مدل های جدید مراقبت نحوه کار متخصصان مراقبت های بهداشتی را تغییر داده است. حتی با فشار قوانین و مقررات جدید ، مراکز بهداشتی و درمانی باید بهترین مراقبت ممکن را برای بیماران خود ارائه دهند. هزینه های استخدام متخصصان مجرب و دارای مجوز مراقبت های بهداشتی فوق العاده افزایش یافته است. درست است ، رمزگذاران و متخصصان CDI و متخصصان CDI می توانند به بهترین نحو با دستورالعمل های متناوب روبرو شوند ، اما با سرمایه گذاری اندک در فناوری ، بیمارستان ها می توانند درآمد بیشتری را ایجاد کرده و هزینه های خود را کاهش دهند.
با اجرای ICD-10 ، مدیریت چرخه درآمد برای بیمارستانها پیچیده تر شده است.
با این حال ، نرم افزار مبتنی بر هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) می تواند به ساده سازی فرآیندهای مدیریت چرخه درآمد متوسط و گردش کار بیمارستان شما کمک کند. ابزارهایی ، مانند نرم افزار پیشرفته برنامه نویسی با کمک رایانه (CAC) ، انقلابی هستند و می توانند به بیمارستان شما کمک کنند تا جریانات برنامه نویسی را به طور اساسی ساده کند-جریان درآمد شما را بهینه کرده و ماموریت شما در ارائه مراقبت های مبتنی بر ارزش را تقویت کند.
مدیریت اطلاعات سلامت (HIM) متخصصان و دپارتمان ها بیشترین بهره مندی از برنامه های برنامه نویسی به کمک کامپیوتر هستند. در زیر برخی از مهمترین مزایای استفاده از نرم افزار کدگذاری با کمک کامپیوتر در بیمارستان ذکر شده است:
نرم افزار CAC به برنامه نویسان اجازه می دهد تا کدهای پیشنهادی خودکار را بررسی و بپذیرند. علاوه بر این ، استفاده از نرم افزارهای برنامه نویسی با کمک رایانه می تواند بهره وری برنامه نویسان را با کاهش وابستگی آنها به روش های کدگذاری دستی وقت گیر و وقت گیر تلفات افزایش دهد.
نرم افزار CAC می تواند افزایش دهد شفافیت فرآیندهای شما با تأیید اسناد و دستورالعمل های کدگذاری که در اختصاص کدهای پزشکی خاص مورد استفاده قرار گرفته است.
یادگیری ماشین یکی از اجزای کلیدی هوش مصنوعی است نرم افزار برنامه نویسی مبتنی بر؛ سیستم دقت برنامه نویسی را بهبود می بخشد که به نوبه خود میزان رد ادعا را کاهش می دهد و منجر به کاهش اختلافات حسابرسی می شود. این همچنین سازگاری را بهبود می بخشد و از رعایت و پیروی از دستورالعمل ها در مواردی که اسناد مشخص نیست ، یا مغایرت های خطرناک اطمینان می یابد.
این برنامه با ارائه توضیحات واضح به متخصصان مراقبت های بهداشتی ، به بهبود انطباق کمک می کند. خط چشم انداز با نمودار با یک سیستم کدگذاری مبتنی بر ردیابی که فرصت دستیابی به آن را برای اولین بار افزایش می دهد.
نرم افزار CAC کل نمودار و کدها یا س quالات پزشک را پیشنهاد می کند که منجر به بهبود اسناد می شود ، بنابراین تخصیص DRG/MS DRG صحیح است. یک نرم افزار کد نویسی خوب با رایانه معمولاً پنج (5) تا ده (10) برابر سرمایه گذاری را ارائه می دهد. مطالعه موردی
حفظ اطلاعات PHI بسیار مهم است. یک سیستم نرم افزاری CAC می تواند به سازمان های مراقبت های بهداشتی کمک کند تا مطمئن شوند که اطلاعات شخصی بیمارانشان محرمانه و محرمانه است. استقرار مبتنی بر ابر و فرایندهای امنیتی مبتنی بر HIPAA مانند احراز هویت دو مرحله ای و رمزگذاری داده های PHI ، اطلاعات سلامت بیمار را بسیار امن تر می کند.
