యూనివర్శిటీ ఆఫ్ కాలిఫోర్నియా శాన్ డియాగో స్కూల్ ఆఫ్ మెడిసిన్ పరిశోధకుల నేతృత్వంలోని పైలట్ అధ్యయనం, అధునాతన కృత్రిమ మేధస్సు (AI) అధిక ఖచ్చితత్వాన్ని నిలుపుకుంటూ, మెరుగైన ఆరోగ్య సంరక్షణ డెలివరీకి దారితీసే సమయంలో సులభంగా, వేగవంతమైన మరియు మరింత సమర్థవంతమైన ఆసుపత్రి నాణ్యత రిపోర్టింగ్‌కు దారితీస్తుందని కనుగొంది.
అధ్యయన ఫలితాలు, అక్టోబర్ 21, 2024 ఆన్‌లైన్ ఎడిషన్‌లో ప్రచురించబడ్డాయి న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్ (NEJM) AIలార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMలు)ని ఉపయోగించి AI సిస్టమ్ కనుగొనబడింది, ఇది మాన్యువల్ రిపోర్టింగ్‌తో 90% ఒప్పందాన్ని సాధించడం ద్వారా ఆసుపత్రి నాణ్యతా చర్యలను ఖచ్చితంగా ప్రాసెస్ చేయగలదు, ఇది ఆరోగ్య సంరక్షణ రిపోర్టింగ్‌కు మరింత సమర్థవంతమైన మరియు విశ్వసనీయ విధానాలకు దారి తీస్తుంది.
UC శాన్ డియాగో హెల్త్ (JCHI)లో జోన్ మరియు ఇర్విన్ జాకబ్స్ సెంటర్ ఫర్ హెల్త్ ఇన్నోవేషన్‌తో కలిసి అధ్యయనం చేసిన పరిశోధకులు, LLMలు సంక్లిష్ట నాణ్యతా ప్రమాణాల కోసం ఖచ్చితమైన సంగ్రహణలను నిర్వహించగలవని కనుగొన్నారు, ప్రత్యేకించి సెంటర్స్ ఫర్ మెడికేర్ & మెడికేడ్ యొక్క సవాలు సందర్భంలో. తీవ్రమైన సెప్సిస్ మరియు సెప్టిక్ షాక్ కోసం సర్వీసెస్ (CMS) SEP-1 కొలత.
“ఆసుపత్రి వర్క్‌ఫ్లోలలో LLMల ఏకీకరణ ప్రక్రియను మరింత నిజ-సమయంలో చేయడం ద్వారా ఆరోగ్య సంరక్షణ డెలివరీని మార్చే వాగ్దానాన్ని కలిగి ఉంది, ఇది వ్యక్తిగతీకరించిన సంరక్షణను మెరుగుపరుస్తుంది మరియు నాణ్యమైన డేటాకు రోగి ప్రాప్యతను మెరుగుపరుస్తుంది” అని పోస్ట్‌డాక్టోరల్ పండితుడు మరియు ప్రధాన రచయిత ఆరోన్ బౌసినా అన్నారు. UC శాన్ డియాగో స్కూల్ ఆఫ్ మెడిసిన్‌లో చదువుతున్నారు. “మేము ఈ పరిశోధనను ముందుకు తీసుకువెళుతున్నప్పుడు, నాణ్యమైన రిపోర్టింగ్ సమర్థవంతంగా ఉండటమే కాకుండా మొత్తం రోగి అనుభవాన్ని మెరుగుపరిచే భవిష్యత్తును మేము ఊహించాము.”
సాంప్రదాయకంగా, SEP-1 కోసం సంగ్రహణ ప్రక్రియలో విస్తృతమైన రోగి చార్ట్‌ల యొక్క ఖచ్చితమైన 63-దశల మూల్యాంకనం ఉంటుంది, బహుళ సమీక్షకుల నుండి వారాల ప్రయత్నం అవసరం. రోగి చార్ట్‌లను ఖచ్చితంగా స్కాన్ చేయడం ద్వారా మరియు సెకన్లలో కీలకమైన సందర్భోచిత అంతర్దృష్టులను రూపొందించడం ద్వారా LLMలు ఈ ప్రక్రియకు అవసరమైన సమయాన్ని మరియు వనరులను నాటకీయంగా తగ్గించగలవని ఈ అధ్యయనం కనుగొంది.
