至顶网CIO与CTO频道 01月19日 编译:医疗保健数据年增长率预计至2025年将达36%,比其他如制造业、金融服务、媒体和娱乐行业都更快。而近在11年前,肠道非急性护理医院只有9.4%的医院配有有基本的电子健康记录(EHR)系统。
数据大量涌现的时机目前对医疗保健来说颇为不利,皆因医疗保健领域正发生两个根本的变化,其一,大家现在都在尽量获取、解释和共享电子健康记录(EHR)的大量数据,要扯电子健康记录的话大可以写另一篇专栏文章。其二,医生和医院的支付模式也在不断变化。
以前,医院所提供的服务严格按服务次数付费,又名缴费服务(FFS)模式。Medicare和Medicaid服务中心(Centers for Medicare and Medicaid Services ,缩写为CMS)以及私人健康保险公司现在尝试用基于价值的保健支付计划控制医疗保健费用,基于价值的保健支付计划又名缴费价值(FFV)支付,FFV支付根据医院和医生所提供的医疗保健服务质量和效率付费。
要灵巧地管理这些变化的影响,有关机构需要注意一些关键财务和运营指标。在这方面,大多数医疗卫生系统已经在着手处理各种护理质量、患者总体数量和支出数据来衡量性能等,但却通常忽视了另外三个关键数据点。三个关键数据点是:吸引患者、留住患者和召回患者。这三个关键数据点可以为医疗系统在实现其财政和护理质量目标以及未来的取向提供一个高度精确的快照。
几十年来,许多医院和卫生系统都对吸引患者一事不关心,因为门口的病人总是源源不断。最近,尽管许多市场经过整合,吸引一部分特别患者的竞争在增加,这些患者用的是商业健康保险计划,他们与报销额较低的Medicare及Medicaid不一样。事实上,根据医疗保险支付顾问委员会最近一份报告的资料,甚至高效医院在Medicare患者上花费的钱比赚到的钱还多2%。然而,如果一个机构通过CMS加入FFV计划,许多Medicare和Medicaid患者的结果和支出可以直接影响到其卫生系统的基线。
在这一块,数据和分析可以发挥重要的作用。对于大卫生系统来说,患者可以从社区医院转到自己系统里的专业(如心血管疾病或中风)医院可以是一种吸引新病人的方式。笔者曾在一些卫生系统里工作过,这些系统里面没几个系统会去跟踪和分析转到他们的专业医院的患者资料,例如患者是从哪里转来的,或是没有被吸引来而被竞争对手抢走的病人数目。跟踪和分析这些信息可以提供改进机会的信息,可以帮助健康系统推动FFS和FFV支付及可以确保为患者提供好的结果。
患者进了卫生系统的医院又出了医院,相应的机构需要将患者的资料存在医院内部和门诊设施网络里以便将来使用,额外的FFS支付以及FFV都是理由。例如,2019年里近1100万的医保患者参与了518责任关怀组织(ACO)计划,ACO计划基本上就是一批医院及诊所签了协议同意为这些患者提供服务及共享得到的收入。如果计划里一些病人接受不必要的服务,而其他人又因为花的钱未超额及满足了服务质量标准开支获得金融奖金(名为共享节省激励),那么ACO的这个计划就有可能赔钱。也就是说,即使病人去竞争对手那看病,ACO计划的参与患者最后得为竞争对手交付的服务买单,即便这些服务是多余的、重复的或不必要的治疗还是得买单。
对病人的病历、医疗保险索赔、商业承保人索赔以及相关信息进行研究和分析可以帮助卫生系统掌握各种趋势,例如卫生系统在留住系统内患者方面做得如何以及确认哪些机构或专业的患者最容易流失。有些卫生系统流失患者可能是因为病床不够用而转院或是因为社区医院的急诊医生的审批或咨询拖得太久。无论是哪一种情况,从数据得到的洞察可以帮助卫生系统将重点放在改善留住患者的机会上。
3、找回患者
同样,分析索赔和其他数据也可以显示有必要去找回或“召回”哪些病人,在卫生系统里为他们管理健保和成本。至于花在找回这些患者的力度可能取决于多种因素,例如他们在竞争对手那获得的医保类型或是患者是否隶属卫生系统的ACO。根据卫生系统的目标可以从数据里确定患者的优先级别。
召回行动可以是事先安排的与初级保健医生的会面、在病人家的远程医疗探视,或者直接给护士或其他医疗人士打电话。重点是让病人知道卫生系统及其供应商在患者的健康目标上是一致的以及希望确保他们继续得到高质量的服务。
医疗数据在不断地积累,务必以这三个数据点为出发点并检视其在卫生系统提供的优势。检视三个数据点从时间管理角度上不仅高效而且改善有关的相关指标也可以支持卫生系统的目标,无论支付模式或医疗行业发生别的变化时都是这样。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。