les coûts des soins de santé au volant de la demande pour les applications avec de grands aspects de la santé axées sur les données. Au cours des dernières décennies, les dépenses de soins de santé des États-Unis a dépassé la croissance du PIB, et plus que tout autre frais médicaux d'un pays développé. Selon l'Organisation de coopération et de développement économiques (OCDE) a déclaré que, malgré le niveau élevé des dépenses, mais si la commodité, l'égalité, la qualité, l'efficacité et les personnes en santé comme indicateur, le système de soins de santé des États-Unis dans les 11 pays au dernier rang (suite . la figure). Numérisé données médicales et normalisent le partage des données et de plaidoyer afin d'améliorer et de réduire le coût du stockage des données, et peuvent fonctionner sur du matériel des produits de base, ils ont tous contribué à l'utilisation des données importantes dans l'industrie médicale, et à un moindre coût pour une meilleure santé les services de santé comme l'objectif.
Réduire la fraude médicale avec gros volumes de données, les déchets et les abus
Dans l'industrie des soins de santé aux États-Unis, le coût de la fraude, le gaspillage et l'abus généré est un facteur important dans l'augmentation des coûts des soins de santé, mais grande analyse des données peut être appelé réformateurs de ce phénomène. centres de soins et d'aide médicale médicale utilisent l'analyse prédictive peut mettre un terme à un total de l'année plus de 210 millions de fraude d'assurance-maladie. Hadoop grande base de données sur la base de la plate-forme de United Healthcare pour réaliser une transition vers un environnement de modélisation prévisible. La grande plate-forme de données, systèmes capables façon reproductible à l'application de la demande de discrimination injuste et obtenir des commentaires de données 2200%.
La clé est d'identifier la fraude par le stockage et la traçabilité des dossiers pour analyser la rémunération record historique pour les grandes quantités de données non structurées ensembles de, et utilise des algorithmes d'apprentissage machine à des choses et le mode de dépistage inhabituelles.
Les organismes de santé peuvent être déterminées en analysant les dossiers des patients et des anomalies de facturation, telles que l'utilisation excessive des services médicaux à court terme, les patients ont reçu des services médicaux dans différents hôpitaux dans des endroits différents, ou le même patient a obtenu la même ordonnance à un certain nombre d'institutions .
La qualité et l'efficacité de l'industrie des soins de santé des patients est la clé du succès, mais conduit à un environnement au rythme rapide, la responsabilité médicale continue d'être un problème.
Réduire le risque de responsabilité médicale
La collecte de données est utilisé pour aider à réduire ces risques, d'augmenter les profits, les résultats prévus, et même d'offrir de meilleurs résultats moins de déchets. Big données peuvent aider à améliorer l'efficacité des hôpitaux et des centres de soins.
les entreprises du secteur privé se développe rapidement entre 2010 et 2016 a établi le 200, conçu pour fournir:
- Une nouvelle analyse de données
- La collecte de nouvelles données
- De nouvelles données
Il y a eu certains groupes utilisent ces nouvelles solutions pour réduire les demandes et d'améliorer les résultats des patients.
Le médecin Empowerment Suite SE Santé
Médecin Empowerment Suite est une solution basée sur le cloud, au-delà des bases de données volumineuses. Le rôle de la solution est d'analyser les données sous-jacentes pour aider à fournir des solutions aux utilisateurs informations exploitables d'aider à mieux comprendre l'efficacité et l'expérience des patients de l'équipe.
Il y a trois plates-formes: l'expérience des patients, l'efficacité clinique et de l'efficacité du remboursement .
Le rôle de ces outils sont utilisés pour aider à éviter les litiges découlant du fait de la faute médicale. Les données peuvent être utilisées à des équipes d'aide à comprendre leurs erreurs, à condition d'éviter les erreurs communes, et de fournir une atmosphère plus centrée sur le patient.
Répondre aux préoccupations dans le domaine médical par le biais de grandes données, l'équipe a été en mesure de prendre des mesures immédiates et résoudre les problèmes potentiels non tenues. Cela permet d'éviter des problèmes plus complexes et difficiles refait surface la santé, parce que l'équipe leur contrôle avant que les problèmes ont commencé à la surface.