پیوندهای نرم افزاری برنامه نویسی به کمک رایانه را کاهش می دهد کدهای مربوط به شاخص ها و شواهد بالینی در نمودار بیمار ؛ این به برنامه نویسان کمک می کند تا جریان اطلاعات غلط را کاهش دهند و اطمینان حاصل شود که فقط کدهای صحیح به پرونده اختصاص داده شده است. در اینجا بیشتر بخوانید.
مکانیسم پرس و جو الکترونیکی یکی از ویژگی های اصلی یک برنامه پیشرفته CAC است. با ارائه این قابلیت ، برنامه نویسان می توانند بدون هیچ زحمتی با تیم CDI و پزشکان همکاری کنند. برنامه های کاربردی مدرن CACارائه مشاهدات مهم مانند موارد دور از DNFB ، اسناد مفقود شده ، پرس و جوهای معلق و غیره. با یک گردش کار پرس و جو با امضای الکترونیکی/دستی ، پاسخ ها می توانند بخشی از نمودار کامل شوند.
سیستم های CAC عملکرد قابلیت ردیابی سند را ارائه می دهند (در صورت عدم وجود اسناد مورد نیاز در نمودار) پردازش زبان طبیعی داده های بدون ساختار را به یک قالب داده ساختار یافته تبدیل می کند که می تواند برای ایجاد گزارشات و اسناد در زمان واقعی استفاده شود.
یک برنامه CAC باید به شما این امکان را دهد کاربران در هر زمان و هر مکان برنامه نویسی می کنند. فاقد VPN ها و Citrix که در آن برنامه نویسان باید به EHR ها دسترسی داشته باشند ، یک برنامه CAC میزبانی شده به کاربران این امکان را می دهد که بدون در نظر گرفتن اینکه کدگذاران از نظر جغرافیایی در کجا قرار دارند ، یک مدل خدمات مشترک را راه اندازی کنند. رابط کاربری آن ، سرپرستان برنامه نویسی را قادر می سازد تا فرآیندهای خود را برای کارآمدترین کار برنامه نویسی بهینه کنند.
برای دریافت آخرین به روزرسانی های صنعت و پست های آموزشی ، وبلاگ و خبرنامه من و ezDI را دنبال کنید.
دفتر مرکزی آن در لوئیزویل ، کنتاکی است. ، ezDI ، Inc. بر توسعه راه حل های فناوری اطلاعات مراقبت های بهداشتی متمرکز است که از فناوری های پیشرفته از جمله پردازش زبان طبیعی (NLP) ، یادگیری ماشین ، وب معنایی و رایانش ابری با عملکرد بالا استفاده می کند. هدف این است که داده های عملیاتی را در اختیار متخصصان مراقبت های بهداشتی قرار دهیم تا به آنها در تشخیص فعال بیماران در معرض خطر ، الگوهای بیماری و نتایج درمان کمک کند. ezDI راه حلهای کاربردی فناوری اطلاعات مراقبت های بهداشتی را در بر می گیرد که شامل بهبود اسناد بالینی (CDI) ، نرم افزارهای برنامه نویسی به کمک رایانه (CAC) ، رونویسی پزشکی ، تجزیه و تحلیل و موارد دیگر است. وب سایت - www.ezDI.com.
#Healthcare #HealthcareIT #ComputerAssistedCoding #CAC #ICD10 #CloudComputing #HIPAA
در مقاله قبلی ، من درباره امکان یادگیری عمیق مبتنی بر بینایی رایانه با RNN ها و CNN ها بحث کردم.
عموماً مهندسان ML در یک مدل تخصص خواهند داشت معماری کنید و اجازه دهید دیگر صفحه نمایش کند.
هفته گذشته ، من پروژه نهایی دوره آشنایی با یادگیری عمیق از HSE (مدرسه عالی اقتصاد) را امتحان کرد. در این پروژه ، ما نحوه استفاده از خروجی یک شبکه عصبی کانولوشنال (CNN) را برای کارهای دیگری غیر از طبقه بندی یا رگرسیون تصویر یاد می گیریم. شبکه: یک شبکه عصبی مکرر (RNN). RNN نوعی شبکه عصبی است که می تواند با توالی هایی مانند متن ، صدا ، فیلم ، داده های مالی و موارد دیگر کار کند.
