AI가 시스템 전반에 걸쳐 중복 환자 기록을 어떻게 감지하고 해결하는가

중복이 지속되는 이유

중복 환자 기록은 사실상 모든 의료 기관에 존재합니다. 환자가 약간 다른 이름 철자로 등록될 때, 기존 기록을 찾지 못해 재방문 환자가 신규로 등록될 때, 적절한 매칭 없이 시스템 간에 데이터가 마이그레이션될 때, 또는 환자가 동일한 의료 시스템 내의 다른 위치에 방문하고 각 위치가 새 기록을 만들 때 생성됩니다.

결과는 심각합니다. 임상적으로, 환자의 전체 이력을 포함하지 않는 차트를 검토하는 제공자는 약물 상호작용, 알려진 알레르기, 또는 이전 검사 결과를 놓칠 수 있습니다. 재정적으로, 두 기록에 분할된 청구와 지불은 청구 혼란을 야기하며, 청구는 불완전한 임상 데이터로 제출되어 거부로 이어질 수 있습니다. 운영적으로, 환자 진료가 여러 기록에 분산될 때 품질 측정 계산이 왜곡됩니다.

확률적 매칭

AI 중복 감지는 여러 데이터 요소를 동시에 고려하는 확률적 매칭을 사용합니다. 이름과 생년월일에 대한 정확한 일치를 요구하는 대신(이는 한 요소가 약간 다른 중복을 놓칩니다), 시스템은 이름, 성, 생년월일, 주소, 전화번호, 사회보장번호(가능한 경우), 기타 식별 정보의 유사성에 기반하여 매칭 확률을 계산합니다.

매칭 알고리즘은 일반적인 데이터 입력 변동을 처리합니다. Robert 대 Bob, Jr. 대 Junior, 생년월일에서 자릿수 전치, 처녀명 대 결혼명, 주소 형식 차이가 그것입니다. 각 요소는 전체 매칭 확률에 기여하며, 시스템은 잠재적 중복을 높은 신뢰도(거의 확실히 중복), 중간 신뢰도(인간 검토가 필요한 가능성 있는 중복), 낮은 신뢰도(가능하지만 불확실한 매칭)로 분류합니다.

병합 프로세스

중복을 식별하는 것은 문제의 절반에 불과합니다. 데이터 손실 없이 그것들을 병합하는 것이 나머지 절반입니다. AI 시스템은 중복 기록 전반에 걸쳐 모든 데이터 요소를 비교하고 각각에서 최선의 정보를 제시함으로써 병합 프로세스를 안내합니다. 한 기록이 더 최근 주소를 가지고 다른 기록이 더 완전한 문제 목록을 가질 때, 병합된 기록은 현재 주소와 완전한 문제 목록을 받습니다.

병합은 임상 데이터를 신중하게 처리해야 합니다. 두 기록의 약물 목록, 알레르기 목록, 문제 목록, 임상 노트는 중복 항목을 만들거나 정보를 잃지 않고 결합되어야 합니다. 검사 결과, 영상 연구, 기타 진단 데이터는 단일 생존 기록과 연결되어야 합니다. 청구, 지불, 계좌 잔액을 포함한 청구 데이터는 통합되어야 합니다.

지속적인 예방

기존 중복을 감지하고 병합하는 것 외에도, AI 시스템은 새로운 중복이 생성되지 않도록 작동합니다. 환자가 등록될 때, 시스템은 실시간으로 잠재적 매칭을 검색하고 등록 직원에게 제시합니다. 가능성 있는 매칭이 발견되면, 직원은 새 기록을 만드는 대신 기존 기록을 불러올 수 있습니다.

실시간 검색은 배치 중복 감지와 동일한 확률적 매칭을 사용하지만, 중복이 생성될 등록 시점에서 작동합니다. 이 진입 시점 예방은 사후에 중복을 찾고 병합하는 것보다 훨씬 더 효과적이고 비용이 덜 듭니다.

시스템 간 매칭

여러 시설과 여러 EHR 인스턴스가 있는 의료 시스템에서, 시스템 간 중복 감지는 특히 중요합니다. 환자는 병원 EHR, 외래 진료소 EHR, 응급 진료 시스템에 기록을 가질 수 있습니다. AI 매칭 알고리즘은 공통 환자 식별자를 공유하지 않을 때조차도 이러한 시스템 전반에 걸쳐 중복을 식별할 수 있습니다.

시스템 간 매칭은 조직 전체의 환자 기록을 모두 연결하는 엔터프라이즈 마스터 환자 색인(EMPI)의 생성을 가능하게 합니다. 이 통합된 보기는 임상 진료, 청구, 분석, 인구 건강 관리를 지원합니다.

중복 환자 기록의 지속적인 문제를 다루는 의료 기관에게 AI 매칭 및 병합 기능은 체계적인 솔루션을 제공합니다. 자세한 내용은 FirmAdapt에서 확인하십시오.