利用机器学习和机器人过程自动化来识别和转换非结构化结肠镜检查结果成可操作的数据:概念验证研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床工作流程优化 临床工作流程优化

背景情况:

• 越来越多的患者数量和质量倡议需要有效的结肠直肠癌 (CRC) 查间隔记录.
• 目前用于从外部结肠镜检查报告中提取CRC查随访日期的方法通常是手动的,容易出现错误.
• 需要自动化解决方案来确保准确和及时的CRC查患者随访.

研究的目的:

• 开发和实施使用机器学习 (ML) 和机器人过程自动化 (RPA) 的集成,端到端的工作流程解决方案.
• 为了自动提取和更新结肠直肠癌 (CRC) 查跟踪日期,从电子健康记录 (EHR) 中的非结构化数据中进行跟踪.
• 为了提高记录CRC查间隔的准确性和效率,从收到的结肠镜报告.

主要方法:

• 开发了一个概念验证过程,涉及六个阶段:差距识别,目标定义,技术选择,过程架构创建,验证和卫生系统范围内的实施.
• 在Epic Systems EHR平台内对结肠镜报告进行了ML模型训练.
• 集成ML和RPA创建自动化工作流程,从外部结肠镜检查报告中提取和更新CRC查回忆日期.

主要成果:

• 自动化过程从690份结肠镜检查报告中确定有效的后续检查日期,达到80.7%的准确率.
• 在过程验证期间的后续日期观察到32.9%的虚假负认定率.
• 在实施后,该系统处理了16563份外部结肠镜报告,其中35.3%用于RPA处理.

结论:

• 利用ML和RPA的自动化工作流程可用于提取和更新CRC查后续日期,提高召回精度和减少文档负担.
• 这种方法解决了EHR文档缺陷和质量测量数据整合挑战.
• 该解决方案提供了克服医疗保健互操作性问题的实用方法,并利用非结构化数据.