ക്ലിനിക്കൽ ഡാറ്റയുടെ ഗുണനിലവാരം: ആരോഗ്യരംഗത്തെ AI വൃത്തിയുള്ള രേഖകളിൽ നിന്ന് തുടങ്ങേണ്ടത് എന്തുകൊണ്ട്

ആരോഗ്യരംഗത്തെ നിർമിതബുദ്ധിയെക്കുറിച്ചുള്ള (AI) ഓരോ വാഗ്ദാനവും, അപൂർവമായി മാത്രം ഉറക്കെപ്പറയുന്ന ഒരു അനുമാനത്തിന്മേലാണ് നിൽക്കുന്നത്: അത് വായിക്കുന്ന രേഖകൾ ശരിയാണ് എന്നതാണ് ആ അനുമാനം. ഒരു കുറിപ്പിന്റെ കരട് തയ്യാറാക്കുന്ന സ്ക്രൈബ് (scribe), നില വഷളാകുന്ന രോഗിയെ ചൂണ്ടിക്കാണിക്കുന്ന മോഡൽ (model), ആയിരക്കണക്കിന് രോഗികളിലായി രണ്ട് ചികിത്സകളെ താരതമ്യം ചെയ്യുന്ന പഠനം: ഇവ ഓരോന്നും അവയ്ക്ക് അടിസ്ഥാനമായ ഡാറ്റയുടെ (data) അത്രമാത്രമേ നല്ലതാകൂ.

മിക്ക ആശുപത്രികളിലും ആ ഡാറ്റ ആരും കരുതുന്നതിനേക്കാൾ മോശമാണ്, ആരും അത് അളന്നുനോക്കിയിട്ടുമില്ല. ക്ലിനിക്കൽ ഡാറ്റയുടെ ഗുണനിലവാരം എന്നാൽ എന്താണ്, അത് എങ്ങനെ അളക്കാം, ഇന്ത്യൻ ആശുപത്രികളിലും ക്ലിനിക്കുകളിലും അത് എവിടെ പിഴയ്ക്കുന്നു, ഉറവിടത്തിൽ തന്നെ അത് എങ്ങനെ തിരുത്താം എന്നിവ ഈ ലേഖനം വിശദീകരിക്കുന്നു.

ക്ലിനിക്കൽ രേഖകളുടെ കാര്യത്തിൽ “ഡാറ്റയുടെ ഗുണനിലവാരം” എന്നാൽ എന്ത്

ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡ് (electronic health record, EHR) ഡാറ്റ പഠിക്കുന്ന ഗവേഷകർ ഈ ആശയം കൃത്യമായി നിർവചിക്കാൻ ശ്രമിച്ചിട്ടുണ്ട്. 2013-ൽ Weiskopf, Weng എന്നിവർ നടത്തിയ, വ്യാപകമായി ഉദ്ധരിക്കപ്പെടുന്ന ഒരു അവലോകനം 95 പഠനങ്ങൾ പരിശോധിച്ചു, അവയിൽ ഉപയോഗത്തിലുള്ള 27 വ്യത്യസ്ത പദങ്ങൾ കണ്ടെത്തി, അവയെ അഞ്ച് മാനങ്ങളായി ചുരുക്കി:

• പൂർണത (Completeness): രോഗിയെക്കുറിച്ച് രേഖയിൽ ഉണ്ടാകേണ്ട ഒരു വസ്തുത യഥാർഥത്തിൽ അവിടെയുണ്ടോ?
• ശരിയായിരിക്കൽ (Correctness): രേഖപ്പെടുത്തിയിരിക്കുന്നത് സത്യമാണോ?
• പൊരുത്തം (Concordance): രേഖയുടെ ഭാഗങ്ങൾ പരസ്പരവും മറ്റ് സ്രോതസ്സുകളുമായും യോജിക്കുന്നുണ്ടോ?
• വിശ്വസനീയത (Plausibility): നമുക്കറിയാവുന്ന മറ്റെല്ലാം വെച്ചുനോക്കുമ്പോൾ ഒരു മൂല്യം യുക്തിസഹമാണോ?
• കാലികത (Currency): രേഖ അവകാശപ്പെടുന്ന സമയത്തെ രോഗിയുടെ അവസ്ഥ തന്നെയാണോ അത് കാണിക്കുന്നത്?

