, listes de problèmes et notes cliniques des deux dossiers doivent être combinées sans créer d'entrées en doublon ni perdre d'information. Résultats de laboratoire, études d'imagerie et autres données diagnostiques doivent être associés au dossier survivant unique. Les données de facturation, y compris demandes, paiements et soldes de compte, doivent être consolidées.
Prévention continue
Au-delà de la détection et de la fusion des doublons existants, les systèmes d'IA travaillent à prévenir la création de nouveaux doublons. Lors de l'enregistrement d'un patient, le système recherche en temps réel des correspondances potentielles et les présente au personnel d'accueil. Si une correspondance probable est trouvée, le personnel peut ouvrir le dossier existant plutôt que d'en créer un nouveau.
La recherche en temps réel utilise le même appariement probabiliste que la détection de doublons par lots, mais elle opère au point d'enregistrement où le doublon serait créé. Cette prévention au point de saisie est bien plus efficace et moins coûteuse que de trouver et fusionner les doublons après coup.
Appariement entre systèmes
Dans les réseaux de santé avec plusieurs sites et plusieurs instances DSE, la détection de doublons entre systèmes est particulièrement importante. Un patient peut avoir des dossiers dans le DSE hospitalier, le DSE de la clinique ambulatoire et le système de soins urgents. Les algorithmes d'appariement par IA peuvent identifier les doublons à travers ces systèmes même lorsqu'ils ne partagent pas un identifiant patient commun.
L'appariement entre systèmes permet la création d'un Index Patient Maître d'Entreprise (EMPI) qui lie tous les dossiers d'un patient à travers l'organisation. Cette vue unifiée soutient les soins cliniques, la facturation, l'analytique et la gestion de santé des populations.
Pour les organisations de santé confrontées au problème persistant des dossiers patients en doublon, les capacités d'appariement et de fusion par IA offrent une solution systématique. Plus d'informations sur FirmAdapt.