ترکیب CNN ها و RNN ها به ما کمک می کند تا در این مورد با تصاویر و دنباله های کلمات کار کنیم. به بنابراین ، هدف ایجاد زیرنویس برای یک تصویر معین است.
بینایی رایانه می تواند انقلابی در جهان ایجاد کند. تا کنون ، بینایی رایانه ای به انسان کمک کرده است تا مشکلات زیادی را حل کند ، مانند کاهش ترافیک و نظارت بر سلامت محیط.
تصاویر یک راکون جذاب ، لنی ، با حاشیه نویسی جعبه. (تصویر Roboflow.)از لحاظ تاریخی ، برای انجام بینایی کامپیوتری ، به یک پیش زمینه فنی واقعا قوی نیاز داشتید. پس از خواندن این پست ، باید درک خوبی از بینایی کامپیوتر بدون پیش زمینه فنی قوی داشته باشید و باید مراحل لازم برای حل مشکل بینایی رایانه را بدانید.
وقتی می خواهید از یک لیوان آب یک نوشیدنی بخورید ، چندین موارد مرتبط با بینایی اتفاق می افتد:
بینایی کامپیوتر یک چیز مشابه است ... اما برای رایانه ها!
مشکلات بینایی کامپیوتر در چند سطل مختلف قرار می گیرد. این مهم است زیرا مشکلات مختلف با روش های مختلف حل می شوند.
شش نوع مشکل بینایی رایانه وجود دارد که چهار مورد از آنها در تصویر بالا نشان داده شده است.
اگر می خواهید رایانه شما به شما در حل مشکلات مربوط به داده ها کمک کند ، معمولاً یک سری مراحل را دنبال می کنید. همین امر در مورد مشکلات بینایی رایانه صادق است ، مگر اینکه مراحل کمی متفاوت به نظر برسند.
یک فرآیند هفت مرحله ای برای حل مشکلات بینایی رایانه. (تصویر Roboflow.)ما هر یک از این مراحل را طی می کنیم ، با این هدف که در پایان فرآیند مراحل مورد نیاز برای حل مشکل بینایی کامپیوتر و همچنین یک مشکل خوب را بدانید. نمای کلی رایانه.
اگر هدف شما این است که رایانه خود را بشناسید تا بفهمد سگ ها چگونه به نظر می رسند ، پس کامپیوتر به شما نیاز دارد که به او بگویید کدام پیکسل ها مربوط به یک سگ است! اینجاست که تصویر خود را برچسب گذاری یا حاشیه نویسی می کنید. در زیر تصویری از مجموعه داده مادون قرمز حرارتی است که به طور فعال در حال حاشیه نویسی است. یک جعبه محدود کننده در اطراف فرد کشیده شده و یک جعبه محدود کننده جداگانه در اطراف سگ کشیده شده است. این کار توسط یک انسان انجام می شود. (از آنجا که این تصویر دارای بیش از یک شیء است و از کادرهای محدود کننده استفاده می کند ، می دانیم که این تصویر برای یک کار تشخیص شی استفاده می شود!) این کادرهای محدود کننده از طریق ابزاری به نام Microsoft VoTT یا ابزار برچسب گذاری ویژوال شی اضافه می شوند. < /p> حاشیه نویسی تصویر با Microsoft VoTT ؛ ما یک آغازگر در مورد نحوه استفاده از VoTT نوشتیم. (تصویر Roboflow.)
این تنها ابزار نیست - شما می توانید از ابزارهای دیگر مانند CVAT (Computer Vision Annotation Tool) ، برنامه وب Roboflow یا خود API بارگذاری ما استفاده کنید.