പിന്നീട് 2016-ൽ Kahn-ഉം സഹപ്രവർത്തകരും മുന്നോട്ടുവെച്ച ഒരു ചട്ടക്കൂട് (framework), പരിശോധനകളെ മൂന്ന് തരങ്ങളായി തിരിച്ചു. നിങ്ങൾക്ക് യഥാർഥത്തിൽ നടത്താവുന്ന ടെസ്റ്റുകളുമായി ഇവ കൃത്യമായി ഒത്തുപോകുന്നു:

• അനുരൂപത (Conformance): മൂല്യങ്ങൾ പ്രതീക്ഷിക്കുന്ന ഫോർമാറ്റും കോഡ് സെറ്റും ബന്ധങ്ങളും പാലിക്കുന്നുണ്ടോ? തീയതി തന്നെയായ ഒരു തീയതി, സാധുവായ ICD-10 കോഡായ ഒരു രോഗനിർണയം, നിലവിലുള്ള ഒരു ഓർഡറുമായി ബന്ധിപ്പിച്ച ലാബ് ഫലം.
• പൂർണത (Completeness): ഒരു ഫീൽഡ് പൂരിപ്പിക്കപ്പെടുന്നത് തന്നെ എത്ര തവണയാണ്?
• വിശ്വസനീയത (Plausibility): മൂല്യങ്ങൾ വിശ്വസിക്കാവുന്നതാണോ? 720 എന്ന പൾസ്, അഡ്മിഷന് മുമ്പുള്ള ഡിസ്ചാർജ്, ഗർഭിണിയായി രേഖപ്പെടുത്തിയ ഒരു പുരുഷൻ.

ഇതേ പ്രബന്ധം പരിശോധിച്ചുറപ്പിക്കൽ (verification: നിങ്ങളുടെ സ്വന്തം നിയമങ്ങളുമായും പ്രതീക്ഷകളുമായും ഡാറ്റ ഒത്തുനോക്കൽ), സാധൂകരണം (validation: കടലാസിലെ കേസ് നോട്ടുകളോ മറ്റൊരു സിസ്റ്റമോ പോലുള്ള പുറത്തുള്ള ഒരു അവലംബവുമായി ഒത്തുനോക്കൽ) എന്നിവയെ വേർതിരിക്കുന്നു. രണ്ടും ആവശ്യമാണ്. പരിശോധിച്ചുറപ്പിക്കൽ ചെലവ് കുറഞ്ഞതും സ്വയം നടക്കുന്നതുമാണ്; സാധൂകരണം കൂടുതൽ സമയമെടുക്കും, നിയമങ്ങൾക്ക് പിടികൂടാനാവാത്തവ അത് കണ്ടെത്തും.

ക്ലിനിക്കൽ ഡാറ്റ എവിടെയാണ് പിഴയ്ക്കുന്നത്

മിക്ക പ്രശ്നങ്ങളും സാധാരണമാണ്, മിക്കതും ഡാറ്റ രേഖപ്പെടുത്തുന്ന നിമിഷത്തിൽ തന്നെയാണ് സംഭവിക്കുന്നത്.

കടലാസും സ്വതന്ത്ര വാചകവും (free text). ഒരു വാക്യമായി എഴുതിയ രോഗനിർണയം, ഫോട്ടോ എടുത്ത കുറിപ്പടി, സ്കാൻ ചെയ്ത ഡിസ്ചാർജ് സംഗ്രഹം. ഒരാൾക്ക് വായിക്കാം, പക്ഷേ ഒരു ക്വറിക്ക് (query) അവ കാണാനാവില്ല.

ഒരേ രോഗി രണ്ടുതവണ. ഒരു രോഗി മാർച്ചിൽ “എസ്. കുമാർ” എന്നും ജൂണിൽ പുതിയൊരു ഫോൺ നമ്പറുമായി “സുരേഷ് കുമാർ” എന്നും രജിസ്റ്റർ ചെയ്യപ്പെടുന്നു. അദ്ദേഹത്തിന്റെ ചരിത്രം രണ്ട് രേഖകളിലായി വിഭജിക്കപ്പെടുന്നു; ഏതെങ്കിലും ഒന്ന് നോക്കുന്നയാൾ അതിന്റെ പകുതി മാത്രമേ കാണൂ.