Big data est encore utilisé pour améliorer l'environnement médical. Être plate-forme développée pratiquera et effectuer des changements critiques, afin de créer un meilleur environnement pour les patients.
Lorsque des données volumineuses sont disponibles et l'analyse appropriée, le fournisseur peut mieux comprendre l'expérience du patient. Il les aide à mieux comprendre l'histoire du patient, troublé par leur état, même de la taille, ils sont susceptibles de souffrir de la maladie à l'avenir.
Big Data peut être personnalisé pour répondre à la demande de soins de santé, plutôt que de réduire les soins de santé. Bien sûr, les grandes données peuvent aider à réduire le risque de faute professionnelle, et le potentiel de sauver plus de vies.
Les données de cas de faute professionnelle médicale
Créer une puissante expérience d'apprentissage à l'aide des données des réclamations pour faute professionnelle médicale fermée. l'extraction et l'analyse des données est de faire quelque chose:
- Sauver des vies
- réduire les dépenses
- Améliorer la sécurité des patients
- réduire les erreurs
Les données utilisées à partir d'une des erreurs précédentes qui ont conduit à l'erreur ne sera jamais corrigée. L'objectif est d'utiliser de grandes données pour trouver des moyens d'améliorer le traitement médical des patients les résultats en regardant les erreurs du passé et d'utiliser les données.
L'aide gouvernementale est fournie par une base de données appelée la base de données nationale praticiens (BDNM) fourni. Le Congrès a créé la BDNM, pour fournir des données de soins médicaux, y compris des informations sur les litiges pour faute professionnelle médicale.Comme plus de données numérisées et accessibles au public, il fournira une solution puissante pour Big Data comme un moyen viable de réduire le risque de responsabilité médicale. protection anonyme pour ces solutions est essentielle pour se développer, il est que toutes les parties conviennent d'améliorer la qualité des soins des choses.
Les compagnies d'assurance, les professionnels de la santé et les législateurs exhortent l'utilisation de grands volumes de données, si elles sont utilisées correctement, peuvent améliorer les résultats des patients et réduire les coûts de litiges.
L'analyse prédictive pour améliorer le traitement
L'utilisation efficace d'un grand nombre de tentative positive, par exemple, est l'accélération des dossiers de santé électroniques (dossiers de santé électroniques, DSE), le nombre et les détails de l'information du patient, grâce à une combinaison de plusieurs sources d'information, l'analyse d'une grande variété de structurés et non structurés les données contribuera à améliorer la précision du diagnostic de l'état du patient, et le risque de maladie ou de prédire la maladie d'un patient puis correspondant à la condition selon le plan de traitement.
Données aux dossiers de santé électroniques (DSE) est dérivé du modèle de prédiction est appliquée à la détection précoce de la maladie, et réduit également la mortalité de certaines maladies, comme l'insuffisance cardiaque congestive (CHF) et d'autres maladies et septicémie. Réduire la mortalité dans la maladie cardiaque (insuffisance cardiaque congestive, CHF) et la septicémie. CHF dans la plus grande proportion des dépenses de soins de santé, CHF plus tôt sera le meilleur traitement, cela peut éviter de dépenser plus d'argent le traitement des complications. Mais les médecins ignorent souvent ses manifestations cliniques précoces. Une machine d'apprentissage de l'exemple de Georgia Institute of Technology a montré que les algorithmes d'apprentissage machine capable d'analyser un patient qu'un médecin du tableau en plusieurs facteurs en même temps en ajoutant des fonctionnalités supplémentaires, l'algorithme d'apprentissage automatique peut effectivement améliorer le modèle de distinguer les patients atteints de CHF et les patients non-CHF capacité.
En analysant des données de grands échantillons contient plus de données des patients, des modèles prédictifs et apprentissage machine à découvrir les nuances et les modèles précédemment échoué à trouver. laboratoire Optum pour recueillir des informations auprès des patients EHRs 300.000, créer une base de données énorme pour les outils d'analyse prédictive. Ces outils aideront les médecins à prendre des décisions basées sur des informations de données grande, ce qui améliore les soins aux patients.
