Maskinlæring forbedrer sertifisering av helseforetak

Den amerikanske Helseorganisasjonen The Joint Commission søkte hjelp hos Crayon da de skulle finne en løsning til å forbedre prosessen med sertifisering av helseforetak. Et samarbeid med Inmeta muliggjorde å ta i bruk maskinlæring.

Publisert: 25.01.2024

Lesetid: ca 7 min

Kvinnelig lege og pasient ser på ipad

Foto: The Joint Commission

Helsesektoren er en dynamisk bransje som utvikler seg raskt. Behovet for innovasjon og effektivitet aldri har vært større og COVID-19-pandemien tydeliggjorde viktigheten av å finne løsninger som kan tilpasse seg det stadig skiftende landskapet. Helseorganisasjonen The Joint Commission har i oppdrag å akkreditere og sertifisere tusenvis av helseorganisasjoner og programmer i USA, og har stått overfor en monumental utfordring - å sikre konsekvens i funn under helseinspeksjoner.

For å finne en løsning til å forbedre prosessen med sertifisering av helseforetak innledet The Joint Commission et samarbeid med Crayon for å bruke maskinlæring til å forbedre konsekvens, effektivitet og etterlevelse av krav i inspeksjonene.

Inmeta, som et konsulentselskap i Crayon med et ledende fagmiljø innen AI, ble engasjert for å utvikle løsningen.

Quote

Prosjektet og kunnskapen vi har fått legger grunnlaget for flere muligheter til å utnytte data og teknologier for å fremme vårt oppdrag, å forbedre kvaliteten i helseomsorgen og redusere skader på pasienter. Quote

Kin Lee.

Chief Digital and Information Officer

The Joint Commission er en uavhengig, ideell organisasjon som evaluerer og akkrediterer mer enn 22 000 helseorganisasjoner og programmer i USA. De er nasjonens eldste og største standardsetter og akkrediteringsorgan i helsevesenet.

Fra observasjoner til data

Se for deg en helseinspektør som navigerer i det komplekse terrenget til en helseinstitusjon, og observerer nøye alle aspekter av pasientbehandlingen. Det er en oppgave som krever presisjon og detaljorientering. Uansett om det gjelder pasientsikkerhet eller helsetiltak, har hver observasjon stor betydning. Den virkelige utfordringen her er å oversette disse observasjonene til forståelige data, og å tilpasse dem til en tusenvis av standarder og Elements of Performance (EPs) som styrer helsesektoren. 

Alle amerikanske helseinstitusjoner må sertifiseres som "egnet til å drive." Denne sertifiseringen krever at helseorganisasjoner oppfyller kravene samtidig som de gir god nok service. The Joint Commission er en av de få organisasjonene som utsteder slike sertifiseringer, og selskapet garanterer etterlevelse gjennom inspeksjoner. Disse inspeksjonene dekker et utvalg av offentlige standarder, forskrifter, krav og prosedyrer.

Idet behovet for transformasjon ble erkjent, bega The Joint Commission seg ut på en reise i samarbeid med IT-selskapet Crayon og IT-konsulentselskapet Inmeta. Målet var å utnytte den transformative kraften til maskinlæring og kunstig intelligens for å effektivisere prosessen med kartlegging av funn fra helseinspeksjoner.

Intelligent maskinlæring: en ny tilnærming

Den stadig skiftende naturen til EPs var kjernen i utfordringen til The Joint Commission. Inmeta fikk i oppgave å utvikle en intelligent maskinlæringsløsning som kunne håndtere de hyppige endringene. Tidlig i prosjektet var det tydelig at en tradisjonell løsning med klassifisering ikke ville fungere. Etter å ha omformulert problemstillingen endte løsningen på et spørsmål-og-svar-rammeverk. Hver observasjon ble gjort under en inspeksjon til et 'spørsmål', og den tilsvarende EP ble 'svaret'.

Forbedret konsekvens, effektivitet og prosess

Påvirkningen til denne maskinlæringsløsningen har vært betydelig. Helseorganisasjonen har opplevd en merkverdig forbedring i konsekvensen av funn, en avgjørende faktor for å sikre de høyeste standardene innen helsevesenet. Inspektører kan i dag utføre oppgavene sine mer effektivt, og prosessen med å tildele standarder og EPs har aldri vært mer strømlinjeformet.

