مثال تطبيقي. هذا مثال تطبيقي توضيحي وليس نتيجة عميل. مجموعة العيادات وكل رقم فيها افتراضات. يوضح الذكاء الاصطناعي للموافقة المسبقة: برنامج يقرأ ملف المريض ويستخرج الوقائع التي تطلبها جهة التأمين ويجمع الملف. لا يقرر الضرورة الطبية ولا يقدّم شيئًا بنفسه. يوافق المنسّق.
تخيّل مجموعة عيادات متعددة يستغرق فيها تجهيز ملف الموافقة المسبقة وقتًا طويلًا. للتوضيح، افترض أن المنسّقين يقضون وقتهم في نسخ الوقائع بين ملف المريض وبوابة جهة التأمين وقائمة تحقق. يستعرض هذا المقال التصميم وما يجب قياسه. لا يعرض أي نتيجة.
المجموعة افتراضية، فلا يوجد عميل نسمّيه. تفصيل واحد أهم من الاسم: خط المعالجة يستخرج ويجمع، لكنه لا يقدّم تلقائيًا أبدًا. يوافق المنسّق على كل ملف، ويحتفظ كل تشغيل بسجل تدقيق لما قرأه النموذج وما أنتجه.
أين يذهب الوقت في حالة موافقة مسبقة؟
ابدأ بالقياس لا بالبناء. راقب المنسّقين وهم يجهّزون عينة من الحالات وقِس زمن كل خطوة. الكتابة سريعة. أما البحث والقراءة وإعادة الإدخال فهي البطيئة.
- قراءة ملف المريض لتحديد التشخيص والأدوية التي جُرّبت دون جدوى وملاحظات الطبيب الذي أصدر الطلب.
- مطابقة تلك الوقائع مع متطلبات جهة التأمين المحددة، وهي تختلف بحسب الخطة.
- إعادة إدخال كل شيء في الملف والبوابة ثم التحقق مرة ثانية، موزّعًا بين المقاطعات.
- الانتظار. الملف المنجز نصفه يبقى معلقًا حتى يعود إليه المنسّق.
لذلك لم يكن الهدف يومًا "اكتب أسرع". كان "توقّف عن جعل شخص يبحث عن حقائق موجودة أصلًا في الملف".
كيف يقلّل الذكاء الاصطناعي للموافقة المسبقة من عمل التجهيز؟
كيف يقلّل الذكاء الاصطناعي وقت تجهيز الموافقة المسبقة؟
يقرأ ملف المريض ويستخرج الوقائع السريرية التي تطلبها جهة التأمين ويصيغ الملف ليراجعه المنسّق بدل أن يعيد إدخاله. ستقيس مجموعة العيادات زمن التجهيز وساعات المنسّقين قبل التطبيق وبعده. ويظل المنسّق يوافق على كل تقديم قبل أن يصل إلى جهة التأمين.
تعمل المنظومة على أربع خطوات: استخراج الحقائق ذات الصلة من الملف، وتجميعها في نسق ملف شركة التأمين، والتحقّق من وجود الحقول المطلوبة واتساقها الداخلي، ثم توجيه الملف إلى طابور موافقة المنسّق. لا شيء يغادر ذلك الطابور دون أن يضغط إنسان زر الموافقة.
يستخدم التصميم نمط معالجة المستندات نفسه في مثالينا التطبيقيين عن مطالبات الخدمات اللوجستية والتأهيل، مع ضبطه لقطاع صحي خاضع للتنظيم. وصف شكله في صفحة تنفيذ الذكاء الاصطناعي: استخراج، تحقق، توجيه، طابور موافقة بشرية. الفرق هنا هو سجل التدقيق. ولأن المجال صحي، يُسجَّل كل حقل قرأه النموذج وكل حقل كتبه، حتى يستطيع المراجع تتبّع أي سطر في الملف إلى مصدره في ملف المريض.
ماذا يحدث حين يُخطئ الذكاء الاصطناعي في حقيقة؟
يُكتشف الخطأ لأن شخصًا يقرأ. هذا هو الغرض كله من طابور الموافقة. توقّع أن جزءًا من الملفات المصاغة سيحتاج إلى تصحيح أو إضافة حقل من المنسّق، وتتبّع هذه النسبة. هذا ليس فشلًا في خط المعالجة. هذا خط المعالجة يؤدي عمله: يقدّم مسودة بسرعة ليقضي الإنسان وقته في المراجعة بدل البحث.
We are
تبني Stennir منظومة معالجة مستندات تصوغ ملفات الموافقة المسبقة ليوافق عليها منسّق، مع أثر تدقيق كامل.
We aren't
Stennir ليست روبوت تقديم تلقائي يُقرّر الضرورة الطبية أو يُقدّم مطالبات لشركة التأمين بمفرده.
لا توجد هنا عبارة منسوبة إلى عميل، لأنه لا يوجد عميل. اختبار التصميم هو هل يتوقف المنسّقون عن إعادة إدخال ملف المريض بينما لا يقرر النموذج شيئًا.
ماذا ستقيس مجموعة العيادات؟
زمن تجهيز الملف وساعات المنسّقين، قبل التطبيق وبعده، في العيادات نفسها ومع المنسّقين أنفسهم وتشكيلة جهات التأمين نفسها، مع أخذ خط الأساس قبل أن يتغير أي شيء. بهذا يُميَّز التحسن الحقيقي عن العرض التجريبي. لا يُدّعى هنا أي نتيجة.
إذا كنت تدير عمليات مجموعة عيادات وفريقك يعيد إدخال ملفات المرضى في بوابات جهات التأمين، فهذا هو شكل العمل الذي يناسبه هذا. نبدأ بالقياس، كما يفعل هذا المثال، قبل أن نبني أي شيء. يمكنك قراءة كيف نصيغ ذلك في صفحة استشارات الذكاء الاصطناعي، وكيف نفكر في بقية المدونة. إن بدا هذا كأسبوعك، أخبرنا بما تبنيه.
