Ridurre l’errore clinico e la fatturazione inefficiente: con questi scopi i ricercatori della Perelman School of Medicine dell’Università della Pennsylvania hanno utilizzato l’intelligenza artificiale per monitorare le note dei pazienti duplicate nelle cartelle cliniche elettroniche. Gli esperti hanno scoperto che il 50% di quasi 2 milioni di cartelle cliniche dei pazienti dal 2015 al 2020 sono state duplicate dalle note precedenti.
La ricerca, intitolata “Prevalenza e fonti di informazioni duplicate nella cartella clinica elettronica“, è stata pubblicata su JAMA.
Il tasso di duplicazione anno su anno è stato riscontrato nel 33% dei record nel 2015 e nel 54,2% dei record nel 2020. Più note erano in una cartella clinica, maggiore era il tasso di duplicazione, fino al 6%.
“Il testo duplicato mette in dubbio la veridicità di tutte le informazioni nella cartella clinica, rendendo difficile trovare e verificare le informazioni nel lavoro clinico quotidiano”, si legge nello studio della Penn Medicine.
Nell’analisi, i ricercatori hanno scoperto che i medici dovevano leggere dieci note separate per ottenere 500 parole di nuovo testo. Ciò potrebbe portare a perdite di tempo nella raccolta di dati dei pazienti e dati mancanti, poiché i medici potrebbero non avere abbastanza tempo per condurre una ricerca approfondita del sistema di cartelle cliniche elettroniche. I record duplicati potrebbero anche fornire informazioni obsolete poiché i nuovi farmaci o i recenti risultati di laboratorio potrebbero non essere aggiornati.
Deep learning e NLP per semplificare l’accessibilità dei dati
Lo studio ha cercato di dimostrare che l’apprendimento profondo (deep learning) e l’elaborazione del linguaggio naturale (natural language processing) possono semplificare l’accessibilità dei dati, migliorare l’assistenza ai pazienti, beneficiare della salute della popolazione e ridurre il burnout del medico.
Mentre il team della Pennsylvania ha scoperto che l’intelligenza artificiale ha il potenziale per migliorare i problemi di nota, esistono già diversi sistemi di questo tipo. Sanford Health nel South Dakota ha creato un modulo di nota standardizzato per affrontare il cosiddetto “gonfiaggio delle note”. Il sistema spinge i provider a notare solo ciò di cui hanno bisogno per eliminare la duplicazione.
L’Idaho Health Data Exchange sfrutta un modello di intelligenza artificiale per unire i dati senza supervisione umana, riducendo i tassi di duplicazione dal 30% a solo l’1%.