Kin Lee, Chief Digital and Information Officer, understreker:

Quote

Initiativet "Maskinlæring for konsekvens i inspeksjoner" utnytter våre rike data til å forbedre konsekvensen i funnene og operasjonell effektivitet. Quote

I en tid der teknologi og helse møtes, står initiativet som et bevis på det utrolige potensialet maskinlæring har for å tette hull og sikre at hver enkelt mottar den best mulige omsorgen.

Å styrke helseekspertise gjennom teknologi, innovasjon og partnerskap

Samarbeidet mellom The Joint Commission, Crayon og Inmeta er et bevis på kraften til teknologi, innovasjon og partnerskap i jakten på bedre helse. Det viser hvordan en fremtidsrettet tilnærming til kunstig intelligens og maskinlæring kan være med på å omforme en bransje som er grunnleggende for alles velvære. Dette prosjektet tjener som et eksempel for helseorganisasjoner over hele verden, og understreker den transformative påvirkningen av teknologi på reisen til tryggere helsehjelp med høyere kvalitet.

«Vi er veldig fornøyde med vårt internasjonale samarbeid Crayon og The Joint Commission. Vi er stolte å kunne bringe vår kompetanse til USA og løse utfordringer til gode for samfunnet og møte behov for effektivisering. Maskinlæring kan løse mange ulike komplekse utfordringer, også i helsevesenet. Vi håper vår løsning kan tjene og inspirere flere helseorganisasjoner globalt fremover.» Sier Alexander Vaagan, Chief Data Scientist i Inmeta.

Oppsummert

Utfordringene:
  • Komplekse helsestandarder: Administrasjon og tilpasning av tusenvis av helsestandarder og Elements of Performance (EPs) under inspeksjoner.
  • Tidkrevende kartlegging: Inspektører brukte betydelig tid på manuelt å kartlegge observasjoner til standarder.
  • Forskrifter i stadig endring: EPs endret seg hver sjette måned, noe som gjorde det vanskelig å tilpasse seg og opprettholde konsekvens i funnene.
  • Store datamengder å navigere i: Hvordan effektivt dra nytte av historiske data for å forbedre resultater og forenkle sertifiseringsprosesser. 
Løsningen:
  • Maskinlærings-transformasjon: Utvikle en maskinlæringsløsning ved hjelp av Microsoft Azure for å automatisere kartleggingen av funn i inspeksjoner til relevante forskrifter og EPs.
  • Spørsmål-svar-rammeverk: Prosjektet omformulerte problemet som en utfordring med spørsmål og svar, ved å utnytte Universal Sentence Encoder (USE) for å lage vektorrepresentasjoner for observasjoner og EPs.
  • Azure-økosystem: Løsningen utnyttet Azure-verktøy som PyTorch, DataFactory og AKS, mens AI-pipeliner sikret robust opplæring og distribusjon.
  • Semantisk søk: En intuitiv 'søk-mens-du-skriver'-mekanisme ble implementert for å umiddelbart foreslå de mest relevante EPs mens inspektørene skrev inn observasjonene sine.
Verdien:
  • Forbedret konsekvens: Løsningen har forbedret konsekvensen betydelig i funn under helseinspeksjoner
  • Økt effektivitet: Inspektører kan fokusere mer på inspeksjonsoppgaver, redusere tiden brukt på å navigere gjennom komplekse standarder og forskrifter.
  • Strømlinjeformet sertifisering: Sikret at helseorganisasjoner møtte kravene effektivt.
  • Økt troverdighet: Færre avvik og bedre tilpasningsevne til endrede forskrifter økte tillit til revisjonsprosessen
  • Tidsbesparelser: Tiden brukt på å identifisere forskrifter ble anslått å avta med minst 95%, som gjør at flere revisjoner kan gjennomføres årlig.
  • Forbedret datanytte: The Joint Commission la grunnlaget for ytterligere datadrevne fremskritt, i tråd med sitt oppdrag om å forbedre helseomsorgens kvalitet og redusere skader på pasienter.
  • Skalerbarhet: Robuste og bærekraftig arkitektur i løsningen kan potensielt gagne hele helseindustrien.
For mer informasjon, ta kontakt
Alexander Vaagan
Alexander Vaagan

Chief Data Scientist
Kunstig intelligens