నాణ్యత కొలత యొక్క సంక్లిష్ట డిమాండ్లను పరిష్కరించడం ద్వారా, పరిశోధనలు మరింత సమర్థవంతమైన మరియు ప్రతిస్పందించే ఆరోగ్య సంరక్షణ వ్యవస్థకు మార్గం సుగమం చేస్తాయని పరిశోధకులు విశ్వసిస్తున్నారు.
“ఆరోగ్య సంరక్షణ యొక్క అడ్మినిస్ట్రేటివ్ భారాన్ని తగ్గించడంలో సహాయపడటానికి మరియు మా వైద్య బృందాలు అందించే అసాధారణమైన సంరక్షణకు మద్దతివ్వడానికి మా నాణ్యతను మెరుగుపరిచే నిపుణులు ఎక్కువ సమయం వెచ్చించేలా సాంకేతిక పరిజ్ఞానాన్ని ఉపయోగించుకునే మా మార్గంలో మేము శ్రద్ధ వహిస్తాము” అని అధ్యయన సహ-అధ్యయనం చాడ్ వాన్‌డెన్‌బర్గ్ చెప్పారు. UC శాన్ డియాగో హెల్త్‌లో రచయిత మరియు ముఖ్య నాణ్యత మరియు రోగి భద్రతా అధికారి.
లోపాలను సరిదిద్దడం మరియు ప్రాసెసింగ్ సమయాన్ని వేగవంతం చేయడం ద్వారా LLMలు సామర్థ్యాన్ని మెరుగుపరుస్తాయని అధ్యయనం యొక్క ఇతర కీలక ఫలితాలు కనుగొన్నాయి; పనులను ఆటోమేట్ చేయడం ద్వారా పరిపాలనా ఖర్చులను తగ్గించడం; సమీప నిజ-సమయ నాణ్యత అంచనాలను ప్రారంభించడం; మరియు వివిధ ఆరోగ్య సంరక్షణ సెట్టింగ్‌లలో కొలవదగినవి.
భవిష్యత్ దశల్లో పరిశోధన బృందం ఈ ఫలితాలను ధృవీకరించడం మరియు విశ్వసనీయ డేటా మరియు రిపోర్టింగ్ పద్ధతులను మెరుగుపరచడానికి వాటిని అమలు చేయడం వంటివి ఉన్నాయి.
ఈ అధ్యయనం యొక్క సహ రచయితలలో షమీమ్ నేమాటి, రిషివర్ధన్ కృష్ణమూర్తి, కింబర్లీ క్వింటెరో, శ్రేయాన్ష్ జోషి, గాబ్రియేల్ వార్డి, హేడెన్ పోర్, నికోలస్ హిల్బర్ట్, అతుల్ మల్హోత్రా, మైఖేల్ హోగార్త్, అమీ సీతాపతి, కరణదీప్ సింగ్, మరియు ఉన్‌ఘర్స్ట్ శాన్ డిఫెతో పాటు క్రిస్టోఫర్ లాంగ్‌హర్స్ట్ ఉన్నారు.
ఈ అధ్యయనానికి కొంత భాగం నేషనల్ ఇన్‌స్టిట్యూట్ ఆఫ్ అలెర్జీ అండ్ ఇన్ఫెక్షియస్ డిసీజెస్ (1R42AI177108-1), నేషనల్ లైబ్రరీ ఆఫ్ మెడిసిన్ (2T15LM011271-11 మరియు R01LM013998) మరియు నేషనల్ ఇన్‌స్టిట్యూట్ ఆఫ్ జనరల్ మెడికల్ సైన్సెస్ (R35GM14312) మరియు K25GM14312 .