യൂണിറ്റുകളും ദശാംശ പിഴവുകളും. കിലോഗ്രാം ഫീൽഡിൽ പൗണ്ടിൽ എഴുതിയ ഭാരം, 2.50 എന്ന് ഉദ്ദേശിച്ചിടത്ത് 250 എന്ന് രേഖപ്പെടുത്തിയ ലെൻസ് പവർ, ലാബ് 11.5 g/dL എന്ന് റിപ്പോർട്ട് ചെയ്യുമ്പോൾ 115 എന്ന് ചേർത്ത ഹീമോഗ്ലോബിൻ.

അയഞ്ഞ കോഡിങ്. ശരിയായ ICD-10 കോഡ് കണ്ടെത്താൻ സമയമെടുക്കും, അതിനാൽ കൂടുതൽ അവ്യക്തമായ ഒന്ന് തിരഞ്ഞെടുക്കുന്നു, അല്ലെങ്കിൽ ഒന്നും തിരഞ്ഞെടുക്കുന്നില്ല. ബ്രിട്ടനിലെ (UK) 32 പഠനങ്ങളുടെ ഒരു ചിട്ടയായ അവലോകനം, കേസ് നോട്ടുകളുമായി ഒത്തുനോക്കിയപ്പോൾ രോഗനിർണയ കോഡിങ്ങിന്റെ മീഡിയൻ (median) കൃത്യത 80.3% ആണെന്ന് കണ്ടെത്തി; ഓരോ പഠനത്തിലും ഇത് 50.5% മുതൽ 97.8% വരെ ആയിരുന്നു. ആശുപത്രികൾക്ക് ലഭിക്കുന്ന പണം അതിനെ ആശ്രയിച്ചായിത്തുടങ്ങിയതോടെ കൃത്യത കുത്തനെ ഉയർന്നു; കോഡിങ് മെച്ചപ്പെടുന്നത് എന്തുകൊണ്ടാണെന്നതിനെക്കുറിച്ച് ഇത് ചിലത് പറയുന്നുണ്ട്. ഇന്ത്യൻ ആശുപത്രികളിലെ ഡിസ്ചാർജ് കോഡിങ്ങിനെക്കുറിച്ച് സമാനമായ, പ്രസിദ്ധീകരിക്കപ്പെട്ട കണക്കൊന്നും ഞങ്ങൾക്കറിയില്ല. എന്നാൽ ഉത്തരേന്ത്യയിലെ ഒരു ടേർഷ്യറി (tertiary) ആശുപത്രിയിൽ 2025-ൽ നടന്ന ഒരു പഠനം, 1,147 മരണകാരണ സർട്ടിഫിക്കറ്റുകളിൽ ഏകദേശം 10-ൽ 1 എണ്ണം മാത്രമാണ് ശരിയായി പൂരിപ്പിച്ചിരുന്നതെന്ന് കണ്ടെത്തി.

കോപ്പി-ഫോർവേഡ് (copy-forward). പുതിയത് എഴുതുന്നതിനേക്കാൾ വേഗത്തിൽ കഴിയുമെന്നതിനാൽ, ഇന്നലത്തെ പരിശോധനാവിവരങ്ങൾ ഇന്നത്തെ കുറിപ്പിലേക്ക് അതേപടി പകർത്തുന്നു. രേഖ പൂർണമായി തോന്നും, പക്ഷേ അത് കാലഹരണപ്പെട്ടതായിരിക്കും.

രേഖപ്പെടുത്താത്ത ’ഇല്ല’കൾ. ഫീൽഡ് വെറുതെ ശൂന്യമായിരിക്കുമ്പോൾ, “അറിയപ്പെടുന്ന അലർജികളൊന്നുമില്ല” എന്നതും “അലർജിയെക്കുറിച്ച് ചോദിച്ചില്ല” എന്നതും ഒരുപോലെ തോന്നും.