هنگامی که داده ها را جمع آوری کردید و ابزار خود را برای برچسب گذاری انتخاب کردید ، شروع به برچسب زدن می کنید! شما باید سعی کنید تا آنجا که می توانید تصاویر را برچسب گذاری کنید. اگر تعداد تصاویر شما بیش از آن چیزی است که می توانید برچسب گذاری کنید ، در اینجا چند استراتژی یادگیری فعال برای برچسب زدن موثرتر تصاویر آمده است.
همچنین می توانید کاری به نام افزایش تصویر انجام دهید. این کمی متفاوت است - این فقط بر تصاویری که شما برای آموزش مدل خود استفاده می کنید (نحوه مشاهده کامپیوتر را آموزش دهید) تأثیر می گذارد. در یک جمله ، بزرگنمایی تصویر تغییرات کوچکی در تصاویر شما ایجاد می کند به طوری که حجم نمونه شما (تعداد تصاویر) افزایش می یابد و به احتمال زیاد تصاویر شما منعکس کننده شرایط دنیای واقعی هستند. به عنوان مثال ، می توانید جهت تصویر خود را به طور تصادفی تغییر دهید. بگویید با تلفن خود از یک کامیون عکس می گیرید. اگر رایانه آن تصویر دقیق را ببیند ، ممکن است کامیون را تشخیص دهد. اگر رایانه تصویری مشابه از یک کامیون را مشاهده کرد که با دست کسی چند درجه چرخانده شده است ، ممکن است رایانه تشخیص کامیون را دشوارتر کند. افزودن مراحل تقویت ، حجم نمونه شما را با ایجاد کپی از تصاویر اصلی و سپس کمی مزاحمت برای آنها افزایش می دهد تا مدل شما دیدگاه های دیگری را نیز ببیند.
روشهای مختلفی وجود دارد که ما می توانیم میزان رایانه ما را به خوبی تشخیص دهیم.
مدلهای مختلفی وجود دارد که می توانند برای مشکلات تصویر استفاده شود ، اما رایج ترین (و معمولاً بهترین عملکرد!) شبکه عصبی پیچشی است. اگر از یک شبکه عصبی متغیر استفاده می کنید ، بدانید که بسیاری از قضاوت ها در معماری مدل وارد شده اند که بر قدرت دیدن رایانه شما تأثیر می گذارد! خوشبختانه برای ما ، تعداد زیادی معماری مدل از پیش تعیین شده وجود دارد که برای مشکلات مختلف بینایی رایانه بسیار خوب عمل می کند.
ممکن است بخواهید مدل خود را در برنامه ای قرار دهید ، بنابراین رایانه شما می تواند پیش بینی ها را در زمان واقعی مستقیماً از تلفن شما ایجاد کند! ممکن است بخواهید به برنامه ای در رایانه خود ، یا به AWS ، یا چیزی داخلی در تیم خود بپردازید. ما قبلاً به طور مفصل در مورد یکی از روشهای استقرار مدل بینایی رایانه در اینجا نوشتیم. اگر حداقل کمی با Python و API ها آشنا هستید ، این مستندات در مورد استنباط در بینایی رایانه می تواند مفید باشد!
صرف نظر از مراحل بعدی شما ، کار انجام نمی شود اینجا کاملاً تمام نمی شود! کاملاً مستند است که مدلهایی که به خوبی روی تصاویری که به آن می دهید کار می کنند ، ممکن است با گذشت زمان بدتر کار کنند. (ما برخی از تحقیقات گوگل در مورد این مشکل عملکرد مدل را مطالعه کردیم و نکات مهم ما را شرح دادیم.) با این حال ، ما امیدواریم که شما به این نتیجه رسیده اید که به هدفی که در ابتدای این پست نوشتیم رسیده اید:
از اینکه تا اینجا با ما همراه بودید متشکریم! هرگونه سوال یا منابع اضافی که در نظرات دارید به ما اطلاع دهید - و اگر چیزی در ارتباط با بینایی رایانه ایجاد می کنید ، خوشحال می شویم ببینیم شما چه کار می کنید!
در ابتدا در https: //blog.roboflow منتشر شده است .com در 23 نوامبر 2020.
شاید به این فکر افتاده اید که برای دکتری اقدام کنید. برنامه های علوم کامپیوتر قبل از تصمیم به پر کردن همه…