അത് എങ്ങനെ അളക്കാം

അളക്കാത്തത് നിങ്ങൾക്ക് തിരുത്താനാവില്ല, തുടങ്ങാൻ ഒരു ഡാറ്റ വെയർഹൗസിന്റെ (data warehouse) ആവശ്യവുമില്ല. നിങ്ങൾക്ക് പ്രധാനപ്പെട്ട ഉപയോഗം തിരഞ്ഞെടുക്കുക, പിന്നെ ആ ഉപയോഗം ആശ്രയിക്കുന്ന ഏതാനും ഫീൽഡുകൾ, എന്നിട്ട് ഇവ അളക്കുക:

1. പൂർണത: ഓരോ പ്രധാന ഫീൽഡും പൂരിപ്പിച്ചിട്ടുള്ള സന്ദർശനങ്ങളുടെ അനുപാതം: അലർജികൾ, വൈറ്റൽസ്, രോഗനിർണയം, മരുന്നുകൾ, ഫോളോ-അപ് തീയതി.
2. അനുരൂപത: സാധുവായ ICD-10 കോഡുകളായ രോഗനിർണയങ്ങളുടെ അനുപാതം, ഒരു സ്റ്റാൻഡേർഡ് കോഡുമായി ബന്ധിപ്പിച്ച ലാബ് ടെസ്റ്റുകൾ, പരിധിക്കുള്ളിലുള്ള തീയതികൾ, FHIR വാലിഡേറ്റർ (validator) പരിശോധനയിൽ വിജയിക്കുന്ന രേഖകൾ.
3. വിശ്വസനീയത: ക്ലിനിക്കൽ പരിധിക്ക് പുറത്തുള്ള മൂല്യങ്ങൾ, അസാധ്യമായ തീയതിക്രമങ്ങൾ, തെറ്റായ ലിംഗമുള്ള രോഗിക്ക് രേഖപ്പെടുത്തിയ രോഗനിർണയം പോലുള്ള വൈരുധ്യങ്ങൾ.
4. ഇരട്ടിപ്പുകൾ: ഒരേ ഫോൺ നമ്പറും സമാനമായ പേരുമുള്ള രോഗികൾ, അല്ലെങ്കിൽ ഒരേ പേരും ജനനത്തീയതിയുമുള്ളവർ.
5. കോഡിങ് കൃത്യത: കോഡ് ചെയ്ത രോഗനിർണയങ്ങളുടെ ഒരു സാമ്പിൾ, ആ സ്പെഷ്യാലിറ്റി അറിയാവുന്ന ഒരാൾ കുറിപ്പുകളുമായി ഒത്തുനോക്കി പരിശോധിക്കൽ.
6. സമയനിഷ്ഠ (Timeliness): സന്ദർശനം കഴിഞ്ഞ് എത്ര സമയത്തിനുള്ളിൽ രേഖ പൂർണമാകുന്നു.

ഒരു അടിസ്ഥാന നില (baseline) കിട്ടാൻ ഒരിക്കൽ ഇത് ചെയ്യുക, പിന്നെ ഒരു നിശ്ചിത ഇടവേളയിൽ ആവർത്തിക്കുക. പിന്നീട് ഒരിക്കലും അളക്കാത്ത ഒരു സംഖ്യ മെച്ചപ്പെടില്ല.

ഉറവിടത്തിൽ തന്നെ തിരുത്തുക

സംഭവിച്ചതിനു ശേഷം ഡാറ്റ വൃത്തിയാക്കുന്നത് സാവധാനത്തിലുള്ള ജോലിയാണ്, പലപ്പോഴും അസാധ്യവും; കാരണം അപ്പോഴേക്കും ശരിയായ മൂല്യം എന്തായിരുന്നുവെന്ന് ആർക്കും ഓർമയുണ്ടാകില്ല. ശരിയായ എൻട്രിയെത്തന്നെ എളുപ്പമുള്ളതാക്കുക എന്നതാണ് ചെലവ് കുറഞ്ഞ പരിഹാരം:

• ഘടനാപരമായ ഫീൽഡുകൾ (structured fields), പിന്നീട് എണ്ണിനോക്കാനുള്ള കാര്യങ്ങൾക്ക്: രോഗനിർണയങ്ങൾ, മരുന്നുകൾ, വൈറ്റൽസ്, ഫലങ്ങൾ.
• തിരഞ്ഞെടുക്കാനുള്ള പട്ടികകളും തിരയലും, രോഗനിർണയങ്ങൾക്കും മരുന്നുകൾക്കും; ഉള്ളിൽ സ്റ്റാൻഡേർഡ് കോഡുകളുമായി ബന്ധിപ്പിച്ചവ. അങ്ങനെ ഡോക്ടർ “ടൈപ്പ് 2 പ്രമേഹം” തിരഞ്ഞെടുക്കുമ്പോൾ രേഖയിൽ അതിന്റെ കോഡ് സൂക്ഷിക്കപ്പെടുന്നു.
• തടയാതെ മുന്നറിയിപ്പ് നൽകുന്ന പരിധി പരിശോധനകൾ. സാധാരണ പരിധിക്ക് പുറത്തുള്ള മൂല്യം ചൂണ്ടിക്കാണിക്കണം, ദശാംശ പിഴവാകാൻ സാധ്യതയുള്ളതിന് തിരുത്ത് നിർദേശിക്കണം, പക്ഷേ ശരിക്കും അങ്ങേയറ്റമായ ഒരു മൂല്യവും രേഖപ്പെടുത്താൻ കഴിയണം. ഒരു അടിയന്തരാവസ്ഥ രേഖപ്പെടുത്താൻ മറികടക്കേണ്ടിവരുന്ന പരിശോധന, ശീലം കൊണ്ട് മറികടക്കപ്പെടും.
• രജിസ്ട്രേഷൻ സമയത്തുതന്നെ ഇരട്ടിപ്പ് പരിശോധന. ഒരു ഫോൺ നമ്പർ ഇതിനകം ഒരു രോഗിയുടേതാണെങ്കിൽ, പുതിയ രേഖ ഉണ്ടാക്കുന്നതിന് മുമ്പ് ഇത് അതേ വ്യക്തിയാണോ എന്ന് ചോദിക്കുക.
• വ്യക്തമായ ‘ഇല്ല’. “അറിയപ്പെടുന്ന അലർജികളൊന്നുമില്ല” എന്നത് ശൂന്യമായ ഫീൽഡിൽ നിന്ന് വ്യത്യസ്തമായ ഒരു തിരഞ്ഞെടുപ്പായി ഉണ്ടാകണം.
• അടയാളം അവശേഷിപ്പിക്കുന്ന തിരുത്തലുകൾ. ഒരു രേഖ തെറ്റാണെങ്കിൽ, അതിനു മുകളിൽ മാറ്റിയെഴുതുന്നതിനു പകരം കാരണം സഹിതം തിരുത്തുകയും യഥാർഥ രേഖ നിലനിർത്തുകയും ചെയ്യുക. ബാക്കിയുള്ളവയെ വിശ്വസിക്കാൻ സഹായിക്കുന്നത് ആ അടയാളമാണ്.
• അതിരുകളിൽ മാനദണ്ഡങ്ങൾ. LOINC-ലേക്ക് കോഡ് ചെയ്ത ലാബ് ഫലങ്ങൾ, FHIR ആയി കൈമാറുന്ന ഡാറ്റ, പുറത്തേക്ക് പോകുന്നതിന് മുമ്പുള്ള സാധൂകരണം.

ഡാറ്റയുടെ ഗുണനിലവാരവും AI-യും

AI സ്വന്തമായി രണ്ട് പ്രശ്നങ്ങൾ കൂടി ചേർക്കുന്നു.

ഒന്നാമത്തേത്, ഒരു മോഡൽ അതിന്റെ പരിശീലന ഡാറ്റയെ (training data) പാരമ്പര്യമായി സ്വീകരിക്കുന്നു എന്നതാണ്. ചില രോഗികളെക്കുറിച്ച് കുറച്ചു മാത്രം രേഖപ്പെടുത്തിയിട്ടുണ്ടെങ്കിൽ, അല്ലെങ്കിൽ ചില രോഗനിർണയങ്ങൾ അയഞ്ഞ രീതിയിൽ കോഡ് ചെയ്തിട്ടുണ്ടെങ്കിൽ, മോഡൽ ആ വിടവുകൾ പഠിക്കുന്നു.

രണ്ടാമത്തേത്, ഒരു ആശുപത്രിയുടെ ഡാറ്റയിൽ നിർമിച്ച മോഡൽ മറ്റൊരു ആശുപത്രിയുടെ ഡാറ്റയിൽ പരാജയപ്പെട്ടേക്കാം എന്നതാണ്. വ്യാപകമായി ഉദ്ധരിക്കപ്പെടുന്ന ഒരു ഉദാഹരണം അമേരിക്കയിലെ (US) പല ആശുപത്രികളിലും ഉപയോഗിക്കുന്ന ഒരു സെപ്സിസ് (sepsis) പ്രവചന മോഡലാണ്: Michigan Medicine-ൽ 38,455 ആശുപത്രിവാസങ്ങൾ ഉപയോഗിച്ച് പരിശോധിച്ചപ്പോൾ, അത് സെപ്സിസ് കേസുകളിൽ 67% കണ്ടെത്താതെ പോയി, അതേസമയം ആകെ രോഗികളിൽ 18% പേർക്ക് മുന്നറിയിപ്പ് നൽകി. ഡാറ്റയുടെ ഗുണനിലവാരം അതിന്റെ ഒരു കാരണമാണ്: കാര്യങ്ങൾ എങ്ങനെ, എപ്പോൾ രേഖപ്പെടുത്തുന്നു എന്നതിലെ വ്യത്യാസങ്ങൾ ഒരു മോഡൽ കാണുന്നതിനെത്തന്നെ മാറ്റുന്നു.

അതുകൊണ്ട് ഏതെങ്കിലും AI ടൂളിനെ ആശ്രയിക്കുന്നതിനു മുമ്പ്, ഏത് ഡാറ്റയിലാണ് അത് നിർമിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്തതെന്ന് ചോദിക്കുക, നിങ്ങളുടെ സ്വന്തം രേഖകളുടെ ഒരു സാമ്പിളിൽ അത് പരീക്ഷിക്കുകയും ചെയ്യുക. ഉപയോഗം തുടങ്ങിയ ശേഷവും അളക്കുന്നത് തുടരുക, കാരണം രേഖപ്പെടുത്തുന്ന ശീലങ്ങൾ മാറും.

ഡാറ്റ ഗുണനിലവാര ചെക്ക്‌ലിസ്റ്റ്

1. നിങ്ങൾ മനസ്സിൽ കാണുന്ന ഉപയോഗത്തിന് പ്രധാനപ്പെട്ട ഫീൽഡുകൾ നിങ്ങൾ തിരഞ്ഞെടുത്തിട്ടുണ്ടോ?
2. ഇന്ന് അവ ഓരോന്നും എത്രത്തോളം പൂർണമാണെന്ന് നിങ്ങൾക്കറിയാമോ?
3. രോഗനിർണയങ്ങൾ ICD-10-ൽ കോഡ് ചെയ്യുന്നുണ്ടോ, ലാബ് ടെസ്റ്റുകൾ LOINC-മായി ബന്ധിപ്പിച്ചിട്ടുണ്ടോ?
4. വിശ്വസനീയമല്ലാത്ത മൂല്യങ്ങളിൽ പരിധി പരിശോധനകൾ മുന്നറിയിപ്പ് നൽകുന്നുണ്ടോ, ദശാംശ പിഴവാകാൻ സാധ്യതയുള്ളവയ്ക്ക് തിരുത്ത് നിർദേശിക്കുന്നുണ്ടോ?
5. രജിസ്ട്രേഷൻ സമയത്ത് രോഗികളുടെ ഇരട്ടിപ്പ് പരിശോധനയുണ്ടോ?
6. “ചോദിച്ചില്ല” എന്നതിൽ നിന്ന് വേറിട്ട്, “ഒന്നുമില്ല” എന്ന് വ്യക്തമായി രേഖപ്പെടുത്താൻ കഴിയുമോ?
7. തിരുത്തലുകൾ കാരണം സഹിതം, യഥാർഥ രേഖ നിലനിർത്തിക്കൊണ്ടാണോ ചെയ്യുന്നത്?
8. ഈ വർഷം ആരെങ്കിലും കോഡ് ചെയ്ത രോഗനിർണയങ്ങളുടെ ഒരു സാമ്പിൾ കുറിപ്പുകളുമായി ഒത്തുനോക്കിയിട്ടുണ്ടോ?
9. ഡാറ്റ പങ്കിടുന്നതിനു മുമ്പ് സാധൂകരിക്കുന്നുണ്ടോ (ഉദാഹരണത്തിന് FHIR അടിസ്ഥാനമാക്കി)?
10. നിങ്ങൾ അളവുകൾ ഒരു നിശ്ചിത ഇടവേളയിൽ ആവർത്തിക്കുന്നുണ്ടോ, ഫലങ്ങളുടെ ചുമതല ആർക്കെങ്കിലും ഉണ്ടോ?

92health ഇതിൽ എവിടെ വരുന്നു

92health ഇന്ത്യയിലെ ക്ലിനിക്കുകളും ആശുപത്രികളും ഫാർമസികളും ലാബുകളും ഒപ്റ്റിക്കൽ ഷോപ്പുകളും ഉപയോഗിക്കുന്ന ഒരു EMR, AI പ്ലാറ്റ്‌ഫോമാണ്. മുകളിലെ ചെക്ക്‌ലിസ്റ്റിന്റെ വലിയൊരു ഭാഗം, അത് ചികിത്സ രേഖപ്പെടുത്തുന്ന രീതിയിൽ തന്നെ ഉൾച്ചേർത്തിട്ടുണ്ട്:

• രോഗനിർണയങ്ങൾ തിരയാവുന്ന പട്ടികകളിൽ നിന്ന് തിരഞ്ഞെടുക്കുകയും അവയുടെ ICD-10 കോഡുകൾ സഹിതം സൂക്ഷിക്കുകയും ചെയ്യുന്നു;
• കണ്ണിന്റെ പ്രാഥമിക പരിശോധനയിൽ (work-up), സാധാരണ പരിധിക്ക് പുറത്തുള്ള റീഡിങ് ചൂണ്ടിക്കാണിക്കുന്നു, ദശാംശ പിഴവാകാൻ സാധ്യതയുള്ളതിന് തിരുത്ത് നിർദേശിക്കുന്നു, ശരിക്കും അങ്ങേയറ്റമായ ഒരു മൂല്യത്തെ തടയാതെ തന്നെ;
• ഇതിനകം ഒരു രോഗിയുടേതായ ഒരു ഫോൺ നമ്പർ രജിസ്റ്റർ ചെയ്യുമ്പോൾ, രണ്ടാമതൊരു രേഖ ഉണ്ടാക്കുന്നതിനു മുമ്പ് ഇത് അതേ വ്യക്തിയാണോ എന്ന് ചോദിക്കുന്നു;
• ലാബ് ഫലങ്ങൾ പങ്കിടുന്നതിനു മുമ്പ് FHIR R4 ആയി സാധൂകരിക്കുന്നു;
• അബദ്ധത്തിൽ രേഖപ്പെടുത്തിയ രോഗനിർണയം ഇല്ലാതാക്കുന്നതിനു പകരം കാരണം സഹിതം പിൻവലിക്കുന്നു; കടലാസിൽ നിന്ന് പിന്നീട് ചേർത്ത രേഖകൾ അങ്ങനെയാണെന്ന് അടയാളപ്പെടുത്തുന്നു.

തങ്ങൾ എവിടെ നിൽക്കുന്നുവെന്ന് അറിയാൻ ആഗ്രഹിക്കുന്ന ആശുപത്രികൾക്കായി, ഞങ്ങളുടെ AI തയ്യാറെടുപ്പ് പ്രവർത്തനങ്ങളുടെ ഭാഗമായി ഞങ്ങൾ ഡാറ്റ ഗുണനിലവാര അവലോകനങ്ങൾ നടത്തുന്നു: നിങ്ങളുടെ രേഖകളുടെ ഒരു സാമ്പിൾ മുകളിലെ പരിശോധനകൾ ഉപയോഗിച്ച് അളക്കുന്നു, ആദ്യം എന്ത് തിരുത്തണം എന്നതിന്റെ എഴുതിത്തയ്യാറാക്കിയ ഒരു പട്ടികയും നൽകുന്നു.

അവലംബങ്ങൾ

• Weiskopf NG, Weng C. Methods and dimensions of electronic health record data quality assessment: enabling reuse for clinical research. JAMIA, 2013;20(1):144-151. doi:10.1136/amiajnl-2011-000681
• Kahn MG et al. A harmonized data quality assessment terminology and framework for the secondary use of electronic health record data. eGEMs, 2016;4(1):1244. doi:10.13063/2327-9214.1244
• Burns EM et al. Systematic review of discharge coding accuracy. Journal of Public Health, 2012;34(1):138-148. doi:10.1093/pubmed/fdr054
• Srinivasan K et al. The final diagnosis: evaluating errors in cause-of-death reporting. Cureus, 2025;17:e82785. doi:10.7759/cureus.82785
• Wong A et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Internal Medicine, 2021. doi:10.1001/jamainternmed.2021.2626